\
更新时间:2024-05-20 06:40
Softmax要解决这样一个问题:我有一个向量,想用数学方法把向量中的所有元素归一化为一个概率分布。也就是说,该向量中的元素在[0,1]范围内,且所有元素的和为1。
Softmax就是这个数学方法,本质上是一个函数。
假设我们有一个k维向量z,我们想把它转换为一个k维向量 ,使其所有元素的范围是[0,1]且所有元素的和为1,函数表达式是:
![softmax(x)_i = \frac {e^{x_i}
更新时间:2024-05-20 06:39
更新时间:2024-05-20 02:37
顾名思义,“无监督”学习发生在没有监督者或老师并且学习者自己学习的情况下。
例如,考虑一个第一次看到并品尝到苹果的孩子。她记录了水果的颜色、质地、味道和气味。下次她看到一个苹果时,她就知道这个苹果和之前的苹果是相似的物体,因为它们具有非常相似的特征。她知道这和橙子很不一样。但是,她仍然不知道它在人类语言中的名称是什么,即“苹果”,因为不知道这个标签。
这种不存在标签(在没有老师的情况下)但学习者仍然可以自己学习模式的学习称为无监督学习。
![img{w:100}](https://d1rwhvwstyk9gu.cloudfront.net/2021/
更新时间:2024-05-20 02:09
更新时间:2024-05-16 06:36
本文内容对应旧版平台与旧版资源,其内容不再适合最新版平台,请查看新版平台的使用说明
新版量化开发IDE(AIStudio):
https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW
新版模版策略:
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
新版数据平
更新时间:2024-05-16 02:32
本文内容对应旧版平台与旧版资源,其内容不再适合最新版平台,请查看新版平台的使用说明
新版量化开发IDE(AIStudio):
https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW
新版模版策略:
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
新版数据平
更新时间:2024-05-16 02:00
本文内容对应旧版平台与旧版资源,其内容不再适合最新版平台,请查看新版平台的使用说明
新版量化开发IDE(AIStudio):
https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW
新版模版策略:
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
新版数据平
更新时间:2024-05-16 01:58
本文介绍如何对一个回测结果进行深入分析。
我们先构建一个可视化AI策略,如下所示。
回测结果一般指策略运行完毕之后输出的能够综合反映策略效果的综合图表,如下所示:
可以看出,回测结果包括收益概括、交易详情、每日持仓、
更新时间:2024-05-15 02:10
对于HeatMap(热力图)的 _type=”heatmap” 和 series_options:
bigcharts.Chart(
... 其他参数
# 【设置图表类型】图表类型,具体参考各类型图表
type_ = "heatmap",
# 热力图中y传入的数据轴必须是两项,第一项表示的是y轴坐标轴的刻度数据第二项表示的
更新时间:2024-04-25 07:38
资产定价模型(Asset Pricing Models)是金融学中用于评估或预测金融资产价值的理论和模型。这些模型基于不同的假设,用于不同类型的资产,包括股票、债券、衍生品等,通过量化资产的预期收益与其所承担的风险之间的关系,帮助投资者评估投资机会并做出明智的投资决策。
以下是一些重要的资产定价模型:
更新时间:2024-02-28 09:10
量化选股模型是在量化投资领域中广泛使用的工具,旨在系统地识别和选择具有超额收益潜力的股票。这些模型通常基于历史数据和统计分析,结合了各种财务指标、市场数据、经济指标和其他相关信息。
\
以下是一些主要和常用的量化选股模型:
基于因子的模型
更新时间:2024-02-23 06:34
回测结果是基于历史数据对某一投资策略进行模拟交易后得到的结果。进行回测的目的是为了评估一个投资策略的盈利能力、风险水平以及其他相关指标。
回测结果中通常包括不同时间段的投资收益率、最大回撤、胜率等指标。这些结果可以帮助投资者了解该策略的优势和不足,从而进行调整和优化。
回测结果通常包含多个方面的信息,主要包括:
更新时间:2024-01-26 10:06
如标题
更新时间:2024-01-09 06:13
大家好,我看很多关于AI的策略里面都有以下两句代码 ranker_prediction 和 context.benckmark_risk.ix[today_date].values[0]。我想请问这个内嵌的逻辑是什么…
更新时间:2023-10-09 08:24
更新时间:2023-10-09 06:28
更新时间:2023-10-09 06:18
更新时间:2023-10-09 02:41
本文属于我们陆续发布的ETF投资指南系列研究文献,主要讲一下分析比较ETF可以用到的一些专业方法。这篇文章的专业性比较强,适合基金投资行业从业人员阅读。
在绝大部分投资者比较和分析ETF的时候,他们看的比较多的指标有:
![](data:image/svg+xml;utf8,<svg%20xmlns='[http://www.w3.org/2000/svg' width='736' height=
更新时间:2023-06-14 03:02
前面我们简单介绍了FCN——这个将High-Level任务转到Low-Level任务的模型。这里的High和Low并不是我们通常意义中的High和Low,两种任务并没有高低之分,但是两种任务实际上需要的技术还是有所不同的。CNN模型从High-Level任务起家,直接将它们放到Low-Level的任务中还是有些“水土不服”,于是乎,大神们想出了用概率图模型来补充这些细粒度的任务。
由于在这个专栏中我们还没有介绍概率图模型的基本内容,这一篇我们简单介绍下概率图模型和CRF的基本概念,为后面的内容做铺垫。
想了解无向图模型,先要了解无向图的特点。无向图和有向图有什么区别呢?
更新时间:2023-06-14 03:02
人工智能是最近很火热的话题,有的人似乎有幻觉,未来人类所有问题都可以交给电脑来处理。未来是否如此难以预知。但是在作出预测之前,我们有必要了解究竟什么是人工智能。
机器如何有人的智能呢?方法就是机器学习。机器学习不是一个新概念,很早之前就诞生了决策树、SVM、神经网络等方法。战胜了柯洁的AlphaGo和战胜了AlphaGo的AlphaZero都是神经网络算法中的深度学习。深度学习最早提出来之后,并没有对人工智能产生很显著的推进,因为它依赖于大量样本和大量计算。但随着互联网时代数据的大量产生、大量积累,深度学习重获新生。
神经网络不是万金油,它也只是解决某些问题的一种方法。什么时候我们需要它呢
更新时间:2023-06-14 03:02
arxiv:https://arxiv.org/pdf/1602.02867.pdfGitHub:[https://github.com/onlytailei/Value-Iteration-Networks-PyTorch](https://link.zhihu.com/?target=https%3A//github.com/onlytailei/Value-
更新时间:2023-06-14 03:02
编者按:“天街小雨润如酥,草色遥看近却无。”
从韩愈的这两句诗可以看出,人对图像内容的语义理解,并不依赖于细粒度监督信息做辅助。
与之相比,在机器学习领域,现阶段的语义分割任务,则依赖于大量的精细标注数据。互联网,作为最为丰富的数据源,吸引着相关从业人员的目光,然而要想利用这些数据,则面临着巨大的标注压力。
因此,引发了两点思考:第一,能否结合关键词信息作辅助,从web中直接学习知识,而不需要精细的人工标注呢?第二,能否利用类别无关的线索,在标注少量类别的数据集上训练好后,将其泛化到其他所有类别物体呢?
本文中,来自南开大学的程明明教授,将从这两点展开介绍目前的研究进展。
文
更新时间:2023-06-14 03:02
\
更新时间:2023-06-14 03:02
文章主要介绍随机变量的两类概率分布:离散概率分布和**连续概率分布。**从以下三个部分进行介绍:
一、随机变量和概率分布相关概念和用途
1、随机变量
2、概率分布
更新时间:2023-06-14 03:02