TWM605347U - 用於股票預測的伺服端 - Google Patents
用於股票預測的伺服端 Download PDFInfo
- Publication number
- TWM605347U TWM605347U TW109210400U TW109210400U TWM605347U TW M605347 U TWM605347 U TW M605347U TW 109210400 U TW109210400 U TW 109210400U TW 109210400 U TW109210400 U TW 109210400U TW M605347 U TWM605347 U TW M605347U
- Authority
- TW
- Taiwan
- Prior art keywords
- stock
- training
- server
- fund
- processing module
- Prior art date
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一種用於股票預測的伺服端,當該伺服端接收到相關於一個股的分析請求時,該伺服端根據相關於該個股的多筆個股股價產生相關於該個股的多筆個股技術指標,並根據該等個股技術指標產生對應該個股的多筆股價預測值,另一方面,該伺服端根據相關於整體股市趨勢的一股票型基金所對應的多筆基金股價產生相關於該股票型基金的多筆基金技術指標,並根據該等基金技術指標產生對應該股票型基金的多筆股價預測值,且根據該個股的該等股價預測值及該股票型基金的該等股價預測值產生多筆對應該個股的修正個股股價預測值。
Description
本新型是有關於一種適用於商業的數據分析系統,特別是指一種產生對於股票的股價預測值的預測系統。
在現今社會中,物價指數水漲船高,許多人透過上班賺取固定薪資外,同時也藉由其他投資方式以增加自己的收入。而在投資市場中,股票一直被認為是最為主要的投資理財方法,也因此找尋一筆能夠穩定獲利的股票一直是各個投資理財人士所追求的目標。
目前投資市場中,許多投資者使用股票分析軟體以分析一家公司的股票是否可以進行投資,雖然股票分析軟體可以協助投資者的使用需求,但仍存在關於分析的問題,更詳細地說,現有的股票分析軟體,是透過股票上市公司的多個單位時間的營業相關資料對該公司的股票進行分析,其中營業相關資料包括該等單位時間內的營收、每股盈餘、營業毛利率、股東權益報酬率、營業利益率等資料,而忽略了整體股市趨勢的影響,例如當整體股市趨勢上漲時,一支發展狀況不甚理想的股票仍有可能受到整體股市的影響而呈現上漲趨勢而吸引投資者投資,但該支股票卻極有可能在整體股市趨勢上漲趨緩時持續下跌甚至被列為全額交割股,造成投資者資產的嚴重損失。
因此,本新型的目的,即在提供一種能夠根據整體股市趨勢預測股票股價的伺服端。
於是,本新型用於股票預測的伺服端經由一通訊網路連接至一管理端,該伺服端包含一伺服端通訊模組、一伺服端儲存模組,及一伺服端處理模組。
該伺服端通訊模組連接至該通訊網路,該伺服端儲存模組儲存有一筆個股在一當前時間區間中的多筆個股股價、一筆相關於整體股市趨勢的股票型基金在該當前時間區間中的多筆基金股價、一用於根據多筆股價產生多筆技術指標的技術分析模型、一用於根據相關於一待預測個股在該當前時間區間的多筆技術指標產生多筆相關於該待預測個股在一晚於該當前時間區間之未來時間區間之股價的股價預測值的個股分析模型、一用於根據相關於一待預測股票型基金在該當前時間區間的多筆技術指標產生多筆相關於該待預測股票型基金在該未來時間區間之股價的股價預測值的整體分析模型,以及一用於根據該待預測個股的該等股價預測值和該待預測股票型基金的該等股價預測值,產生該待預測個股的該等股價預測值受該待預測股票型基金的該等股價預測值影響的多筆修正股價預測值的修正分析模型。
該伺服端處理模組電連接該伺服端通訊模組及該伺服端儲存模組,其中當該伺服端處理模組透過該伺服端通訊模組接收到來自該管理端且相關於該個股的分析請求時,該伺服端處理模組根據相關於該個股的該等個股股價,利用該技術分析模型產生相關於該個股的多筆個股技術指標,並根據該等個股技術指標,利用該個股分析模型產生對應該個股的多筆股價預測值,且根據相關於該股票型基金的該等基金股價,利用該技術分析模型產生相關於該股票型基金的多筆基金技術指標,並根據該等基金技術指標,利用該整體分析模型產生對應該股票型基金的多筆股價預測值,以及根據該個股的該等股價預測值及該股票型基金的該等股價預測值,利用該修正分析模型產生多筆對應該個股的修正個股股價預測值。
本新型的功效在於:藉由該伺服端利用該修正分析模型產生多筆對應該個股的修正個股股價預測值,藉此,產生根據整體股市趨勢的股價預測值,進而讓投資者能夠以較為客觀的資訊進行投資。
在本新型被詳細描述前,應當注意在以下的說明內容中,類似的元件是以相同的編號來表示。
參閱圖1,一股票預測系統包含本新型用於股票預測的伺服端1,及一透過一通訊網路100連接至該伺服端1的一管理端2,該伺服端1包括一連接至該通訊網路100的一伺服端通訊模組11、一用以儲存資料的一伺服端儲存模組12,及一電連接該伺服端通訊模組11及該伺服端儲存模組12的伺服端處理模組13。該股票預測系統實施一第一實施例所包括的一個股分析模型建立程序、一整體分析模型建立程序、一修正分析模型建立程序,及一預測程序,藉此,根據整體股市趨勢產生股價的預測值,讓投資者能夠以較為客觀的資訊進行投資,從而避免可能造成的資產嚴重損失在此,該伺服端1是例如雲端伺服器、超級電腦、個人電腦,或是其他類似裝置其中任一。
該伺服端儲存模組12儲存有一筆個股在一當前時間區間中的多筆個股股價、一筆相關於整體股市趨勢的股票型基金(Exchange Traded Funds, ETF),例如道瓊工業指數基金、那斯達克100科技指數基金,或是元大台灣卓越50證券投資信託基金(簡稱台灣50),在該當前時間區間中的多筆基金股價、一用於根據多筆股價產生多筆技術指標的技術分析模型、多筆分別對應多個訓練個股的個股訓練資料、多筆分別對應多個訓練股票型基金的基金訓練資料,及多筆修正訓練資料,其中,每一個股訓練資料包括對應該訓練個股在一早於該當前時間區間的先前時間區間中的多筆訓練個股技術指標,及在該當前時間區間中的多筆訓練個股股價,每一基金訓練資料包括對應該訓練股票型基金在該先前時間區間中的多筆訓練基金技術指標,及在該當前時間區間中的多筆訓練基金股價,每一修正訓練資料包括對應該訓練個股在該當前時間區間的多筆訓練個股股價,對應該訓練股票型基金在該當前時間區間的多筆訓練基金股價,及對應該訓練個股在該當前時間區間的多筆訓練修正個股股價。
該管理端2由一管理者所持有,並包括一管理端通訊模組21、一管理端輸入模組22,及一電連接該管理端通訊模組21及該管理端輸入模組22的管理端處理模組23,其中,該管理端通訊模組21連接至該通訊網路100,該管理端輸入模組22用於供該管理者進行輸入操作,在此,該管理端2是例如個人電腦、平板電腦、筆記型電腦,或其他類似裝置其中任一。
該個股分析模型建立程序包括一步驟31、一步驟32、一步驟33、一步驟34,及一步驟35,用以建立一用於根據相關於一待預測個股在該當前時間區間的該等技術指標,產生該等相關於該待預測個股在一晚於該當前時間區間之未來時間區間之股價預測值的個股分析模型。
參閱圖1、2,在進行該步驟31時,是該伺服端處理模組13將該伺服端儲存模組12所儲存的該等個股訓練資料分為一訓練子集和一測試子集;之後在該步驟32中,該伺服端處理模組13根據該訓練子集中每一個股訓練資料所對應的該等訓練個股技術指標及該等訓練個股股價,利用機器學習演算法,例如支援向量機(Support Vector Machine, SVM)或是邏輯迴歸(Logistic regression),建立一根據相關於該待預測個股在該當前時間區間的該等技術指標產生該等相關於該待預測個股在該未來時間區間之股價預測值的第一訓練模型;在該伺服端處理模組13建立該第一訓練模型後進行該步驟33,藉由該伺服端處理模組13,根據該測試子集中每一個股訓練資料所對應的該等訓練個股技術指標及該等訓練個股股價,判斷出該第一訓練模型的預測正確率是否大於一第一門檻值,當該伺服端處理模組13判斷出該第一訓練模型的預測正確率並未大於該第一門檻值時,該伺服端處理模組13隨即進行該步驟34,調整該第一訓練模型並重回執行該步驟33;當該伺服端處理模組13判斷出該第一訓練模型的預測正確率大於該第一門檻值時,該伺服端處理模組13則進行該步驟35,確認該第一訓練模型為該個股分析模型。
該整體分析模型建立程序包括一步驟41、一步驟42、一步驟43、一步驟44,及一步驟45,用以建立一用於根據相關於一待預測股票型基金在該當前時間區間的多筆技術指標產生多筆相關於該待預測股票型基金在該未來時間區間之股價的股價預測值的整體分析模型。
參閱圖1、3,在進行該步驟41時,是由該伺服端處理模組13將該伺服端儲存模組12所儲存的該等基金訓練資料分為另一訓練子集和另一測試子集;接著在該步驟42中,該伺服端處理模組13根據該另一訓練子集中每一基金訓練資料所對應的該等訓練基金技術指標及該等訓練基金股價,利用機器學習演算法,例如支援向量機(Support Vector Machine, SVM)或是邏輯迴歸(Logistic regression),建立一根據相關於該待預測股票型基金在該當前時間區間的該等技術指標產生該等相關於該待預測股票型基金在該未來時間區間之股價的股價預測值的第二訓練模型;在該伺服端處理模組13建立該第二訓練模型後進行該步驟43,由該伺服端處理模組13根據該另一測試子集中每一基金訓練資料所對應的該等訓練基金技術指標及該等訓練基金股價,判斷出該第二訓練模型的預測正確率是否大於一第二門檻值,當該伺服端處理模組13判斷出該第二訓練模型的預測正確率並未大於該第二門檻值時,隨即以該步驟44,調整該第二訓練模型並重回執行該步驟43;另一方面,當該伺服端處理模組13判斷出該第二訓練模型的預測正確率大於該第二門檻值時,則進行該步驟45,由該伺服端處理模組13確認該第二訓練模型為該整體分析模型。
該修正分析模型建立程序包括一步驟51、一步驟52、一步驟53、一步驟54,及一步驟55,用以建立一用於根據該待預測個股的該等股價預測值和該待預測股票型基金的該等股價預測值,產生該待預測個股的該等股價預測值受該待預測股票型基金的該等股價預測值影響的多筆修正股價預測值的修正分析模型。
參閱圖1、4,在進行該步驟51時,是由該伺服端處理模組13將該伺服端儲存模組12所儲存的該等修正訓練資料分為又一訓練子集及又一測試子集,接著在進行該步驟52時,該伺服端處理模組13根據該又一訓練子集中每一修正訓練資料的該等訓練個股股價、該等訓練基金股價,及該等訓練修正個股股價,利用機器學習演算法,例如圖形神經網路(Graph Neural Network, GNN),建立一根據對應該待預測個股的該等股價預測值和對應該待預測股票型基金的該等股價預測值,產生該等修正股價預測值的第三訓練模型,在該伺服端處理模組13建立該第三訓練模型後進行該步驟53,藉由該伺服端處理模組13根據該又一測試子集中每一修正訓練資料的該等訓練個股股價、該等訓練基金股價,及該等訓練修正個股股價,判斷出該第三訓練模型的預測正確率是否大於一第三門檻值,當該伺服端處理模組13判斷出該第三訓練模型的預測正確率並未大於該第三門檻值時,該伺服端處理模組13進行該步驟54,亦即調整該第三訓練模型並重回執行該步驟53;相反地,當該伺服端處理模組13判斷出該第三訓練模型的預測正確率大於該第三門檻值時,該伺服端處理模組13進行該步驟55,亦即確認該第三訓練模型為該修正分析模型。
該預測程序包括一步驟61、一步驟62、一步驟63、一步驟64、一步驟65、一步驟66、一步驟67,及一步驟68,用以根據整體股市趨勢產生股價的預測值。
參閱圖1、5,在該步驟61中,該管理端處理模組23根據該管理端輸入模組22經由該管理者之輸入操作而產生的輸入訊號,產生一相關於該個股的分析請求,並透過該管理端通訊模組21經由該通訊網路100傳送至該伺服端1。
接著在該步驟62中,當該伺服端處理模組13透過該伺服端通訊模組11接收到來自該管理端2且相關於該個股的分析請求時,該伺服端處理模組13根據相關於該個股的該等個股股價,利用該技術分析模型,例如技術分析庫(Technical Analysis Library, TA-Lib),產生相關於該個股的多筆個股技術指標,詳細地說,技術指標是指根據一支股票的多筆歷史股價所計算出的其他相關於該支股票的數據,例如K線(Candlestick chart)、相對強弱指數(Relative Strength Index, RSI),或指數平滑異同移動平均線(Moving Average Convergence / Divergence, MACD)等其他數據,而在該第一實施例中,該等個股技術指標包含對應該個股的相對強弱指數以及指數平滑異同移動平均線。
之後在該步驟63中,該伺服端處理模組13根據該等個股技術指標,利用該個股分析模型產生對應該個股的該等股價預測值。
接著在該步驟64中,該伺服端處理模組13根據相關於該股票型基金的該等基金股價,利用該技術分析模型,產生相關於該股票型基金的多筆基金技術指標,詳細地說,道瓊工業指數基金包含美國最大且最知名的三十家上市公司,而台灣50的成分股包含臺灣上市股票市值前五十名的個股,換言之,該股票型基金由於包含了多筆能夠代表股市發展的股票,因此可代表整體股市趨勢,另一方面,該等基金技術指標也包含對應該股票型基金的相對強弱指數以及指數平滑異同移動平均線。
之後在該步驟65中,該伺服端處理模組13根據該等基金技術指標,利用該整體分析模型產生對應該股票型基金的該等股價預測值。
值得一提的是,在該第一實施例中,該伺服端處理模組13是依序進行該步驟62、該步驟63、該步驟64,及該步驟65,但在其他實施例中,該伺服端處理模組13亦可在進行該步驟62的時候同時進行該步驟64,並不以本實施例為限。
之後在該步驟66中,該伺服端處理模組13根據該個股的該等股價預測值及該股票型基金的該等股價預測值,利用該修正分析模型產生多筆對應該個股的修正個股股價預測值,如此,投資者可根據該等修正個股股價預測值對該個股進行評估是否進行投資,藉此迴避可能發生的資產嚴重損失。
最後在該步驟67中,藉由該伺服端處理模組13,判斷出該等修正個股股價預測值是否皆大於一預設值,當該伺服端處理模組13判斷出該等修正個股股價預測值皆大於該預設值時,隨即進行該步驟68,該伺服端處理模組13產生一相關於該個股的分析結果。舉例而言,當該伺服端處理模組13判斷出該等修正個股股價預測值皆大於該預設值時,其中該預設值為該個股當下的股價時,則代表該個股的後勢將會穩定上漲,並產生一指示出該個股屬於具有潛力並值得投資之股票的分析結果,藉此,對於不熟悉股票的投資者,亦可根據該分析結果選擇欲投資的股票,進而避免不當投資造成資產損失。另一方面,當該伺服端處理模組13判斷出該等修正個股股價預測值並未皆大於該預設值時,則結束該預測程序。
補充說明的是,在該第一實施例中,係自該步驟61執行至該步驟68,但在其他實施例中,亦可自該步驟61執行至該步驟66即結束,並不以該第一實施例為限。
綜上所述,本新型用於股票預測的伺服端主要是藉由該伺服端處理模組13,根據相關於該個股的該等個股股價及相關於該股票型基金的該等基金股價,利用該技術分析模型、該個股分析模型、該整體分析模型,及該修正分析模型,獲得對應該個股的該等股價預測值、對應該股票型基金的該等股價預測值,以及對應該個股的該等修正個股股價預測值,藉此,投資者可根據該等受相關於整體股市趨勢的該股票型基金的該等基金股價影響的修正個股股價預測值,得知該個股是否是較為穩健的股票,亦或是隨整體股市趨勢而動盪的不健全股票,進而根據該等資訊進行投資以避免資產的嚴重損失,另一方面,當該伺服端處理模組13判斷出該等修正個股股價預測值皆大於該預設值時,該伺服端產生一指示出該個股屬於具有潛力並值得投資之股票的分析結果,藉此,對於不熟悉股票投資的投資者也能夠根據該分析結果選擇欲投資的股票,從而避免了因為不熟悉股票投資市場而造成的資產嚴重損失,而值得特別說明的是,透過調整該修正訓練資料包括的內容為多筆訓練個股股價、多筆訓練基金股價,及對應該訓練股票型基金在該當前時間區間的多筆訓練修正基金股價,利用機器學習演算法建立用以產生多筆對應該股票型基金的修正基金股價預測值的另一修正分析模型,使得本新型不僅能夠應用於對於個股的股價分析,還能夠應用於對於股票型基金的股價進行分析判斷,故確實能達成本新型的目的。
惟以上所述者,僅為本新型的實施例而已,當不能以此限定本新型實施的範圍,凡是依本新型申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾,皆仍屬本新型專利涵蓋的範圍內。
1:伺服端
100:通訊網路
11:伺服端通訊模組
12:伺服端儲存模組
13:伺服端處理模組
2:管理端
21:管理端通訊模組
22:管理端輸入模組
23:管理端處理模組
31~35:步驟
41~45:步驟
51~55:步驟
61~68:步驟
本新型的其他的特徵及功效,將於參照圖式的實施方式中清楚地呈現,其中:
圖1是一方塊圖,說明包含本新型用於股票預測的伺服端的一股票預測系統;
圖2是一流程圖,說明該股票預測系統所實施的一第一實施例中的一個股分析模型建立程序;
圖3是一流程圖,說明該股票預測系統所實施的該第一實施例中的一整體分析模型建立程序;
圖4是一流程圖,說明該股票預測系統所實施的該第一實施例中的一修正分析模型建立程序;及
圖5是一流程圖,說明該股票預測系統所實施的該第一實施例中的一預測程序。
1:伺服端
100:通訊網路
11:伺服端通訊模組
12:伺服端儲存模組
13:伺服端處理模組
2:管理端
21:管理端通訊模組
22:管理端輸入模組
23:管理端處理模組
Claims (5)
- 一種伺服端,用於股票預測,並經由一通訊網路連接至一管理端,該伺服端包含: 一伺服端通訊模組,連接至該通訊網路; 一伺服端儲存模組,儲存有一筆個股在一當前時間區間中的多筆個股股價、一筆相關於整體股市趨勢的股票型基金在該當前時間區間中的多筆基金股價、一用於根據多筆股價產生多筆技術指標的技術分析模型、一用於根據相關於一待預測個股在該當前時間區間的多筆技術指標產生多筆相關於該待預測個股在一晚於該當前時間區間之未來時間區間之股價的股價預測值的個股分析模型、一用於根據相關於一待預測股票型基金在該當前時間區間的多筆技術指標產生多筆相關於該待預測股票型基金在該未來時間區間之股價的股價預測值的整體分析模型,以及一用於根據該待預測個股的該等股價預測值和該待預測股票型基金的該等股價預測值,產生該待預測個股的該等股價預測值受該待預測股票型基金的該等股價預測值影響的多筆修正股價預測值的修正分析模型;及 一伺服端處理模組,電連接該伺服端通訊模組及該伺服端儲存模組; 其中,當該伺服端處理模組透過該伺服端通訊模組經由該通訊網路接收到來自該管理端且相關於該個股的分析請求時,該伺服端處理模組根據相關於該個股的該等個股股價,利用該技術分析模型產生相關於該個股的多筆個股技術指標,並根據該等個股技術指標,利用該個股分析模型產生對應該個股的多筆股價預測值,且根據相關於該股票型基金的該等基金股價,利用該技術分析模型產生相關於該股票型基金的多筆基金技術指標,並根據該等基金技術指標,利用該整體分析模型產生對應該股票型基金的多筆股價預測值,以及根據該個股的該等股價預測值及該股票型基金的該等股價預測值,利用該修正分析模型產生多筆對應該個股的修正個股股價預測值。
- 如請求項1所述的伺服端,其中,該伺服端儲存模組還儲存有多筆分別對應多個訓練個股的個股訓練資料,每一個股訓練資料包括對應該訓練個股在一早於該當前時間區間的先前時間區間中的多筆訓練個股技術指標,及在該當前時間區間中的多筆訓練個股股價,該伺服端處理模組將該等個股訓練資料分為一訓練子集和一測試子集,並根據該訓練子集中每一個股訓練資料所對應的該等訓練個股技術指標及該等訓練個股股價,利用一機器學習演算法,建立一根據相關於該待預測個股在該當前時間區間的該等技術指標產生該等相關於該待預測個股在一晚於該當前時間區間之未來時間區間之股價預測值的第一訓練模型,且根據該測試子集中每一個股訓練資料所對應的該等訓練個股技術指標及該等訓練個股股價,判斷出該第一訓練模型的預測正確率是否大於一第一門檻值,當該伺服端處理模組判斷出該第一訓練模型的預測正確率並未大於該第一門檻值時,該伺服端處理模組調整該第一訓練模型並重新進行判斷,當該伺服端處理模組判斷出該第一訓練模型的預測正確率大於該第一門檻值時,該伺服端處理模組確認該第一訓練模型為該個股分析模型。
- 如請求項1所述的伺服端,其中,該伺服端儲存模組還儲存有多筆分別對應多個訓練股票型基金的基金訓練資料,每一基金訓練資料包括對應該訓練股票型基金在一早於該當前時間區間的先前時間區間中的多筆訓練基金技術指標,及在該當前時間區間中的多筆訓練基金股價,該伺服端處理模組將該等基金訓練資料分為另一訓練子集和另一測試子集,並根據該另一訓練子集中每一基金訓練資料所對應的該等訓練基金技術指標及該等訓練基金股價,利用一機器學習演算法,建立一根據相關於該待預測股票型基金在該當前時間區間的該等技術指標產生該等相關於該待預測股票型基金在該未來時間區間之股價的股價預測值的第二訓練模型,且根據該另一測試子集中每一基金訓練資料所對應的該等訓練基金技術指標及該等訓練基金股價,判斷出該第二訓練模型的預測正確率是否大於一第二門檻值,當該伺服端處理模組判斷出該第二訓練模型的預測正確率並未大於該第二門檻值時,該伺服端處理模組調整該第二訓練模型並重新判斷,當該伺服端處理模組判斷出該第二訓練模型的預測正確率大於該第二門檻值時,該伺服端處理模組確認該第二訓練模型為該整體分析模型。
- 如請求項1所述的伺服端,其中,該伺服端儲存模組還儲存有多筆修正訓練資料,每一修正訓練資料包括對應該訓練個股在該當前時間區間的多筆訓練個股股價,對應該訓練股票型基金在該當前時間區間的多筆訓練基金股價,及對應該訓練個股在該當前時間區間的多筆訓練修正個股股價,該伺服端處理模組將該等修正訓練資料分為又一訓練子集及又一測試子集,並根據該又一訓練子集中每一修正訓練資料的該等訓練個股股價、該等訓練基金股價,及該等訓練修正個股股價,利用一機器學習演算法,建立一根據對應該待預測個股的該等股價預測值和對應該待預測股票型基金的該等股價預測值,產生該等修正股價預測值的第三訓練模型,且根據該又一測試子集中每一修正訓練資料的該等訓練個股股價、該等訓練基金股價,及該等訓練修正個股股價,判斷出該第三訓練模型的預測正確率是否大於一第三門檻值,當該伺服端處理模組判斷出該第三訓練模型的預測正確率並未大於該第三門檻值時,該伺服端處理模組調整該第三訓練模型並重新進行判斷,當該伺服端處理模組判斷出該第三訓練模型的預測正確率大於該第三門檻值時,該伺服端處理模組確認該第三訓練模型為該修正分析模型。
- 如請求項1所述的伺服端,其中,該伺服端處理模組還判斷該等修正個股股價預測值是否皆大於一預設值,當該伺服端處理模組判斷該等修正個股股價預測值皆大於該預設值時,該伺服端處理模組產生一相關於該個股的分析結果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109210400U TWM605347U (zh) | 2020-08-12 | 2020-08-12 | 用於股票預測的伺服端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109210400U TWM605347U (zh) | 2020-08-12 | 2020-08-12 | 用於股票預測的伺服端 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM605347U true TWM605347U (zh) | 2020-12-11 |
Family
ID=74670333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109210400U TWM605347U (zh) | 2020-08-12 | 2020-08-12 | 用於股票預測的伺服端 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM605347U (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI732650B (zh) * | 2020-08-12 | 2021-07-01 | 中國信託商業銀行股份有限公司 | 股票預測方法及用於股票預測的伺服端 |
-
2020
- 2020-08-12 TW TW109210400U patent/TWM605347U/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI732650B (zh) * | 2020-08-12 | 2021-07-01 | 中國信託商業銀行股份有限公司 | 股票預測方法及用於股票預測的伺服端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kole et al. | How to identify and forecast bull and bear markets? | |
CN110223155A (zh) | 投资推荐信息的推送方法、装置及计算机设备 | |
JP2023171598A (ja) | 証券取引執行を最適化するためのシステム | |
CN101120371A (zh) | 控制用于交易金融工具的定单切割器 | |
CN111008896A (zh) | 金融风险预警方法、装置、电子设备及存储介质 | |
WO2021216166A1 (en) | Automated evaluation of refinery and petrochemical feedstocks using a combination of historical market prices, machine learning, and algebraic planning model information | |
JP4320361B1 (ja) | 将来財務予測システム、将来財務予測方法及び将来財務予測プログラム | |
TWI732650B (zh) | 股票預測方法及用於股票預測的伺服端 | |
CN111127213A (zh) | 信息处理方法与装置、存储介质、电子设备 | |
TWM605347U (zh) | 用於股票預測的伺服端 | |
TWI768265B (zh) | 智能投資輔助系統及其方法 | |
US20220164886A1 (en) | Artificial intelligence financial analysis and reporting platform | |
WO2022064894A1 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
Essien et al. | Technological impact assessment of Blockchain Technology on the synergism of decentralized exchange and pooled trading platform | |
KR20230000411A (ko) | 투자 가이드를 제공하는 서버, 방법 및 컴퓨터 프로그램 | |
JP7298286B2 (ja) | モデル提供プログラム、モデル提供方法及びモデル提供装置 | |
TW202232418A (zh) | 一種分析金融產品的系統和方法 | |
Wanke et al. | Measuring efficiency drivers and productive slacks in UK auditing firms | |
WO2020037955A1 (zh) | 指数跟踪误差分析方法及装置、存储介质、计算机设备 | |
Nasseri et al. | Evaluating the performances of over-the-counter companies in developing countries using a stochastic dominance criterion and a PSO-ANN hybrid optimization model | |
KR102562367B1 (ko) | 퀀트 투자 방식에 기반한 투자 정보를 제공하기 위한 장치 및 방법 | |
KR102136313B1 (ko) | 인공지능 기반의 투자 상품 성과 예측 정보 제공 방법 및 이를 제공하는 서버 | |
Kalekye | A JUMP DIFFUSION MODEL WITH FAST MEAN REVERTING STOCHASTIC VOLATILITY FOR PRICING VULNERABLE OPTIONS | |
Shinde et al. | Stock Portfolio Health Monitoring System | |
JP2004094662A (ja) | 信用リスク管理の最適化モデル適用方法及び装置 |