銀行消金 - 重點整理 目標 了解人壽客戶中有購買信貸的高潛力族群 借鑑銀行信貸名單篩選方式，找出人壽客戶的潛在信貸需求 目前銀行信貸名單篩選方式 數據與行為分析透過 數位軌跡（如信用卡使用、存款行為）推測信貸需求 依 B Score 進行篩選（1-13分，通常只做1-11分，10分以上核准率低） 觀察 預借現金、循環利息 等行為，判斷資金需求強度 薪資進帳但存款低於門檻（月光族）作為篩選條件

論文參考 張量並行 Megatron-LM 這篇論文主要貢獻是模型並行化（Model Parallelism）技術，用於在 多個 GPU 之間拆分 Transformer 層，主要用於訓練超大語言模型 image 張量並行主要透過切分 FFN(MLP)層 和 多頭自注意力層來實現張量並行 FFN(MLP)層 image

初步架構 :::info 總架構目標:建立自動化蒐集跟分析系統，每天越南股市盤後生成報告，解釋當天股市漲跌原因 重點對象：富邦富時越南ETF (00885) 及其成分股（特別是前10大成分股）、VN30指數、越南富時30指數。 資料來源和觀察時間點 主要觀察網址:Vietstock: 主要盤中新聞及資料來源LATEST NEWS：查看盤中大事件或大幅波動的即時新聞 STOCK：監控市場整體動態、重大股東交易、主要個股動向，但是都是比較全面性，如果是某個產業或某個個股造成的，就不能夠只看這邊的新聞，可能要去看個股的部分(COMPANY)

Ticker Company/Index Name Market Industry Average Volume Data Range DJI Dow Jones Index NYSE

需要學習的知識點 了解數字孿生 學習其他相關知識互聯網 目標檢測 3D建模 前端 後端 需要語言 UnityC#

如何標註數據集(COCO標註格式數據集&yolo格式) 使用labelme 避免儲存images二進制信息，把file-save with image data關掉 轉成MS COCO格式 一個json文件，包含所有數據集全部標註 categories列表裡面的每一個元素，代表一類框包含該類框的關鍵點類別名稱(框的類別)，跟連接關係 images裡面代表一張圖像包含該圖像的文件名、寬、高、圖像id annotations裡面包含每一個元素，代表一個框包含框內的目標檢測、實例分割、關鍵點檢測標註 寫完，還沒包起來

前言 使用transformer端到端的目標檢測，在以前的大多數detection model，最後都會需要過一個nms(非極大值抑制)，因為他們都會生成很多預測框，所以要通過nms去除那些框，且nms也不一定在所有硬件都支持，所以一個端到端的系統是很重要的，這篇論文直接利用transformer全局建模的能力，把目標檢測看成一個集合預測的問題，不會輸出很多多餘的框 摘要 提出了一種將目標檢測視為直接集合預測問題的新方法。我們的方法簡化了檢測流程，有效地消除了許多手工設計的組件的需求，如非極大值抑制程序或錨點生成，這些組件明確地編碼了我們對任務的先驗知識 提出提出了新的損失函數，通過二分圖匹配的方式，能夠強制模型輸出獨一無二的框 提出一個變換器編碼器-解碼器架構。給定一組固定的學習目標查詢，DETR通過推理對象之間的關係和全局圖像上下文，直接並行地輸出最終的預測結果(這邊因為是用decoder，並不需要做掩碼，所以是一次把所有框預測出來，並沒有順序問題) 在coco數據集與經過充分優化的Faster RCNN基線相當的準確性和運行時性能，但在當時目標檢測上，並不是最好的，甚至差了10個百分點，但想法很好，解決目標檢測很多的問題 在全景分割上，取得很好績效

金融交易系統的計算智能技術一直非常受歡迎。在過去的十年中，深度學習模型開始受到更多關注，尤其是在圖像處理社區中。在這項研究中，我們提出了一種新的算法交易模型CNN-TA，該模型使用基於圖像處理特性的二維卷積神經網絡。為了將金融時間序列轉換為二維圖像，我們使用了15個不同的技術指標，每個指標都有不同的參數選擇。每個指標實例生成15天的數據。結果，構建了15x15大小的二維圖像。根據原始時間序列的高峰和低谷，將每個圖像標記為買入、賣出或持有。結果表明，與長期的Buy & Hold策略和其他常見交易系統相比，在長期的樣本外期間，訓練的模型為股票和ETF提供了更好的結果 Introduction 基於計算智能模型的股市預測已成為股票交易系統的一部分，持續了數十年。與此同時，對於個人投資者和交易者而言，出現了更多的金融工具，例如ETF、期權和槓桿系統（如外匯）。因此，基於自主智能決策模型的交易系統在全球各個金融市場上受到越來越多的關注 近年來，基於深度學習的預測/分類模型開始在各種應用中表現出色，超越了傳統的計算智能方法，如支持向量機（SVM）。然而，圖像處理和基於視覺的問題佔據了這些深度學習模型優於其他技術的應用類型[2]。在文獻中，深度學習方法開始出現在金融研究中。有一些深度學習技術的實施，如循環神經網絡（RNN）[3]、卷積神經網絡（CNN）[4]和長短期記憶（LSTM）[5]。特別是在金融預測模型中應用深度神經網絡的情況非常有限 CNNs一直是最常見的深度學習模型[2]。與此同時，文獻中大多數CNN的實現是為了應對計算機視覺和圖像分析方面的挑戰。隨著CNN模型的成功實施，模型的錯誤率逐年下降。儘管AlexNet是最早提出的模型之一，但其成功率也只達到50-55%。近期的Inception（v3、v4）和ResNet（v50、v101、v152）算法的不同版本則取得了約75-80%的成功率[2]。現如今，幾乎所有計算機視覺研究人員都以某種方式在圖像分類問題中實施CNN 在這項研究中，我們提出了一種新方法，將一維金融時間序列轉換為類似於2D圖像的數據表示，以便能夠利用深度卷積神經網絡的強大能力進行算法交易系統。為了得到這樣的表示，我們使用15種不同的技術指標實例，每種指標都具有不同的參數設置，每個指標在15天的時間跨度內表示該列的值。同樣地，x軸由每行每個特定技術指標的15天數據時間序列組成。同時，行的排序方式使得類似的指標被聚集在一起，以滿足沿y軸的局部性要求。結果生成了15x15像素大小的圖像，並將其餵入深度卷積神經網絡。據我們所知，將金融技術分析時間序列數據表示為2D並將其作為2D圖像分類的輸入，即CNN-TA模型，用於金融交易系統是一種新的方法，因為這種方法不僅在任何交易系統中從未使用過，而且在我們提出的方式下，也沒有在任何金融預測模型中使用過。性能評估表明，這種方法在長時間內表現出色。與Buy & Hold、基於常見技術指標的模型、最廣泛使用的神經網絡模型（即MLP）和最先進的深度學習時間序列預測模型（即LSTM）相比，所提出的模型在短期和長期的樣本外期間表現優異。儘管這可能是使用這種非傳統技術的首次嘗試之一，但我們相信所提出的模型具有潛力。此外，參數優化和模型微調可能進一步提高性能。 2. Related Work 2.1. Time Series Data Analytics

DataLoader支持的兩種 map格式:即key, value形式, 例如{0:"張三", 1:"李四"} iterator格式:例如數組，迭代器 DataLoader python中，只要可以for迴圈的數據，都是iterator的數據 data = [0, 1, 2, 3, 4] for item in data: print(item, end=' ')

安裝步驟 下載 確保資料夾"因果分析agent"已成功下載到自己電腦中 確保資料夾中有以下資料 app.py config.py demo.py images資料夾 static資料夾

張量 張量是一個陣列，也是儲存數值集合的資料結構，其中的數值可以用索引(index)來讀取 import torch # <1> a = torch.ones(3) # <2>創建一個三維的一軸向量，其元素皆為1 a[1] 創建座標 創建二軸張量 torch.Size([3, 2])代表第0軸有3維，第1軸有2維

摘要 這篇研究主要基於多目標遺傳演算法，用於選擇最佳的股票特徵指標並應用於美國股市預測。它透過演化過程找到同時最佳化波動度和報酬率的股票特徵，並將這些特徵應用於預測股票價格的波動性和報酬率，主要通過多目標基因演算法和機器學習模型，並對資料進行了特徵選擇和預測。最終，根據波動度和報酬率將股票分為不同的群組，建立投資組合。並觀察總體績效和風險，我發現在2021年至2023年間，由基因演算法篩選的股票特徵能有效建構低波動率和高報酬率的投資組合，在所有投資組合中計算了投組報酬率、最大回落比和Calmar比率，大部分報酬率與風險皆優於sp500指數，總體來說，這個研究提供了一個基於多目標遺傳演算法的股票特徵選擇和投資組合建構方法，這對於投資者在股市中做出更明智的決策和配置資源非常有價值。 文獻回顧 股票市場的預測一直是投資者和研究人員關注的焦點之一。近年來，隨著技術分析和機器學習技術的發展，論文開始探索使用股票特徵選股的方法，以提高股票預測模型的準確性和效能，主要透過不同模型，或是最近流行的機器學習模型或深度學習，試圖對資本市場中的資產進行正確的預測，但往往在資本市場中，資產會有多種性質，因此如何選定特徵進行分析為主要課題，過去文獻很多都對價量資料進行討論，Tsantekidis et al. (2017)利用卷積神經網絡 (Convolutional Neural Networks, CNN) 從限價單簿 (limit order book) 預測股票價格。研究結果顯示，使用CNN模型能夠在股票價格預測方面取得良好的準確性，Guo et al. (2019)提出了一種基於多目標深度強化學習的股票選擇方法。通過在強化學習框架下設定多個目標，並建立投資組合。過往也有許多文獻對股票特徵進行研究，Zhang et al. (2019)探討了股票市場分析中的特徵選擇和分類方法。作者提出了一種基於綜合權重的特徵選擇方法，並結合支持向量機 (Support Vector Machine, SVM) 進行分類分析，這種方法能夠選擇具有關鍵影響力的特徵，Han et al. (2019)認為特徵選擇對於提高股票市場預測準確性具有重要作用，並且在不同市場條件下的表現存在差異。本研究也試圖以Sharpe ratio為基本概念建立衡量股票價值，並透過多個目標最佳化找出優秀的股票特徵因子，希望能找到在影響標準普爾500指數成分股的關鍵因子，並透過這些關鍵因子建立投資組合 股票市場的預測一直是投資者和研究人員關注的焦點之一。近年來，隨著技術分析和機器學習技術的發展，學術界開始探索使用股票特徵選股的方法，以提高股票預測模型的準確性和效能。主要的研究方法包括使用不同的模型，例如流行的機器學習模型或深度學習方法，以正確預測資本市場中的資產價格。然而，在資本市場中，不同資產具有多種性質，因此如何選擇適當的特徵進行分析成為主要的課題。過去的研究文獻中，Tsantekidis等人（2017）利用卷積神經網絡（CNN）從限價單簿（limit order book）預測股票價格。研究結果顯示，使用CNN模型能夠在股票價格預測方面取得良好的準確性。Guo等人（2019）提出了一種基於多目標深度強化學習的股票選擇方法。該方法在強化學習框架下設定多個目標並建立投資組合，以達到多個目標的最佳化。此外，Zhang等人（2019）探討了股票市場分析中的特徵選擇和分類方法。他們提出了一種基於綜合權重的特徵選擇方法，並結合支持向量機（SVM）進行分類分析。這種方法能夠選擇具有關鍵影響力的特徵。Han等人（2019）認為特徵選擇對於提高股票市場預測準確性具有重要作用，並且在不同市場條件下的表現存在差異。本研究試圖以Sharpe ratio為基本概念，建立衡量股票價值的方法，並透過多目標最佳化找出優秀的股票特徵因子。研究目標為找到影響標準普爾500指數成分股的關鍵因子，並利用這些關鍵因子建立一個優秀的投資組合。研究旨在提供投資者更具價值的股票選擇策略，並進一步優化投資組合的風險收益特性。這些研究結果對於投資者在股票市場中做出明智的選擇和決策提供了重要的參考依據。 神經網路本文回顧了幾篇相關的論文，並結合我自身的研究，探討了股票特徵選股在預測模型中的應用。Abdullah et al. (2014)介紹了結合技術分析和機器學習技術的方法，用於預測股票價格。該研究評估了不同的技術指標的效能，並發現這種結合方法能夠提高預測準確性。Perera et al. (2018)提供了對金融時間序列預測中機器學習技術的綜述，並探討了不同機器學習技術在股票預測中的應用。Karakaya and Cevikcan (2018)介紹了不同的特徵選擇技術，並討論了其在股票預測中的應用，過去的文獻回顧大多致力於透過不同面向的分析，總體、個體等等的關係，探討如何透過股票特徵去最佳化預測準確性，本研究更進一步透過sp500中250檔股票，試圖通過多目標演算法建構有效股票特徵因子，並透過這些因子進行投資組合的建構。 資料與方法 這邊使用的股價資料為yifinance股價資料庫，總共抓取了250檔股票，從2019/01/01至2023/04/30資料，資料分兩部分，2019/01/01至2019/10/30資料為訓練模型與多目標演算法部分，剩下的部分為測試投資組合績效期。每一檔股票，總共250檔，每一檔股票都會計算180種股票特徵，建構股票特徵資料，股票特徵主要分為10種類別，分別為價量資料、週期指標、數值變換、動量指標、圖表形態識別、價格變換、統計函數、波動性指標、交易量指標、重疊研究指標，其中有些指標因為數值過大，例如指數函數，故刪除，最後共選出了174個股票特徵。

摘要 確定加密貨幣的回報受到特定於加密貨幣市場的因素的影響，並且可以被預測 加密貨幣的回報受到加密貨幣網絡因素的影響，而不受加密貨幣生產因素的影響 構建了網絡因素，以捕捉加密貨幣的使用者採用情況，並構建了生產因素，以代表加密貨幣生產的成本 存在著強烈的時間序列動能效應，而投資者關注的代理變數可以強烈預測未來的加密貨幣回報 （例如，Pagnotta和Buraschi 2018年；Biais等人2018年；Cong、Li和Wang 2019年）並強調了由於網絡效應的正外部性引起的價格動態 （例如，Cong、He和Li 2018年；Sockin和Xiong 2019年）並顯示加密貨幣價格的演變與生產的邊際成本相關 （例如，Athey等人2016年；Schilling和Uhlig 2019年；Jermann 2018年）將加密貨幣價格的變動與像法幣這樣的傳統資產類別相結合 Borri（2019年）表明個別加密貨幣受到加密市場的尾部風險影響 Makarov和Schoar（2020年）發現加密貨幣市場存在潛在的跨交易所套利機會期

摘要 這篇論文研究了管理者如何透過操控實際活動來避免報告年度虧損 管理者會使用 降價來暫時增加銷售 過量生產來報告更低的商品成本(因為隨著生產量的增加，固定成本（例如設備和工廠的租金、設施和裝備的維護費用等）可以在更多的商品中分攤，進而降低每個單位的固定成本。同時，當生產量增加時，生產線的效率也可能會提高，從而進一步降低變動成本（例如材料和勞動力）的平均成本) 減少自由裁量性支出來提高報告的利潤率 研究還發現，存在著一些因素會影響實際活動的操控程度，例如行業成員身份、存貨和應收帳款的股票、成長機會以及債務的存在，以及達到零盈餘的激勵 當存在著較為精明的投資者時，實際活動的操控程度也會受到限制

摘要 利用wall street熱門的專欄內容，衡量媒體和股市之間的相互作用，該論文發現，媒體的高悲觀情緒預測市場價格的下行壓力，且異常的高或低悲觀情緒可以預測市場交易量的上漲，這些結果與噪音與流動性交易者的理論模型一致 且媒體的內容做為資產價值的新訊息代表，作為市場波動的代表或作為與資產市場沒有關係的理論不一致 本文問題:目前還不清楚金融媒體新聞媒體是誘導、放大還是僅僅反映投資者對股票市場的解釋 這篇論文描述了媒體報導內容與每日股市活動之間的關係，重點討論華爾街日報中的'Abreast of the Market'ˋ專欄，對美國股市影響 利用主成分分析，從華爾街日報專欄中的內容建構一個簡單的媒體悲觀主義 且再利用向量自回歸(VARs)來估計這些媒體悲觀變數與股市之間的關係 高水平的媒體悲觀情緒可以有效地預測市場價格的下行壓力 隨後是基本面回歸，其次媒體悲觀變數異常高級異常低預測了高的市場交易量

定義AI 人工智慧(artificial intelligence)，稱人工智能，是計算機科學領域的範疇，指讓機器具備和人類一樣的思考邏輯與行為模式，發展包括學習(大量讀取資訊，並判斷何時使用該資訊)、感知、推理(利用已知資訊做結論)，自我校正，以及如何操縱或移動物品 人工智慧發展領域包括但不限於:語音識別(speech recognition)、電腦視覺(computer vision)、與專家系統(expert systems) 知識工程(knowledge enginnering)是過去人工智慧研究的核心部位，人工智慧發展的第一步，亦即讓機器讀取大量的資料，讓機器能夠判斷物件，進行歸類統整，並能但對資料關聯度，知識工程的發展讓機器具備有專業知識 但要讓機器擁有嘗試，推論思考能力並解決問題卻相對困難 機器學習 是近代人工智慧發展的另外一個核心，可分成監督學習（Supervised Learning），與非監督學習（Unsupervised Learning），其核心概念在於數據分析，在當前資訊科學領域的一大分支，透過機器學習，人工智慧可以處理的問題為「歸類問題」、「回歸問題」，例如：垃圾信件過濾程式。迴歸問題則會從輸入的資料庫中找出規律，利用迴歸分析發展出相對應的方程式，藉此做出準確的輸出（也就是所謂的預測）。 機器知覺(machine perception)

摘要 自2017年推出比特幣期貨以來，除了機構交易者可以獲得受監管的加密貨幣以外，期貨還能夠通過做空比特幣來提高市場效率 此論文利用商品期貨交易委員會的交易員承諾報告來研究比特幣其交易行為 報告指出，槓桿資金交易者往往持有最大頭寸，為淨空頭，他們的交易行為在比特幣市場起著關鍵著作用 此論文發現，槓桿資金交易者有市場則時的能力，主要以調整他們的空頭吋 似乎其他交易者也跟隨這種'smart money'在隨後調整自己的頭寸 此論文還證明，根據觀察到的槓桿資金頭寸變化，有可能建立有利可圖的交易策略 結論 受監管的交易所引入比特幣期貨合約，有助於加密貨幣合法化，並推動機構投資者在加密貨幣交易中的增長

論文ppt連結 論文連結 introduction 以上幾位學者研究顯示、橫截面報酬（資產定價）主要是由市場風險，其實還有公司風險、公司規模、歷史報酬影響，也認為這就是市場非效率的證據 市場異常主要有幾點文獻研究 p/e ratio低的pe ratio會有高的平均調整後回報 小公司會有更高的調整後報酬 流動性影響：低流動性股票、高流動性敏感性股票，會有較高的調整後報酬

論文ppt 論文 :memo: 重點 Introduction 這篇論文主要探討再解釋PEAD的持續過程中，投資人機構與投資人所扮演的角色 此篇論文直接以投資人行為做研究，並不是以股價做研究 以機構投資人所有權變化來當作投資人行為的變數 PEAD:指在收益公告後持續且數額大的異常報酬，文獻已被證明，PEAD是有經濟顯著的，且持續的 為什麼PEAD會持續（如果是異常報酬那應該被套利）PEAD代表被遺漏的風險，而不是超額報酬、或是投資人因為能力不足而遺漏、或是進行PEAD有很高的交易成本

論文連結 :memo: 題目:Analyst coverage and earnings management analyst coverage:一般指包括多個對公司進行跟蹤分析的分析师 earnings management:只為了獲取某些私人利益，對會計收益資訊進行調整或操控，甚至對公司的實際經營產生影響的一種活動 摘要 1.資訊仲介機構(各種廠商投資機會的品質資訊提供給投資人)在公司治理中扮演什麼樣腳色，本文研究了股票分析師對管理者收益管理決策的影響，到底是對管理者有正向的監督，還是對管理者有過度的監管壓力 2.論文發現通過對收益管理的多重衡量，有更多分析師關注的公司對收益的管理更少 3.為了解決analyst coverage的潛在內生性問題，使用了change in broker size和the Standard & 是否被納入Poor’s 500 index(虛擬變數)作為兩個工具變量，且結果是穩健的