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
由bq2qbou2创建,最终由bq2qbou2更新于
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
\
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
由bq2qbou2创建,最终由bq2qbou2更新于
nan1. 决策树模型
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
由bq2qbou2创建,最终由small_q更新于
{{membership}}
[https://bigquant.com/codeshare/075d9454-cde6-4306-a113-84fcae5b3248](https://bigquant.com/codeshare/075d9454-cde6-4306-a113-84fcae5b3
由small_q创建,最终由small_q更新于
{{membership}}
[https://bigquant.com/codeshare/013e4881-edcc-42b0-8944-60b97980eb5a](https://bigquant.com/codeshare/013e4881-edcc-42b0-8944-60b97980e
由small_q创建,最终由small_q更新于
由small_q创建,最终由small_q更新于
由bq2qbou2创建,最终由small_q更新于
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
由hxgre创建,最终由qxiao更新于
由bq7zuymm创建,最终由bq7zuymm更新于
由small_q创建,最终由bq2uiqtu更新于
作者:woshisilvio
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
由bigquant创建,最终由small_q更新于
作者:陈奥(chenao1106)
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
由small_q创建,最终由small_q更新于
作者:chenao1106
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
由small_q创建,最终由small_q更新于
邵守田 东北大学金融工
由small_q创建,最终由small_q更新于
由small_q创建,最终由small_q更新于
由small_q创建,最终由small_q更新于
由small_q创建,最终由small_q更新于
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
由qxiao创建,最终由qxiao更新于
{{membership}}
[https://bigquant.com/codeshare/7fd0ea69-d032-46f3-8b0e-7e0fda50f573](https://bigquant.com/codeshare/7fd0ea69-d032-46f3-8b0e-7e0fda50f
由small_q创建,最终由small_q更新于
{{membership}}
[https://bigquant.com/codeshare/25fee71f-dcef-4fe4-a8a1-75bf511d9466](https://bigquant.com/codeshare/25fee71f-dcef-
由small_q创建,最终由small_q更新于
{{membership}}
[https://bigquant.com/codeshare/4b05b2aa-5dbd-49b2-b88d-331a625ccc07](https://bigquant.com/codeshare/4b05b2aa-5dbd-49b2-b88d-331a625cc
由small_q创建,最终由small_q更新于
{{membership}}
[https://bigquant.com/codeshare/1ed3fa07-c733-47fd-8fbc-4e441ed37672](https://bigquant.com/codeshare/1ed3fa07-c733-47fd-8fbc-4e441ed37
由small_q创建,最终由small_q更新于
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
由qxiao创建,最终由qxiao更新于
import pandas as pd
import numpy as np
import warnings
import empyrical
import dai
import bigcharts
warnings.fi
由qxiao创建,最终由qxiao更新于
由qxiao创建,最终由qxiao更新于
由leegeong创建,最终由qxiao更新于