量化研究每周精选-20170626

量化研究每周精选
标签: #<Tag:0x00007f61f4187358>

(小Q) #1

本周为大家精选了6篇机器学习/深度学习在量化投资中的相关文章。


  • 周志华教授gcForest(多粒度级联森林)算法预测股指期货涨跌

    关键词:gcForest、 涨跌预测

    gcForest(多粒度级联森林)是周志华教授最新提出的新的决策树集成方法,比传统的 DNN 模型有跟好的鲁棒性。这种方法生成一个深度树集成方法,使用级联结构让gcForest学习。关于该论文的理论研究已经很多文章,本文利用 Github 上已有的模块,使用 gcForest 算法对于每根 k 线的涨跌进行了预测。读者可以自行阅读其中的开源代码并尝试直接利用股票数据进行复现。

  • 国信证券_SVM算法选股以及Adaboost增强

    关键词:支持向量机、Adaboost、非线性分类

    本文对多因子选股的方法做了新的尝试——支持向量机算法分类,以每个因子作为一层特征,在68个因子的维度下,支持向量机算法能够有效的对股票组合的标签进行分类与预测。考虑多因子数据的非线性信息, 作者通过更改核函数将非线性分类的Adaboost-SVM 组合算法进行验证。结果显示非线性条件下的预测结果显著提高,但Adaboost 对于SVM的增强效果并不显著。作者认为,SVM 算法对于二元分类问题效果较好,而 Adaboost-SVM 的组合算法在多元问题上值得做进一步的研究与测试。

  • 广发证券_深度学习算法掘金ALPHA因子

    关键词:深度学习、神经网络、多因子Alpha策略

    本报告通过深度学习算法对股票市场数据进行挖掘,建立起通过股票市场数据预测股价短期内走势的模型,通过该预测模型的预测得分,可以筛选出股票组合并且获得超额收益。因此,该预测得分可以是可以产生Alpha收益的有效因子。与传统的量价因子相比较,通过深度学习算法的因子能够获得更好的收益率。

  • 长江证券_大类资产配置:大类资产配置之机器学习应用于股票资产的趋势预测

    关键词:机器学习、资产配置、趋势预测

    进行大类资产配置时对每一种类别的资产的分析十分重要,本篇主要是针对股票类资产进行分析,使用logistic 模型、人工神经网络模型及支持向量机三种模型对股票类资产短期走势进行预测。选取不同的输入指标、训练期等进行预测和比较,对于沪深300 的月度走势预测准确度最高达到65%,最佳配适模型是训练期为36 个月的logistic 模型。文章说明了在进行趋势判断后再采取不同风格轮动方式,可以起到很好的提高收益平滑波动的作用。

  • 《Which machine learning algorithm should I use》 (我应该选择哪种机器学习算法?)

    关键词:机器学习、算法、初学者

    一个机器学习初学者经常遇到的问题就是如何从大量的机器学习算法中找到最适合自己问题的算法。本文首先提供了一个机器学习算法选择的流程图,初学者可以很方便的通过该流程图和目标确定使用哪些机器学习算法和如何应用。文章紧接着介绍了机器学习算法的分类,并着重讲解了逻辑回归、神经网络、支持向量机和决策树等多种机器学习算法的作用。

  • 《Stock2Vec — From ML to P/E》

    关键词: 机器学习、初学者、可视化算法

    本文是作者 学习机器学习 这一系列文章中的第一篇,该系列主要讲述作者如何学习利用多种机器学习算法来解决各种领域中的有趣问题。"Word2vec" 是一个强大的机器学习算法,可以将词汇根据其意义聚类起来并产生炫酷的可视化效果。本文利用该算法结合开源库中的股票信息开发出了自己的 "Stock2Vec" 算法,取得了值得继续探讨的有趣结果。



量化研究每周精选》每周一期,为大家提精选研报、前沿研究、热门文章等优质内容。
查看所有 量化研究每周精选。欢迎投稿 (i@bigquant.com)