昨天利用FinMind的工具可以取得股價和K線圖，

但無論是進行機器學習或是深度學習，我們都會需要資料集以進行模型的訓練。

我們的目標是要

預測未來一段時間內，目標是分點券商的買賣變化，並可從中觀察這支股票與地理位置的關聯。

根據在課堂中學到的案例，預期輸出會是圖像，大概像這樣(借用了別人文章的圖)

這時候就要問自己:

需要什麼資料?

籌碼資料、股價資料、交易量、日期?

既然是"時" "空"資料，一定需要

-> 時間 (時間的維度? 秒、分、時、日、月、年?)

-> 空間 (空間怎麼表示? 圖像、文字、地理位置?)

而要建置並訓練，需要用甚麼模型?

CNN? RNN? 皆為使用"共享參數(shared weight parameter)"，可處理文字序列、時間序列。
但累積的訊息，在RNN中會導致"梯度消失(Gradient Vanishing)"，會有**長依賴(Long-Term Dependencies)**的限制。

簡單來說，RNN 沒辦法解決太遠的訊息之間的依賴關係。

而 LSTM 能解決長依賴的問題[5.]。

LSTM? 雖然能良好處理時間序列，但文本處理能力較差。

那可以使用 **CNN + LSTM ** 組合的方式，或是另一個將兩者組合起來的模型- ConvLSTM

然而這兩種又是專門解決不同領域問題的方式，明天來了解一下這之間的差別。

有時候覺得自己的思維有點跳... (讓看文章的各位辛苦跟著我跳一下)

參考文章與資料來源:

1. 遞歸神經網絡( RNN )
2. Day 14：循環神經網路(Recurrent Neural Network, RNN)
3. 遞歸神經網路（RNN）和長短期記憶模型（LSTM）的運作原理
4. 18. 深度學習甜點系列：RNN 的秘密武器 - 記憶單元
5. [魔法陣系列] Recurrent Neural Network（RNN）之術式解析
6. ConvLSTM簡介 — Convolutional LSTM Network — A Machine Learning Approach for Precipitation Nowcasting
7. ConvLSTM时空预测实战代码详解

每日記錄:
加權指數:20501，上漲670點，今天看起來反彈了，結果是開了個超高盤，慢慢殺下來，看來是很多人在抄底...
櫃買直接殺得比昨天還低，但市場看起來有大人在守，或是國安基金(? 拉了一條長長的下影線
然後又暴力拉起來了，金融市場就是這麼瞬息萬變