数据预处理
数据预处理在金融领域扮演着至关重要的角色。它是金融分析和模型构建的基石，直接关系到投资策略、风险控制以及市场分析等决策的质量。通过对原始数据进行清洗、转换和标准化等操作，数据预处理能够消除异常值、填补缺失数据、平滑噪声，从而使数据更加规整和一致，提高分析的准确性和可靠性。此外，数据预处理还能够将不同来源、不同格式的数据整合到一起，为后续的金融建模和量化分析提供坚实的数据基础。在竞争激烈的金融市场中，有效的数据预处理能够帮助金融机构快速洞察市场变化，做出明智的投资决策，从而获取更大的经济效益。
自定义数据进行因子分析demo
更新时间：2022-02-21 11:25
华泰人工智能系列之十二：人工智能选股之特征选择-华泰证券-20180725
摘要
特征选择是人工智能选股策略的重要步骤，能够提升基学习器的预测效果
特征选择是机器学习数据预处理环节的重要步骤，核心思想是从全体特征中选择一组优质的子集作为输入训练集，从而提升模型的学习和预测效果。我们将特征选择方法应用于多因子选股，发现特征选择对逻辑回归_6m、XGBoost_6m基学习器的预测效果有一定提升。我们以全A股为股票池，以沪深300和中证500为基准，构建行业中性和市值中性的选股策略。基于F值和互信息的方法对于逻辑回归_6m、XGBoost_6m、XGBoost_72m基学习器的回测表现具有明显的提升效果。
**随着入选特征数的增加，模型预测效果先上升后下
更新时间：2021-11-26 07:28
CTA程序化交易实务研究之六：基于机器学习的订单簿高频交易策略-民生-131211
更新时间：2021-11-12 11:39
机器学习新手十大算法之旅
作者：James Le 编译：caoxiyang
在机器学习中，有一个叫做“世上没有免费午餐”的定理(NFL)。简而言之，我们无法找到一个放之四海而皆准的最优方案，这一点对于监督学习(即预测建模)尤为重要。例如，你不能说神经网络总是比决策树好，反之亦然。因为其中有很多因素在起作用，比如数据集的大小和结构。
因此，您应该针对您的问题尝试多种不同的算法，同时，保留一组数据，即“测试集”来评估性能并选
更新时间：2021-08-24 05:46
lightGBM_AI选股
更新时间：2021-07-30 09:11
回归、分类模型构建
导语
回归、分类和排序是我们经常遇到的问题场景。本文主要介绍如何实现回归和分类两类问题的模型构建。
首先我们明确一下算法在机器学习中的地位。一般来说，机器学习有三个要素： 数据、算法和模型 。
- 数据 是场景的描述，包括输入和输出。
- 算法 是得到模型的过程，狭义上说，特指机器学习算法，如传统线性回归、树和支持向量机以及深度学习； 广义上说，从输入数据到最终确定模型输出的所有过程，即建模流程都可以看作算法，如分类、回归模型，搜索最优参数算法。
下面我们来举两个例子，看看回归和分类问题的应用场景有什么不同。
回归模型
![](/wik
更新时间：2021-07-30 08:22
基于XGBoost的价值选股策略代码
本代码完整版一共包括三部分：数据、算法、回测交易。 由于该策略与机构有一些合作，我们只放出了数据和算法。希望大家能够理解！
策略案例
https://bigquant.com/experimentshare/5a93201876eb401e998867e0b5106175
\
更新时间：2021-07-30 08:09