CNN
"CNN"（卷积神经网络），是一种具有巨大价值的深度学习技术。其图像和数据处理能力，使得金融市场分析、风险评估以及投资策略制定等方面得以显著提升。CNN能有效识别并学习金融市场中的复杂模式，如股票价格变动、市场情绪波动等，为金融决策提供强有力的数据支持。此外，CNN在算法交易、信用评分、欺诈检测等金融应用中也展现出无可比拟的优势，通过自动学习和优化交易策略，实现更精准快速的交易执行，提升金融业务的效率和智能化水平。总的来说，CNN是推动金融行业创新发展的重要工具。
深度学习前沿 | 利用GAN预测股价走势
导语
本文是对于medium上Boris博主的一篇文章的学习笔记，这篇文章中利用了生成对抗性网络（GAN）预测股票价格的变动，其中长短期记忆网络LSTM是生成器，卷积神经网络CNN是鉴别器，使用贝叶斯优化（以及高斯过程）和深度强化学习（DRL）优化模型中超参数。此外，文章中非常完整地实现了从特征抽取、模型建立、参数优化、实现预测的过程，其中运用了多种机器学习方法，比如BERT进行文本情绪分析、傅里叶变换提取总体趋势、autoencoder识别高级特征、XGboost实现特征重要性排序等。本文学习的思路是：GAN算法概览 – 项目思路 – 项目详解。拟在学习完成后，在Bigquant平台
更新时间：2024-05-20 02:09
基于一维CNN模型的智能选股策略
导语
这是本系列专题研究的第四篇：基于卷积神经网络CNN的深度学习因子选股模型。卷积神经网络（Convolutional Neural Network, CNN），是计算机视觉研究和应用领域中最具影响力的模型之一。同样，如果将时间看作一个空间维度，类似于二维图像的高度或宽度，CNN也可以对时间序列处理产生令人惊喜的效果。本文首先大致介绍了CNN的原理，然后详细解释了一维CNN模型如何进行应用于时间序列并进行特征选取，最后以一个实
更新时间：2024-05-20 02:09
Tensorflow第三讲 - 深入MNIST（CNN）
构建一个多层卷积网络 CNN
在MNIST上只有91%正确率，实在太糟糕。在这个小节里，我们用一个稍微复杂的模型：卷积神经网络来改善效果。这会达到大概99.2%的准确率。虽然不是最高，但是还是比较让人满意。
卷积层
卷积层（Convolutional layer），卷积神经网路中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。
线性整流层
线性整流层（Rectified Linea
更新时间：2024-05-20 02:09
LSTM+CNN深度学习预测股价
旧版声明
本文为旧版实现，仅供学习参考。
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
策略案例
https://bigquant.com/experimentshare/c13d6baefe5d4c75bb87eea9364b0f75
\
更新时间：2024-05-20 00:54
【参赛】Deep Alpha-CNN卷积神经网络调参
更新
本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明
新版量化开发IDE（AIStudio）：
https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW
新版模版策略：
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
新版数据平
更新时间：2024-05-17 10:30
【参赛】Deep Alpha-CNN策略克隆&调参擂台赛-20211230
更新
本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明
新版量化开发IDE（AIStudio）：
https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW
新版模版策略：
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
新版数据平
更新时间：2024-05-17 08:24
DeepAlpha短周期因子系列研究之：CNN在量化选股中的应用
更新
本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明
新版量化开发IDE（AIStudio）：
https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW
新版模版策略：
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
新版数据平
更新时间：2024-05-17 06:49
lstm+cnn+A股去ST+大盘风控
更新
本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明
新版量化开发IDE（AIStudio）：
https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW
新版模版策略：
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
新版数据平
更新时间：2024-05-17 03:48
机器学习：16-CNN
- 运行环境：AIStudio 3.0
- 策略说明：==本代码以教学目的为主，请自行调参==
\
策略源码：
{{membership}}
https://bigquant.com/codeshare/ccbddd56-eddd-4a7f-95e2-88e8a0432a3d
\
更新时间：2024-04-25 07:40
怎么知道cnn模型ai训练看到的数据是怎么样的
更新时间：2024-02-01 15:49
利用CNN对股票“图片”进行涨跌分类——一次尝试
首先解释一下标题： CNN：卷积神经网络（Convolutional Neural Network）, 在图像处理方面有出色表现，不是被川普怒怼的那个新闻网站； 股票涨跌：大家都懂的，呵呵； 股票图片：既然使用CNN，那么如果输入数据是股票某个周期的K线图片就太好了。当然，本文中使用的图片并不是在看盘软件上一张一张截下来的，而是利用OHLC数据“画”出来的； 尝试：这个词委婉一点说就是“一个很好的想法^_^"，比较直白的说法是“没啥效果T_T”。
进入正题： 首先是画出图片。本文目前是仿照柱线图画的。 ——从分类问题出发
前面我们介绍了许多利用CNN进行分类任务的模型，今天我们来看看用CNN做分割的模型。我们的主要内容来自这篇文章——《Fully Convolutional Networks for Semantic Segmentation》。
图像分割
首先我们来简单看看图像分割的任务是什么样的。所谓的图像分割就是将一幅图像中各个实体的边界确定下来，这样我们可以通过寻找这个实体的边界确定实体的位置。在自然场景中我们可以根据画面中的实体进行划分，在文档图片中，我们也可以找出每一个文字的边界。这些都可以算作是完成分割任务。
当然，上面的描述还不太具有可操作性，我们可以把问题做进一步地转化。我们可以把
更新时间：2023-06-14 03:02
CNN--两个Loss层计算的数值问题
写在前面，这篇文章的原创性比较差，因为里面聊的已经是老生长谈的事情，但是为了保持对CNN问题的完整性，还是把它单独拿出来写一篇了。已经知道的童鞋可以忽略，没看过的童鞋可以来瞧瞧。
这次我们来聊一聊在计算Loss部分是可能出现的一些小问题以及现在的解决方法。其实也是仔细阅读下Caffe代码中有关Softmax loss和sigmoid cross entropy loss两个部分的真实计算方法。
Softmax
有关Softmax的起源以及深层含义这里不多说了，我们直接来看看从定义出发的计算方法：
def naive_softmax(x):
y = np.exp(x更新时间：2023-06-14 03:02
CNN的数值实验
前面我们聊过了Caffe的整体架构，相信各位对Caffe的结构已经比较熟悉了，下面我们就来看看CNN中的一些细节问题，也顺着前面的思路进一步进行。
序
在好久之前介绍ReLU的时候，我们曾经提到ReLU相比于Sigmoid的一些优势：
- Sigmoid整体的梯度偏小，在外向传导的过程中会不断让梯度的幅度变小；
- Sigmoid存在一个梯度饱和问题：那就是如果非线性部分的输出靠近0或者1，那么反向传导到了这里，Sigmoid的梯度会接近于0，这样就会导致梯度到这里就传导不下去了。从前面我们的那张图中可以看得出来。
有了这两个原因，我们认为ReLU这样的非线性函数在前向后向的传递
更新时间：2023-06-14 03:02
CNN入门讲解：为什么要做训练（Training）?
今天我要讲的是一个很基础很基础的东西，适合初学者：
模型训练（Training）
如果你刚开始接触CNN，你一定会好奇，我给CNN灌入大量的数据做训练，到底要让CNN获得一种什么能力
首先我们的目的是：
给数据作分类
怎么给数据作分类：
要么找到数据的因果关系，要么找到数据间的关联
我们希望找到一个规则，或者一个表达式，它的作用是
理清楚数据间的关系，或者拟合数据的分布
我们就暂时给这个作用起名叫:
kernel
因为这个kernel 的作用，我们对数据之间的关系更加明晰，进而更好的分类，如下图所示：
（图片来自网络，侵删）
从上面这张图可以看出，损失函数的主体是一个凸函数，它的等高线均匀地向外扩散。因
更新时间：2023-06-14 03:02
CNN——架构上的一些数字
前面说了很多关于CNN的数值上的事，下面我们来看看网络架构。网络架构也是CNN的一个核心部分，由于CNN的特点是它的深度，所以深度模型的网络架构给了人们无数的想象，于是也有了无数的前辈创造了各种各样的模型。我们今天来看看那些经典的模型，不是从感性的角度上去观看，而是从理性的角度——去尝试计算一些具体的数字，让我们描绘出这些模型的一个简单轮廓。
我们的目标问题是ImageNet分类问题，那么我们主要关注哪些问题呢？
- 模型的深度，模型的核心层（卷积层、全连接层）的数量，这代表了模型的某种“能力”，基本上大家都有一个共识，那忽略优化问题的情况下，就是越深的模型在函数拟合方面效果越好。这里直
更新时间：2023-06-14 03:02
CNN入门讲解：什么是激活函数（Activation Function）
各位看官老爷们
(￣▽￣)／
这里是波波给大家带来的CNN卷积神经网络入门讲解
不定期我将给大家带来绝对原创，脑洞大开，幽默风趣的深度学习知识点入门讲解
麻烦大家给我点个赞，就是那种让我看起来，写的还不错的样子!
拜托了！！o(´^｀)o
希望大家多多支持，多多关注
微信公众号：follow_bobo
啦啦啦(～￣▽￣)～
新年好
好久不见啊
想我吗
我们前面说了卷积层，再到下采样层
根据网络结构
我们应该又进入到卷积层
不
我不去
学业繁忙
告辞！
![](/community/uploads/default/original/3X/f
更新时间：2023-06-14 03:02
CNN数值——ZCA
前面我们已经讲了很多有关参数合并的事情，反倒忘了介绍有关输入数据的事情，下面就来介绍一下对输入数据的初始化算法。
在Caffe的网络描述中，data layer的配置中有一项是用于配置mean_file，也就是数据的平均数值，在计算中每个数据在进入网络计算前会减去mean_file，以确保数据的整体均值为0，这样对于训练数据会更有帮助。
那么除了减去均值之外，还有什么初始化的方法呢？ZCA就是其中比较经典的初始化算法之一。
Zero Component Analysis
我们用一个例子来讲述这个初始化算法的过程。首先我们利用随机算法生成一个数据集。为了节目效果我们的数据集只有2维
更新时间：2023-06-14 03:02