深度学习模型

从金融视角出发,深度学习模型正在革新行业的运作模式与决策过程。它们通过对大量数据的高效、精准分析,揭示出潜藏于市场动态背后的模式与趋势。特别是在预测市场情绪、解析客户行为和甄别欺诈活动等关键环节,深度学习表现出了前所未有的洞见力和实用性。借助神经网络,复杂的金融市场交互能够被更全面地模拟和预测,为投资者和金融机构提供更加明智的决策依据。此外,深度学习算法还在智能投顾、风险管理等领域展现了强大的应用能力,提升了金融服务的个性化和自动化水平。总体而言,深度学习模型在金融领域的应用,不仅提高了数据处理和分析的效率,而且显著增强了决策的精确性与时效性。

机器学习/深度学习策略理解

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

更新时间:2024-06-07 10:55

深度学习模型介绍

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

更新时间:2024-05-20 02:09

【历史文档】高阶技巧-通过自定义Python模块使用固化的模型去做预测

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:2024-05-16 03:33

【历史文档】高阶技巧-pytorch模型固化+提交模拟交易

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

更新时间:2024-05-16 03:24

【历史文档】策略示例-使用BigQuant平台复现XGBoost算法

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:2024-05-16 01:59

【历史文档】算子样例-输入层(Input)

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:2024-05-15 08:30

通过自定义Python模块使用固化的深度学习模型去做预测

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。

更新时间:2024-05-15 02:10

DeepAlpha短周期因子系列研究之:XGBoost 在量化选股中的应用

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

更新时间:2023-12-07 06:50

DeepAlpha短周期因子研究系列之:随机森林在量化选股中的应用

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

更新时间:2023-12-02 14:12

请教dl中一些问题

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

{w:100}{w:100}

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

更新时间:2023-10-09 07:35

机器学习买股票?——强化学习入门

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

更新时间:2023-06-14 03:02

机器学习复习笔记之TensorFlow

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

更新时间:2023-06-14 03:02

ResNext与Xception——对模型的新思考

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

更新时间:2023-06-14 03:02

Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift论文翻译

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

更新时间:2023-06-14 03:02

DeepAlpha短周期因子研究系列之:随机森林在量化选股中的应用

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

更新时间:2023-06-07 08:34

DeepAlpha短周期因子研究系列之:随机森林在量化选股中的应用

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

更新时间:2023-03-05 03:09

作为一个散户,深切明白有自己模型重要性

    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

更新时间:2023-01-09 06:43

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

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

更新时间:2022-11-20 03:34

通过自定义Python模块使用固化的深度学习模型去做预测

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

更新时间:2022-02-25 13:06

通过自定义Python模块使用固化的深度学习模型去

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

更新时间:2022-02-25 13:02

如何查看深度学习模型中间层结果

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

\

更新时间:2021-11-23 09:04

基于Pre-trained模型加速模型学习的6点建议

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

更新时间:2021-09-09 02:24

Dynamic Network Surgery实验

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

更新时间:2021-08-06 10:17

分页第1页
{link}