神经网络
神经网络是一种受生物大脑神经结构启发的计算方法，已成为现代金融领域的重要工具。其强大的模式识别和预测能力，使得金融市场分析、风险管理和投资策略制定得以显著提升。在金融应用中，神经网络能够从海量的历史数据中学习和识别复杂的非线性关系，进而预测市场趋势、评估信贷风险或检测欺诈行为。与传统的统计模型相比，神经网络更能够适应快速变化的市场环境，为金融机构提供更加精准和及时的决策支持。然而，尽管神经网络在金融领域具有巨大潜力，其应用也面临着数据质量、过拟合和解释性等方面的挑战。
超参优化
更新
本文为旧版实现，仅供学习参考。
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
7月30日Meetup 模板案例：
策略案例
https://bigquant.com/experimentshare/99d8bec5248e4878b33a21bc119a6671
\
更新时间：2024-05-20 07:00
Word2Vec系列
\
更新时间：2024-05-20 06:40
多层感知器回归模型案例
本文内容已经过期，不再适合平台最新版本，请查看以下最新内容，作为参考资料学习。
旧版声明
本文为旧版实现，仅供学习参考。
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
\
策略案例
[https://bigquant.com/experimentshare/42bf93884b1246ad83c2874f06765732](https://bigquant.com/experimentshare/42bf93884b12
更新时间：2024-05-20 06:39
Word2Vec介绍: 为什么使用负采样（negtive sample）？
目录
- 随机梯度下降法有什么问题？
- 负采样
- 计算梯度
1. 随机梯度下降法有什么问题？
通过对代价函数求权重的梯度，我们可以一次性对所有的参数 进行优化，但是如果每次等全部计算完成再优化升级，我们将等待很长时间（对于很大的语料库来说）。
所以我们采用随机梯度下降（ Stochastic Gradient Descent），也就是说每次完成一次计算就进行升级。
但是，还有两个问题导致目前的模型效率低下！
第一个问题，我们每次只对窗口
更新时间：2024-05-20 06:39
Word2Vec介绍：skip-gram模型
本文是译文，原文戳这里.
本教程将介绍Word2Vec的skip-gram神经网络模型。本教程的目的是忽略Word2Vec的一般介绍性和抽象概念，深入了解skip-gram的更多的细节。
模型概述
skip-gram神经网络模型其最基本的形式实际上惊人的简单; 我认为是所有的细节和技巧使其难以解释。
我们先从高层次了解该模型。Word2Vec使用了一个在机器
更新时间：2024-05-20 06:39
Word2Vec 学习心得
好嘛博主食言了。不过本文没什么干货，主要是前后看了大概一个星期，反复去读源码和解读文章，终于感觉这东西不那么云山雾罩了。同时也发现网上很多材料有点扯淡，99% 的博文不过是把别人的东西用自己的话说一下，人云亦云。好多人自己理解错了而不自知，实在是误人误己。
我也不敢说理解得有多深，下面的内容甚至可能有自相矛盾的地方，所以阅读本文时请一定擦亮眼睛，认真思考。
源码才是根本，作者那两篇论文感觉参考价值也不高。说到底，Machine Learning/Deep Learning 的价值在于实践，而实际开发的应用中经过大量的 tricks 之后，代码跟论文推导、实验可能相去甚远。
Data Mi
更新时间：2024-05-20 06:39
主动学习（Active Learning）
\
背景
机器学习的研究领域包括有监督学习（Supervised Learning），无监督学习（Unsupervised Learning），半监督学习（Semi-supervised Learning）和强化学习（Reinforcement Learning）等诸多内容。针对有监督学习和半监督学习，都需要一定数量的标注数据，也就是说在训练模型的时候，全部或者部分数据需要带上相应的标签才能进行模型的训练。但是在实际的业务场景或者生产环境中，工作人员获得样本的成本其实是不低的，甚至在某些时候是相对较高的，那么如何通过较少成本来获得较大价值的标注数据，进一步地提升
更新时间：2024-05-20 06:19
997篇-历史最全生成对抗网络（GAN）论文串烧
什么是GAN？（本文内容整理自网络）
GAN（Generative Adversarial Netwo，生成对抗网络）是用于无监督学习的机器学习模型，由Ian Goodfellow等人在2014年提出，由神经网络构成判别器和生成器构成，通过一种互相竞争的机制组成的一种学习框架。
卷积神经网络之父-Yann LeCun这样评论GAN
*在我看来，最重要的是对抗训练( GAN也称为生成对抗网络)。这一想法最初
更新时间：2024-05-20 06:16
Machine Learning is Fun! — 全世界最简单的机器学习入门指南
你是否曾经听到过人们谈论机器学习，而你却对其含义只有一个模糊的概念呢？你是否已经厌倦了在和同事对话时只能点头呢？现在，让我们一起来改变这个现状吧！
这篇指南是为那些对机器学习感兴趣，但又不知从哪里开始的人而写的。我猜有很多人曾经尝试着阅读机器学习的维基百科词条，但是读着读着倍感挫折，然后直接放弃，希望能有人给出一个更直观的解释。本文就是你们想要的东西。
本文的写作目标是让任何人都能看懂，这意味着文中有大量的概括。但是那又如何呢？只要能让读者对机器学习更感兴趣，这篇文章的任务也就完成了。
什么是机器学习？
机器学习是一种概念：不需要写任何与问题有关的特定代码，泛型算法（Gene
更新时间：2024-05-20 03:18
卷积神经网络入门，卷积池化与非线性
-
Update At 2017年6月23日
本文作者： HackCV
\
什么是卷积神经网络？为什么它们很重要？
卷积神经网络（ConvNets 或者 CNNs）属于神经网络的范畴，已经在诸如图像识别和分类的领域证明了其高效的能力。卷积神经网络可以成功识别人脸、物体和交通信号，从而为机器人和自动驾驶汽车提供视力。
在上图中，卷积神经网络可以
更新时间：2024-05-20 02:09
深度学习简介
导语
从AlphaGo到AlphaStar，深度学习的强大逐步展现给世人。那么，什么是深度学习呢？本文将简要介绍深度学习的框架以及流程。
从单层感知器开始
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
如何使用计算机建立人脑的神经网络呢？下面介绍的感知器算法很好的模拟了人脑神经网络中的神经元。
人通过收集触觉、味觉、嗅觉、视觉与听觉来得到对外界事物的认识。计算机将人收集到的这些信息设定为输入（在下图中体现为$x_1、x_2...x_n$），通过某个函数（在下图体现为$\
更新时间：2024-05-20 02:09
Tensorflow第二讲 - MNIST
概要
当我们开始学习编程的时候，第一件事往往是学习打印"Hello World"。就好比编程入门有Hello World，机器学习入门有MNIST。
MNIST是一个入门级的计算机视觉数据集，它包含各种手写数字图片
它也包含每一张图片对应的标签，告诉我们这个是数字几。比如，上面这四张图片的标签分别是5，0，4，1。
在此教程中，我们将训练一个机器学习模型用于预测图片里面的数字。我们的目的不是要设计一个世界一流的复杂模型 -- 尽管我们会在之后给你源代码去实现一流的预测模型 -- 而是要介绍下如何使用TensorFlow。所以，我们这里会从一个很简单的数学模型开始，它叫做Soft
更新时间：2024-05-20 02:09
基于DNN模型的智能选股策略
导语
这是本系列专题研究的第六篇：基于DNN模型的深度学习智能选股策略。本文简单介绍了和DNN相关的原理，并举了一个实例，具体展示了如何应用以及应用的结果。
DNN原理介绍
神经元
神经网络的每个单元结构如下：
其对应公式如下： ，最终的结果Y我们叫做输出，输出其实并不局限于二分类，多分类和回归
更新时间：2024-02-27 11:20
神经网络dnn模型sql标签怎么写，预测的时候总是维度不匹配，因为多了标签列
/* 使用DAI SQL为量化模型预测生成标签数据。标签反映了未来5日的收益率，并且被离散化为20个桶，每个桶代表一个收益率范围。这样，我们就可以训练模型来预测未来的收益率范围，而不仅仅是具体的收益率值。
- 首先定义了一个名为label_data的临时表，用于计算和存储未来5日收益率，其1%和99%分位数，以及离散化后的收益率（被分为20个桶，每个桶代表一个收益率范围）。
- 对未来5日收益率进行了截断处理，只保留在1%和99%分位数之间的值。
- 选择了标签值不为空，并且非涨跌停（未来一天的最高价不等于最低价）的数据
- 从这个临时表中选择了日期、股票代码和标签字段，以供进模
更新时间：2024-01-31 03:56
量化机器学习系列分享（四）更多种类的分类模型
我们今天分享的四种模型，包括上次分享的逻辑回归，都是一些轻量级的分类模型，适用于数据量少，特征量少的分类任务
\
1. 支持向量机（SVM）
1.1 SVM的概念
支持向量机（Support Vector Machine）是在神经网络流行之前最强大的机器学习算法
SVM在二分类问题上的逻辑原理是：
- 假设我们的样本中有两个类别，我们可以把样本画到图上
- 如果切一刀下去，怎样切可以尽可能地把两个类别尽可能地分开
比方说以下图像中
![](/wiki/api/attachments.redirect?id=620959a3-ac1c-4a55-ab93-cd1
更新时间：2024-01-10 03:19
利用CNN对股票“图片”进行涨跌分类——一次尝试
首先解释一下标题： CNN：卷积神经网络（Convolutional Neural Network）, 在图像处理方面有出色表现，不是被川普怒怼的那个新闻网站； 股票涨跌：大家都懂的，呵呵； 股票图片：既然使用CNN，那么如果输入数据是股票某个周期的K线图片就太好了。当然，本文中使用的图片并不是在看盘软件上一张一张截下来的，而是利用OHLC数据“画”出来的； 尝试：这个词委婉一点说就是“一个很好的想法^_^"，比较直白的说法是“没啥效果T_T”。
进入正题： 首先是画出图片。本文目前是仿照柱线图画的。  Tutorial
写在前面：读TensorFlow的这篇官网教程，给了我很大的帮助，该教程对seq2seq模型在理论上和代码实现上都有简要介绍。感觉有必要翻译一下做个记录，文章很长，不会做到一字一句的翻译，有些不好翻译的地方我会给出原句，有不严谨的地方望谅解。
本文目录：
- 前沿 | Introduction
- 基础 | Basic
- 训练- 如何构建我们的第一个NMT系统
- 词向量 | Embedding
- 编码器 | Encoder
- 解码器 | Decoder
- 损失 | Loss
- **梯度计算和优化 | Gradient co
更新时间：2023-06-14 03:02
Tensorflow实战(1): 实现深层循环神经网络
循环神经网络能够挖掘数据中的时序信息，并且具有语义信息的深度表达能力，在语音识别、语言模型、机器翻译以及时序分析等方面得到了广泛应用。
在之前的文章中，我们介绍了RNN的很多内容，包括：
- 循环神经网络RNN介绍 介绍了RNN
- Autoencoder及tensorflow实现 介绍了autoencoder和tensorflow实现
- [前馈神经网络与符号系统](https://zhuanlan.zhihu.c
更新时间：2023-06-14 03:02