本論文使用強化式學習的方法結合類神經網路LSTM架構於時間序列的分析與預測，然而我們想針對美國NASDAQ指數進行買點分析的研究探討，並使用強化式學習中的Policy Gradient法則，以型態學的角度處理資料，讓LSTM模型，學習歷史收盤價中上漲及下跌前會發生的預兆進而預測買點。本論文的研究目的為證明強化式學習及LSTM的模型，對於時間序列的預測是相當合適的，雖然本研究只針對一種資料做研究，但其方法與架構可以套用至其它時間序列資料。
由型態學的理論作為基礎，我們需要訓練兩種趨勢的模型，使我們可以更確定特徵出現的訊號，讓預測結果更加確定更為穩健。我們也以型態學的角度，將收盤價資料做處理，使看似雜亂無章的收盤價資料處理成趨勢資料。接著我們以Policy Gradient的方法，以獲利值引導參數學習，使得模型在訓練的過程中，會自行隨著獲利值慢慢收斂至擁有最大期望值的模式。
實際測試方面，本論文以三種趨勢的資料做測試，測驗本研究所提出的演算法架構使否能成功避險及獲得高獲利，而根據實驗結果顯示，此架構除了能夠成避開負獲利的買點以外，也能夠只挑選那些有足夠把握的買點才做購買，避開那些不必要之交易風險。 本論文也將此架構之演算法和其他現有的方法做討論，也有較好之獲利能力。

一、
歐陽亦凡, “使用深度學習進行證券交易之型態分析研究,” 國立臺灣師範大學碩士論文, 2018.

二、英文文獻
T. Chen and F. Chen, “An intelligent pattern recognition model for supporting investment decisions in stock market,” Information Sciences, pp. 261-274, 2016.

D. M. Q. Nelson and A. C. M. Pereira “Stock market's price movement prediction with LSTM neural networks,” in Proc. IEEE International Conf. on Neural Networks, pp.2161-4407, 2017.

Wang and Chan, “Stock market trading rule discovery using pattern recognition and technical analysis,” Expert Systems with Applications, pp. 304-315, 2007.

I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, Cambridge, Massachusetts, USA, 2016.

R. S. Sutton and A. G. Barto, Reinforcement Learning: An Introduction, 2nd Ed., MIT Press, Cambridge, Massachusetts, USA, 2018.

H. D. Huynh and L. M. Dong, “A New Model for Stock Price Movements Prediction Using Deep Neural Network” In SoICT ’17. pp.57-62, 2017

S. Selvin, R. Vinayakumar, “Stock price prediction using LSTM, RNN and CNN-sliding window model” in Proc IEEE International Conference on Advances in Computing, Communications and Informatics (ICACCI), 2017