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

nan1. 决策树模型

1.1 决策树模型的概念

决策树是机器学习中的一个典型的非参数模型，它使用规则，而不是参数，来定义模型

• 这种决策方式其实是和人类最直接的思考方式是类似的
• 例如，我们使用身高这一特征，去预测性别这一标签的时候，一个比较直觉的方式是，如果身高大于 175 就分

{{membership}}

[https://bigquant.com/codeshare/075d9454-cde6-4306-a113-84fcae5b3248](https://bigquant.com/codeshare/075d9454-cde6-4306-a113-84fcae5b3

{{membership}}

[https://bigquant.com/codeshare/013e4881-edcc-42b0-8944-60b97980eb5a](https://bigquant.com/codeshare/013e4881-edcc-42b0-8944-60b97980e

一、引言

DeepAlpha系列报告旨在从基础量价数据中，借鉴深度学习模型，应用于量化投资领域。学习模型包括：全连接深度网络(DNN)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、对抗生成网络(GAN)、ResNet、TabNet，同时报告将引入自然语义识别NLP领域近年热门算法如BE

https://bigquant.com/codeshare/0ffb5755-3b0a-4e5f-95d8-4d37e9d5fac0

[https:/

https://bigquant.com/codeshare/95ccec07-798d-4e66-a488-e239a0a58d79

\

作者：woshisilvio

导语

在以往的认知中我们认为一个量化策略的选股>择时>风控，但经过多次的实盘交易发现风控处理不当会导致我们牛市赚的少、熊市亏更多。因此提出一种次优解的风控思路：风控>择时>选股。根据人工择时的经验，设计执行的固定量化风控准则（交易纪律），可以决定我们收益的

作者：陈奥(chenao1106)

导语

前期分享过⼀个策略可以由多个选股规则组成，如何新增优质的选股规则就成为策略的重点。本次分享从以下6个步骤完成优质选股规则从⽆到有的开发全过程讲解：

**找灵感->构思逻辑->逻辑实现初次回测->调优->去拟合回测->判定是否优质，最终将优质选股规则

作者：chenao1106

导语

本次分享内容：拿⼀个策略案例，介绍盘中买卖量化如何实现，收益变化如何？

我们平时看到的策略，买卖时间点基本上是开盘、收盘这两个时间点，但经数据分析按年维度看，⼤盘即使在上涨情况，开盘买第⼆天收盘卖，胜率达不到50%，通过近5年数据分析，⼤盘如果全年持平情

作者：

邵守田 东北大学金融工

https://bigquant.com/codeshare/f5671f58-aa7c-45ef-8436-83b6415fd99c

\

https://bigquant.com/codeshare/d9fc6c92-ad4a-47ea-872b-72f95c28dce4

\

https://bigquant.com/codeshare/95ccec07-798d-4e66-a488-e239a0a58d79

\

本文目的在于给出自定义损失函数示例代码, 便于读者魔改. 基于BigQuant平台, 探索了使用不同损失函数对DeepAlpha-DNN模型优化的效果. 本文的基准模型为MSE优化的DeepAlpha-DNN模型, 进一步使用MAE、Pseudo-Huber以及负IC损失函数和有序回归损失函数. 最

{{membership}}

[https://bigquant.com/codeshare/7fd0ea69-d032-46f3-8b0e-7e0fda50f573](https://bigquant.com/codeshare/7fd0ea69-d032-46f3-8b0e-7e0fda50f

{{membership}}

SAR抛物线模型研究

[https://bigquant.com/codeshare/25fee71f-dcef-4fe4-a8a1-75bf511d9466](https://bigquant.com/codeshare/25fee71f-dcef-

{{membership}}

[https://bigquant.com/codeshare/4b05b2aa-5dbd-49b2-b88d-331a625ccc07](https://bigquant.com/codeshare/4b05b2aa-5dbd-49b2-b88d-331a625cc

{{membership}}

[https://bigquant.com/codeshare/1ed3fa07-c733-47fd-8fbc-4e441ed37672](https://bigquant.com/codeshare/1ed3fa07-c733-47fd-8fbc-4e441ed37

1.引言

在学术研究中，Alpha是数学表达式、计算机源代码和配置参数的组合，可以与历史数据一起用于预测各种金融工具的未来走势。而在实践中，Alpha通常意味着进行交易的合理“预期回报”。两者并不一定相同。许多情况下，能够带来合理“预期回报”的Alpha并不容易构建，因此，对于Alpha的挖掘

Step 1 导入相关包

import pandas as pd 
import numpy as np
import warnings
import empyrical
import dai
import bigcharts
warnings.fi

https://bigquant.com/codeshare/4515d40b-c2f4-4439-a2c9-92931adb0c6d

\