MOE的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列推薦必買和特價產品懶人包

MOE進入發燒排行的影片

以機器學習模型結合市場資訊之價格預測系統 - 以半導體市場為例

為了解決MOE的問題，作者許子敬 這樣論述：

定價策略在商業業務管理中扮演極重要的角色，越來越多的企業渴望更快速地做出最符合市場的決策，而隨著人工智慧與機器學習風潮興起，業界開始關注如何運用人工智慧與機器學習建立準確且自動化的價格預測系統。價格的波動性，在市場交易面上格外被大家重視，價格變動性相對大的產業在價格的制訂上勢必得格外謹慎，而半導體產業則屬於價格波動性相對大的產業。在半導體產業中，各家公司的定價策略就顯得十分之重要，本研究以記憶體價格為例。本研究之目的是透過機器學習演算法，開發更精準的自動化價格預測模型，而本研究提出之模型主要是運用一種機器學習模型―多層感知機（MLP Model）來進行模型的訓練，並加入十個產品共160天的歷

史價格、四個具指標性之股市資訊、以及半導體產業相關新聞三個面向市場資訊，藉此建置四個價格修正模型來改善預測結果。機器學習訓練出合適的模型特徵和調整最佳參數，透過本研究提出之修正模型，達到修正時間序列SMA模型的效果，提供更精準的價格預測，以執行更符合市場的訂價策略。從研究結果發現，對於DRAM產品線，模型一的模型修正成功率平均為57.04%；模型二的模型修正成功率平均為50.37%；模型三的模型修正成功率平均為50.37%；模型四的模型修正成功率平均為55.56%。而NAND Flash產品線，模型一的模型修正成功率平均為8.15%；模型二的模型修正成功率平均為6.67%；模型三的模型修正成功

率平均為7.41%；模型四的模型修正成功率平均為8.15%。整體而言，模型修正成功率越高，MAPE下降率也會越大。針對價格波動性較大的階段，研究結果不僅表明機器學習模型可做到記憶體的價格預測，且透過加入多種類型的市場資訊，將更能夠改善價格預測的精準度，可以提供定價策略的決策者一個準確且客觀的參考。