td盤前交易時間的問題，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

單親雙寶媽買美股，每月加薪3萬：別人買概念股，我買概念股的源頭，永遠比台股搶得先機。用月薪10%投資，我5年存出一棟房。

為了解決td盤前交易時間的問題，作者Donna 這樣論述：

　　◎還在買概念股？與其買概念股，不如買源頭，成為世界的股東。 　　◎玩美股要熬夜盯盤？不用，設好價，一覺醒來電腦自動成交，睡覺也能賺錢。 　　◎錢放國外安全嗎？安全，有相關法規監督和保護。 　　◎英文很爛，看不懂？放心，全中文化介面，就連客服也講中文。     　　作者Donna，中原化工碩士，畢業後成了人人嚮往的「科技新貴」， 　　薪資比22K高不少，但她將「活在當下，及時行樂」奉為信條，於是月月吃土。     　　婚後成為兩個小孩的雙寶媽，由於先生是財務規劃師，更不覺得自己需要懂理財。 　　直到先生因病離世，支付醫療費後，才驚覺自己口袋空空，連喪葬費都湊不齊。   

  　　為了撫養小孩，她白天在學校教書，小孩入睡後投入美股──最適合媽媽的斜槓， 　　5年後，領出獲利買下人生第一間學區房（近捷運、地段佳、3房2廳含車位）。 　　之後持續投資，目前以不到4萬美元的資金，年賺25％～30％。 　　截至2021年11月底的報酬率已達54.5%！ 　　作者說，在臺灣，大家追捧台積電、鴻海、大立光之類的股票， 　　說穿了，這些都是蘋果概念股，但蘋果的業績才是關鍵； 　　台達電、廣達、宸鴻都是熱門股，而特斯拉為撼動股價的重要因素， 　　與其買概念股，不如買源頭，因為美國股市永遠比台股搶得先機。 　　◎我的股感，來自生活體驗 　　美股怎麼選？比台股更簡單，選你最常

消費的吃喝玩樂。 　　作者愛喝星巴克（代碼SBUX）、偶爾帶小孩吃麥當勞（MCD）， 　　經常上旅遊訂房網Booking.com（BKNG），最愛去東京暢遊迪士尼（DIS）， 　　她就買這些股票，邊吃邊玩邊賺錢！ 　　◎第一次買美股就上手：劵商選擇與開戶流程      　　英文爛、看不懂，也不會講？別擔心，開戶、下單、客服都是中文的。 　　本書整理、比較目前臺灣常見的5家國外劵商的優缺點， 　　幫你找到一家有中文介面、免手續費、有臺灣免付費專線的中文客服， 　　並手把手用圖片教你開戶和下單。 　　◎不熬夜，月月獲利3％的懶人挑股術       　　不會看線圖做分析，也看不懂財報數據，怎麼入

門？ 　　作者推薦你，先從SPY（SPDR標普500指數ETF）下手。 　　台股ETF 0050（元大台灣卓越50基金）是追蹤臺灣前50大公司， 　　SPY則是追蹤美國前500家上市公司的S&P 500（標普500）， 　　風險分散，連股神巴菲特也青睞。       　　不想買一籃子的ETF，只想買個股？ 　　完整公開作者的挑股法和篩選器設定，圖解操作， 　　加碼推薦：17檔優質美股、8檔美股ETF，月月替自己加薪3萬。      　　與其買概念股，不如買概念股的源頭，永遠比台股搶得先機， 　　用月薪10％投資美股，5年存出一棟房。 推薦者 　　RICHTOWN金流族培訓學院創辦

人／謝宗翰 　　豹投資創辦人／徐黎芳 　　暢銷財經作家／安納金 　　生活投資理財YouTuber／慢活夫妻George & Dewi

td盤前交易時間進入發燒排行的影片

強化學習基於未來資訊之獎勵並應用於股價預測

為了解決td盤前交易時間的問題，作者侯凱鐘 這樣論述：

深度強化學習自 AlphaGo 與世界頂尖棋手李世乭的一戰成名，迎來全盛的輝煌時 期直到現在，不同於分類或是回歸問題解決問題的思路，以損失函數訓練找出最符合 資料特性的模型，深度強化學習的訓練方式是藉由與環境的互動，追求獎勵與避開懲 罰進而推論出最佳化策略，而股市交易正具備了符合此類型問題的特質，經由不斷買 入賣出的過程中，適時調整方針，從而摸索出一套獲取高報酬的投資策略。過去，強化學習的訓練過程伴隨著很高的難度，不同於監督式學習，可以參考正 確的資料來推導模型，資料的取樣仰賴於 與環境的互動，具有不確定性及獎勵延遲等 不確定因子，在結合深度學習的洪流下，才有了突 破性的發展，各種演算法模型

陸續 被提出，而本研究採用近端策略演算法 Proximal Policy Optimization 2 模型為整個投資 策略的核心並在訓練時的獎勵機制上也一併考慮未來股價 趨勢來決定當下的策略，使 用 Open AI 的開源框架當作開發平台並進行後續分析評估。過程中，我們以美國股市的歷史資料進行模擬，使用 2015 年至 2018 年的歷史收 盤價作為訓練資料集，2018 年至 2020 年作為測試資料集，其中測試資料集的時間點也 包含了自 1997 年後前所未見的股市大地震，受新冠肺炎疫情及油價崩盤所引發的 2020 年 4 次美國股市熔斷 ， 最後本研究也將實驗結果與開源的深度強化學習平台

AI4Finance FinRL 進行投資報酬的績效比較，結果來說，加入本研究之方法的確可以增 加投資績效，相較於 FinRL 也有更好的績效表現。

強化學習：原理與Python實現

為了解決td盤前交易時間的問題，作者肖智清 這樣論述：

全書分為三個部分。第壹部分瞭解強化學習應用，瞭解強化學習基本知識，搭建強化學習測試環境。該部分包括：強化學習的概況、強化學習簡單示例、強化學習演算法的常見思想、強化學習的應用、強化學習測試環境的搭建。第二部分介紹強化學習理論與深度強化學習演算法。強化學習理論部分：Markov決策過程的數學描述、Monte Carlo方法和時序差分方法的數學理論；深度強化學習演算法部分：詳細剖析全部具有重要影響力的深度強化學習演算法，結合TensorFlow實現源碼。第三部分介紹強化學習綜合應用案例。   肖智清　 強化學習一線研發人員，清華大學工學博士，現就職于全球知名投資銀行。擅長概率統

計和機器學習，於近5年發表SCI/EI論文十餘篇，是多個國際性知名期刊和會議審稿人。在國內外多項程式設計和資料科學競賽上獲得冠軍。 前言 第1章 初識強化學習  1 1.1 強化學習及其關鍵元素  1 1.2 強化學習的應用  3 1.3 智慧體/環境介面  4 1.4 強化學習的分類  6 1.4.1 按任務分類  6 1.4.2 按演算法分類  7 1.5 如何學習強化學習  8 1.5.1 學習路線  9 1.5.2 學習資源  9 1.6 案例：基於Gym庫的智慧體/環境交互  9 1.6.1 安裝Gym庫  10 1.6.2 使用Gym庫  10 1.6.3 小

車上山  12 1.7 本章小結  14 第2章 Markov決策過程  16 2.1 Markov決策過程模型  16 2.1.1 離散時間Markov決策過程  16 2.1.2 環境與動力  18 2.1.3 智能體與策略  19 2.1.4 獎勵、回報與價值函數  19 2.2 Bellman期望方程  21 2.3 最優策略及其性質  25 2.3.1 最優策略與最優價值函數  25 2.3.2 Bellman最優方程  25 2.3.3 用Bellman最優方程求解最優策略  29 2.4 案例：懸崖尋路  31 2.4.1 實驗環境使用  31 2.4.2 求解Bellman期

望方程  32 2.4.3 求解Bellman最優方程  33 2.5 本章小結  35 第3章 有模型數值反覆運算  37 3.1 度量空間與壓縮映射  37 3.1.1 度量空間及其完備性  37 3.1.2 壓縮映射與Bellman運算元  38 3.1.3 Banach不動點定理  39 3.2 有模型策略反覆運算  40 3.2.1 策略評估  40 3.2.2 策略改進  42 3.2.3 策略反覆運算  44 3.3 有模型價值反覆運算  45 3.4 動態規劃  46 3.4.1 從動態規劃看反覆運算演算法  46 3.4.2 非同步動態規劃  47 3.5 案例：冰面滑行 

47 3.5.1 實驗環境使用  48 3.5.2 有模型策略反覆運算求解  49 3.5.3 有模型價值反覆運算求解  51 3.6 本章小結  52 第4章 回合更新價值反覆運算  54 4.1 同策回合更新  54 4.1.1 同策回合更新策略評估  54 4.1.2 帶起始探索的同策回合更新  58 4.1.3 基於柔性策略的同策回合更新  60 4.2 異策回合更新  62 4.2.1 重要性採樣  62 4.2.2 異策回合更新策略評估  64 4.2.3 異策回合更新最優策略求解  65 4.3 案例：21點遊戲  66 4.3.1 實驗環境使用  66 4.3.2 同策策略

評估  67 4.3.3 同策最優策略求解  70 4.3.4 異策策略評估  72 4.3.5 異策最優策略求解  73 4.4 本章小結  74 第5章 時序差分價值反覆運算  76 5.1 同策時序差分更新  76 5.1.1 時序差分更新策略評估  78 5.1.2 SARSA演算法  81 5.1.3 期望SARSA演算法  83 5.2 異策時序差分更新  85 5.2.1 基於重要性採樣的異策演算法  85 5.2.2 Q學習  86 5.2.3 雙重Q學習  87 5.3 資格跡  89 5.3.1 λ回報  89 5.3.2 TD(λ)  90 5.4 案例：計程車調度 

92 5.4.1 實驗環境使用  93 5.4.2 同策時序差分學習調度  94 5.4.3 異策時序差分學習調度  97 5.4.4 資格跡學習調度  99 5.5 本章小結  100 第6章 函數近似方法  101 6.1 函數近似原理  101 6.1.1 隨機梯度下降  101 6.1.2 半梯度下降  103 6.1.3 帶資格跡的半梯度下降  105 6.2 線性近似  107 6.2.1 精確查閱資料表與線性近似的關係  107 6.2.2 線性最小二乘策略評估  107 6.2.3 線性最小二乘最優策略求解  109 6.3 函數近似的收斂性  109 6.4 深度Q學習 

110 6.4.1 經驗重播  111 6.4.2 帶目標網路的深度Q學習  112 6.4.3 雙重深度Q網路  114 6.4.4 對偶深度Q網路  114 6.5 案例：小車上山  115 6.5.1 實驗環境使用  116 6.5.2 用線性近似求解最優策略  117 6.5.3 用深度Q學習求解最優策略  120 6.6 本章小結  123 第7章 回合更新策略梯度方法  125 7.1 策略梯度演算法的原理  125 7.1.1 函數近似與動作偏好  125 7.1.2 策略梯度定理  126 7.2 同策回合更新策略梯度演算法  128 7.2.1 簡單的策略梯度演算法  12

8 7.2.2 帶基線的簡單策略梯度演算法  129 7.3 異策回合更新策略梯度演算法  131 7.4 策略梯度更新和極大似然估計的關係  132 7.5 案例：車杆平衡  132 7.5.1 同策策略梯度演算法求解最優策略  133 7.5.2 異策策略梯度演算法求解最優策略  135 7.6 本章小結  137 第8章 執行者/評論者方法  139 8.1 同策執行者/評論者演算法  139 8.1.1 動作價值執行者/評論者演算法  140 8.1.2 優勢執行者/評論者演算法  141 8.1.3 帶資格跡的執行者/評論者演算法  143 8.2 基於代理優勢的同策演算法  14

3 8.2.1 代理優勢  144 8.2.2 鄰近策略優化  145 8.3 信任域演算法  146 8.3.1 KL散度  146 8.3.2 信任域  147 8.3.3 自然策略梯度演算法  148 8.3.4 信任域策略優化  151 8.3.5 Kronecker因數信任域執行者/評論者演算法  152 8.4 重要性採樣異策執行者/評論者演算法  153 8.4.1 基本的異策演算法  154 8.4.2 帶經驗重播的異策演算法  154 8.5 柔性執行者/評論者演算法  157 8.5.1 熵  157 8.5.2 獎勵工程和帶熵的獎勵  158 8.5.3 柔性執行者/評論

者的網路設計  159 8.6 案例：雙節倒立擺  161 8.6.1 同策執行者/評論者演算法求解最優策略  162 8.6.2 異策執行者/評論者演算法求解最優策略  168 8.7 本章小結  170 第9章 連續動作空間的確定性策略  172 9.1 同策確定性演算法  172 9.1.1 策略梯度定理的確定性版本  172 9.1.2 基本的同策確定性執行者/評論者演算法  174 9.2 異策確定性演算法  176 9.2.1 基本的異策確定性執行者/評論者演算法  177 9.2.2 深度確定性策略梯度演算法  177 9.2.3 雙重延遲深度確定性策略梯度演算法  178 9

.3 案例：倒立擺的控制  180 9.3.1 用深度確定性策略梯度演算法求解  181 9.3.2 用雙重延遲深度確定性演算法求解  184 9.4 本章小結  187 第10章 綜合案例：電動遊戲  188 10.1 Atari遊戲環境  188 10.1.1 Gym庫的完整安裝  188 10.1.2 遊戲環境使用  190 10.2 基於深度Q學習的遊戲AI  191 10.2.1 演算法設計  192 10.2.2 智慧體的實現  193 10.2.3 智能體的訓練和測試  197 10.3 本章小結  198 第11章 綜合案例：棋盤遊戲  200 11.1 雙人確定性棋盤遊戲

  200 11.1.1 五子棋和井字棋  200 11.1.2 黑白棋  201 11.1.3 圍棋  202 11.2 AlphaZero演算法  203 11.2.1 回合更新樹搜索  203 11.2.2 深度殘差網路  206 11.2.3 自我對弈  208 11.2.4 演算法流程  210 11.3 棋盤遊戲環境boardgame2  210 11.3.1 為Gym庫擴展自訂環境  211 11.3.2 boardgame2設計  211 11.3.3 Gym環境介面的實現  214 11.3.4 樹搜索介面的實現  216 11.4 AlphaZero演算法實現  218 1

1.4.1 智慧體類的實現  218 11.4.2 自我對弈的實現  223 11.4.3 訓練智能體  224 11.5 本章小結  225 第12章 綜合案例：自動駕駛  226 12.1 AirSim開發環境使用  226 12.1.1 安裝和運行AirSim  226 12.1.2 用Python訪問AirSim  228 12.2 基於強化學習的自動駕駛  229 12.2.1 為自動駕駛設計強化學習環境  230 12.2.2 智慧體設計和實現  235 12.2.3 智能體的訓練和測試  237 12.3 本章小結  239   強化學習正在改變人類社會的方

方面面：基於強化學習的遊戲AI已經在圍棋、星際爭霸等遊戲上戰勝人類頂尖選手，基於強化學習的控制演算法已經運用于機器人、無人機等設備，基於強化學習的交易演算法已經部署在金融平臺上並取得超額收益。由於同一套強化學習代碼在使用同一套參數的情況下能解決多個看起來毫無關聯的問題，所以強化學習常被認為是邁向通用人工智慧的重要途徑。在此誠邀相關專業人士研究強化學習，以立於人工智慧的時代之巔。 內容梗概 本書介紹強化學習理論及其Python實現，全書分為三個部分。 第1章：介紹強化學習的基礎知識與環境庫Gym的使用，並給出一個完整的程式設計實例。 第2～9章：介紹強化學習的理論和演算法。採用嚴謹的數學

語言，推導強化學習的基本理論，進而在理論的基礎上講解演算法，並為演算法提供配套的Python實現。演算法的講解和Python實現逐一對應，覆蓋了所有主流的強化學習演算法。 第10～12章：介紹多個綜合案例，包括電動遊戲、棋盤遊戲和自動駕駛。環境部分涵蓋Gym庫的完整安裝和自訂擴展，也包括Gym庫以外的環境。演算法部分涵蓋了《自然》 《科學》等權威期刊發表的多個深度強化學習明星演算法。 本書特色 本書完整地介紹了主流的強化學習理論。 全書採用完整的數學體系，各章內容循序漸進，嚴謹地講授強化學習的理論基礎，主要定理均給出證明過程。基於理論講解強化學習演算法，覆蓋了所有主流強化學習演算法，包

括資格跡等經典演算法和深度確定性梯度策略等深度強化學習演算法。 全書採用一致的數學符號，並且與權威強化學習教程（如R. Sutton等的《Reinforce-ment Learning: An Introduction（第2版）》和D. Silver的視頻課程）完美相容。 本書各章均提供Python代碼，實戰性強。 全書代碼統一規範，基於最新的Python 3.7（相容Python 3.6）、Gym 0.12和TensorFlow 2（相容TensorFlow 1）實現強化學習演算法。所有代碼在Windows、macOS和Linux三大作業系統上均可運行，書中給出了環境的安裝和配置方法。

涉及環境全面。第1～9章提供演算法的配套實現，強化學習環境只依賴於Gym的最小安裝，使理論學習免受環境安裝困擾；第10～12章的綜合案例既涵蓋Gym庫的完整安裝和自訂擴展，還包括Gym庫以外的環境，讓讀者體驗更加複雜的強化學習任務。 全書實現對硬體設定要求低。第1～9章代碼在沒有GPU的電腦上也可運行；第10～12章代碼在配置普通GPU的電腦上即可運行。 致謝 在此感謝為本書出版做出貢獻的所有工作人員。其中，機械工業出版社的高婧雅女士是本書的責任編輯，她對本書的寫作提出了很多建設性意見。同時，還要感謝機械工業出版社的其他編輯為提升本書品質所做的大量工作，與他們合作是一個愉快的過程。我

要特別感謝我的父親肖林進和母親許麗平，他們也參與了本書的編寫。同時，還要感謝我的上級、同事和其他親友，他們在本書寫作期間給予我極大的支持。 感謝你選擇本書。祝你學習快樂！  

台灣生技產業專利授權模式分析

為了解決td盤前交易時間的問題，作者蔡如茵 這樣論述：

知識經濟時代來臨，生技產業的高知識密度與較低的傳統生產要素投入程度、成為各國產業發展的新興寵兒，尤其為因應全球的醫藥衛生需求成長，生技產業中的新藥開發更是許多企業相繼投入的市場。然而生技產業中所應用之生物技術，具有研發期長、研發成本高、複製成本低等特性，因此此產業多採用專利保護開發中的新藥，以求未來藥品成功開發上市後取得獨佔市場。台灣近年有許多生技企業紛紛投入新藥開發，但台灣生技企業普遍具有資本額小、價值鏈短的特徵，應運發展出「由外部取得創新成果開發後再對外移轉開發成果」的特殊開發模式。其中創新成果移轉有多種方式，台灣廠商基於上述特徵，因此在涉足新藥開發時常採用專利授權而非併購等方式取得創新

成果以避險。本研究首先由產業研究發現，台灣生技產業常在臨床前或早期臨床試驗時以專利授權引進方式進行接力開發，臨床試驗晚期或上市前再以對外授權方式將藥品銷售權給授權合作夥伴。本研究以產業研究發現作為個案揀選基準，挑選四個於生技產業中具有代表性的企業做為個案，分析台灣生技企業的「授權引進─開發─對外授權」的專利授權新藥開發模式。個案研究則發現，由於授權所交易的客體為抽象權利，因此其中契約將扮演交易執行之準據，而企業藉由授權引進技術進而實施商業模式，實施商業模式實則為授權交易執行，因此商業模式將會和授權行為產生整合，因此授權契約的品質與其中條款將會影響企業實施此授權模式的商業成效，又授權契約立基於專

案團隊之談判，因此專案團隊將於新藥開發的專利授權中扮演重要角色。本研究之目的為提出台灣生技產業專利授權模型，從而彙整出台灣生技產業的授權交易共同點包括：授權交易時間點、以成立子公司授權引進轉嫁風險的交易架構、台灣特有的公司治理文化，針對這些共同點，本研究嘗試提出台灣生技產業發展專利授權模式的建議。回歸授權之本質，授權本身並非真正取得創新成果、僅是獲得權利人之免訴保證，但由於授權的法律性質會與交易夥伴成立緊密的合作關係，因此授權適用場域應非取得技術，而是合作，因此建議台灣生技產業可多利用授權取得學習型合作機會，內化開發成功經驗至企業內部，如此妥善運用授權行為之本質，並同時加值台灣授權執行團隊專業

能量，使台灣生技產業專利授權並非僅是單純承接技術、更是蓄積產業能量的機會。