銀行代碼391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

變軌：數字經濟及其貨幣演進

為了解決銀行代碼391的問題，作者周子衡 這樣論述：

隨著新一輪科技革命和產業革命浪潮席捲而來，特別是大資料、人工智慧、移動互聯網、雲計算、5G等新一代資訊技術的應用，人類進入數字經濟時代，整個社會經濟體系正在經歷“變軌”。   在本書中，所謂“變”，是指經濟決策與支付的數位化；所謂“軌”，是指帳戶體系的數位化。數位帳戶體系是整個經濟數位化的核心，數字帳戶體系的產生使得數位化決策和支付得以實現。   全書分為四個部分，全面詮釋數位經濟發展進程，前瞻數位貨幣演進趨勢。第一部分闡述“變軌”的背景並對其進行定義；第二部分講述經濟數位化，包括數字經濟產生的過程、新經濟與舊經濟的區別、經濟資料化的未來趨勢等；第三部分闡述貨幣數位化的演進過程；第四部門圍繞熱

點數位法幣展開討論，包括數位法幣的緣起、落地以及數位人民幣的發展趨勢等。   數位貨幣支付與數位經濟快捷性、高效性發展方式或目標高度一致，對推動數位經濟與實體經濟發展相融合、相協調及金融支付數位化、生態化都將起到重要作用。 周子衡，畢業於中國社會科學院研究生院，經濟學博士，從事貨幣經濟研究二十餘年。現任浙江現代數位金融科技研究院理事長、資訊社會五十人論壇成員、央行金標委區塊鏈安全分會成員、中國電子協會區塊鏈分會成員。   曾是美國約翰·霍普金斯大學訪問學者，紐西蘭威靈頓維多利亞大學訪問學者；曾擔任阿里巴巴（中國）有限公司顧問、阿里研究院學委會委員；曾任職于中國民生銀行、中信集

團、中國華能集團；擁有律師從業資格並曾有十年執業經驗。   著有《帳戶——新經濟新金融之路》（2017）、《從計畫到管制——通過有效的管制實現金融穩定》（2006）、《金融管制的確立及其變革》（2005）。 引 言 / 李揚 第一部分 什麼是變軌 第一章 市場還是技術 1.1 市場 —— 還是壓倒一切的力量嗎 005 1.2 市場 —— 囚鎖於“物理環境”中嗎 009 1.3 技術 —— 比市場更有力量嗎 013 第二章 數位化即經濟變軌 2.1 數位化 —— 技術力量還是市場力量 021 2.2 數位經濟何以跨過“物理大牆” 025 2.3 數位化即經濟變軌 028 第三

章 變軌之“軌” 3.1 從銀行帳戶體系到數位帳戶體系 033 3.2 從生產成本、交易成本到機會成本 039 3.3 從物理環境到數理環境的“時間考量” 044 3.4 從法律法規條款到代碼程式的“秩序演進” 048 第四章 數位帳戶、數位支付、數位法幣 4.1 貨幣數位化 —— 從銀行貨幣到數位法幣 055 第二部分 經濟數位化 第五章 網路、技術與資料 5.1 網路 —— 從網路經濟、網路金融說起 069 5.2 技術 —— 從“IT”到“DT” 080 5.3 資料 —— 資源、要素、資產還是“神” 088 第六章 新經濟與舊經濟 6.1 帳戶 —— 經濟數位化之“軌道” 101 6

.2 支付 —— 數字經濟的“發生” 119 6.3 變軌 ——“新經濟”與“舊經濟”的區別 131 6.4 信條 —— 事實與原則 146 第七章 全球視角下的經濟數位化 比較 —— 國際趨向或格局 187 第三部分 貨幣數位化 第八章 數位經濟與數位貨幣 8.1 淵源 —— 數位經濟與數位貨幣 201 8.2 形態 —— 如何理解貨幣形態及其新變化 219 8.3 共識 —— 數字貨幣的“共識”問題 228 8.4 資產 —— 數位資產不等於數位貨幣 234 8.5 分享 —— 分“時”獨享 245 8.6 現鈔、現金，與記帳貨幣 253 8.7 比特幣 —— 正在成為灰犀牛嗎 265

第九章 貨幣數位化的進程 9.1 階段 —— 數位支付、數位法幣與數位財政 283 9.2 供需 288 第十章 可能出現的逆境 10.1 誤區 299 10.2 跨境 309 第四部分 數位法幣 第十一章 數字法幣的緣起 11.1 創新 —— 貨幣數位化變軌在於數位法幣 328 11.2 衝擊 —— 數位法幣的創新性衝擊 333 11.3 引擎 —— 數位法幣標誌數位經濟的“全面崛起” 344 第十二章 數字法幣的落地 12.1 主導 —— 數位法幣是貨幣金融發展的必然趨勢 353 12.2 發行 —— 中央銀行發行數字法幣的五個問題 361 12.3 場景 —— 數字法幣的“對私”與“對

公”場景 367 12.4 需求 —— 數字人民幣 374 第十三章 數字法幣的拓展 13.1 區塊鏈 —— 數位法幣將打開區塊鏈技術應用的貨幣場景 391 13.2 數位信託 —— 數位法幣將開啟數位信託的大發展 402 13.3 數字人民幣 —— 一切只是剛剛開始 407 13.4 國際化 —— 數字人民幣能替代美元嗎 411 跋 417

銀行代碼391進入發燒排行的影片

我國行動支付法制及其未來發展方向之研究

為了解決銀行代碼391的問題，作者阮昱升 這樣論述：

行動支付起初於我國使用之頻率與人數不多，絕大多數的消費者還是以現金支付為主要之支付模式，縱使我國政府極力推動行動支付作為我國消費者支付上的新選擇，但大多數的消費者們還是不買單，而此種情況來到了2020年的COVID-19疫情後全都變了樣，因COVID-19疫情迫使消費者們開啟無接觸經濟的大門，這就使行動支付成了當今支付模式的新寵兒。本研究主要以國家發展委員會的行動支付三大架構策略為研究範圍，而探究其現況、法制與未來發展。在現況上，我國擁有良好的行動支付之軟硬體基礎環境，然在個人資料與隱私的安全保護上似嫌不足，此需待各方積極改善，而此則攸關法制面的制定。而在應用場域面與體驗行銷面則是拜COVI

D-19疫情之賜，應用場域從原先的集中在大型商家中、外送平台與APP平台上，轉變為小型商家亦稍稍的有意願增設與接受行動支付，然要實現無現金社會則需使小型商家全面導入行動支付才可。體驗行銷乃是從原先有規劃策略的欲使消費者使用行動支付，然實際成效沒有想像中來的好，轉變為大眾有點半強迫式的認同與支持行動支付，故此當今的行動支付業者不再著重於知名度上，而是著重於消費者的忠誠度上。本研究建議未來在發展行動支付上，基礎環境面之法制面應著重於個人資料與隱私的安全保護，以解財政部監控著業者與消費者的所有交易資訊。應用場域面則應多立足於小型商家的角度來思考要如何幫助他們增設與接受行動支付，以免疫情過後其棄行動支

付之用。體驗行銷則應創造與消費者多方面的連接，使消費者在選擇行動支付上能更加忠於使用單一行動支付。

模型思維：簡化世界的人工智能模型

為了解決銀行代碼391的問題，作者龔才春 這樣論述：

對從事演算法研究與演算法開發的人來說，模型的學習與使用必不可少。尤其是在目前備受關注的人工智慧領域裡，人人談模型，新模型也是層出不窮，讓人眼花繚亂。   模型讓人又愛又恨：可愛的地方在於它確實能夠解決實際問題，而且其有效性一般都經過了檢驗；可恨的地方在於學習它是一件非常痛苦的事情，尤其是對人工智慧的初學者來說。   《模型思維》將人工智慧在現實生活場景中解決的問題分類，並根據這個分類來介紹各種模型。書中將人工智慧問題分為權重問題、狀態問題、序列問題、表示問題、相似問題和分類問題六大類，方便讀者瞭解各個模型之間的關係，也方便讀者理解各個模型的適用場景。   《模型思維》儘量更多地結合模型的使用場

景，更多地介紹實際業務需求之間的關係，更多地採用生活中淺顯易懂的例子，方便人工智慧的初學者學習模型。   《模型思維》不僅適合希望學習和運用人工智慧模型到具體應用場景的企業工程師、科研院所的學生和科研人員，也適合對人工智慧模型感興趣的讀者，説明其將模型思維應用到生活中。 龔才春 畢業於中國科學院計算技術研究所，工學博士學位；教授，博士生導師；長期從事人工智慧與人力資源等領域的研究。   中關村科金技術人工智慧研究院院長，職品匯創始人，大街網原首席科學家，阿裡巴巴原搜索研發專家。   在大資料採擷方面有許多成功經驗，創辦了大資料虛假簡歷識別平臺職品匯；在自然語言處理，尤其是語

義理解、知識圖譜等方面有深刻理解，中文幽默識別是其一個有特色的研究工作；曾負責淘寶評論的情感分析等工作。 第1篇 模型為什麼這麼神奇 模型是一個很常見的名詞。與人力資源管理相關的有漏斗模型、人才模型、定級模型等；與工程師相關的有線性回歸模型、隱瑪律可夫模型、LDA模型等；與業務相關的有價格預測模型、銷量預測模型等；與銷售相關的有SSM模型、銷售漏斗模型、銷售能力模型等；與行銷相關的有市場衝突矩陣模型、品牌五力模型、區域行銷模型等……但到底什麼是模型、怎麼選擇合適的模型、怎麼創新模型，則是仁者見仁，智者見智。 第1章 為什麼要建立模型 2 1.1 什麼是模型 2 1.2 無處不在的模型 4 1

.3 模型的意義 4 1.3.1 萬有引力定律 4 1.3.2 大陸漂移假說 5 1.3.3 日心說 5 1.4 模型都是對的嗎 6 1.4.1 模型可以是錯的 7 1.4.2 模型可以是未被證實的 7 1.4.3 模型可以是互相矛盾的 7 1.5 什麼模型是好模型 8 1.5.1 表示客觀事物的能力 8 1.5.2 簡化客觀事物的能力 9 1.5.3 評價模型好壞的模型 9 1.6 模型的演化 9 1.7 正確看待模型的價值與缺陷 10 1.7.1 正確看待模型的局限性 10 1.7.2 用歷史的觀點看模型 10 1.7.3 拋棄對模型的階級觀點 11 1.7.4 用發展的觀點看模型 11

1.8 本書的特點 12 1.8.1 對讀者的基礎要求 12 1.8.2 從場景出發講模型 12 1.8.3 從方法論的視角講模型 13 1.8.4 用類比的技巧講模型 13 1.8.5 避免讀者被數學公式嚇倒 13 1.8.6 避免“知識的詛咒” 14 1.9 本書主要內容 14 1.9.1 權重模型 15 1.9.2 狀態模型 15 1.9.3 序列模型 15 1.9.4 表示模型 16 1.9.5 相似模型 16 1.9.6 分類模型 16 第2章 模型的運用 18 2.1 用知識圖譜表示問題 18 2.1.1 知識圖譜的基本理念 18 2.1.2 建立知識圖譜的一般步驟 19 2.1.

3 問題的屬性研究 19 2.1.4 問題的關係研究 20 2.2 問題分析的示例 20 2.2.1 前提假設分析 20 2.2.2 已有資料的分析 21 2.2.3 待求資料的分析 21 2.2.4 關係分析 21 2.3 權重問題的判斷 22 2.4 狀態問題的判斷 24 2.5 序列問題的判斷 25 2.6 表示問題的判斷 25 2.7 相似問題的判斷 26 2.8 分類問題的判斷 26 2.9 模型之間的關係 27 第2篇 權重模型：計算你的分量 世界上的萬事萬物，紛繁複雜，讓人眼花繚亂。幾千年來，人類一直在試圖發現事物背後的共性規律。在電腦學者眼裡，世界上幾乎所有問題，最終都可以歸

結為權重計算的問題。 權重問題是一個通用問題，在各個學科中都已經有許多深入的研究，也有了許多計算各種各樣權重的方法。將這些權重計算方法進行整理並抽象，就簡化為模型了。 第3章 TF-IDF模型 33 3.1 應用場景 33 3.2 詞頻率—逆文檔頻率模型的計算 34 3.2.1 詞頻率模型 34 3.2.2 逆文檔頻率模型 37 3.2.3 TF-IDF模型 39 3.3 詞權重模型的平滑 40 3.4 引申閱讀 40 3.4.1 發明歷史 41 3.4.2 發明人簡介 41 3.4.3 最新研究 42 3.5 本章總結 42 第4章 線性回歸模型 43 4.1 應用場景 43 4.2 直觀理

解回歸問題 44 4.3 一元線性回歸問題 45 4.3.1 鋼軌長度與溫度的關係 45 4.3.2 判斷最合適直線的兩個原則 47 4.3.3 最小二乘法 50 4.4 多元線性回歸問題 52 4.5 標準方程法 53 4.5.1 一些符號定義 53 4.5.2 矩陣表示 54 4.5.3 參數求解 55 4.5.4 用標準方程法計算銀行授信額度 58 4.6 梯度下降法 60 4.6.1 梯度下降法的直觀理解 60 4.6.2 坡度最陡下山法 63 4.6.3 坡度最陡下山法的類比 64 4.6.4 梯度下降法的計算 66 4.6.5 銀行授信額度的計算 67 4.7 梯度下降法與標準方程

法的區別 68 4.8 引申閱讀 69 4.8.1 最小二乘法的發明 69 4.8.2 梯度下降法的發明 69 4.8.3 最新研究 69 4.9 本章總結 71 第5章 PageRank模型 73 5.1 應用場景 73 5.2 PageRank的直觀演算法 74 5.2.1 直觀理解 75 5.2.2 模型的初始化 77 5.2.3 模型的反覆運算 79 5.3 直觀演算法的漏洞修復 81 5.3.1 非連通漏洞 81 5.3.2 過河拆橋型漏洞 82 5.3.3 孤芳自賞型漏洞 85 5.3.4 過分謙虛型漏洞 85 5.3.5 隨機遊走模型 86 5.4 PageRank模型的計算 8

8 5.4.1 連結關係表 88 5.4.2 連結流覽矩陣 88 5.4.3 直接流覽矩陣 89 5.4.4 狀態轉移矩陣 89 5.4.5 反覆運算計算 90 5.4.6 計算示例 91 5.5 引申閱讀 92 5.5.1 收斂性證明 93 5.5.2 發明歷史 94 5.5.3 發明人簡介 94 5.5.4 相關研究 95 5.6 本章總結 95 第3篇 狀態模型：加官進爵的模型 事物是變化的，我們也要從意識形態上跟上客觀事物的變化，否則就會犯“刻舟求劍”的笑話。目前，最好的描述事物狀態改變的模型是自動機模型，又被稱為有限狀態自動機模型。 在電腦領域，有很多自動機模型的應用場景。例如常見

的正向最大匹配分詞演算法其實就是一個自動機模型；在自然語言處理中，中文分詞、語音辨識、詞性標注、字串查找、拼寫糾錯、模糊匹配等都是自動機模型的變種；在網路安全領域中，我們最熟悉的病毒掃描場景，很多都使用了AC自動機模型，這也是一種狀態轉移自動機模型。 第6章 有限狀態自動機模型 100 6.1 應用場景 100 6.1.1 Java詞法分析 100 6.1.2 Java詞法分析示例 101 6.2 直觀理解與形式化描述 103 6.2.1 自動機模型的直觀理解 103 6.2.2 形式化描述 105 6.3 詞法分析自動機模型 105 6.3.1 注釋識別自動機 105 6.3.2 保留字識別

自動機 107 6.4 位址解析自動機模型 108 6.4.1 位址解析場景概述 108 6.4.2 地址解析的難度 109 6.4.3 標準地址庫建設 110 6.4.4 位址識別自動機模型 111 6.5 引申閱讀 113 6.5.1 發明歷史 113 6.5.2 發明人簡介 114 6.5.3 最新研究 115 6.6 本章總結 115 第7章 模式匹配自動機模型 116 7.1 應用場景 116 7.2 形式化描述 118 7.3 BF模式匹配演算法 118 7.3.1 BF演算法的直觀理解 118 7.3.2 BF演算法的匹配過程示例 119 7.3.3 BF演算法的偽代碼表示 12

1 7.3.4 BF演算法的自動機模型 121 7.4 RK模式匹配演算法 122 7.5 KMP模式匹配演算法 123 7.5.1 KMP演算法的直觀理解 123 7.5.2 KMP演算法的匹配過程示例 125 7.5.3 移動長度的計算 127 7.5.4 KMP演算法的自動機模型 129 7.5.5 KMP演算法的總結 129 7.6 BM模式匹配演算法 129 7.6.1 後向BF演算法 130 7.6.2 實現跳躍式匹配 131 7.6.3 基於壞字元的模式匹配過程 132 7.6.4 壞字元匹配演算法的缺陷 137 7.6.5 好尾碼的匹配規則 138 7.6.6 BM模式匹配演算

法介紹 141 7.6.7 BM演算法的自動機模型 143 7.7 AC模式匹配演算法 143 7.7.1 TRIE樹的使用 144 7.7.2 TRIE樹的構建 145 7.7.3 失效指針的直觀理解 146 7.7.4 失效指針的設置示例 147 7.7.5 失效指標的設置演算法 150 7.7.6 AC演算法的匹配過程示例 152 7.8 Wu-Manber模式匹配演算法 153 7.8.1 Wu-Manber演算法的直觀理解 153 7.8.2 Wu-Manber演算法的總體思路 155 7.8.3 字元塊 156 7.8.4 後移長度陣列 157 7.8.5 字元塊的雜湊值 159

7.8.6 倒排鏈表 159 7.8.7 首碼雜湊值 160 7.8.8 Wu-Manber演算法示例 161 7.9 引申閱讀 163 7.10 本章總結 166 第4篇 序列模型：揭示現象背後的規律 序列模型，就是根據可觀察的現象序列，探索其背後不可觀察的神秘序列。我們能夠想到的需要探索現象背後的邏輯、本質、規律等，都可以歸結為序列模型。 第8章 隱瑪律可夫模型 170 8.1 應用場景 171 8.2 瑪律可夫鏈 171 8.3 隱瑪律可夫模型的定義 173 8.3.1 直觀定義 173 8.3.2 形式化定義 174 8.3.3 盲人與苔蘚的例子 174 8.4 兩個假設 176 8

.4.1 齊次瑪律可夫假設 176 8.4.2 觀察獨立性假設 176 8.5 評估問題 177 8.5.1 評估問題的應用價值 177 8.5.2 暴力求解法 178 8.5.3 前向演算法 179 8.5.4 前向演算法的形式化描述 185 8.5.5 前向演算法的演算法描述 186 8.5.6 後向演算法 187 8.6 解碼問題 190 8.6.1 暴力求解法 190 8.6.2 維特比演算法 190 8.6.3 維特比演算法的形式化描述 197 8.7 學習問題 198 8.7.1 監督學習 199 8.7.2 非監督學習 201 8.7.3 一個更簡單的EM演算法例子 202 8.

7.4 更好一點的演算法 205 8.7.5 直觀方法 206 8.7.6 Baum-Welch演算法 207 8.7.7 Baum-Welch演算法的偽代碼表示 212 8.8 引申閱讀 213 8.8.1 發明人簡介 213 8.8.2 最新研究 214 8.9 本章總結 215 第9章 最大熵模型 216 9.1 應用場景 216 9.1.1 語義消歧 216 9.1.2 音字轉換 217 9.1.3 其他常見場景 217 9.2 直觀理解最大熵 217 9.2.1 熵增加原理 217 9.2.2 熵的定義 218 9.2.3 不要把雞蛋放在同一個籃子裡 219 9.2.4 不要隨意添加

主觀假設 219 9.3 最簡單的最大熵計算示例 220 9.3.1 方程組求解 220 9.3.2 最大熵化 221 9.3.3 拉格朗日乘子法 221 9.3.4 骰子的概率計算 223 9.3.5 計算複雜度分析 225 9.4 形式化定義 226 9.4.1 經驗分佈 226 9.4.2 特徵函數 227 9.4.3 特徵範本 228 9.4.4 約束條件及其期望 228 9.4.5 條件熵 230 9.4.6 最大熵的定義 230 9.5 最大熵模型的計算流程 231 9.5.1 模型訓練 231 9.5.2 模型執行 232 9.6 平滑方法 232 9.6.1 拉普拉斯平滑 23

3 9.6.2 古德—圖靈平滑 236 9.6.3 Jelinek-Mercer平滑 238 9.6.4 Katz平滑 239 9.6.5 絕對折扣平滑 241 9.6.6 Witten-Bell平滑 241 9.6.7 Kneser-Ney平滑 242 9.6.8 各種平滑方法的演化關係 243 9.7 特徵選擇 245 9.7.1 基於閾值的特徵選擇 245 9.7.2 增量式特徵選擇 245 9.8 參數計算 246 9.8.1 參數計算的形式化 246 9.8.2 參數的數值計算 248 9.9 引申閱讀 250 9.10 本章總結 251 第5篇 表示模型：萬事萬物的表示 當人們在

看到某個事物或現象後，需要向沒有看到的人描述這個事物或現象時，就需要盡可能找一個讓對方可以接受並理解的方式來表示該事物或現象。對事物或現象的表示，是這個事物或現象區別於其他事物或現象的基礎，是進行轉述、分析、處理的前提。 到了現代社會，表示方法越來越普遍，使用也越來越頻繁。重大的科技創新，往往都是從表示方法創新開始的。 第10章 向量空間模型 256 10.1 應用場景 256 10.2 之前的文本表示方法 257 10.3 向量空間模型 258 10.3.1 文檔的詞袋化 258 10.3.2 文檔的向量化 259 10.3.3 詞項的權重計算 261 10.4 相似度計算 263 10.5

引申閱讀 264 10.5.1 發明人介紹 264 10.5.2 最新研究 264 10.6 本章總結 265 第11章 潛在語義分析模型 266 11.1 應用場景 266 11.2 LSA模型的計算 268 11.2.1 詞—文檔矩陣 268 11.2.2 奇異值分解 270 11.2.3 降維處理 272 11.3 結果的解讀 275 11.3.1 3個矩陣的物理含義 275 11.3.2 實驗結果解讀 275 11.4 為什麼LSA模型有效 277 11.5 LSA模型的應用 278 11.5.1 識別同義詞和近義詞 278 11.5.2 文檔的聚類和分類 280 11.5.3 跨語

言語義檢索 281 11.6 LSA模型的不足 282 11.7 引申閱讀 283 11.7.1 發明人介紹 283 11.7.2 最新研究 283 11.8 本章總結 284 第6篇 相似模型：誰與我臭味相投 在現實生活的許多場景中，都需要判斷兩個事物有多相似。各種事物之所以可以比較，是因為我們已經潛在地計算了事物之間的相似度。之所以稱這種相似度是“潛在的”，是因為我們以為是在尋找事物之間的差異，其實在尋找差異之前我們已經找到了相似之處。 第12章 相似模型 288 12.1 歐幾裡得距離 288 12.2 曼哈頓距離 289 12.3 切比雪夫距離 292 12.4 閔可夫斯基距離 29

3 12.5 馬哈拉諾比斯距離 293 12.5.1 用歐氏距離計算身材相似度 293 12.5.2 歐氏距離失效的原因 294 12.5.3 引入原因 295 12.5.4 方差與協方差 295 12.5.5 馬氏距離的定義 298 12.5.6 馬氏距離為什麼有效 299 12.6 皮爾遜相關係數 299 12.7 Jaccard相關係數 300 12.8 余弦相似度 302 12.9 漢明距離 304 12.10 KL散度 305 12.11 海林格距離 307 12.12 編輯距離 307 12.13 本章總結 312 第7篇 分類模型：物以類聚，人以群分 分類問題是我們在日常生活中

每時每刻都可能遇到的。分類也是所有決策制定的基礎，沒有分類，就不可能有決策的制定與實施。各行各業每天都在處理各式各樣的分類問題：高校要根據高考成績判斷是否錄用考生；HR要根據候選人簡歷判斷是否安排面試；公司CEO要根據市場情況及時調整產品戰略和銷售目標；農民要根據天氣、作物生長狀況等決定是否澆水、施肥；廚師要根據火候判斷菜品是否應該出鍋；司機要根據目的地和交通狀況決定是直行還是轉向…… 在現實生活中，我們可能遇到的分類問題千差萬別，可以對分類問題進行分類，從而使每一類分類問題可以用一類分類模型來處理。 第13章 感知機模型 315 13.1 應用場景 315 13.2 神經元的工作原理 317

13.3 感知機模型的原理 320 13.3.1 感知機模型的數學表示 320 13.3.2 感知機模型的分類原理 320 13.3.3 距離的計算 323 13.3.4 代價函數 323 13.4 參數訓練 324 13.4.1 梯度下降法 324 13.4.2 計算示例 325 13.5 引申閱讀 326 13.5.1 發明歷史 326 13.5.2 最新研究 327 13.5.3 與其他模型的關係 327 13.6 本章總結 328 第14章 邏輯回歸模型 329 14.1 應用場景 329 14.2 直觀理解邏輯回歸模型 330 14.2.1 邏輯回歸的目標模型 330 14.2.2

邏輯回歸模型的工作原理 332 14.3 邏輯回歸模型的計算 333 14.3.1 相關符號表示 333 14.3.2 代價函數 334 14.3.3 梯度下降法 335 14.4 引申閱讀 336 14.4.1 發明人簡介 336 14.4.2 發明歷史 337 14.4.3 最新研究 337 14.5 本章總結 338 第15章 樸素貝葉斯模型 339 15.1 應用場景 339 15.2 先驗概率和後驗概率 340 15.3 貝葉斯公式 341 15.3.1 全概率公式 341 15.3.2 逆概率公式 342 15.4 獨立假設 343 15.5 文本分類的案例 344 15.5.1

訓練樣本介紹 345 15.5.2 詞典與先驗概率 345 15.5.3 直接使用貝葉斯公式 346 15.5.4 拉普拉斯平滑 347 15.6 引申閱讀 349 15.7 本章總結 349 第16章 決策樹模型 350 16.1 應用場景 350 16.2 決策樹模型的直觀理解 351 16.2.1 猜數字的遊戲 351 16.2.2 猜動物的遊戲 352 16.2.3 決策樹模型要解決的問題 354 16.3 最佳決策樹 354 16.3.1 蠻力的方法 355 16.3.2 從數據中領悟審批原則 355 16.3.3 什麼是好問題 356 16.4 信息量的計算 357 16.4.1

資訊熵的定義 357 16.4.2 熵的計算示例 358 16.4.3 熵的單位 359 16.5 資訊增益與ID3演算法 359 16.5.1 條件熵的定義 360 16.5.2 資訊增益的計算 360 16.5.3 使用資訊增益選擇特徵 361 16.5.4 ID3演算法 364 16.6 資訊增益比與C4.5演算法 364 16.6.1 資訊增益比的定義 364 16.6.2 計算示例 365 16.6.3 C4.5演算法 365 16.7 基尼係數與CART演算法 366 16.7.1 基尼係數定義 367 16.7.2 基尼係數計算示例 368 16.7.3 CART分類樹演算法

372 16.7.4 CART回歸樹 373 16.8 引申閱讀 375 16.8.1 發明歷史 375 16.8.2 最新研究 377 16.9 本章總結 377 第17章 支援向量機模型 378 17.1 應用場景 378 17.2 一元支持向量機 379 17.3 二元支持向量機 383 17.3.1 實例場景描述 383 17.3.2 最佳分類面 384 17.3.3 最佳分類直線的函數形式 385 17.3.4 分類間隔的計算 387 17.3.5 最大化問題的數學表示 388 17.3.6 拉格朗日乘子法 389 17.4 支持向量機的對偶問題 391 17.4.1 SVM模型的數

學描述 391 17.4.2 SVM模型的對偶問題 392 17.5 支持向量機的參數求解 396 17.5.1 SMO演算法的形式描述 396 17.5.2 SMO演算法的整體思路 397 17.5.3 參數更新過程 399 17.5.4 乘子的啟發式選擇 401 17.6 引申閱讀 402 17.6.1 發明歷史 402 17.6.2 發明人簡介 403 17.6.3 最新研究 403 17.7 本章總結 404

Google搜尋量指數是否能預測富櫃50指數成分股的報酬率與成交量?

為了解決銀行代碼391的問題，作者胡承翰 這樣論述：

當投資人因為消息而注意到公司時，會透過智慧型手機或電腦的搜尋引擎搜尋公司名稱來獲取相關資訊以判斷訊息的真偽，並藉由上述的消息以及獲取的資訊進而成為投資決策的依據，然而在進行資訊蒐集的過程其實早已被Google搜尋引擎記錄成Google搜尋量指數並透過Google Trends呈現之。本文依據過去文獻將Google搜尋量指數作為投資人注意力的代理變數，探討Google搜尋量指數是否能預測富櫃50指數成分股的報酬率與成交量，更將Google搜尋量指數產生變動的背後因素細分為利多消息與利空消息，觀察在不考慮注意力變動的推升因素下以及利多消息下推升的注意力變動、利空消息下推升的注意力變動對於富櫃50

指數成分股的報酬率與成交量的預測情形。本文研究標的為富櫃50指數成分股，研究期間為2016年9月1日至2019年8月31日，資料頻率屬於週資料，並且使用Panel Data迴歸模型來進行分析，實證結果發現:1.落後一期Google搜尋量指數對當期股票超額週報酬率為顯著負向影響，即Google搜尋量指數可以預測股票超額週報酬率。2.落後一期利多消息的Google搜尋量指數對當期股票超額週報酬率不具顯著影響;落後一期利空消息的Google搜尋量指數對當期股票超額週報酬率為顯著正向影響，即利空消息的Google搜尋量指數可以預測股票超額週報酬率。3.落後一期Google搜尋量指數對當期股票異常成交率

為顯著正向影響，即Google搜尋量指數可以預測股票異常成交率。4.落後一期利多消息的Google搜尋量指數對當期股票異常成交率為顯著正向影響;落後一期利空消息的Google搜尋量指數對當期股票異常成交率不具顯著影響，即利多消息的Google搜尋量指數可以預測股票異常成交率。