走在汽車革命的路上論文書籍站
國立勤益科技大學 資訊管理系 黃嘉彥所指導 林威震的 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 （2021），提出股票 篩選 器 PTT關鍵因素是什麼，來自於新冠疫情、股價漲跌預測、情緒分析、基因演算法、機器學習、田口方法、長短期記憶。
而第二篇論文國立臺北科技大學 管理學院資訊與財金管理EMBA專班 王貞淑所指導 李忠憲的 運用BERT於稅制改革輿情分析，探討評論品質之情感分析─以房地合一稅為例 （2021），提出因為有 情感分析、輿情分析、稅制改革、機器學習、主題建模、BERT的重點而找出了 股票 篩選 器 PTT的解答。
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
為了解決股票 篩選 器 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。
運用BERT於稅制改革輿情分析，探討評論品質之情感分析─以房地合一稅為例
為了解決股票 篩選 器 PTT 的問題，作者李忠憲 這樣論述：
過往政府推動稅制改革時，為了確保能夠多方參考不同意見，多以召集專家學者舉行座談會、研討會等方式先擬出草案，再輔以民調或問卷等抽樣統計方式來蒐集民眾的意見。隨著網路社交媒體的出現，民眾在網路上發表評論與意見，形成所謂的「網路輿情」。相較於傳統方式，透過對網路輿情的分析，能夠快速及廣泛的了解民眾對稅制改革的意見。但民眾對於與其經濟活動息息相關的稅制改革，往往批評多過於建議，使得真正有用的評論被淹沒在大量的無用評論中，最後模糊了政策討論的焦點。因此，在眾多的輿情中快速辨別出真正有用的評論，才能使政府獲得真正有用的意見反饋。 本研究藉由蒐集網路社交媒體上有關房地合一稅的評論與意見，運用
BERT語言模型結合深度學習來對評論的品質進行分類，並評估分類模型的有效性及性能後，將有用的評論進行主題建模，提取出民眾所關心的房地合一稅關鍵主題與單詞。 本研究先以調整分類模型的學習率及訓練週期等兩項超參數進行實驗，結果顯示所有組合的AUC平均為86.79%，且平均準確率達到82.20%，代表所建構的模型具有分類預測能力。其次，為了優化模型，將不平衡資料集加以調整，使有用及無用的評論筆數以1：1的比例進行實驗，在準確率幾無差異的情形下，平均精確率來到80.19%，大幅提升了12.26%，代表模型的分類性能有所提高。最後將經過評論品質分類後的評論進行主題提取後發現，民眾最關心的主題表現在
「囤房稅」及「房價」上，說明民眾對於房地合一稅的效果抱持保留的看法，希望能加入囤房稅等配套措施，以真正達到抑制炒房、平穩房價的效果。 經由實驗結果顯示，本研究所建構的評論品質分類模型，對於由網路社交媒體上所蒐集到的輿情，可以篩選出真正有用的評論與意見，希望未來能讓政府部門快速掌握真正有用的輿情，並做為制定公共政策時的參考。