PLUS会员

机器学习/深度学习策略理解

由bqd17wit创建,最终由qxiao 被浏览 107 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

3)机器学习/深度学习课程

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:

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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

\

标签

股票策略深度学习模型机器学习深度学习深度学习算法
评论
  • jghjh
{link}