## 林皇辰
1. Directional accuracy 的表現在模型的表現中僅有6成，並不顯著。能否改使用 MDD、期望值或其他指標說明。
2. Pre-trained Model 是使用什麼資料進行訓練的，並且訓練期間的長短是否會對模型產生影響?
3. 能否對特徵對 Directional accuracy 的影響進一步做探討，並提供相關 insight?
4. 模型是否有泛化性，是否僅能在特定震盪期間進行預測?
5. 0050 是一個綜合性的指標，其中會有汰弱留強的狀況存在，如何克服此差異?
Ans : 本研究的目標是在提出一個預測股票價格的方法，並無針對單一的指標或是指數進行預測。然而0050 ETF作為一個綜合性指標，存在著汰弱留強的情況。具體而言，半導體類股(56%)、金融類股(15%)和電子零組件類股(7%)在0050 ETF中佔了高達80%，其中台積電(48%)、聯發科(5%)和鴻海(4%)等大型公司的股票佔比較高，並且在短期內的變動相對較小。這些大型股票的表現可能對整個指標的變動產生較大影響，而中小型股票的變動對整體指標的影響較小。0050 ETF 中不同產業股票的占比如下 :
我們的研究設計和特徵選擇集中在半導體權值股和大型科技股，並沒有包含中小型股票。這種設計選擇的目的是聚焦在對整體0050 ETF指標變動具有較大影響力的股票上，以提高預測模型的效果和準確性。因此，在研究中我們並沒有直接解決0050指標中汰弱留強的差異性問題，而是專注於對影響指標變動較大的股票進行預測。
目前有針對此問題做論文的搜尋，以下列出幾個能克服此差異的可行方案。
1. 調整特徵選擇的策略 : 將整體 ETF 的成分股納入模型中，更全面的反應整個指標的變動。當指數進行汰落留強的時候，模型也跟著進行改動。(M. Leippold, L. Su, and A. Ziegler, "How index futures and ETFs affect stock return correlations," Available at SSRN 2620955, 2016.)
2. 考量整體市場因素 : 引入其他衡量指標汰弱留強差異性的因素，例如相關行業的市場表現。這可以通過觀察相關行業的指標或市場資金流向來獲取更全面的市場信息，以幫助預測整體0050 ETF指標的變動。(M.-Y. Day and J.-T. Lin, "Artificial intelligence for ETF market prediction and portfolio optimization," in Proceedings of the 2019 IEEE/ACM international conference on advances in social networks analysis and mining, 2019, pp. 1026-1033. )

6. 能不能考慮不同的指標、不同時間長短 sliding window 對模型的影響曾度以及組合不同天數的特徵做權重?
8. 後續的應用上能不能除了預測以外，進行報告的產生?
## 孫永年
## 張燕光