深度学习算法

深度学习算法在金融领域的应用正日益广泛,它利用神经网络模型从海量数据中自动提取有用特征,进而实现预测和决策。这一技术在诸多金融场景中都发挥着关键作用。 首先,通过深度学习,金融市场预测更为准确。传统方法往往依赖手动提取的特征和历史数据,而深度学习能够处理非结构化数据,如新闻、社交媒体情绪等,实时捕捉市场动态,为投资决策提供更全面的视角。 其次,深度学习在风险管理上效果显著。它能够识别并量化潜在威胁,例如通过挖掘客户行为数据,提前警示信贷风险;或通过分析市场波动,精确计算资产组合的风险敞口。 再者,深度学习技术助力金融产品创新。基于客户数据的深度分析,金融机构能够开发个性化产品和服务,例如通过情感分析和社交媒体监听定向股市神器或非能动增长融合置产策略。 最后,深度学习算法在交易策略优化上也大有可为。高频交易、算法交易等依赖快速准确决策的领域,深度学习模型可通过实时学习市场模式,提升交易策略的盈利性和适应性。 总体而言,深度学习算法通过高效处理复杂数据,提升了金融业务的智能化水平,为行业创新提供了强大的技术支持。

数据预处理方法(标准化、规范化、二值化等)

预处理数据

数据预处理在众多深度学习算法中都起着重要作用,实际上,对数据进行适当处理后,很多算法能够发挥最佳效果。然而面对各种各样的数据,很多时候我们不知道怎么样才能针对性进行处理。本文介绍了Python下的机器学习工具scikit-learn。其中,“sklearn.preprocessing”模块提供了几种常见的函数和转换类,把原始的特征向量变得更适合估计器使用。

[https://bigquant.com/experimentshare/45cc0fe6c95b43848f64032bbef0a440](https://bigquant.com/experimentshare/

更新时间:2024-06-12 05:56

DNN-AI选股:深度学习的学习率调整

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:2024-06-07 10:55

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

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:2024-06-07 10:55

当深度学习遇上量化交易——因子挖掘篇

摘要

在深度学习的所有应用场景中,股价预测也无疑是其中一个异常诱人的场景。随着传统线性模型的潜力逐渐枯竭,非线性模型逐渐成为量化交易的主要探索方向,深度学习对非线性关系良好的拟合能力让其在量化交易中面临着广阔的应用前景。但与常规的回归预测任务不同的是,股价预测问题有其独特性,存在时间序列、噪声高、过拟合等问题。当前对于深度学习在股票交易中的研究主要侧重在因子挖掘、图神经网络与知识图谱、新闻与社交媒体等非结构化数据的利用、以及时序模型改进四个方面。我们会在文章中依次探讨近5年顶会上对这四个方向的研究。

本文主要介绍MSRA在KDD 2019上发表的两篇文章,这两篇文章主要关注深度学习在

更新时间:2024-06-07 10:45

基于大宽可视化的深度学习Hello World!

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/421fbaa682a04d6bacf4d2f1f47b54c6

\

更新时间:2024-05-20 06:04

深度学习

更新时间:2024-05-20 02:09

深度学习因子选股模型-基于卷积神经网络

用卷积网络处理序列数据

我们知道卷积神经网络(convnet)在计算机视觉问题上表现出色,原因在于它能够进行卷积运算,从局部输入图块中提取特征,并能够将表示模块化,同时可以高效地利用数据。这些性质让卷积神经网络在计算机视觉领域表现优异,同样也让它对序列处理特别有效。时间可以被看作一个空间维度,就像二维图像的高度或宽度。

对于某些序列处理问题,比如金融时间序列数据,这种一维卷积神经网络的效果可以媲美RNN[循环神经网络],而且计算代价通常要小很多。最近,一维卷积神经网络[通常与空洞卷积核(dilated kernel)一起使用]已经在音频生成和机器翻译领域取得了巨大成功。除了这

更新时间:2024-05-20 02:09

深度学习实践经验汇总

写在前面:

本文原载于how-to-start-a-deep-learning-project,并且在机器之心上有翻译(如何从零开始构建深度学习项目?这里有一份详细的教程)。

忽略中英文的标题,因为这并非是一个入门的详细教程,而是在深度学习应用中各个步骤阶段

更新时间:2024-05-20 02:09

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

神经网络知识梳理——从神经元到深度学习

在深度学习十分火热的今天,不时会涌现出各种新型的人工神经网络,想要实时了解这些新型神经网络的架构还真是不容易。光是知道各式各样的神经网络模型缩写(如:DCIGN、BiLSTM、DCGAN……还有哪些?),就已经让人招架不住了。

因此,这里整理出一份清单来梳理所有这些架构。其中大部分是人工神经网络,也有一些完全不同的怪物。 尽管所有这些架构都各不相同、功能独特,当我在画它们的节点图时……其中潜在的关系开始逐渐清晰起来。 BigQuant人工智能量化投资平台是一个专注于机器学习、深度学习的量化平台,拥有A股、期货、基金、美股数据,并内置了主流的深度学习开源框架。深度学习是一门实践性学科,欢迎大家

更新时间:2024-05-20 02:09

深度学习简介

导语

从AlphaGo到AlphaStar,深度学习的强大逐步展现给世人。那么,什么是深度学习呢?本文将简要介绍深度学习的框架以及流程。

从单层感知器开始

深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。

如何使用计算机建立人脑的神经网络呢?下面介绍的感知器算法很好的模拟了人脑神经网络中的神经元。

人通过收集触觉、味觉、嗅觉、视觉与听觉来得到对外界事物的认识。计算机将人收集到的这些信息设定为输入(在下图中体现为$x_1、x_2...x_n$),通过某个函数(在下图体现为$\

更新时间:2024-05-20 02:09

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

深度学习量化交易模型

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 03:49

【历史文档】高阶技巧-如何固化深度学习、随机森林和StockRanker模型|模型固化

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 11:00

CNN深度学习模型中输入层报错

问题



https://bigquant.com/experimentshare/3aff241f03194816912c850f1f118ab6

\

更新时间:2023-10-09 07:46

深度学习选股策略需要更大的资源吗?

问题

深度学习选股策略需要更大的资源吗?

https://bigquant.com/experimentshare/1c9b4b73bd534982bc6beb2e8c07d0f1

解答

跑DEEPALPHA模块建议升级开发环境到C2甚至C3档。

看你用的标准化模块比较老了,还剩V8, 你可以换成最新的模块,从左侧模块区拖一个就行,最新的标准化模块性能有很大提升


![{w:100}{w:100}](/wiki/api/a

更新时间:2023-10-09 07:17

官网深度学习特征裁剪值如何设置原代码报错?

根据官网深度学习特征裁剪值如何设置?的原代码(https://bigquant.com/wiki/doc/shendu-tezheng-EuCMiohTql),运行报错<ValueError: optimizer function should't be none.>请问什么原因?如何解决?

https://bigquant.com/experimentshare/175b607bae904740a1034e7ba1b29c4e

\

更新时间:2023-10-09 06:09

为什么根据LSTM+CNN深度学习预测股价案例没有成交?

根据【模板策略】LSTM+CNN深度学习预测股价案例没有成交?

https://bigquant.com/wiki/doc/shendu-gujia-4teFqoC7MV

https://bigquant.com/community/t/topic/194980

https://bigquant.com/experimentshare/52d3c0772a2d4ef9bb5950c7c6646170

\

更新时间:2023-10-09 03:16

深度学习在期货高频上的应用示例无法运行

问题

这个模型克隆后无法运行,和视频讲解也不太一样,能给个完整版本供学习吗?谢谢

https://bigquant.com/wiki/doc/shendu-qihuo-shili-wXlpMm48hG


TypeError Traceback (most recent call last) <ipython-input-2-55d0e540611d> in <module> 245 ) 246 --> 247 m20 = M.cached.v3( 248 input_1=m24.data, 249

更新时间:2023-06-20 06:50

[深度学习之美03】有没有浅度学习?

有没有浅层学习?

前面我们提到“深度学习”,读者很容易想到,那有没有相应的“浅层学习”呢?答案是,有。传统意义上的人工神经网络,主要由输入层、隐含层、输出层构成,其中隐含层也叫多层感知机(Multi Layer Perceptron)。

正如其名称所示,多层感知机的确也可以是多层的网络,但是层与层之间特征的选择,需要人手动实现,算法的训练难度非常大,故此感知机的层数通常并不多,这些机器学习算法,通常被称为浅层感知机。例如,支持向量机(Support Vector Machine,SVM)、Boosting、最大熵方法(如Logistic Regression,逻辑回归,简称LR),这

更新时间:2023-06-14 03:02

[深度学习之美08】神经网络底层模型:M-P的机理是什么?

“道法自然”与人工神经网络

我们知道,深度学习网络,实质上就是层数较多的神经网络。追根溯源,那什么是神经网络呢?简单来说,它是一种模仿动物神经网络行为特征,进行分布式并行处理信息的算法模型。

人,无疑是有智能的。如果想让“人造物”具备智能,模仿人类是最朴素不过的方法论了。早在春秋时期,老子便在《道德经》中给出了自己的睿智判断:

“人法地,地法天,天法道,道法自然。”

这里所谓的“法”,作为动词,为“效法、模仿、学习”之意。特别是“道法自然”的含义,意味悠长。的确,大道运化天地万物,无不是遵循自然法则的规律。人们从“自然”中学习和寻求规律,在很多时候,的确比自己苦思冥想

更新时间:2023-06-14 03:02

[深度学习之美11】感性认识“感知机”

“感知机”是如何工作的

在聊完了“感知机”的一段发展史后,下面让我们言归正传,再从技术层面,深入讨论一下感知机的工作机理。

现在我们知道,所谓的感知机,其实就是一个由两层神经元构成的网络结构,它在输入层接收外界的输入,通过激活函数(含阈值)的变换,把信号传送至输出层,因此它也称之为“阈值逻辑单元(threshold logic unit)”。

感知机后来成为许多神经网络的基础,但它的理论基础依然建立于皮茨等人提出来的“M-P神经元模型”。

**麻雀虽小,五脏俱全。**感知机虽然简单,但已初具神经网络的必备要素。在前面我们也提到,所有“有监督”的学习,在某种程度上,都是分类

更新时间:2023-06-14 03:02

[深度学习之美05】神经网络最本质的理论基础是什么?

用近似定理牛在哪里?

前面我们提到,机器学习在本质上,就是找好一个好用的函数。而人工神经网络最牛的地方可能就在于,它可以在理论上证明:“一个包含足够多隐层神经元的多层前馈网络,能以任意精度逼近任意预定的连续函数[1]”。

这个定理也被称之为通用近似定理(Universal Approximation Theorem)。这里的“Universal”,也有人将其翻译成“万能的”,由此可以看出来,这个定理的能量有多大。

图2-4 通用近似定理

更新时间:2023-06-14 03:02

【深度学习之美01】什么是(机器/深度)学习?

什么是学习?

说到“深度学习”,追根溯源,我们需要先知道什么是“学习”。

著名学者赫伯特·西蒙教授(Herbert Simon,1975年图灵奖获得者、1978年诺贝尔经济学奖获得者)曾对“学习”下过一个定义:“如果一个系统,能够通过执行某个过程,就此改进了它的性能,那么这个过程就是学习”。

大师果然名不虚传,永远都是那么言简意赅,一针见血。从西蒙教授的观点可以看出,学习的核心目的就是改善性能。

其实对于人而言,这个定义也是适用的。比如,我们现在正在学习深度学习的知识,其本质目的就是为了提升自己在机器学习上的认知水平。如果我们仅仅是低层次的重复性学习,而没有达到认知升级的目

更新时间:2023-06-14 03:02

分页第1页第2页第3页第4页
{link}