大数据人工智能研究之七：零基础python代码策略模型实战
由small_q创建，最终由small_q 被浏览 40 用户
重要观点
本文概述
本文主要介绍了python基础、爬虫、与数据库交互、调用机器学习、深度学习、NLP等。分别介绍了各个模块的安装，环境的搭建等。并且以机器学习选股为例，把各个模块连贯起来，核心代码基本都有详尽的解释。
大数据AI时代，python无往不胜的包装能力、可组合性、可嵌入性都很好，可以把各种复杂性包装在Python模块里,非常友好的供调用。Python资源丰富，深度学习如keras，机器学习如sk-learn，科学计算如numpy、，自然语言处理如jieba等。Python将极大提高工作效率无论是科学计算，还是图形界面显示；无论是机器学习还是深度学习；无论是操作excel,txt等还是连接数据库；无论是搭建网站还是爬虫；无论是自然语言处理还是打包成exe执行文件，都能快速完成。以最少的代码，最高效的完成。
人人可编写人工智能模型人工智能给人感觉难于入手，重要原因是机器学习、深度学习、自然语言处理等门槛太高；python则以最简洁的方式，让你快速使用人工智能相关算法。本文以实战为目的，对模块的安装，搭建环境，核心代码等进行了详细的介绍。
人工智能选股模型策略以传统因子滚动12个月值为特征值，个股下一期按收益大小排序，排名前30%作为强势股，排名靠后30%作为弱势股。用机器学习算法进行训练预测。用当期因子作为输入，预测未来一个月个股相对走势的强弱。根据个股的相对强势，我们把排名靠前20%的作为多头，排名后20%的作为空头进行了研究，样本外到20171130期间，行业中性等权年化多空收益差为，年化波动率为7.34%，最大回撤为10.84%。
/wiki/static/upload/54/54479e36-1e14-4959-8e45-2ff8f5be7b49.pdf
\