数据驱动

"数据驱动"在金融领域已经成为一种强大的动力。通过大数据和先进的分析工具，金融机构能够以前所未有的精准度洞察市场趋势，评估风险，以及个性化服务。数据不仅提升了决策效率和准确性，也开启了全新的业务模式，如基于用户行为的个性化金融产品和服务。同时，数据驱动下的金融也更加注重用户体验和服务质量，构建起更加紧密和智能的客户关系。总的来说，数据驱动正在重塑金融业的生态，使其更加智能化，也更加人性化。

策略案例

https://bigquant.com/experimentshare/2d9488a9b36342898a1431052bc78d08

更新时间：2022-11-20 03:34

DeepAlpha-DNN应用实践报告

本集合里将分享平台开发者们对DeepAlpha系列的实践研究报告

更新时间：2022-11-08 08:26

期货量化交易的优势主要表现在哪里？

期货量化交易有什么特点呢？

1.速度快。交易市场如战场，尤其是在开盘的时候，很多品种的盘口特别活跃，成交量很大，这就是拼速度的时候。很多量化交易公司的交易办公室都在交易所附近，他们凭借速度的优势，频繁地买进卖出，拥有速度优势。

2.交易周期小。交易就是低买高卖，高抛低吸，是一个赚差价的游戏。谁都不愿意为他人做嫁衣，谁也不愿意为他人抬轿子。现在很多量化交易公司的员工都是名牌大学的高才生，他们拥有高智商，高技术，使用3秒的交易周期都嫌长。普通散户一开仓，量化交易就平仓了。因为别人在数着你的单子呢！

3.仓位灵活。很多量化交易公司都在做短线，导致许多品种早盘在大幅度的增仓，而收盘时又变成

更新时间：2022-09-20 01:27

摘要

文献来源：Byrd, David, Sourabh Bajaj, and Tucker Hybinette Balch. "Fund Asset Inference Using Machine Learning Methods: What’s in That Portfolio?." The Journal of Financial Data Science 1.3 (2019): 98-107.

推荐原因：

![{w:100}{w:100}](https://mmbiz.qpic.cn/mmbiz_png/7gro3mu9ykFMbyA7gTRa5uzNB

更新时间：2022-08-31 08:58

机器学习时代，随机过程的数学知识还重要吗？

摘要

这是最近在Quora上的一个提问：

Is stochastic math and Brownian motion still important to quantitative hedge funds? Is it all about AI and machine learning now？

机器学习算法大流行的时代，传统的量化金融理论，如随机过程、布朗运动等在量化对冲基金还重要吗？这本质上还是Q-Quant与P-Quant发展的问题。在这个问题下面，很多网友给出了很精彩的回答。

正文

▌Aaron Brown

很多量化投资策略都是基于非常简单的数学。复杂的工具往

更新时间：2022-08-31 08:47

QIML Insight：基于多源特征及机器学习的股票聚类模型

核心观点

本文提出了一种基于数据驱动的行业分类方法，该方法以不同的粒度级别将类似的公司聚集在一起；机器学习的技术可以从相关数据源中提取特征，并学习相关关系，从而识别出在样本外时期风险回报情况相似的公司。历史收益相关性、GICS分类、10-K报告、规模、动量、资产负债率等基本因子对企业相似性的预测贡献最大。

行业分类体系在投资组合构建中有着非常广泛的应用，一个好的行业分类体系有以下两个特点：最小化组内股票的差距和最大化的组间股票区别。构建投资组合时，投资者往往通过分散行业配置来达到组合风险分散化的效果。但这种基于公司业务的分类体系，相对比较固定，在多变的市场环境及多样的市场观念下，很多

更新时间：2022-08-31 07:21

机器学习发展历程与量化投资的展望 20220805-东北证券

摘要

1.1.人工智能正当时1956年，人工智能（ArtificialIntelligence,AI）的概念在计算机达特茅斯会议上被提出。AI赋予机器像人一样思考，并做出反应的能力。它的本质是通过研究人类活动的规律，构造具有一定智能的人工系统来模拟人类的某些思维过程和智能行为，去完成以往需要人的智力才能胜任的工作。

如今，大数据、GPU和复杂算法的出现与进步，大大加速了人工智能的发展。2016年，由DeepMind开发的AlphaGo以4：1战胜了韩国棋手李世石，让人工智能备受关注，掀起了人工智能的浪潮。这一新兴学科凭借其广阔的发展前景吸引了众多研究者，目前已经在计算机视觉、自然语

更新时间：2022-08-31 07:02

监督学习的方法介绍及金融领域应用实例-长江证券-20170727

摘要

机器学习系列报告

本系列报告试图系统全面性的介绍各种不同的机器学习方法，并且结合具体的在投资研究领域应用实例、交易策略及code示例，说明其应用情景和实现方法。机器学习的方法可以分为以下几类：监督学习、无监督学习、深度学习及其他机器学习方法（例如强化学习），对应到具体的模型上数量则更是繁多，目前大部分机器学习模型并未广泛的应用在投研领域，因此本系列主要偏重于在投研领域有应用潜力的模型及方法。此篇将以介绍监督学习方法为主

监督学习模型之回归类模型及其应用

与普通线性回归不同，监督学习中的惩罚回归模型和非参数回归，可以分别用于处理输入变量中存在大量线性相关性关系

更新时间：2022-08-31 01:52