量化研究每周精选-20170704
由ypyu创建，最终由ypyu 被浏览 17 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相关文章，这5篇都是国外宽客使用机器学习/深度学习技术运用在金融市场上的实践性研究，包括外汇市场、期货市场、股票市场，虽然文章代码实现并非都为Python语言，但只要厘清策略思想，在BigQuant上复现应该不难。
-
《Profiting from Python & Machine Learning in the Financial Markets》(如何用Python和机器学习炒股赚钱？)
关键词： 主成分分析、聚类分析、Python
相信很多人都想过让人工智能来帮你赚钱，但到底该如何做呢？瑞士日内瓦的一位金融数据顾问 Gaëtan Rickter 近日发表文章介绍了他利用 Python 和机器学习来帮助炒股的经验，其最终成果的收益率跑赢了长期处于牛市的标准普尔 500 指数。他是利用聚类分析和主成分分析来确定一篮子股票，可以是买多组合也可以是卖空组合。很多人可能会问，为什么还要自己做分类呢？答案就是：（股价）运动可能会集中于有一些共同之处的股票上，但这些共同之处不一定要是经济基础。原文章代码以Python实现。
-
《Algorithmic Trading of Futures via Machine Learning》 (通过机器学习进行期货的算法交易)
关键词： 机器学习、算法交易、PCA
这篇文章介绍了作者参加量化平台 Quantiacs举办的一个期货实盘大赛时开发的一个完整的机器学习量化交易策略，包括了期货品种介绍、特征选择、模型选择、训练集与测试集如何划分、损失函数、如何评价模型、策略未来优化方向，可以说，只要完整详细地看了这篇文章就能开发量化交易策略，文中提到的四个模型分别为：线性回归、神经网络、随机森林、GBDT。 此外，作者想法比较新颖，建立了一个收益率预测的监督模型，又建立了一个波动性监督学习模型，最后结合两个预测模型得到策略的夏普值，通过参数的网格寻优方式获取最优参数。
-
《Build Better Strategies! Part 4: Machine Learning》 (第四部分：通过机器学习建立更好的策略)
关键词： 机器学习
这篇文章非常适合机器学习开发量化策略的入门人员，因为这确实是一篇“科普”文章。作者首先从AlphaGo开始，简练地介绍了机器学习算法的工作原理，然后介绍了监督式学习和非监督式学习的区别。非常重要的一个认识是，作者认为金融市场信噪比太低，因此特征选择至关重要，特征选择并不是特征越到模型的效果越好（作者在附录里提到了一篇文章，主要就是对相关性特征对模型影响的研究）。此外，文章对目前比较成熟的机器学习算法都进行了一个单独的介绍，包括线性回归、感知机、神经网络、深度学习、支持向量机、朴素贝叶斯分析。如果你最近才接触机器学习\深度学习开发量化策略，那么很有必要看看这篇文章。
-
《Machine Learning and Its Application in Forex Markets》 (机器学习及其在外汇市场中的应用)
关键词： SVM
作者在这篇文章中介绍了如何使用R语言利用支持向量机（SVM）模型对外汇市场价格走势进行准确率预测。作者只用了两个特征，MACD和PRICE-SAR，而且是用的默认参数。作者发现SVM模型对走势预测的准确性为53%。作者通过两个特征的可视化结果图确定了买入和卖出规则，这种处理确实很少见，但实现了传统量化策略和机器学习量化策略的结合。原文附带R语言代码。
-
《TensorFlow for Foreign Exchange Market: Analyzing Time-Series Data》(TensorFlow在外汇市场的运用：分析时间序列数据)
关键词： 深度学习、GAN、TensforFlow
这篇文章主要介绍了Daniel Egloff如何使用深度学习中的GANs（生成对抗网络）在外汇市场上进行价格预测。首先，作者给出了一个深度学习在金融市场运用的一个基本观点：深度学习只是对现有模型的补充，而不是替代；接着，作者从几个角度解释了深度学习给金融投资带来的几点价值；最后，作者直接抛出干货，实例介绍了如何使用TensforFlow进行外汇市场价格的预测。为便于读者理解，原文不仅仅有文字介绍，还有作者深度学习模型的视频介绍。
<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)