SlideShare a Scribd company logo
1 of 64
Download to read offline
一個賭徒的告白 II:
交易策略建構與分析,為何你該
賭小一點?
Speaker: 吳牧恩
Date: 2016.07.16(六)
2016/06 1
兩年前… 一個賭徒的告白….破產的滋味…
•巧賭 > 小賭 > 豪賭
• 小賭怡情,大賭敗家!
•用在賭博的Kelly公式
• 固定勝率、固定賠率
•資金管理才是王道!! NOT 策略!!!
2016/06 2
後來… 花生省魔術?
• 有問臉友FB傳來訊息….說很感謝我….
• 看了 “一個賭徒的告白”,用了”我的策略”…
• 這半年大賺五成,說要請我吃飯!!!!
• 我不好意思偷偷問他:
• 『你可以教我 ”我的策略” 嗎? 哥 也 想 學~~~』
2016/06 3
今天要談的幾項issues:
• 策略建構
• 去蕪存菁:濾網。
• 人生抉擇:停損 v.s.停利、 (順勢 v.s. 逆勢 )、(馬丁 v.s. 反馬丁)
• 成也加碼;敗也加碼!
• 資金管理
• 最佳化比例 (for 交易)
• 槓桿空間模型: 為何發展多策略、多商品、多市場?
2016/06 4
資料哪裡來? 使用quantmod: getSymbols
2016/06 5
不同的
報價源
DATA
週一開盤就買,週五收盤就賣
2016/06 6
TSMC: 週一開盤買,週五收盤賣!
2016/06 7
• Total Profit: 96685
• Trading Days: 488
• Profit Per Trade: 204.4091
• # of Win: 250
• Win Rate: 52.85412 %
• Winning Average: 2287.299
• Lossing Average: -2130.669
• Maximum Draw Down: 31800
• The Periods of MDD: 16 18 20 48 282
• Profit Factor: 1.203489
• Total Profit/MDD: 3.040425
台積電這幾年都在多頭,每週開
盤買當然賺!
考慮多空: 開低買,開高賣
2016/06 8
TSMC: 開低買,開高賣
• Total Profit: 160638
• Trading Days: 488
• Profit Per Trade: 340.3358
• # of Win: 260
• Win Rate: 55.08475 %
• Winning Average: 2320.59
• Lossing Average: -2088.278
• Maximum Draw Down: 25500
• The Periods of MDD: 20 22 39 50 89
• Profit Factor: 1.362849
• Total Profit/MDD: 6.299549
2016/06 9
當然你也可以試試其他股票
中鋼、中華電、鴻海、統一、國泰金、
甚至…..宏 達 電 !><
2016/06 10
HTC: 開高賣,開低買
• Total Profit: 37470
• Trading Days: 488
• Profit Per Trade: 79.55541
• # of Win: 228
• Win Rate: 48.40764 %
• Winning Average: 21658.89
• Lossing Average: -20167.72
• Maximum Draw Down: 591000
• The Periods of MDD: 5 7 19 41 151
• Profit Factor: 1.007646
• Total Profit/MDD: 0.06340203
2016/06 11
別忘了扣手續費!
2016/06 12
現在,我們開始 ”玩” 策略…
馬丁格爾: 贏了買一張,輸了加倍買
2016/06 13
馬丁格爾:輸了加倍買,贏了買1張
2016/06 14
類馬丁格爾:輸了加1張買,贏了只買1張
2016/06 15
為了控制風險: 輸了買2張,贏了買1張
2016/06 16
輸了“多”買1張
濾網:去蕪存菁,拆解成…
輸了買2張,贏了買1張 = 買1張+ 輸了才買1張
2016/06 17
Total Profit: 70978.7
Trading Days: 488
Profit Per Trade: 292.0934
# of Win: 135
Win Rate: 55.55556 %
Winning Average: 2195.129
Lossing Average: -2086.701
Maximum Draw Down: 15423
The Periods of MDD: 27 35 41 48 107
Profit Factor: 1.314952
Total Profit/MDD: 4.602133
輸了“才”買1張
這個濾網好不好? 會不會是OverFitting?
2016/06 18
人生所有的抉擇: 做 v.s.不做?
順勢 (貴在持之以恆 or 趨炎附勢?)
v.s.
逆勢 (贏在越挫越勇 or 不識時務?)
2016/06 19
•順勢:買高賣低 (違反人性)
•逆勢:均值回歸 (符合人性)
•在交易裡,大部分違反人性的事,都是好事!
• 不正常的人才會獲利!!!
•停損 順勢降低勝率 (違反人性!)
•停利 逆勢拉高勝率 (老師都在教!)
2016/06 20
我們提出了 “隨機交易”概念!
度量停損停利帶來的影響~
策略:開盤隨機交易,停損?停利?。
2016/06 21
開盤隨機交易,不停
損不停利,收盤平倉
2016/06 22
開盤隨機交易,停損30,
停利30,收盤平倉
隨機交易,停損30 ,
停利60,收盤平倉
2016/06 23
隨機交易,停損30,
不停利,收盤平倉
台指期貨隨機交易統計
• 不停損,停利30點
• 停損145點,停利35點
• 停損140點,停利40點
• …
• 停損35點,停利145點
• 停損30點,不停利
2016/06 24
順勢、動量、違反人性!
2016/06 25
隨機交易,停損30,
不停利,收盤平倉
隨機交易,不停損,
停利30,收盤平倉
隨機交易,其他股票如何?
1%停損,不停利
v.s.
1%停利,不停損
2016/06 26
Momentum v.s. Mean Reverse
2016/06 27
成也加碼,敗也加碼!
2016/06 28
考慮台指期動量策略: 開盤+門檻值突破
(用了濾網,採用順勢)
2016/06 29
Buy
原始策略(單口當沖)績效與累計損益:X
2016/06
損益: 1670
總交易天數: 1375
實際交易次數: 199
平均每次損益: 8.434343獲利
次數: 80
勝率: 40.40404 %
平均賺: 56.175
平均賠: -23.9322
最大連續虧損: 250
最大連續虧損區間(天): 108
114 197 254 302
獲利因子: 1.59136
總獲利/MDD: 6.68
30
加碼規則:
進場後5分鐘後仍有獲利,
加 碼 1 口!
2016/06 31
加碼第一口後: X+X1
2016/06
損益: 1670  2951
總交易天數: 1375
實際交易次數: 199
平均每次損益: 14.82915
獲利次數: 75
勝率: : 40.40 %  37.69%
平均賺: 92.96
平均賠: -32.42742
最大連續虧損: 375
最大連續虧損區間(天): 75 94 197 261 313
獲利因子: 1.59136 1.733897
總獲利/MDD: 6.68  7.869333
32
加碼第二口後: X+X1+X2
2016/06
損益: 29513880
總交易天數: 1375
實際交易次數: 199
平均每次損益: 19.49
獲利次數: 75
勝率: 37.69%  37.64 %
平均賺: 111.68
平均賠: -36.25
最大連續虧損: 425
最大連續虧損區間(天): 79 93 96 197 257
獲利因子: 1.733897 1.862989
總獲利/MDD: 7.869333  9.129412
33
加碼第三口後: X+X1+X2+X3
2016/06
損益: 3880 4439
總交易天數: 1375
實際交易次數: 199
平均每次損益: 22.30653
獲利次數: 75
勝率: 37.64 %  37.68 %
平均賺: 120.8
平均賠: -37.26613
最大連續虧損: 425
最大連續虧損區間(天): 89 93 94 200 257
獲利因子: 1.862989  1.960615
總獲利/MDD: 9.129412  10.4447
34
一口一口加碼,你就滿足嗎?
策略拆解: 分別”獨立”看每次的加碼!
2016/06 35
第一次加碼: X1
2016/06
損益: 1281
總交易天數: 1375
實際交易次數: 103
平均每次損益: 12.43689
獲利次數: 47
勝率: 45.63107 %
平均賺: 55.12766
平均賠: -23.39286
最大連續虧損: 215
最大連續虧損區間(天): 93 96 98 114 345
獲利因子: 1.977863
總獲利/MDD: 5.95814
36
第二次加碼 :X2
2016/06
損益: 1281  929
總交易天數: 1375
實際交易次數: 46
平均每次損益: 20.19565
獲利次數: 24
勝率: 45.63107 %  52.17391 %
平均賺: 60.66667
平均賠: -23.95455
最大連續虧損: 102
最大連續虧損區間(天): 93 96 110 269 305
獲利因子: 1.977863 2.762808
總獲利/MDD: 5.59  9.107843
37
第三次加碼: X3
2016/06
損益: 929  559
總交易天數: 1375
實際交易次數: 24
平均每次損益: 23.29167
獲利次數: 14
勝率: 52.17391 %  58.33333 %
平均賺: 56.21429
平均賠: -22.8
最大連續虧損: 100
最大連續虧損區間(天): 56 63 91 110 871
獲利因子: 2.762808  3.451754
總獲利/MDD: 9.107843  5.59
38
觀察:越加碼 品質越好!
等差加碼 (1234神經病!)
等比加碼 (1248瘋子!)
2016/06 39
等差加碼1234
2016/06
損益: 9255
總交易天數: 1375
實際交易次數: 199
平均每次損益: 46.50754
獲利次數: 72
勝率: 36.1809 %
平均賺: 229.7083
平均賠: -57.35433
最大連續虧損: 858
最大連續虧損區間(天): 93 94 98 114 257
獲利因子: 2.270593
總獲利/MDD: 10.78671
40
等比加碼1248
2016/06
損益: 12420
總交易天數: 1375
實際交易次數: 199
平均每次損益: 62.41206
獲利次數: 72
勝率: 36.1809 %
平均賺: 289.1389
平均賠: -66.12598
最大連續虧損: 1079
最大連續虧損區間(天): 93 94 114 157 257
獲利因子: 2.478924
總獲利/MDD: 11.51066
41
結論:加碼是放大器,同時放大”風險”與”利潤”
好的原始策略加碼更好;
壞的原始策略加碼就完蛋!!! (overfitting)2016/06 42
已 上 種 種…
只是跨出第一歩
2016/06 43
有夢最美,先來作夢!
2010.05.10~2016.04.15:100萬 230萬1642萬
2016/06 44
不同的部位配置(position sizing, PZ),
會造成不同的報酬損益!!
不是老師帶你上天堂、住套房,而是
”資金控管” 帶你上天堂、住套房!!
2016/06
一句話談交易:用風險換報酬
45
2016/06 46
然而,人生並不像銅板賭局那麼
簡單…交 易 也 是!
沒有連續,只有離散
沒有永恆(無限),只有曾經(有限)
2016/06 47
2016/06 48
一場勝率50%、賠率為2的賭局,賭起來天南地北!
10次
50%
500次
24%
40次
31%
100次
21%
1000次
26%
5000次
25%
• 勝率固定(50%),賠率固定(2)的賭局
• 不管如何Sample (10個取,20個取,50個取,100個取) 都一樣!!
• 我以為的交易是上面這樣…
• 實際的交易損益是:不知道機率、不知道賠率!?
博弈理論 v.s. 交易實務
2016/06
-1
49
交易賭局:機率未知,但可 “預估”….???
• 賭局給定機率、賠率
• 交易回測給定”歷史損益” (Ralph Vince’s Optimal F)
2016/06 50
In Sample Out Sample
三個層級的先知
• 第一層 (神):不用知道勝率,因為他知道下一場會贏還是會輸!
• 可以梭哈(ShowHands)
• 第二層(半仙):知道未來10次,”一定會贏5次,輸5次“
• 可以下最佳比例(Optimal f)
• 第三層(智者):知道未來10次發生的機率“確實是50%”。(不容易)
• 一旦遇到偏差,錯誤的下注比例很有可能讓你受傷慘重。
•賭小一點(1%~2%)
2016/06 51
2016/06 52
1% 3% 5% 8%
單口 風險比例
如何操爆你的資金!?
槓桿空間模型
(Leverage Space Model)
2016/06 53
多策略、多商品、多市場
2016/06 54
多策略、多商品、多市場
若下注40次,每次下f比例(理論)
A 𝒇 = 𝟏 + 𝟐𝒇 𝟐𝟎 𝟏 − 𝒇 𝟐𝟎
…
𝒇 = 𝟐𝟓%
剩下的75%資金要幹麻? 玩另一場?
同時玩2場,每場各壓23%,資金運用達46%!
2016/06 55
10倍  90倍
報酬再多9倍!
同時玩3場,每場各壓21%,資金運用達63%!
2016/06 56
10倍  90倍622倍
報酬再多62倍!
2016/06 57
2016/06 58
小結: LSM告訴我們什麼?
尋找”最好的”市場、商品、策略!?
分配最適當、有效率的資金運用比例!
2016/06 59
然而…有時候你只需要一點想像力!!!
2016/06 60
你可以分析全球各個金融市場資
料,運用各種高深的數學模型
2016/06 61
2016年02月22日 (週一)
你覺得主力在幹什麼?
我覺得主力閒閒在家沒事做,
很無聊,畫 蝙 蝠 俠!
自從出現蝙蝠俠後,10個交易日裡,有6個交
易日都是類似走勢,早盤衝高後又急速拉回!!!
2016/06 62
看功夫學交易!
2016/06 63
Thank You!
未來有緣再見!
2016/06 64
大數據會消失,資料科學不會!
交易策略會失效,資金管理不會!

More Related Content

What's hot

最小カットを使って「燃やす埋める問題」を解く
最小カットを使って「燃やす埋める問題」を解く最小カットを使って「燃やす埋める問題」を解く
最小カットを使って「燃やす埋める問題」を解くshindannin
 
給軟體工程師的不廢話 R 語言精要班
給軟體工程師的不廢話 R 語言精要班給軟體工程師的不廢話 R 語言精要班
給軟體工程師的不廢話 R 語言精要班台灣資料科學年會
 
ディープラーニングで株価予測をやってみた
ディープラーニングで株価予測をやってみたディープラーニングで株価予測をやってみた
ディープラーニングで株価予測をやってみた卓也 安東
 
ウェーブレット木の世界
ウェーブレット木の世界ウェーブレット木の世界
ウェーブレット木の世界Preferred Networks
 
不偏ゲームがNIMに帰着する証明
不偏ゲームがNIMに帰着する証明不偏ゲームがNIMに帰着する証明
不偏ゲームがNIMに帰着する証明Azaika At
 
充足可能性問題のいろいろ
充足可能性問題のいろいろ充足可能性問題のいろいろ
充足可能性問題のいろいろHiroshi Yamashita
 
論文紹介:The wavelet matrix
論文紹介:The wavelet matrix論文紹介:The wavelet matrix
論文紹介:The wavelet matrixYuki Igarashi
 
【博士論文発表会】パラメータ制約付き特異モデルの統計的学習理論
【博士論文発表会】パラメータ制約付き特異モデルの統計的学習理論【博士論文発表会】パラメータ制約付き特異モデルの統計的学習理論
【博士論文発表会】パラメータ制約付き特異モデルの統計的学習理論Naoki Hayashi
 
モデル予見制御に基づくペアトレード戦略
モデル予見制御に基づくペアトレード戦略モデル予見制御に基づくペアトレード戦略
モデル予見制御に基づくペアトレード戦略Kei Nakagawa
 
論文紹介-Multi-Objective Deep Reinforcement Learning
論文紹介-Multi-Objective Deep Reinforcement Learning論文紹介-Multi-Objective Deep Reinforcement Learning
論文紹介-Multi-Objective Deep Reinforcement LearningShunta Nomura
 
高速な倍精度指数関数expの実装
高速な倍精度指数関数expの実装高速な倍精度指数関数expの実装
高速な倍精度指数関数expの実装MITSUNARI Shigeo
 
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!takehikoihayashi
 
強化学習入門
強化学習入門強化学習入門
強化学習入門Shunta Saito
 
ニューラルネットワーク入門
ニューラルネットワーク入門ニューラルネットワーク入門
ニューラルネットワーク入門naoto moriyama
 
指数時間アルゴリズム入門
指数時間アルゴリズム入門指数時間アルゴリズム入門
指数時間アルゴリズム入門Yoichi Iwata
 
Rを用いたLTV(Life Time Value)の推定
Rを用いたLTV(Life Time Value)の推定Rを用いたLTV(Life Time Value)の推定
Rを用いたLTV(Life Time Value)の推定宏喜 佐野
 
[DL輪読会]Deep Learning 第2章 線形代数
[DL輪読会]Deep Learning 第2章 線形代数[DL輪読会]Deep Learning 第2章 線形代数
[DL輪読会]Deep Learning 第2章 線形代数Deep Learning JP
 

What's hot (20)

最小カットを使って「燃やす埋める問題」を解く
最小カットを使って「燃やす埋める問題」を解く最小カットを使って「燃やす埋める問題」を解く
最小カットを使って「燃やす埋める問題」を解く
 
給軟體工程師的不廢話 R 語言精要班
給軟體工程師的不廢話 R 語言精要班給軟體工程師的不廢話 R 語言精要班
給軟體工程師的不廢話 R 語言精要班
 
ディープラーニングで株価予測をやってみた
ディープラーニングで株価予測をやってみたディープラーニングで株価予測をやってみた
ディープラーニングで株価予測をやってみた
 
ウェーブレット木の世界
ウェーブレット木の世界ウェーブレット木の世界
ウェーブレット木の世界
 
不偏ゲームがNIMに帰着する証明
不偏ゲームがNIMに帰着する証明不偏ゲームがNIMに帰着する証明
不偏ゲームがNIMに帰着する証明
 
充足可能性問題のいろいろ
充足可能性問題のいろいろ充足可能性問題のいろいろ
充足可能性問題のいろいろ
 
論文紹介:The wavelet matrix
論文紹介:The wavelet matrix論文紹介:The wavelet matrix
論文紹介:The wavelet matrix
 
【博士論文発表会】パラメータ制約付き特異モデルの統計的学習理論
【博士論文発表会】パラメータ制約付き特異モデルの統計的学習理論【博士論文発表会】パラメータ制約付き特異モデルの統計的学習理論
【博士論文発表会】パラメータ制約付き特異モデルの統計的学習理論
 
モデル予見制御に基づくペアトレード戦略
モデル予見制御に基づくペアトレード戦略モデル予見制御に基づくペアトレード戦略
モデル予見制御に基づくペアトレード戦略
 
最適腕識別
最適腕識別最適腕識別
最適腕識別
 
論文紹介-Multi-Objective Deep Reinforcement Learning
論文紹介-Multi-Objective Deep Reinforcement Learning論文紹介-Multi-Objective Deep Reinforcement Learning
論文紹介-Multi-Objective Deep Reinforcement Learning
 
双対性
双対性双対性
双対性
 
高速な倍精度指数関数expの実装
高速な倍精度指数関数expの実装高速な倍精度指数関数expの実装
高速な倍精度指数関数expの実装
 
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
 
強化学習入門
強化学習入門強化学習入門
強化学習入門
 
ニューラルネットワーク入門
ニューラルネットワーク入門ニューラルネットワーク入門
ニューラルネットワーク入門
 
指数時間アルゴリズム入門
指数時間アルゴリズム入門指数時間アルゴリズム入門
指数時間アルゴリズム入門
 
Rを用いたLTV(Life Time Value)の推定
Rを用いたLTV(Life Time Value)の推定Rを用いたLTV(Life Time Value)の推定
Rを用いたLTV(Life Time Value)の推定
 
[DL輪読会]Deep Learning 第2章 線形代数
[DL輪読会]Deep Learning 第2章 線形代数[DL輪読会]Deep Learning 第2章 線形代数
[DL輪読会]Deep Learning 第2章 線形代数
 
暗認本読書会11
暗認本読書会11暗認本読書会11
暗認本読書会11
 

Similar to 吳牧恩/一個賭徒的告白 2:交易策略建構與分析,為何你該賭小一點?

三星彩教育訓練98.09.09 曾泳澄
三星彩教育訓練98.09.09 曾泳澄三星彩教育訓練98.09.09 曾泳澄
三星彩教育訓練98.09.09 曾泳澄Tseng Yung Cheng
 
Plan your trade,trade your plan
Plan your trade,trade your planPlan your trade,trade your plan
Plan your trade,trade your planandy6898
 
Maakoa制度簡報
Maakoa制度簡報 Maakoa制度簡報
Maakoa制度簡報 maakoajay
 
用生命守著的秘密 [1]
用生命守著的秘密 [1]用生命守著的秘密 [1]
用生命守著的秘密 [1]usmpanda
 

Similar to 吳牧恩/一個賭徒的告白 2:交易策略建構與分析,為何你該賭小一點? (9)

三星彩教育訓練98.09.09 曾泳澄
三星彩教育訓練98.09.09 曾泳澄三星彩教育訓練98.09.09 曾泳澄
三星彩教育訓練98.09.09 曾泳澄
 
Vs opp30-tw
Vs opp30-twVs opp30-tw
Vs opp30-tw
 
Bouns Ppt 0605
Bouns Ppt 0605Bouns Ppt 0605
Bouns Ppt 0605
 
Bouns Ppt 0605
Bouns Ppt 0605Bouns Ppt 0605
Bouns Ppt 0605
 
Vs opp30-hk
Vs opp30-hkVs opp30-hk
Vs opp30-hk
 
Plan your trade,trade your plan
Plan your trade,trade your planPlan your trade,trade your plan
Plan your trade,trade your plan
 
Vs opp30-my
Vs opp30-myVs opp30-my
Vs opp30-my
 
Maakoa制度簡報
Maakoa制度簡報 Maakoa制度簡報
Maakoa制度簡報
 
用生命守著的秘密 [1]
用生命守著的秘密 [1]用生命守著的秘密 [1]
用生命守著的秘密 [1]
 

More from 台灣資料科學年會

[台灣人工智慧學校] 人工智慧技術發展與應用
[台灣人工智慧學校] 人工智慧技術發展與應用[台灣人工智慧學校] 人工智慧技術發展與應用
[台灣人工智慧學校] 人工智慧技術發展與應用台灣資料科學年會
 
[台灣人工智慧學校] 執行長報告
[台灣人工智慧學校] 執行長報告[台灣人工智慧學校] 執行長報告
[台灣人工智慧學校] 執行長報告台灣資料科學年會
 
[台灣人工智慧學校] 工業 4.0 與智慧製造的發展趨勢與挑戰
[台灣人工智慧學校] 工業 4.0 與智慧製造的發展趨勢與挑戰[台灣人工智慧學校] 工業 4.0 與智慧製造的發展趨勢與挑戰
[台灣人工智慧學校] 工業 4.0 與智慧製造的發展趨勢與挑戰台灣資料科學年會
 
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機台灣資料科學年會
 
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機台灣資料科學年會
 
[台灣人工智慧學校] 台北總校第三期結業典禮 - 執行長談話
[台灣人工智慧學校] 台北總校第三期結業典禮 - 執行長談話[台灣人工智慧學校] 台北總校第三期結業典禮 - 執行長談話
[台灣人工智慧學校] 台北總校第三期結業典禮 - 執行長談話台灣資料科學年會
 
[TOxAIA台中分校] AI 引爆新工業革命,智慧機械首都台中轉型論壇
[TOxAIA台中分校] AI 引爆新工業革命,智慧機械首都台中轉型論壇[TOxAIA台中分校] AI 引爆新工業革命,智慧機械首都台中轉型論壇
[TOxAIA台中分校] AI 引爆新工業革命,智慧機械首都台中轉型論壇台灣資料科學年會
 
[TOxAIA台中分校] 2019 台灣數位轉型 與產業升級趨勢觀察
[TOxAIA台中分校] 2019 台灣數位轉型 與產業升級趨勢觀察 [TOxAIA台中分校] 2019 台灣數位轉型 與產業升級趨勢觀察
[TOxAIA台中分校] 2019 台灣數位轉型 與產業升級趨勢觀察 台灣資料科學年會
 
[TOxAIA台中分校] 智慧製造成真! 產線導入AI的致勝關鍵
[TOxAIA台中分校] 智慧製造成真! 產線導入AI的致勝關鍵[TOxAIA台中分校] 智慧製造成真! 產線導入AI的致勝關鍵
[TOxAIA台中分校] 智慧製造成真! 產線導入AI的致勝關鍵台灣資料科學年會
 
[台灣人工智慧學校] 從經濟學看人工智慧產業應用
[台灣人工智慧學校] 從經濟學看人工智慧產業應用[台灣人工智慧學校] 從經濟學看人工智慧產業應用
[台灣人工智慧學校] 從經濟學看人工智慧產業應用台灣資料科學年會
 
[台灣人工智慧學校] 台中分校第二期開學典禮 - 執行長報告
[台灣人工智慧學校] 台中分校第二期開學典禮 - 執行長報告[台灣人工智慧學校] 台中分校第二期開學典禮 - 執行長報告
[台灣人工智慧學校] 台中分校第二期開學典禮 - 執行長報告台灣資料科學年會
 
[台中分校] 第一期結業典禮 - 執行長談話
[台中分校] 第一期結業典禮 - 執行長談話[台中分校] 第一期結業典禮 - 執行長談話
[台中分校] 第一期結業典禮 - 執行長談話台灣資料科學年會
 
[TOxAIA新竹分校] 工業4.0潛力新應用! 多模式對話機器人
[TOxAIA新竹分校] 工業4.0潛力新應用! 多模式對話機器人[TOxAIA新竹分校] 工業4.0潛力新應用! 多模式對話機器人
[TOxAIA新竹分校] 工業4.0潛力新應用! 多模式對話機器人台灣資料科學年會
 
[TOxAIA新竹分校] AI整合是重點! 竹科的關鍵轉型思維
[TOxAIA新竹分校] AI整合是重點! 竹科的關鍵轉型思維[TOxAIA新竹分校] AI整合是重點! 竹科的關鍵轉型思維
[TOxAIA新竹分校] AI整合是重點! 竹科的關鍵轉型思維台灣資料科學年會
 
[TOxAIA新竹分校] 2019 台灣數位轉型與產業升級趨勢觀察
[TOxAIA新竹分校] 2019 台灣數位轉型與產業升級趨勢觀察[TOxAIA新竹分校] 2019 台灣數位轉型與產業升級趨勢觀察
[TOxAIA新竹分校] 2019 台灣數位轉型與產業升級趨勢觀察台灣資料科學年會
 
[TOxAIA新竹分校] 深度學習與Kaggle實戰
[TOxAIA新竹分校] 深度學習與Kaggle實戰[TOxAIA新竹分校] 深度學習與Kaggle實戰
[TOxAIA新竹分校] 深度學習與Kaggle實戰台灣資料科學年會
 
[台灣人工智慧學校] Bridging AI to Precision Agriculture through IoT
[台灣人工智慧學校] Bridging AI to Precision Agriculture through IoT[台灣人工智慧學校] Bridging AI to Precision Agriculture through IoT
[台灣人工智慧學校] Bridging AI to Precision Agriculture through IoT台灣資料科學年會
 
[2018 台灣人工智慧學校校友年會] 產業經驗分享: 如何用最少的訓練樣本,得到最好的深度學習影像分析結果,減少一半人力,提升一倍品質 / 李明達
[2018 台灣人工智慧學校校友年會] 產業經驗分享: 如何用最少的訓練樣本,得到最好的深度學習影像分析結果,減少一半人力,提升一倍品質 / 李明達[2018 台灣人工智慧學校校友年會] 產業經驗分享: 如何用最少的訓練樣本,得到最好的深度學習影像分析結果,減少一半人力,提升一倍品質 / 李明達
[2018 台灣人工智慧學校校友年會] 產業經驗分享: 如何用最少的訓練樣本,得到最好的深度學習影像分析結果,減少一半人力,提升一倍品質 / 李明達台灣資料科學年會
 
[2018 台灣人工智慧學校校友年會] 啟動物聯網新關鍵 - 未來由你「喚」醒 / 沈品勳
[2018 台灣人工智慧學校校友年會] 啟動物聯網新關鍵 - 未來由你「喚」醒 / 沈品勳[2018 台灣人工智慧學校校友年會] 啟動物聯網新關鍵 - 未來由你「喚」醒 / 沈品勳
[2018 台灣人工智慧學校校友年會] 啟動物聯網新關鍵 - 未來由你「喚」醒 / 沈品勳台灣資料科學年會
 

More from 台灣資料科學年會 (20)

[台灣人工智慧學校] 人工智慧技術發展與應用
[台灣人工智慧學校] 人工智慧技術發展與應用[台灣人工智慧學校] 人工智慧技術發展與應用
[台灣人工智慧學校] 人工智慧技術發展與應用
 
[台灣人工智慧學校] 執行長報告
[台灣人工智慧學校] 執行長報告[台灣人工智慧學校] 執行長報告
[台灣人工智慧學校] 執行長報告
 
[台灣人工智慧學校] 工業 4.0 與智慧製造的發展趨勢與挑戰
[台灣人工智慧學校] 工業 4.0 與智慧製造的發展趨勢與挑戰[台灣人工智慧學校] 工業 4.0 與智慧製造的發展趨勢與挑戰
[台灣人工智慧學校] 工業 4.0 與智慧製造的發展趨勢與挑戰
 
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
 
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
 
[台灣人工智慧學校] 台北總校第三期結業典禮 - 執行長談話
[台灣人工智慧學校] 台北總校第三期結業典禮 - 執行長談話[台灣人工智慧學校] 台北總校第三期結業典禮 - 執行長談話
[台灣人工智慧學校] 台北總校第三期結業典禮 - 執行長談話
 
[TOxAIA台中分校] AI 引爆新工業革命,智慧機械首都台中轉型論壇
[TOxAIA台中分校] AI 引爆新工業革命,智慧機械首都台中轉型論壇[TOxAIA台中分校] AI 引爆新工業革命,智慧機械首都台中轉型論壇
[TOxAIA台中分校] AI 引爆新工業革命,智慧機械首都台中轉型論壇
 
[TOxAIA台中分校] 2019 台灣數位轉型 與產業升級趨勢觀察
[TOxAIA台中分校] 2019 台灣數位轉型 與產業升級趨勢觀察 [TOxAIA台中分校] 2019 台灣數位轉型 與產業升級趨勢觀察
[TOxAIA台中分校] 2019 台灣數位轉型 與產業升級趨勢觀察
 
[TOxAIA台中分校] 智慧製造成真! 產線導入AI的致勝關鍵
[TOxAIA台中分校] 智慧製造成真! 產線導入AI的致勝關鍵[TOxAIA台中分校] 智慧製造成真! 產線導入AI的致勝關鍵
[TOxAIA台中分校] 智慧製造成真! 產線導入AI的致勝關鍵
 
[台灣人工智慧學校] 從經濟學看人工智慧產業應用
[台灣人工智慧學校] 從經濟學看人工智慧產業應用[台灣人工智慧學校] 從經濟學看人工智慧產業應用
[台灣人工智慧學校] 從經濟學看人工智慧產業應用
 
[台灣人工智慧學校] 台中分校第二期開學典禮 - 執行長報告
[台灣人工智慧學校] 台中分校第二期開學典禮 - 執行長報告[台灣人工智慧學校] 台中分校第二期開學典禮 - 執行長報告
[台灣人工智慧學校] 台中分校第二期開學典禮 - 執行長報告
 
台灣人工智慧學校成果發表會
台灣人工智慧學校成果發表會台灣人工智慧學校成果發表會
台灣人工智慧學校成果發表會
 
[台中分校] 第一期結業典禮 - 執行長談話
[台中分校] 第一期結業典禮 - 執行長談話[台中分校] 第一期結業典禮 - 執行長談話
[台中分校] 第一期結業典禮 - 執行長談話
 
[TOxAIA新竹分校] 工業4.0潛力新應用! 多模式對話機器人
[TOxAIA新竹分校] 工業4.0潛力新應用! 多模式對話機器人[TOxAIA新竹分校] 工業4.0潛力新應用! 多模式對話機器人
[TOxAIA新竹分校] 工業4.0潛力新應用! 多模式對話機器人
 
[TOxAIA新竹分校] AI整合是重點! 竹科的關鍵轉型思維
[TOxAIA新竹分校] AI整合是重點! 竹科的關鍵轉型思維[TOxAIA新竹分校] AI整合是重點! 竹科的關鍵轉型思維
[TOxAIA新竹分校] AI整合是重點! 竹科的關鍵轉型思維
 
[TOxAIA新竹分校] 2019 台灣數位轉型與產業升級趨勢觀察
[TOxAIA新竹分校] 2019 台灣數位轉型與產業升級趨勢觀察[TOxAIA新竹分校] 2019 台灣數位轉型與產業升級趨勢觀察
[TOxAIA新竹分校] 2019 台灣數位轉型與產業升級趨勢觀察
 
[TOxAIA新竹分校] 深度學習與Kaggle實戰
[TOxAIA新竹分校] 深度學習與Kaggle實戰[TOxAIA新竹分校] 深度學習與Kaggle實戰
[TOxAIA新竹分校] 深度學習與Kaggle實戰
 
[台灣人工智慧學校] Bridging AI to Precision Agriculture through IoT
[台灣人工智慧學校] Bridging AI to Precision Agriculture through IoT[台灣人工智慧學校] Bridging AI to Precision Agriculture through IoT
[台灣人工智慧學校] Bridging AI to Precision Agriculture through IoT
 
[2018 台灣人工智慧學校校友年會] 產業經驗分享: 如何用最少的訓練樣本,得到最好的深度學習影像分析結果,減少一半人力,提升一倍品質 / 李明達
[2018 台灣人工智慧學校校友年會] 產業經驗分享: 如何用最少的訓練樣本,得到最好的深度學習影像分析結果,減少一半人力,提升一倍品質 / 李明達[2018 台灣人工智慧學校校友年會] 產業經驗分享: 如何用最少的訓練樣本,得到最好的深度學習影像分析結果,減少一半人力,提升一倍品質 / 李明達
[2018 台灣人工智慧學校校友年會] 產業經驗分享: 如何用最少的訓練樣本,得到最好的深度學習影像分析結果,減少一半人力,提升一倍品質 / 李明達
 
[2018 台灣人工智慧學校校友年會] 啟動物聯網新關鍵 - 未來由你「喚」醒 / 沈品勳
[2018 台灣人工智慧學校校友年會] 啟動物聯網新關鍵 - 未來由你「喚」醒 / 沈品勳[2018 台灣人工智慧學校校友年會] 啟動物聯網新關鍵 - 未來由你「喚」醒 / 沈品勳
[2018 台灣人工智慧學校校友年會] 啟動物聯網新關鍵 - 未來由你「喚」醒 / 沈品勳
 

吳牧恩/一個賭徒的告白 2:交易策略建構與分析,為何你該賭小一點?