emu900模型的問題，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

台灣即期外匯市場價格發現與預測

為了解決emu900模型的問題，作者李英新 這樣論述：

具私有資訊交易員之交易策略所隱含訊息，對於市場均衡有一定程度之影響。本研究目的在於探討台灣外匯市場之日內價格發現過程，並提供交易員一個預測短期匯率走勢的方法。本研究由三篇財金實證研究所組成。首先，檢視台灣二家外匯經紀公司於日內匯率價格發現過程中所扮演之角色。第二篇實證研究則運用了相當獨特的台灣國營石油公司下單資料與台北外匯經紀公司每5分鐘美元兌台幣價格資料，驗證大型企業客戶與銀行間之交易行為對於外匯經紀市場所產生之漣漪效果。第三篇實證研究以即時即期美元/台幣交易資料檢驗交易流量與價格變動之相關性。本文各篇實證研究之發現分述如下。首先，第一篇實證研究結果顯示，於成交價格部份，規模較大之台北外匯

提供較多之價格發現資訊，特別是在開盤與收盤時段。然而，在買進報價方面，元太外匯則提供外匯市場較多價格發現訊息。二家外匯經紀公司之成交價、賣出報價及買賣價差分別具有相互因果，然而就買進報價而言，則僅具單向因果。對流動性交易之交易員而言，於規模較小的元太外匯進行交易之最適時機較少，但具有較高之節約報酬。第二篇實證研究發現來自於大型鉅額交易客戶之下單交易對於台北外匯經紀市場價格變動，在不同交易時段之影響皆達15分鐘以上。價差變動程度與客戶交易量是影響價格衝擊之主要因素，而且隨交易時段而有所差異。另外，研究結果亦顯示存貨與流動性效果亦會影響客戶鉅額交易之衝擊程度。第三篇實證研究則以均方根誤差(RMSE

)為基準，對交易流量模型與隨機模型及其他之時間序列模型之預測精確性進行比較。本研究發現運用交易流量模型可增加預測短期匯率之精準度。另一方面，運用前期交易流量進行預測之結果亦優於利用前期報酬率進行預測之結果，且其達到效率市場之時間相對較長。尤其，對於低交易頻率之市場，運用交易流量百分比作為解釋變數有助於提高衡量交易壓力方向之準確度。整體而言，了解交易流量與價格動態間之關連性，有助於外匯交易員決定其交易策略。

應用近似動態規劃法設計捷運線自動列車調控系統

為了解決emu900模型的問題，作者許紀文 這樣論述：

捷運系統是由許多條具獨立路權之地面、高架或地下鐵路連結而成的都會區大眾運輸網路，其特點是在都會區人車密集的環境下，可以提供龐大及密集班次的運輸能量以因應繁重的旅運需求、可以精準的控制各列車的離靠站時間及旅運時間、可以提供旅客舒適的候車及乘車環境，今日的捷運系統已經成為世界各大都會區運送旅客的主要交通工具。捷運系統的運輸能量與服務品質，取決於軌道、車輛與車站等基礎建設以及自動化行車監控技術，自動化行車監控技術的主要任務是確保行車安全，其次是調節列車班距以確保運輸能量、掌控列車的離靠站時間與旅運時間以確保服務品質，尤其是當旅客流量巨幅變動或列車的離靠站時間偏離時間表的時候，能迅速使各列車從混亂狀

態中恢復運行秩序，以確保系統營運的穩定性。根據號誌系統的特性，捷運系統的自動化行車監控技術可以大略區分為固定式閉塞區間法(Fixed Block)與移動式閉塞區間法(Moving Block)兩種，閉塞區間法是為了確保系統運能與確保各列車保持安全間距所採取的行車監控技術。固定式閉塞區間法在固定地點佈設軌道電路，把軌道線分隔為許多閉塞區間，行車監控的準則是確保每個閉塞區間只有一列車佔用。移動式閉塞區間法則透過通訊系統傳達各列車所在的位置，按列車的所在位置劃定一個閉塞區間，行車監控的準則是確保每一列車的閉塞區間都不能被其他列車闖入。在自動化行車監控技術之中，自動列車調控系統(Automatic T

rain Regulation, ATR)負責調節列車班距、掌控列車的離靠站時間與旅運時間、以及確保各列車遵循閉塞區間的行車監控準則，無疑的，自動列車調控系統是最具關鍵性的自動化監控技術。本論文首先針對捷運行車監控技術的發展過程做回顧，探討的焦點集中於捷運系統設計與營運性能的相關課題，尤其是與自動列車調控系統相關的系統運能、準點率、穩定性、節能省碳等議題。設計自動列車調控系統面對的是一個大規模、高複雜性、高度非線性、限制性、隨機性、時變性的最佳控制問題，傳統的線性最佳控制理論並不適合求解這類型問題，但是文獻顯示許多前輩仍然試圖用線性最佳控制理論尋求解決之道，其艱困不言可喻，因此，自動列車調控系

統的設計技術仍然存在許多尚未解決的課題。本論文深入剖析自動列車調控系統的運作環境，並對捷運系統的列車運作過程與能源消耗建立一個適用的系統模型，再運用優化技術、類神經網路、強化學習機制綜合自動列車調控系統的調節器，此調節器具非線性性質，強化學習機制則使其可以自動適應旅客流量等環境條件的變動。動態規畫法是應用廣泛的優化技術，但是只適合用來處理小規模系統的優化問題，在面對大規模系統時，此方法所隱含的逆向演算程序會引起龐大的演算量以至於難以實現。為了讓動態規畫法能避開逆向演算程序，因而崛起近似動態規畫法(Approximate Dynamic Programming, ADP)，此方法藉由學習過程建立

評效器(Critic)，評效器可以預估系統效能的變動趨向，因此可以引導調節器的優化動作，過程中無須採用逆向演算程序，即使面對大規模系統的優化問題，近似動態規畫法也能平順運作。本論文採用近似動態規畫法之中的雙試探動態規畫法(Dual Heuristic Programming, DHP)來優化自動列車調控系統的調節器，我們用感知類神經網路(Multilayer-Perceptron Network, MLP)建構調節器與評效器，透過類神經網路的學習程序達成優化的目標，引用台北市捷運系統的運行數據測試後，證實此設計確實可以優化調節器，但是測試結果亦顯示雙試探動態規畫法的優化效能與系統模型的精確性呈

正相關。由於捷運系統的數學模型都是非常粗略的，優化方法必須有能力排除模型偏差的影響，所以本論文進一步根據雙試探動態規畫法的概念建立自動列車調控系統的適應性最佳控制法(Adaptive Optimal Control, AOC)，此方法引用最小化原理(Pontryagin’s Minimum Principle)推導優化程序，特點是評效器不包含系統模型，因此，在引導調節器的優化動作時，不受模型偏差的影響，經過引用台北市捷運系統的運行數據測試後，發現對於模型偏差的韌度明顯優於雙試探動態規畫法，而且更能逼近理論之最佳解。考慮列車調控與捷運系統的能源消耗有密切的關係，本論文把捷運系統的能源消耗程序建立

成數學模型，並且將其併入列車調控的系統模型，因此，只要訂定適當的性能指標，就可以在優化調節器的時候同時優化節能效率，測試結果顯示，經過優化的調節器其節能效果非常顯著。