量化研究每周精选-20170619
由ypyu创建，最终由ypyu 被浏览 76 用户
本周为大家精选了5篇机器学习/深度学习在量化投资中的实用性文章，这些算法在BigQuant上可以快速实现。
-
关键词：神经网络、波动性预测、损失函数
作者之前发布了三篇金融时间序列预测的报告，包括如何数据预处理、如何正则化以及基于多变量时间序列进行预测。但这三篇报告都是分类问题，即根据历史数据预测下一个交易日是涨还是跌，而且分类的准确率达到65%。但是，当变成回归问题时，即预测明天收益率具体数值，模型的预测结果很差。于是，作者将重新考虑收益率的预测问题并重新构建损失函数。
-
关键词：CNN、神经网络、多元时间序列
在之前的文章，作者研究了多种金融时间序列预测的方法，涉及到了数据正态化、分类结果二值化、减少过拟合等问题，但是当时训练集只有一个特征，即收盘价。本文作者引入了更多的特征：开盘价、最高价、最低价、收盘价、成交量等特征，本文在算法上使用了更为复杂的卷积神经网络，使得预测分类结果有了7%的改进。
-
关键词：LSTM
虽然目前有很多有关LSTM的文章和研究报告，但是大多都是偏理论性的数学推导，很少有应用型的研究并证明LSTM在时序数据方面有强大预测能力，于是本文是一篇难得的有关LSTM在股票价格预测方面的好文。不仅如此，关于股票价格的预测代码还开源在github上，读者可以直接下载运行。
-
关键词：人工智能、机器学习、算法
本文是华泰证券金工部人工智能系列第一篇文章。内容主要为两部分，第一部分介绍了机器学习是什么以及机器学习研究基本流程，这部分着重区分了监督学习和非监督学习以及如何减少过拟合问题；第二部分介绍了机器学习经典算法，包括逻辑回归、主成分分析、聚类分析、支持向量机、随机森林、决策树、AdaBoost、Bootstrap、深度学习等。
-
关键词：深度学习、日内交易、机器学习
从市场微观结构的角度来说，股票价格的形成和变化是由买卖双方的交易行为决定的，因此，对高频市场行情数据的挖掘有可能获得对未来股票价格走势的有预测能力的模式。本文基于深度学习股价预测模型对股票价格变化的预测，本报告提出了股指期货的日内交易策略。此外，通过股指期货高频价格预测模型的实证研究， 本报告验证了深度学习这一大数据时代的机器学习利器在股票价格预测上的有效性。 并基于预测模型提出了股指期货交易策略，取得了良好的效果。
<br/>
《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)