最近花了不少时间看RNN以及LSTM的论文,在组内『夜校』分享过了,再在这里总结一下发出来吧,按照我讲解的思路,理解RNN以及LSTM的算法流程并推导一遍应该是没有问题的。
RNN最近做出了很多非常漂亮的成果,比如Alex Graves的手写文字生成、名声大振的『根据图片生成描述文字』、输出类似训练语料的文字等应用,都让人感到非常神奇。这里就不细说这些应用了,我其实也没看过他们的paper,就知道用到了RNN和LSTM而已O(∩_∩)O
![image|690x351](/community/uploads
更新时间:2023-06-14 03:02
\
更新时间:2023-06-14 03:02
机器学习算法被描述为学习一个目标函数 (f),它最好地将输入变量 (X) 映射到输出变量 (Y):Y = f(X)
最常见的机器学习类型是学习映射 Y = f(X) 以针对新 X 预测 Y。这称为预测建模或预测分析,目标就是要做出最准确的预测。
TOP MACHINE LEARNING ALGORITHMS YOU SHOULD KNOW
更新时间:2023-06-14 03:02
\
更新时间:2023-06-14 03:02
此次的内容是有关用于理解智能的 线性代数、概率、熵 的串讲,即便是零基础的同学也可以看懂。
该文的目的是给你描述这些科目对深度学习的作用,你为什么需要学习这些内容。
但文章只负责入门内容,想详细学习更多内容的朋友请自己在网上找相关资料继续深入。
文章内容以围绕状态与变化对所有内容进行描述。
不断变化的世界使我们产生时间观念。正确描述事物状态及其不同时间下的变化至关重要。我们知道在三维空间下如何描述物体的位置。然而除了长宽高,世界上还有很多决定事物状态的因素。如决定股票价钱的因素、决定天气的因素。这些
更新时间:2023-06-14 03:02
本期编辑:Thomas
● 北京大学概率与统计本科,北京大学智能系硕士在读。
● 主要研究方向为基于深度学习的序列生成模型和多空股票策略(多因子模型为主)。
● 希望以后可以为大家分享自己的研究成果,以及和大家一起阅读一些相关的学术论文,开拓思维,一起进步。
原文连接:[【多因子系列】之新手必看 | 量化交易七宗罪](https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzAxNTc0Mjg0Mg%3D%3D%26mid%3D2653283543%26idx%3D1%26sn%3Df7376931ac
更新时间:2023-06-14 03:02
深度学习量化交易策略是从海量历史数据中利用统计原理通过数据挖掘和逻辑验证的方式发掘出超额收益来源。相比于传统的线性模型,深度学习模型的表示能力更强,能够学习的特征更多。本文以卷积神经网络为例,介绍深度学习模型在量化择时模型中的应用。
卷积神经网络是一种常用的机器学习模型,相比于传统的全连接神经网络,卷积神经网络通过卷积层和池化层的结构,使得输出的感受野更宽,同时卷积核的权值是共享的,从而有效减少参数数量,卷积神经网络通过卷积层、池化层、全连接层不同块的组合结构设计,使
更新时间:2023-06-13 06:53
作者:Adriano Koshiyama, et al.
出处:Quantitative Finance, 2020-09-01
系统交易策略是分配资产以优化特定绩效的算法程序。为了在竞争激烈的环境中获得优势,分析师需要适当地微调策略,或者发掘如何通过创造新的alpha以组合弱信号。已经有多种方法对微调和组合这两个方面进行了广泛研究,但是新兴技术,例如生成对抗网络,也会对这些方面产生
更新时间:2023-06-13 06:53
本报告导读:机器学习寻找的是适宜交易异象的稳定周期频率,并不是寻找特定参数组下的高收益曲线(即参数过拟合)。
目前获取战胜基准指数的主要途径是从多因子模型角度来考虑的,其本质上都是通过股票间的横向比较来获取超额收益,这也是我们提出T0系列策略的初衷,希望将==个股择时与多因子模型结合==起来,给投资者带来更多思路。
深度学习在图像处理领域更加成熟,其类似于一种图像降维技术,通过提取图像中的特征值对类似图像进行匹配。本文通过深度学习的方法对参数组及胜率的多维空间进行降维,并对其分布形态进行评估,从而确定模型泛化能力。
自2015年5月至2019年5月,相对上证50指数(股票采
更新时间:2023-06-01 14:28
高频选股因子周报 (20220711-20220715)
下表汇总了海通证券金融工程团队开发的高频选股因子本周、7月及2022年的多空收益、多头超额收益及月度胜率。
下表展示了周度调仓的中证50
更新时间:2023-06-01 14:28
本报告使用深度学习方法对基本面模型进行增强,增强模型首先使用基本面模型选出初筛股票池,然后使用深度学习模型对初筛股票池进行二次筛选,该策略较低的换手率水平下可以获得更好的超额收益
基本面模型和深度学习模型具备组合基础
以中证800指数为基础的增强模型表现
以沪深300指数维基准的增强模型表现
[/wiki/static/upload/2e/2ef7bcaa-8432-4f07-8d61-270c5f5967b0.pdf](/wiki/static/upload/2e/2ef7bcaa-8432-4f07-8d61-270c5f5967
更新时间:2023-06-01 14:28
因子时间序列数据怎么进行转置翻转?
训练1dCNN模型,假设98个因子,取5个时间截面,数据输入结构是(98,5)。使用序列窗口滚动模块(深度学习),出来的数据结构是(5,98),现在需要把数据进行转置翻转成(98,5)结构送到深度学习模型里训练,求解决办法。
更新时间:2023-06-01 14:26
从知识库克隆了一个样本案例,编译到标准化处理这个模块,就进行不下去了,重启开发环境,还是不行,这个样本案例是0729_meetup_Q3_DNN,麻烦工程师看看。
https://bigquant.com/experimentshare/05c45d21b2394833b11be4f7b215404e
你好,这个策略涉及到深度学习,需要大一点的内存,在标准化模块运行时的是比较耗内存,所以导致内核重启。需要加大账号内
更新时间:2023-06-01 02:13
我是根据bq上面提供的方法来写的,还是报错了,不知道是哪个环节出问题了,看图
保存csv方法:
p
更新时间:2023-06-01 02:13
您好,老师:
目前在使用bigquant平台使用神经网路建立深度学习模型时。设置的epoch为2000-3000,训练时间往往需要5个小时以上。在这中间很容易因为网络问题发生训练中断。
虽然平台有了保存策略问题,也可以恢复到断点。但是,恢复到断点时只是显示出之前的未完成训练结果,无法接着原来的断点继续训练。点击运行后,依旧从头开始训练模型。这样无法完成一个耗时长的模型训练。
希望告知设置断定续训的方法或者步骤。
十分感激。谢谢
更新时间:2023-06-01 02:13
为啥我的超参寻优用在DNN上,一直显示在运行,却没有结果
-update:刚把分布式运行勾选去掉,开始执行了 \n
感觉很慢,这个效率很低啊
\
更新时间:2023-06-01 02:13
我有一个深度学习策略,我在主函数中添加了跟踪止损的逻辑没有什么用。因为某只股票达到止损条件会卖出,但是第二天机器学习策略根据算法又会将这只股票买入。所以止损策略不能发挥作用啊。请问各位高手有无办法解决?
更新时间:2023-06-01 02:13
请问深度学习预测值需要输出两个数据需要改动哪些设置
比如期货的多空两个预测值 df['return'] = df['label'] =
更新时间:2023-06-01 02:13
最近碰到一个问题,好容易用平台计算资源训练出了一个CNN模型,但是放在模拟交易后,却提示占用时间太长,策略被暂停,那么问题来了,
如何将训练好的深度学习模型保存并在模拟交易中使用?bigQuant做得封装太好了,以至于不会保存及读取模型了。
更新时间:2023-06-01 02:13
深度学习的模型训练的时候的参数:学习率在哪儿设置?
更新时间:2023-06-01 02:13
BigQuant AI Platform deep learning models(BigQuant AI量化平台深度学习模型库)。
bigmodels是BigQuant AI量化平台的深度学习模型库,集成了AI量化研究过程中常用的深度学习模型。
我们用PyTorch封装了AI量化研究中常用的深度学习模型,包含DNN、1DCNN、LSTM和Transformer等,并持续更新。
平台用户可以用简单的方式调用经过大量实践检验的AI能力,赋能AI量化投资。
import toch
impo
更新时间:2023-05-22 06:21
AIStudio 使用常见问题
更新时间:2023-05-16 10:05
AI量化策略中如何选择合适的因子
https://www.bilibili.com/video/BV1J24y1f7mJ/?spm_id_from=333.999.0.0
{{membership}}
[/wiki/static/upload/42/4267409e-a9f4-42db-bb79-1321ba5e4c59.pdf](/wiki/static/upload/42/4267409e-a9f4
更新时间:2023-05-06 07:23
\
更新时间:2023-05-04 02:23
%%BigQuant_ChatGPT
更新时间:2023-05-04 02:21