T stock dividend的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

CEO 過度自信對股利政策之影響： 從家族企業角度探討

為了解決T stock dividend的問題，作者蔡淳豐 這樣論述：

先前的研究顯示經理人過度自信可能會提高股利的發放；然而家族成員會為了保留資金以及家族企業之永續發展，進而減少股利發放。因此，本研究透過實證研究探究在家族企業中，過度自信經理人對股利政策之影響。本實證研究顯示，雖然過度自信經理人本身會導致更高的股利支付，但在家族企業中，過度自信經理人則與低股利支付呈現相關性。此外，顧及到產業集中度，本研究發現在高產業集中度下，具有過度自信經理人之家族企業與股利呈現負相關，此結果指出即使家族企業存在過度自信之經理人，當所屬產業較不競爭，公司可能缺乏以高股利政策傳遞有利資訊的動機，從而降低股利之發放。

一個植基於特徵選取與樣本選取技術的自動選股模型

為了解決T stock dividend的問題，作者洪郁翔 這樣論述：

本論文研究台灣上市上櫃公司之財務指標相關資料，提出以分群演算法（Cluster）區分財務體質良好與不佳的分群結果，搭配特徵選取方法（Feature Selection, FS）或是樣本選取方法（Instance Selection, IS）結合隨機森林（Random Forest）機器學習方法探討股票預測之成效，本研究選取訓練資料為2001年至2018年在台灣加權指數有多頭和空頭股市經歷兩個大週期循環分別為2007年金融海嘯以及2018年中美貿易大戰，並以預測之日為建構日以相同金額買入並且以2018年3月至2022年3月之資料進行投資策略回溯測試。其實驗結果顯示Cascade Simple

K-Means加上樣本選擇（Instance Selection）的遺傳基因演算法（Genetic Algorithm, GA）結合隨機森林（Random Forest）預測結果其報酬率為79%為最優，其次，自我組織設映圖SOM（Self-Organizing Map）加上過採樣方法(Synthesized Minority Oversampling Technique ,SMOTE)其報酬率為75%。本實驗結果在於Cascade Simple K-Means和SOM兩種分群演算法搭配任何一個特徵選取或是樣本選取並結合隨機森林演算法結果都有72%以上報酬率，均優於大盤指數的62%，甚至在EM（

Expectation-Maximization algorithm）演算法也有三種方法（IB3、IS-GA、PCA）可以超過大盤報酬率。