走在汽車革命的路上論文書籍站
中華科技大學 電子工程研究所碩士班 李昆益所指導 李日照的 利用Python爬蟲技術建置巨量資料之探勘模型 （2020），提出金融股 選擇 PTT關鍵因素是什麼，來自於Python、巨量資料、網路爬蟲。
而第二篇論文國立交通大學 管理學院財務金融學程 戴天時所指導 陳彥安的 深度學習於台股動態投資組合之應用 （2019），提出因為有 機器學習、深度學習、神經網路、長短期記憶、三大法人、時間序列、最佳投資組合的重點而找出了 金融股 選擇 PTT的解答。
利用Python爬蟲技術建置巨量資料之探勘模型
為了解決金融股 選擇 PTT 的問題，作者李日照 這樣論述：
摘 要台股實施逐筆交易制度，撮合機制變快，市場上交易節奏也加快，投資者很難以人力追蹤多檔股票行情並即時做出交易策略判斷。目前針對股票交易設計的回測或量化系統操盤軟體，大多需要支付費用且有其侷限性，無法適用於各種投資策略。本研究針對金融股十四檔股票，利用Python網路爬蟲技術建置股票巨量資料探勘模型，透過模型導出之技術指標圖，分析預測股價未來走勢。。本研究使用Google Colaboratory環境，利用requests套件於網路爬取2021年1月22日至2021年6月12日之十四檔金融股股價資料，並導入pandas與numpy套件進行巨量資料整理分析，再應用Ta-Lib套件計算成交量
（VOL）、隨機指標（KD）、平滑異同移動平均線指標（MACD）及相對強弱指標（RSI），最後使用 Matplotlib套件導出股價走勢圖表，分析圖表意義。研究發現大多數金融股均齊漲齊跌變化大同小異，針對個股，漲勢較為淩厲，且量能較大的有富邦金控、國泰金控、兆豐金控等三檔股票。本研究利用Python網路爬蟲技術建置股票巨量資料探勘模型，可透過不同的參數設定，產生不同變化之股票技術分析圖表，讓投資者或研究者藉由此探勘模型驗證自己的策略是否擁有良好的損益，作為投資者或研究者股票選擇交易決策之參考。關鍵詞：Python、巨量資料、網路爬蟲
深度學習於台股動態投資組合之應用
為了解決金融股 選擇 PTT 的問題，作者陳彥安 這樣論述：
本研究使用長短期記憶區塊(LSTM)架構而成之深度神經網路分析選定投資標的之三大法人每日買賣超的籌碼變化，以捕捉此時間序列資料中隱含之訊號，進而學習得到動態調整投資組合之能力以提高投資報酬。實驗結果顯示，訓練後模型能依三大法人每日買賣超籌碼變化情形，主動地動態調整投資組合權重，整體而言，投資績效表現優於臺灣50指數及Markowitz均值-方差模型之效率前緣上Sharpe Ratio最大之最佳投資組合。