量化研究每周精选-20171019
由ypyu创建，最终由ypyu 被浏览 18 用户
导语：本周精选了5篇机器学习、深度学习相关文章，第一篇为广发证券使用深度学习算法训练预测模型的研究报告，第二、三篇文章为Google和投资领域从业人士对于深度学习应用的展望，最后一篇作为教程告诉大家如何从Tensorflow转到Pytorch研究。BigQuant拥有海量的数据和主流开源AI框架，赋能每一位爱好机器学习/深度学习和量化交易的人。
$目录$
- 《广发证券-深度学习新进展：Alpha因子再挖掘》
- 《忘了机器人杀手吧—偏差才是AI的真正隐患》
- 《未来十年：深度学习在投资领域的应用》
- 《入门 | 神经网络训练中，Epoch、Batch Size和迭代傻傻分不清?》
- 《教程 | 如何从TensorFlow转入PyTorch?》
-
<h4 id=one>《广发证券-深度学习新进展：Alpha因子再挖掘》</h4>
关键词： 人工智能，深度学习，选股
随着深度学习技术的进步，人工智能领域迎来最好的发展机遇。海外对冲基金和投资银行都分别在智能技术上投入研发资源。本报告概要介绍深度学习基本概念与最新进展，并建立股票预测模型：从股票市场选取一些常用的选股因子和技术指标，作为股票样本的输入特征，通过训练深度学习预测模型，对股票未来走势进行预测打分和选股交易。 实证分析表明，深度学习预测模型可以用于月频调仓的选股交易上。策略整体表现不俗。
-
<h4 id=two> 《忘了机器人杀手吧—偏差才是AI的真正隐患》 </h4>
原文：《Intelligent Machine: Forget Killer Robots—Bias Is the Real AI Danger》
关键词：人工智能，偏差， 云平台
John Giannandrea是Google AI项目领导者，他认为相比于智能杀人机器或者人工智能淘汰人类的遐想，人工智能造成的真正隐患来自于算法中存在的偏差。当存在偏差的人工智能系统应用于医疗和法律等关键领域时，会对一些人的生活造成重大的负面影响。由于算法复杂性，智能系统中的偏差很难被检测并且更正，许多人也没有改进算法的意愿。目前，Google云计算平台帮助AI算法更易于使用，但也产生了偏差的植入。
-
<h4 id=three> 《未来十年：深度学习在投资领域的应用》 </h4>
原文：《The Next Ten Years: Deep Learning in Trading- by Gaurav Chakravorty》
关键词：深度学习，HFT，无监督过程
本视频为QPLUM联合创始人Gaurav Chakravorty阐释对于未来10年投资领域交易方式的展望。 Gaurav Chakravorty 先生之前从事HFT工作(高频交易)，他首先详细阐释HFT是如何将计算机技术应用于交易且进一步优化。他总结历史上每十年交易领域的主要交易方式，从依据本能进行交易到遵循规则进行交易（即HFT），到目前的从数据中学习规则。作者认为，以深度学习的方式进行交易将在未来十年中迅猛发展，成为交易的主要方式。深度学习是否利用得当将成为高收益公司与落后于市场的公司的明确分界线。
-
<h4 id=four> 《入门 | 神经网络训练中，Epoch、Batch Size和迭代傻傻分不清?》 </h4>
关键词： 神经网络，梯度下降，迭代优化
本文介绍神经网络中Epoch、 Batch和Iteration的定义与区别。机器学习中一个用于寻找最佳结果的迭代优化算法为梯度下降法。该算法是迭代的，即需要多次使用算法，以得到最优化结果。对于神经网络算法，一个Epoch过程是指该算法在全部数据集上训练一次。当数据集过大时，即算法不能将数据一次性训练时，可以将数据集分为几个Batch依次输入进行训练。Batch Size是指一个Batch中的样本总数。Iteration为迭代，指Batch需要完成一个Epoch的次数，如果你还是没有理解，可以阅读这篇文章，文章介绍地也更详细。
-
<h4 id=five> 《教程 | 如何从TensorFlow转入PyTorch?》 </h4>
关键词： TensorFlow ，PyTorch，张量，变量
本文主要介绍如何由TensorFlow转入PyTorch。PyTorch的主要构件是张量，用户可以将PyTorch当做NumPy使用。在张量之上，PyTorch还提供变量，可以构建计算图并自动计算梯度。另外，PyTorch采用了与TensorFlow不同的计算图表现形式：TensorFlow使用静态图，PyTorch使用动态图。本文还简单介绍了模型定义，自定义层，在 CUDA 上训练模型，权重初始化，反向排除子图，训练过程，记录，掌控数据，最终架构等方面要点。最后，本文指出PyTorch的特点：可代替Numpy，原型设计非常快，调试和使用条件流非常简单，有许多便捷之处且开箱即用。
<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)。