問題的答案無所不包論文書籍站
南華大學 資訊管理學系 王佳文所指導 丁麗文的 特徵縮放於深度學習股市價格預測之影響 （2021），提出2022台幣兌美元走勢預測關鍵因素是什麼，來自於特徵縮放、深度學習、股市價格、技術指標。
而第二篇論文輔仁大學 統計資訊學系應用統計碩士班 黃孝雲所指導 曾旻翊的 金融混合頻率資料之LSTM多步預測模型 （2021），提出因為有 股價預測、長短期記憶模型、深度學習、混合時間頻率、多步預測、貝葉斯優化的重點而找出了 2022台幣兌美元走勢預測的解答。
特徵縮放於深度學習股市價格預測之影響
為了解決2022台幣兌美元走勢預測 的問題，作者丁麗文 這樣論述：
近年來機器學習與深度學習模型在巨量資料分析和科技金融方面取得了顯著的成效。時間序列分析主要是利用歷史資料預測未來走勢，然而過去時間序列相關研究較少探討特徵縮放的影響性。本研究利用常見的技術指標，並結合不同特徵縮放及深度學習演算法進行股市價格預測分析。在實證方面利用台灣證券交易所（TWSE）的Α公司2015年到2019年實際股票資料進行驗證，並進行比較分析。綜合上述，本研究目的如下：（1）探討使用不同特徵縮放對於遞迴歸神經網路準確度影響（2）探討加入常見技術指標是否可提高遞迴歸神經網路準確度（3）驗證傳統 ΑRIMΑ 模型與遞迴歸神經網路預測準確度之比較（4）探討不同神經元數及層數對於預測
準確度之影響（5）實際採用2015-2019年Α公司實際股票資料來進行實例驗證
金融混合頻率資料之LSTM多步預測模型
為了解決2022台幣兌美元走勢預測 的問題，作者曾旻翊 這樣論述：
隨著物價上漲，除了薪水的固定收入外，透過股票交易來獲得被動收入是現今一熱門的方法，根據證交所統計的股票交易筆數逐年提升，可見股票投資逐漸融入民眾的生活中，如何能得知股價的走向是為一眾人關心之議題。 股市相關資料是為一時間序列資料，本研究利用了擅長處理時間序列資料的模型-長短期記憶模型，但許多研究在資料處理部分大多將日資料填補為分鐘資料進行訓練，本研究為了貼合母體資料的真實性，採用混合時間頻率的資料進行訓練，並根據實務要求及網路型模型的優點，利用長短期記憶模型進行多步預測，除了可以了解股價未來趨勢，也可根據預測值作為股票投資的參考。 研究結果顯示，利用混合時間頻率資料進行多
步預測，相較於單一頻率資料進行單點預測幾乎都有較好的表現。且在模型建構上，多步預測善用了LSTM模型的優點，相較於單點預測更符合實務的要求。