导语

BigQuant平台不仅支持传统机器学习模型，同时还对深度学习模型模块进行了封装，方便用户直接使用策略生成器开发策略，降低策略开发难度。本文对BigQuant平台上策略生成器已经支持的深度学习模块进行简单介绍。

深度学习模型通过功能层进行积木式拼接，典型的模型构架如下： 通常模型由输入层、中间层和输出层组成。中间层包括卷积层、池化层、噪声层、循环层和激活层等。输出层通常是一个全连接层(Dens

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

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

新版数据平台

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

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

导语

当用户训练出具有一定意义的深度学习模型的时候，把训练得到的模型固化到本地可以方便以后的调用，关于如何固化深度学习模型，请移步这里，一般来说，固化深度学习模型是为了节省下一次训练重跑的时间，除此之外，被固化的模型还具有更复杂的使用方法。

本篇文章主要目的是为了讲述如何在一个自定义Python模块去调取被固化的深度学习模型，并且使用这些模型去做预测。需要注意的是，调取模型和做预测这两个流程都将在自定义Python中实现，不需要再新建其他的模块。

一、引言

DeepAlpha系列报告旨在从基础量价数据中，借鉴深度学习模型，应用于量化投资领域。学习模型包括：全连接深度网络(DNN)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、对抗生成网络(GAN)、ResNet、TabNet，同时报告将引入自然语义识别NLP领域近年热门算法如BERT、Transformer、GPT、XLNet等，尝试构建各类DeepAlpha模型。

本篇文章通过借鉴传统机器学习算法——XGBoost——对相同的量价因子进行实验，方便与深度学习模型进行对比实践。

二、算法介绍

XGBoost 是在 Gradient Boosting（梯度提升）框架

一、引言

DeepAlpha系列报告旨在从基础量价数据中，借鉴深度学习模型，应用于量化投资领域。学习模型包括：全连接深度网络(DNN)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、对抗生成网络(GAN)、ResNet、TabNet，同时报告将引入自然语义识别NLP领域近年热门算法如BERT、Transformer、GPT、XLNet等，尝试构建各类DeepAlpha模型。

本篇文章通过传统机器学习算法对相同的量价因子进行实验，方便与深度学习模型进行对比。

二、随机森林算法介绍

随机森林属于集成学习的一种，通过集成学习的Bagging思想将多棵树集成的一种算法：它的基本单

问题

1. 如何设置训练步长，在训练模块中没有这个选项
2. 如何设置验证集，并打印loss、mae等，按照模板智能看训练集的

验证集通过这个端口传入，构造方法和训练集一样。只需要设定开始和结束的日期。

步长可以通过

![{w:100}{w:100}](/wiki/api/attachments.redirect?id=276f2f17-0d2e

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

导语：

可能大家都知道前段时间非常火的alpha-go战胜李世石的故事，alpha-go算法就是一个对强化学习应用的炉火纯青的大师。强化学习能够帮助alpha-go战胜人类中的顶尖棋手，那么强化学习是什么呢？能不能帮助我们进行投资呢？我们通过一个小例子介绍一下。

强化学习介绍

一般来说，机器学习分为监督学习（Supervised learning），非监督学习（Unsupervised learning）以及强化学习（Reinforcement learning）三类。与监督学习，非监督学习不同，强化学习是一种多阶段的接收环境反馈的机器学习方法。强化学习的学习目标是从环境状态到

TensorFlow是谷歌开发的一个基于图表的通用计算框架，可以用来编写程序。它可以被用来当做一个开发深度学习模型的平台，极大地简化了神经网络的模型构建过程。

术语：

（1）TensorFlow用叫做 tensor 的对象储存数据，而不是以整数、浮点数或者字符串等具体形式存储。

（2）TensorFlow用图 (graph) 来表示计算任务：TensorFlow 的 api 构建在 computational graph 的概念上，它是一种对数学运算过程

模型发展的回顾

前面介绍的模型主要站在更为宏观的角度，然后不断地进入围观的世界。我们面对的数据是一个三维的张量（Tensor），它有三个维度：通道（Channel），长（Height），宽（Width）。这三个维度统一起来形成了我们要分析处理的数据。

在卷积操作爆发之前，神经网络的主要运算方式是全连接，也就是说，每一次运算过程中，输出的每一个元素都要受三个维度共同的影响（当然，一般来说全连接是没有三个维度的，这个只是做一个比方）。后来前辈们发现了卷积操作的妙用，于是大家开始广泛采用卷积操作。在卷积操作中，每一个输出的元素中，三个维度的影响力如下：

1 所有的通道

2 局部的高度

因为论文较长，所以大概要花一个星期才能翻译完。由于我是一名新手，所以在翻译过程中有不恰当的地方还望多多包涵并请不吝指正

论文链接

https://arxiv.org/pdf/1502.03167.pdf​arxiv.org

下面开始翻译

AbstractTraining Deep Neural Networks is complicated by the fact that the dist

一、引言

DeepAlpha系列报告旨在从基础量价数据中，借鉴深度学习模型，应用于量化投资领域。学习模型包括：全连接深度网络(DNN)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、对抗生成网络(GAN)、ResNet、TabNet，同时报告将引入自然语义识别NLP领域近年热门算法如BERT、Transformer、GPT、XLNet等，尝试构建各类DeepAlpha模型。

本篇文章通过传统机器学习算法对相同的量价因子进行实验，方便与深度学习模型进行对比。

二、随机森林算法介绍

随机森林属于集成学习的一种，通过集成学习的Bagging思想将多棵树集成的一种算法：它的基本单

一、引言

DeepAlpha系列报告旨在从基础量价数据中，借鉴深度学习模型，应用于量化投资领域。学习模型包括：全连接深度网络(DNN)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、对抗生成网络(GAN)、ResNet、TabNet，同时报告将引入自然语义识别NLP领域近年热门算法如BERT、Transformer、GPT、XLNet等，尝试构建各类DeepAlpha模型。

本篇文章通过传统机器学习算法对相同的量价因子进行实验，方便与深度学习模型进行对比。

二、随机森林算法介绍

随机森林属于集成学习的一种，通过集成学习的Bagging思想将多棵树集成的一种算法：它的基本单

    虽然都明白，但是实现难度有点大。会实现的又不会轻易分享。基于上述理由，我做了基于tushare行情数据

的深度学习模型，模型开源api接口。欢迎大家围观，

个人gitee主页 https://gitee.com/fsmyi/projects

回测的话，请参考最后一个链接（我对读取数据，和request次数做了优化，可以较长时间回测，但不适合模拟实盘--因为数据固定了）。模拟交易请参考第一或第二个链接。

欢迎star, 下面回测是bigquant数据实现。回测是基于2020HS300中300股票池回测，因为api接口稳定性问题。回测时间只有3个

1 本着价值投资的观点，通过深度学习模型对企业下季营业收入，净利润等财报进行预测，有利于投资者做出正确决定。同时对于普通投资者来说，可操作性较强。 2：模型为预测60个交易日（即3个月后）的营业收入同比增长率（fs_operating_revenue_yoy处理时数据做了小数和非线性处理） 3：结果：模型训练误差为2.8% ，验证误差为2.8% ，测试误差为9.8% 4:因本人能力有限，又非专业程序猿，加上对金融代码不熟，没办法做成策略（期待与平台和作，提供下季营业收入，净利润等财报预测值服务） 5：最后的图为真实值（做了小数和非线性处理）与预测值关系，从图可以看出预测值波动越

导语

当用户训练出具有一定意义的深度学习模型的时候，把训练得到的模型固化到本地可以方便以后的调用，关于如何固化深度学习模型，请移步这里，一般来说，固化深度学习模型是为了节省下一次训练重跑的时间，除此之外，被固化的模型还具有更复杂的使用方法。

本篇文章主要目的是为了讲述如何在一个自定义Python模块去调取被固化的深度学习模型，并且使用这些模型去做预测。需要注意的是，调取模型和做预测这两个流程都将在自定义Python中实现，不需要再新建其他的模块。

操作步骤

这

导语

当用户训练出具有一定意义的深度学习模型的时候，把训练得到的模型固化到本地可以方便以后的调用，关于如何固化深度学习模型，请移步这里，一般来说，固化深度学习模型是为了节省下一次训练重跑的时间，除此之外，被固化的模型还具有更复杂的使用方法。

本篇文章主要目的是为了讲述如何在一个自定义Python模块去调取被固化的深度学习模型，并且使用这些模型去做预测。需要注意的是，调取模型和做预测这两个流程都将在自定义Python中实现，不需要再新建其他的模块。

操作步骤

这

有些平台朋友在研究深度学习模型时，可能想要知道模型的结构以及中间层的结果。可以参考下面的例子：

策略案例

https://bigquant.com/experimentshare/32799fded7e84806b818377adef96afb

\

内容整理自网络，原文地址：http://t.cn/R3e0Ohf

首先，为什么要调整模型？

像卷积神经网络( CNN )这样的深度学习模型具有大量的参数；一般称之为超参数，因为它们不是固定值，需要迭代优化。通常可以通过网格搜索的方法来查找这些超参数的最佳值，但需要大量硬件和时间开销。那么，一个真正的数据科学家是否满足于只是猜测这些超参数呢？答案当然是否定的。

改进模型的最佳方法之一是，基于专业团队的设计和体系结构上来进行改进，但这些专业的知识往往需要对某一领域具有深入的了解，且通常需要有强大的硬件支持。一般这些专业的团队都喜欢把他们的训练好的模型（pre-trained mo

算法原理

论文中对网络压缩算法的介绍还是很高大上的，但是这些高大上的内容和最终的实现相比还是有一些距离。本着减少痛苦的原则，让我们用大白话来介绍这个算法的具体过程。

模型压缩是希望用最少的参数做同样的事，这对于在一些特殊的设备上运行深度学习模型来说是很有帮助的。比方说在手机上跑一个VGG模型，恐怕存放这个模型的所需的空间就能让人吓一跳。从另外一方面讲，深度学习的模型中不是每一个参数都那么有用，我们可以适当地关闭一些影响力不大的参数，同时又能保持精度不会有大的变动，那么这就是一个令人满意的结果。

具体来说怎么做呢？我们给每一个参数添加一个配对参数——Mask。这个Mask可以和参数进