机器学习/深度学习策略理解
由bqd17wit创建，最终由qxiao 被浏览 108 用户
视频讲解
可看视频听老师的详细讲解
机器学习逻辑理解
问：机器学习在量化中，怎样在过程中查看策略、理解机器学习的逻辑和修正？
答：
1）可解释性
2）如何减少过拟合
常见的机器学习/深度学习模型
目前股票策略中使用最广泛的机器学习和深度学习有：
- 深度神经网络（DNN）是一种深度学习模型，它由多个神经网络层组成。每个神经网络层由多个神经元组成，每个神经元通过非线性激活函数将输入数据转换为输出。DNN可以学习复杂的非线性关系，因此在股票策略中被广泛应用。
- 卷积神经网络（Convolutional Neural Networks，CNN）：CNN 主要用于图像识别和处理，但在股票领域也有应用。通过卷积层、池化层和全连接层的组合，CNN 能够从股票图表数据中提取特征，并进行分类和预测。
- 长短期记忆网络（Long Short-Term Memory，LSTM）：LSTM 是一种循环神经网络（Recurrent Neural Networks，RNN）的变体，专门用于处理序列数据。在股票预测中，LSTM 可以捕捉到时间序列中的长期依赖关系，适用于短期和长期的预测。
- XGBoost是一种集成学习模型，它是一种梯度提升树算法的优化版本。XGBoost通过迭代地训练多个决策树，并将它们组合成一个强大的预测模型。它具有高效的训练和预测速度，并且能够处理大规模的数据集。 XGBoost在特征选择、特征重要性评估和处理缺失值等方面表现出色，因此在股票策略中也被广泛使用。
- StockRanker: 封装了GBDT和排序算法的模型 GBDT（Gradient Boosting Decision Tree）是一种集成学习模型，通过最小化损失函数的负梯度来训练每个决策树，从而逐步优化模型的预测能力。
回撤过高应该如何应对
问：机器学习或深度学习策略回撤过高，该结合什么风险控制或择时策略比较好？
答：找到回撤过高的原因
1）策略失效：最大回撤超过历史回测的最大回撤
2）市场风格不配合
如何应对：
开发多个风格不一样的策略一起跑或者轮动
如何进行自动因子挖掘
MEETUP、策略会、训练营都有遗传算法来挖掘因子的课程。
MEETUP：遗传算法如何应用？
策略会：基于遗传规划的CTA策略构建
训练营：自动因子挖掘
或者去年训练营有个课程如何优化机器学习的策略，通过添加因子和删除因子来进行策略改进。
如何解决深度学习泛化性能差？
问：使用深度学习模型时，总觉得泛化性能很差。加上一些提升泛化能力的手段， 比如正则、dropout等，好像没什么用。请问有没有什么较好的方法？
答：
1、避免过拟合
1）更多的训练集数据
2）数据标准化、量纲统一
2、调整不好可能是因子问题，可以通过添加删除因子、滚动回测、评价策略等方法实现，详细见：AI量化选股策略的最佳实践方法
\