金融大數據的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

Python：量化交易Ta-Lib技術指標139個活用技巧

為了解決金融大數據的問題，作者劉承彥,郭永舜 這樣論述：

　　無論是牛市還是熊市，「維持紀律」才是股市求財的不二法門，但維持紀律又是非常難做到的事，結果就是多數人最終無法在股票市場上賺到錢。 　　什麼時候該買，什麼時候該賣，道理很多人都懂，但往往下單時又摻雜了太多當時的心理因素，要怎麼克服這個心理因素呢？就讓自動化交易來幫助會寫程式的你。 　　技術分析的本質是將市場的走勢進行分類，而量化交易的強大之處，就是能在短短的時間內，進行大量的數據統計，創造更多的收益與機會。 　　很多人對於交易有一種迷思，期望能找到一個永遠不變的通用獲利策略，然而事實上一個完整的交易系統牽扯到交易策略、資金控管、交易心態，這三個部分缺一不可，每個環節

息息相關。 　　要創造好的交易策略，並不是參考別人的想法，就能產生適合自己的交易策略，而是要充分了解交易策略的脈絡，才能在投資時有良好的交易心態。每個人要依據自己的條件、狀態及環境，來找尋合適的投資方式與適合自己的策略邏輯。 　　有鑑於此，本書使用Python作為程式開發的語言，其本身語法友善、操作簡單，是切入量化分析的方便工具。本書中的內容包含指標公式說明、圖片解說、範例程式碼及實際操作結果，讀者可執行本書提供的範例程式檔案，也可自行彈性修改。 　　【精采內容】 　　✪金融資料的取得 　　✪技術指標的介紹及計算 　　✪K線型態的圖片說明 　　✪金融圖表的繪製 　　✪交易績效的介紹及計算

　　✪交易訊號漲跌的統計模組 　　【目標讀者】 　　✪想要學習Python來進行程式交易者 　　✪想要客觀且嚴守紀律來投資者 　　✪沒時間盯盤但想要自動化投資者 　　✪想要了解交易規則並學習正確的程式交易者 本書特色 　　使用Python實作100多種技術分析，掌握量化分析市場趨勢 　　靈活運用Ta-Lib套件計算技術指標，大幅降低自行開發指標模組的時間成本 　　✪使用靈活彈性的Python，搭配循序漸進的範例教學 　　✪收錄Ta-Lib套件的上百種技術指標函數用法，是量化交易者的最佳工具書 　　✪串接公開金融資料API，透過圖表繪製K線圖，並找出合適的交易時機

金融大數據進入發燒排行的影片

以隨機森林模型、極限梯度提升模型及支持向量機模型進行台灣指數期貨的分析與比較

為了解決金融大數據的問題，作者張耀文 這樣論述：

影響期貨市場的因素有利多因素的影響，包含當沖稅率減半、海外資金回流、美中貿易惡化造成台美藍色供應鏈的興起、新冠肺炎疫情正面影響; 有利空因素的影響，包含台股屬淺碟市場、紅色供應鏈衰退、新冠肺炎疫情負面影響。當大多數投資者在期貨市場作投資決策時，大多採用準確率(ACC)這個指標用來預測「明天股票是否會漲」、採用精確率(PPV)這個指標用來預測「勝率」、採用召回率(TPR)這個指標用來預測「大盤是否會有大波動」以這三項指標作判斷工具，本研究想利用短分K模組、長分K模組、隨機森林模組、極限梯度提升模組、支持向量機模組共五種模組的實證研究結果，透過交叉驗證並將結果加以歸納整理，以便可以提供投資人在不

同情境下，可以根據自己的偏好與投資習慣去找到自己喜歡的機器學習模型並從混淆矩陣相關指標中找出適合自己的投資判斷指標，讓自己的投資績效表現變好。根據實證結果並加以歸納整理可以給投資人以下的建議，首先，當投資人要預測「明天股票是否會漲」-以ACC為指標，此時，當預測模型為RF模型，選擇10分K資料、當預測模型為XG模型，選擇15分K資料、當預測模型為SVM模型，選擇60分K資料;其次，當投資人要預測「勝率」-以PPV為指標，此時，當預測模型為RF模型，選擇10分K資料、當預測模型為XG模型，選擇30分K資料、當預測模型為SVM模型，選擇30分K資料;最後，當投資人要預測「大盤是否會有大波動」-以T

PR為指標，此時，當預測模型為RF模型，選擇10分K資料、當預測模型為XG模型，選擇10分K資料、當預測模型為SVM模型，選擇10分K資料。

財經時間序列預測：使用R的計量與機器學習方法

為了解決金融大數據的問題，作者何宗武 這樣論述：

　　本書為進階的教材，需要經濟計量方法和矩陣代數的基礎。時間序列預測是統計學裡非常實用的工具，不論是分析投資組合的數據、全球總經和金融市場，以及預測景氣循環變動等等，可以用過去的數據資料，預測未來趨勢，是可以符合實際決策需要的實用能力。   　　書中並介紹機器學習方法，機器學習不是指特定估計方法，學習指的是如何在資料結構中運算，以追蹤最小預測誤差的方法獲得最佳預測(tuning)。我們應用機器學習演算法訓練歷史資料，執行特徵萃取(features extraction)，再測試預測表現。依此建立一個可預測未來的模型，作為決策之用。   　　使用R語言進行時間序列預測是本書的一大特點，R語言

是統計學中普及且容易上手的分析工具，書中針對一個個資料分析步驟進行深度解說，教給讀者進行預測與評估的最實用方法。

以文字探勘及語意分析探討社群輿論中的企業形象特質

為了解決金融大數據的問題，作者鐘儀君 這樣論述：

本研究旨在探究社群輿論中的企業形象，作為企業建立吸引求職者招募形象的參考。以《Cheers》雜誌調查2020年新世代最嚮往企業前10名為目標企業，分為科技製造業、服務業(含航空業)類別，並以同期違反勞動法令之相關行業前10名血汗企業作為對照企業，在PPT社群2019年第1季至2020年第3季共42個版次中，以文字探勘方式擷取63,207篇文章，並進行網路聲量統計、語意分析、文字斷詞、詞頻統計等處理，最後將主要關鍵字詞視覺化成文字雲，呈現公眾對個案公司之企業形象看法與情感態度，進而歸納出吸引求職者之企業形象特質。研究結果顯示：(一)網路聲量與企業嚮往程度無正面關係，最嚮往企業網路聲量高於血汗企

業，且網路聲量與社會議題有正面關係；(二)企業形象之情感傾向受負面社會議題影響，但不受勞動血汗程度影響；(三)求職者首重「工時」、次重「收入、地點」工作條件，另符合求職期待之知名企業或國營事業有較高網路關注度，而資方角色影響公眾對於勞資爭議之企業形象評價。