量化研究每周精选-170726
由ypyu创建，最终由ypyu 被浏览 27 用户
导语：本周为大家推荐五项国外有关深度学习和机器学习的实践性研究。希望能帮助大家更好地获取信息、学习知识。BigQuant拥有海量的数据和主流开源AI框架，附能每一位爱好机器学习/深度学习和量化交易的人。
- 《Neural networks for algorithmic trading. Multimodal and multitask deep learning》
关键词：神经网络、机器学习
本文介绍了如何训练神经网络的方法，这绝不是直接训练一个神经网络，作者使用了多任务学习和多模态学习来实现波动性预测和分类。
多任务学习（MTL）是机器学习的一个子领域，同时解决多个学习任务，同时利用各个任务之间的共同点和差异。与单独培训模型相比，这可以提高任务特定模型的学习效率和预测精度。现实中的信息通常以不同的方式进行。我们需要理解的是，由于不同的原因，现实世界中的事件正在发生，与金融市场一样。您可以成为查看图表的专家，但也有新闻，闲话，内幕信息等其他信息来源，实际上我们必须考虑到所有这些信息。因此多模态学习有其应用价值。
从实验的角度可以看出，采用多任务学习是合理的，并且这也是正确的工作思路。作者提醒到，在处理不同的数据时，就必须关注我们获取的数据，因为有时用户对数据到底是时间序列数据或文本数据并不在意，这就是为什么不能取得好的结果的原因。只有更深入的了解数据，数据才能更好地服务我们。
- 《Tensorflow Work for Stock Prediction》
关键词： Tensorflow、股价预测、卷积神经网络
本文通过使用Tensorflow来构建卷积神经网络，帮助更好地预测股价。作者希望能找到一个跟踪价格上涨的指标，并在原网页中提供了代码。文中策略使用到的因子包括每日收盘价、移动平均线、KD指标、RSI、年平均价格。本次实验的主要任务是构建深度学习-卷积神经网络的图像，使用一些数据图像和卷积神经网络来辨识模式。本文最主要的不同在于如何建立损失函数和训练Q_network的方式。作者选取了一家公司的股票价格走势来进行深层学习的演示，结果并没有得到很好的估计，但是比随机的预测略好。
- 《Designing an Algorithmic Trading Strategy with Python》
关键词：Python、交易策略
本视频是由PyData推出的如何使用Python实现交易策略的设计和实现的公开课。交易策略的产生，离不开大量的假设和想法，这个视频就是教你如何产生好的想法来创建自己的交易策略。在该课堂的开始，讲解者举了一个有趣的例子：交易算法策略将以某公司总部的降雨量作为信号。他们的假设是，公司总部最近的降雨对该公司的股价有影响。围绕这个假设，他们收集了与之有关的大量数据，并且调查研究了各种因子的相关性。通过这一节课，希望各位对使用Python来开发交易策略有所收获。
- 《When Not to Use Deep Learning》
关键词**：深度学习**
随着深度学习的发展和普及，人们逐渐对这一概念有一些先入为主的刻板性的认识。本文的题目虽然有些不走寻常路，但作者其实破除了许多关于深度学习的偏见。例如：深度学习不单单只是应用于大量的数据之上，小数据样本也同样适用；深度学习也同样有局限性，比如训练深度网络在计算和调试方面成本很高，对于日常来说并没有任何意义。在文章的最后，作者提出了对未来深度学习的畅想，并坚信深度学习在一些场景中会有重要的作用。如果你使用深度学习算法总是遇到各种坑，没有得到不错的预测结果，那么可以好好读下这篇文章，重新梳理下带深度学习的认识。
- 《Predict Stock Market with Daily Top News》
关键词： 股市预测、自然语言处理、word2vec
本文是面向对自然语言处理算法word2vec有基本了解的读者，目的是了解道琼斯工业平均指数如何受到Reddit上每日热门新闻的影响。作者采用用Word2vec算法，首先对所有的新闻标题创建100维的词向量。然后通过对每个句子组成的单词向量进行平均，将标题变换为句子向量。最后，作者用R语言使用各种分类算法来预测琼斯工业平均指数是否会上涨或下跌，这些算法包括CART、逻辑回归、线性判别分析、K-最邻近算法、支持向量机、径向基函数（svmRadial）和极限渐变增强（xgbLinear，详细的算法代码附在了文末。其中，很多算法预测结果不太满意，比如接近50%的准确率和不太好的Kappa值。然而，具有径向基函数内核的SVM往往比其他算法执行得更好，准确度在51％至55％之间。
本文由BigQuant宽客学院推出，版权归BigQuant所有，转载请注明出处。
\