跳到主要內容

CMoney 創造出更好的工具與社群,幫助每個人做好人生的投資

關於 CMoney (全曜財經資訊股份有限公司)

CMoney 是一家致力於金融科技創新 (Fintech) 作為未來深耕發展的領域的公司,由一群對程式交易有高度熱情的技術團隊,創立於 2003 年,有肇於多年來國內外諸多金融法人機構所採用的決策分析工具,幾乎沒有突破性的進展,CMoney 研發團隊於是著手打造獨步全球且採先進雲端技術的高速回測系統。

目前擁有超過百位研發工程師支援國內外400多家的法人投資機構,協助其更有效率地提升交易績效,深受業界歡迎及喜愛,目前市占率達8成以上,已成為金融軟體業界的領導品牌。

除法人客戶外,基於多年服務投資法人團隊的專業和經驗,CMoney多年前開發了理財寶這款軟體,提供大眾更簡便的軟體服務,協助用戶做好人生的投資理財規劃,邁向財富自由的道路。在開發理財寶同時,CMoney也網羅各界投資達人,將其投資的經驗知識轉化為APP軟體服務,以作為大眾的理財消費分析工具。目前合作的投資理財專家已超過50位,而理財寶也突破240萬訂戶。此外,CMoney擁有許多人氣產品,如投資理財付費APP排行榜第一名的籌碼K線、每日2.2萬則投資討論,每月50萬位投資人在線使用的股市爆料同學會、集合全台投資達人App大型社群市集的理財寶等。另外還有投資理財類APP超過 20 款,非投資理財類如:搜梗、英文知識家、iCheck美妝好朋友等超過 10 款。

因應新時代的挑戰,全球政府都意識到金融創新的重要性及商機,紛紛立法以放寬原有僵固的金融法規。CMoney全曜財經累積多年的金融資訊軟體的開發實戰經驗,佔有最佳的創新戰略位置,歡迎你加入CMoney這個團隊,與這裡的同事夥伴交流切磋、精進技能,挑戰資訊新時代的來臨。

CMoney 里程碑

  • 決策分析系統市佔率第一
  • 理財寶線上超過240萬會員
  • 手機軟體突破100萬用戶
  • Google Play財經類APP第一名
  • 全台灣最大理財教育平台

我們的福利

  • 基本保障 除勞健保、勞退保障,另提供團體保險
  • 具競爭力的整體薪酬制度,並提供「自提調薪制度」,吸引、激勵並留任優秀人才,並依當年公司營運狀況及個人績效表現提供具競爭力的薪資、專案獎金及年終獎金。
  • CMoney辦公室分布在不同樓層,每間辦公室都有不同的裝潢風格,除了漂亮及舒適的空間外,幾乎所有同仁都配有升降桌,可以隨時站起來工作。不僅是升降桌,只要你有需求,和主管提出,雙螢幕工作不再是夢。
  • 我們在每個樓層都設有冰箱、咖啡機、牛奶還有各式零食,讓你在上班時不餓肚子
  • 另外會有節慶活動、尾牙、慶生會、新人見面會、不定期公司/部門聚餐、電影包場、多元化的社團活動。
  • 全職任職滿六個月後享有:挑戰補助、國內外旅遊補助,我們非常重視員工成長,除了提供良好的工作與進修環境(CMoney教育訓練中心),更享有免費資源學習投資理財、購書補助。
  • 我們認為孩子的成長只有一次,凡撫養未滿10歲子女,每個出勤工作日可提前於17:30下班,讓你有更多時間陪伴家人(全職適用)。另有合作幼兒園/托兒機構優惠。

歡迎加入 CMoney

我們目前正積極招募各領域優秀的軟體工程師 如果你也想一起透過創造更好的工具與社群來幫助每個人做好人生的投資,歡迎加入CMoney。

留言

這個網誌中的熱門文章

利用 Jitsi 建立個人化的視訊會議平台

  近期因為疫情的關係,越來越多企業開始實施分流或在家工作,視訊會議的需求也日益增加。 在商用解決方案選擇上,有不少企業會選擇知名品牌的產品,例如  Cisco Webex 、 Google Meet 、 Microsoft Teams 、 Zoom  都是很不錯的方案。 KKBOX 集團在去年便試行及做好充分 work from home 的準備,今年五月也因應疫情升溫,全員 work from home 至今兩個月有餘。 當然,取之 Open Source,也要對社群有些貢獻。在這一屆 COSCUP,我們要來介紹 Open Source 圈中也很知名,效果也很不錯的一套視訊會議平台: Jitsi 。 除了基本的視訊會議功能外,在最後我們也會示範如何透過 Jitsi 畫面輸出到 YouTube/Twitch 或其他支援 RTMP 的平台進行直播。 由於篇幅有限,且 Jitsi 可以調整的細節非常多。今天我們純粹很快速的示範,如何簡單的建置出一個 Jitsi 環境,並提供單場會議內容錄影或直播。 Jitsi 的文件可以在 這裡 找到。 今天透過 AWS Lightsail 的 $10/month instance(1 core CPU + 2GB RAM + 60GB SSD),作業系統則是 Ubuntu 20.04 來示範。當然,使用其他 VPS 亦可,大同小異,這邊直接跳過 VPS 相關的建置過程。 *firewall 相關資料參考 這裡 及 這裡 。 針對系統做必要的更新 基本的 apt repository 更新: $ sudo apt update 因為後面要示範的會議錄影及直播需要使用 ALSA loopback device,如果是 EC2 or Lightsail 則需要額外安裝 generic kernel( 註 ): $ sudo apt install linux-image-generic linux-headers-generic linux-image-extra- virtual 接著做系統套件們的更新: $ sudo apt dist-upgrade $ sudo apt autoremove 如果是 AWS EC2 or Lightsail 則需要另外再將預設的 AWS optimized kernel...

鑽石級贊助商 - KKBOX 帶你打造具備 NLP 功能的 Telegram Bot (上)

打造具備 NLP 功能的 Telegram Bot(上) 最近因為一些契機學了 Python 3,用它做了一個 Telegram Bot ( GitHub 連結 ),裡面用到 NLP Service,用上下兩篇文章記錄一下實作過程還有眉角。上篇首先教大家如何做一個最基本的回聲 Chatbot,接下來我們可以透過 NLP 服務,讓 Chatbot 根據使用者不同的訊息做回答,這樣就變成更加人性化的聊天機器人囉! 使用的工具及服務: Python 3 (for develop) pipenv (for dependency management) OLAMI (for NLP) ngrok (for testing) Step 1. Creating new bot Telegram 很有趣的地方在於,與其他通訊軟體(Line、Messenger)相比,開發者管理 Bot 的方式也是透過官方提供的一位 Bot 在處理的,它叫做 BotFather (眾 Bot 之父 XD)。如果已經有 Telegram 帳號,只要加 BotFather 為好友,就可以開始管理你的 Bot。 加入 BotFather 好友後,它會親切地問候,並告訴你他能為你提供什麼服務。 I can help you create and manage Telegram bots. If you're new to the Bot API, please see the manual ([https://core.telegram.org/bots](https://core.telegram.org/bots)). You can control me by sending these commands: /newbot - create a new bot /mybots - edit your bots [beta] /mygames - edit your games ([https://core.telegram.org/bots/games](https://core.telegram.org/bots/games)) [beta] Edit Bots /setname - change a bot's name /setdescr...

機器學習的五大實務問題:對企業的影響與相應的化解方式

Appier 首席機器學習科學家 林守德博士 正如 Jason Jennings 及 Laurence Haughton 在《以快吃慢–如何藉速度在商戰中克敵制勝》一書中指出──未來,不是大公司吃掉小公司,而是速度快的公司吃掉速度慢的公司。 從現在開始,唯有善用適當的資訊快速做出決策的企業,才能成為戰場上的贏家。 機器學習技術驅動了這場變革。無論企業是嘗試向顧客提出建議、改進生產製造流程或應對市場的變動,都能運用機器學習技術處理大量的資料,進而提高自身的競爭優勢。 然而,機器學習雖能創造大好機會,卻也同時帶來了相應的挑戰。機器學習系統需要大量的資料,以及執行複雜的運算能力。顧客期望改變、出乎意料的市場波動等等外部因素,都意味著機器學習模型的運作並不是百分之百的自動,往往仰賴許多外部的資源來作監控及維護。 此外,機器學習也有不少尚待解決的實務問題。以下將深入探討機器學習的五大實務問題,以及這些問題對企業應用會產生的影響。 1. 資料品質 機器學習系統仰賴資料進行訓練,而訓練資料在廣義上可分為「特徵」及「標籤」兩種類別。 「特徵」是輸入機器學習模型的資料,像是來自感測器、顧客問卷、網站 cookie 或歷史資訊等等。 然而這些特徵的品質可能良莠不齊。舉例而言,顧客在填寫問卷時可能會隨便填寫,或對題目略而不答;感測器可能因失靈而回傳錯誤資料;即使使用者的網頁行為明確,網站 cookie 回報的資訊也可能不完整。 此外,資料也可能包含雜訊,當無謂的資訊夾雜其中時,機器學習模型將會受到誤導而做出不正確的預測。 相較於「特徵」,「標籤」的正確性與穩定度更為重要。標籤是機器學習模型最後輸出的結果。所以需要在訓練的時間利用正確的結果教導機器學習模型。標籤的稀疏性也是個問題,這是當系統已掌握大量輸入的資料卻對輸出的結果沒有把握時出現的現象。在這樣的情況下,將難以針對該模型偵測其特徵與標籤之間的關聯性優化,甚至需要耗費額外的人力干預,將標籤與輸入資料關聯起來。 機器學習需仰賴輸入與輸出資料的關聯,才能具備足夠的泛化能力以預測未來行動並提供相關建議。因此,如果輸入資料過於雜亂、殘缺或有所偏差時,將可能難以理解某輸出/標籤的產出原因。近年來機器學習也開發出許多先進的方法如半指導式學習,轉移學習來處理這樣的問題。 2. 複雜性與品質的取捨 建立強大的機器學習模型需要大量的計算資源來處理特徵和...