BigQuant AI Platform deep learning models（BigQuant AI量化平台深度学习模型库）。

介绍

bigmodels是什么？

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。

为什么需要bigmodels？

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

\

作者

徐耀杰（woshisilvio）

常见算法优劣比较

算法没有最好，只有更好。 这个问题的答案取决于许多因素，例如股票市场的条件，数据集的质量和特征工程的有效等。接下来，我们来看看这些算法的优势和劣势：

1. 神经网络：适用于复杂的非线性问题，可以有效地捕捉市场的非线性特征和复杂关系。
2. 决策树：适用于数据量较小、特征维度较少的情况，可以很好地解释模型的决策过程。
3. 随机森林：适用于处理高维度、复杂数据集，具有很好的鲁棒性和准确性。
4. 支持向量机：适用于数据量较小、特征维度较高的情况，可以有效地处理非线性和线性可分问题。

正常情况下，在处理少量的股票量

深度学习可以概括为特征的抽象和结果的预测。深度学习是将原始的数据特征通过多步的 特征转换得到一种更高层次、更抽象的特征表示，并进一步输入到预测函数得到最终结果。深度学习需要解决的关键问题是贡献度分配问题（Credit Assignment Problem，CAP），即一个系统中不同的组件（component）或其参数对最终系统输出结果的贡献或影响。深度学习的目标是让模型自动学习出好的特征表示，从而最终提升预测模型的准确率。

深度学习采用的模型主要是神经网络模型。主要原因是神经网络模型可以使用误差反向传播算法（Backpropagation），能够比较好地解决贡献度分配问题。只要是超过一层的神

策略案例

https://bigquant.com/experimentshare/9426627188af4f488644532c01328c14

\

本集合里将分享平台开发者们对DeepAlpha系列的实践研究报告

\

本文由BigQuant翻译来自于MSCI研究，原文标题为《机器学习因子:在线性因子模型中捕捉非线性》

作者：George Bonne, Jun Wang, Howard Zhang

发表时间：2021年3月

概要

虽然机器学习(机器学习)算法已经存在了几十年，但最近它们在包括金融在内的许多领域受到了越来越多的关注，尤其是在解释资产回报的应用上。虽然线性因子模型多年来一直是理解风险敞口、风险和投资组合表现的重要工具，但没有哪一种模型是一成不变的，即因子敞口和回报之间的关系必须是线性的。

在这里，我们研究了在去除线性成分后，机器学习算法在多大程度上可以检测因子暴露和安全回报之间的关

研究结论

多因子体系主要包括alpha模型、风险模型、交易成本模型和组合优化，广义的alpha模型分为alpha因子构建和因子加权，是量化从业人员的研究重心，但传统的alpha模型当期面临较大的挑战。

后发优势的逐渐丧失导致人工挖掘alpha因子的周期变长，国内外估值因子的长时间回撤，近年量价因子的批量拥挤等都是当前选股alpha因子层面的困境，量价因子拥挤等原因导致因子IC和组合绩效产生较大偏差，给以IC和回归为基础的动态因子加权带来挑战。

除了人工合成alpha因子外，我们可以通过设计因子单元批量产生有效的alpha因子，以扩充因子库，考虑到因子IC和组合收益的不一致性，我们通

摘要

gcForest算法

gcForest（multi-Grained Cascade Forest）算法是2017年周志华教授提出来的一种基于树的深度模型，旨在作为深度神经网络的一种可供选择的替换。由于超参数更好的鲁棒性，小样本上更好的稳定性，因此该模型相对于神经网络可能在金融数据上有更好的表现。

gcForest的回测表现

将《机器学习与量化投资：避不开的那些事（1）》中的神经网络替换成为gcForest，按月收益回撤比可达15.959。

gcForest的参数敏感性

该模型的各个参数的敏感性都非常低。

正文

[/wiki/static

问题

如何利用神经网络分析股票之间的相关性，达到词向量空间的效果？

策略源码

https://bigquant.com/experimentshare/3dae29a664c84984a1ae6c65e62f51e0

视频

[https://www.bilibili.com/video/BV1Ma411N7KS?share_source=copy_web&vd_source=2e7dc1240ea373ea6eba1134

/wiki/static/upload/c9/c94fbe09-58ac-483f-8d29-ba184e00cfb3.pdf

\

摘要

深度学习介绍及应用案例

本篇报告将焦点放在深度学习上，介绍了深度学习的常用算法和在金融领域上可以运用的场景，并给出了两个具体的案例。

监督类方法介绍

监督的深度学习算法基于神经网络结构，这种系统一般由多个层堆叠组成特定神经网络，不同算法的差别来自层的组成结构及层与层之间的关系。深度神经网络在普通神经网络的基础上，增加隐含层的数量，学习输入与输出之间的非线性关系。循环神经网络随数据的输入生成动态模型，以捕捉之前的输出和当前输出的关系，并衍生出了如LSTM的结构，解决遗忘较长时间信息的问题。卷积神经网络主要通过卷积和池化的方式连接每层的输入和输出，达到降低数据维

摘要

机器学习系列报告

本系列报告试图系统全面性的介绍各种不同的机器学习方法，并且结合具体的在投资研究领域应用实例、交易策略及code示例，说明其应用情景和实现方法。机器学习的方法可以分为以下几类：监督学习、无监督学习、深度学习及其他机器学习方法（例如强化学习），对应到具体的模型上数量则更是繁多，目前大部分机器学习模型并未广泛的应用在投研领域，因此本系列主要偏重于在投研领域有应用潜力的模型及方法。此篇将以介绍监督学习方法为主

监督学习模型之回归类模型及其应用

与普通线性回归不同，监督学习中的惩罚回归模型和非参数回归，可以分别用于处理输入变量中存在大量线性相关性关系

\

简介

本教程旨在介绍如何使用TensorFlow以及LSTM神经网络进行深度学习（了解更多机器学习请参见教程

@ML@ML

）。本教程的演示方法为：以实数序列的预测模型为例进行论述，并对股票价格或股指指数进行实测。

序列数据

本教程将使用神经网络作为序列数据的预测模型。接下来我们介绍什么是序列数据。

数学上的实数序列

vv为一有限实数序列，即v=(v1,...,vM)v=(v1,...,vM)，其中∀i=1,...,M∀i=1,...,M，vi∈Rvi∈R为实数，MM为一非负整数，亦即vv是一包含MM个元素的实向量（若M=0M=0

摘要

初步探索基于神经网络的组合优化

在基于因子的量化投资流程中，因子生成、多因子合成、组合优化是三个重要步骤。组合优化一般是指通过凸优化方法将收益预测转换为资产权重的步骤，本文将尝试把组合优化融入到神经网络中，构建端到端的量化投资框架，该框架输入资产的原始数据，通过神经网络进行特征提取和合成，再通过可传播梯度的凸优化层(如 CvxpyLayers)优化得到资产权重，目标函数可直接定义为资产组合的收益率或其他指标，并以该目标优化整个神经网络。本文以资产配置中的风险预算模型为例，测试了基于神经网络的组合优化效果。 在合理限制下，模型在两组资产配置测试中均能获得更好的收益表现。

问题

如何在全连接模块中自定义swish激活函数的代码

\

视频

https://www.bilibili.com/video/BV1DL4y1w7sb?share_source=copy_web

策略源码

[https://bigquant.com/experimentshare/9f1dae69e055429c9922b4f5d038361a](https://bigquant.com/experimentshare/9f1d

问题

深度学习在期货高频上的应用

策略源码

8月19日Meetup问题模板：

https://bigquant.com/experimentshare/f58dbfb388454407b8a2b99eb14cf1ea

\

论文原名

End-to-End Risk Budgeting Portfolio Optimization with Neural Networks

论文作者

A. Sinem Uysal, Xiaoyue Li , and John M. Mulvey

修订时间

2021年7月9日

引言

投资组合优化一直是金融领域的核心问题，经常与两个步骤：校准参数，然后解决优化问题。然而，两步过程有时会遇到“误差最大化”问题，其中参数估计的不准确转化为不明智的分配决策。在这论文中，我们将预测和优化任务结合在一个单一的前馈神经网络中网络并实施端到端的方法，在那里我们学习

论文原名

Multi-Horizon Forecasting for Limit Order Books:Novel Deep Learning Approaches and Hardware Acceleration using Intelligent Processing Units

论文作者

Zihao Zhang, Stefan Zohren Oxford-Man Institute of Quantitative Finance, University of Oxford

修订时间

2021年8月27日

引言

我们为限价订单 (LOB) 数据设计

论文原名

NEURAL NETWORKS FOR DELTA HEDGING

论文作者

Guijin Son and Joocheol Kim

发布时间

2021 年 12 月 21 日

引言

在完美金融市场假设下定义的 Black-Scholes 模型，理论上创建一个完美的对冲策略，允许交易者规避期权组合中的风险。然而，“完美金融市场”的概念，要求零交易和持续交易，在现实世界中遇到是具有挑战性的。尽管存在如此广为人知的局限性，但学者们已经未能开发出足够成功的替代模型以建立长期。在本文中，我们通过测试对冲探索基于深度神经网络 (DNN) 的对冲系统的前景以

原研报标题：Generative Adversarial Nets

发布时间：2018年

作者：Ian J. Goodfellow∗, Jean Pouget-Abadie† , Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair‡ , Aaron Courville, Yoshua Bengio

摘要

本文通过对抗过程，提出了一种新的框架

原研报标题：Transformer: Attention is all you need

发布时间：2017年

作者：Ashish Vaswani、 Noam Shazeer、 Niki Parma 、Jakob Uszkoreit、 Llion Jones 、Aidan N. Gomez、 Łukasz Kaiser

摘要

主流的序列转换模型都是基于复杂的循环神经网络或卷积神经网络，且都包含一个enc

摘要

多因子体系主要包括alpha模型、风险模型、交易成本模型和组合优化，广义的alpha模型分为alpha因子构建和因子加权，是量化从业人员的研究重心但传统的alpha模型当期面临较大的挑战。

后发优势的逐渐丧失导致人工挖掘alpha因子的周期变长，国内外估值因子的长时间回撤，近年量价因子的批量拥挤等都是当前选股alpha因子层面的困境，量价因子拥挤等原因导致因子IC和组合绩效产生较大偏差，给以IC和回归为基础的动态因子加权带来挑战

除了人工合成alpha因子外，我们可以通过设计因子单元批量产生有效的alpha因子，以扩充因子库，考虑到因子IC和组合收益的不一致性，我们通过正交弱

lintcode上面有十几道类似于Kaggle的小项目，用于深度学习的入手练习再好不过了，现在就让我们上手这道猫狗分类器的问题吧！

（全程用Keras框架，简单上手！）

题目描述：

给出一张猫或狗的图片，识别出这是猫还是狗。

这种识别具有很重要的意义，比如：

Web服务为了进行保护，会防止一些计算机进行恶意访问或信息爬取，进而设立一些验证问题，这些验证问题对于人来说很容易做，但是对于计算机这很困难。这样的方法称为CAPTCHA（完全


本期作者：Yibin Ng

译者：1+1=6

前言

机器学习有很多应用，其中之一就是预测时间序列。一个最有趣（或者可能是最赚钱）的时间序列是股票价格。

今天，我们用更严谨的

本章节中准备写一些TensorFlow的入门示例，但是这并不是意味着第一章写完了，第一章会一直写下去，因为我一直认为数学基础是应该贯穿整个学习过程的，但是愿意看的人很少。很多人都以为神经网络只要会用一些框架并搭建现有网络解决问题就够了，但抱着这种思想其实也不能说是错，但是其实以这种思想的话其他一些比如贝叶斯算法、ID3、EM等一些简单的算法也可以完成任务，未来的神经网络应用范围可能没有想象的那么广，或者说只有拥有大量数据的公司才搞得起来，但是补足基础，过渡到其他简单的数据挖掘算法就足以应付中小公司的数据处理工作了。

本章中我们需要构建一个TensorFlow的基础，所谓基础就是我们可以搭建简