籌碼面ptt的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

運用網路情緒變數與混合式基因演算法提升深度學習預測股價漲跌準確度之研究

為了解決籌碼面ptt的問題，作者林威震 這樣論述：

近年來，由於各國政府的量化寬鬆政策，導致股市湧入大量熱錢，各大國際金融指數屢創新高。過程中吸引不少民眾參與股票投資，股市討論度也伴隨著這股熱潮不斷升高。因此本研究為了解社群股市討論能否影響股價走勢，透過文字探勘-情緒分析的技術，將PTT Stock版的非結構化文字量化為情緒變數，加入至預測模型中驗證是否能夠作為預測股價漲跌的關鍵指標。此外，也透過台灣證券交易所-公開資訊觀測站，蒐集每日盤後的籌碼面數據，做為預測股價漲跌的特徵。為建立出完整的股票預測模型，本研究將基因演算法結合支持向量機(SVM)、決策樹(DT)以及邏輯斯迴歸(LR)三種不同機器學習工具以篩選出最佳指標組合，並透過長短期記憶(

LSTM)進行預測，同時採用田口方法優化LSTM超參數配置，可得60%預測準確率。嘗試利用情緒變數加入至LSTM預測模型後發現，可得出62.22%預測準確率，改善幅度達2.22%。並以該預測模型進行數據回測實驗，得到新台幣18,238元的獲利表現。

新聞情緒與投資人情緒建構台股機器學習交易策略

為了解決籌碼面ptt的問題，作者張傳銘 這樣論述：

投資人在股票市場總是尋求新的方式尋找獲利機會，並且使用不同指標與因子建構交易策略，而投資人主要在建構交易策略時，會朝著技術面、基本面、籌碼面以及消息面來做為策略的依據，而本研究主要建立在籌碼面投資人情緒與消息面新聞情緒的策略研究。 將Anue鉅亨網2013/01/02至2019/12/31共7年的臺灣股市新聞蒐集，挑選出新聞內文有提到五十檔股票標的的新聞，並以年的方式做為切割，隨機篩選50%的新聞，以人為的方式，進行情緒標籤，分成「正面」、「負面」、「中立」。接著使用臉書所開發的fastText文本分類模型，訓練及預測2014年至2019共6年全部新聞的新聞情緒。 另一方面使用投

資人情緒特徵，輸入XGBoost演算法模型訓練，預測報酬，並挑選適當的預測值與標的數目，作為進場依據的原始交易策略。再探討運用文本分類模型所建置的新聞情緒加入特徵，成為新的情緒加強策略，是否能夠有效的提升策略績效。回測期間2015年至2019年共五年。 本研究結果顯示(一) fastText分類模型，在樣本內情緒分類上，在3-gram有最好的表現，二元模型最高有92%、三元模型有75%的準確度，而移動窗格下平均有88%及77%。(二)投資人情緒特徵所建立的交易策略以及新聞情緒的交易策略，在挑選越少標的時會有較好的報酬與績效表現，顯示模型是可以預測出實際上真的好的報酬，故可以當作選股的依據

。(三)在策略績效部分，新聞情緒的加入使得績效在5檔標的績效提升20%及10檔標的提升8%，同時要有較好的贏率與較低最大回撤。