1. 什么是Softmax

Softmax要解决这样一个问题：我有一个向量，想用数学方法把向量中的所有元素归一化为一个概率分布。也就是说，该向量中的元素在[0,1]范围内，且所有元素的和为1。

Softmax就是这个数学方法，本质上是一个函数。

假设我们有一个k维向量z，我们想把它转换为一个k维向量 ，使其所有元素的范围是[0,1]且所有元素的和为1，函数表达式是：

![softmax(x)_i = \frac {e^{x_i}

新版请见

Stockranker评分的另类用法

策略逻辑

Stockranker是专为选股量化而设计的机器学习算法，其选股思路是根据训练得到的模型，计算股票池中股票的当日评分，根据评分对股票池中的股票进行排序，排序靠前的股票就是当日选出的股票。

这种选股逻辑意味着不论股票的评分是多少，只要排序靠前就能被选中。实际上排序靠前股票的评分有不小差距。而评分反应的是股票的投资价值，评分高表明该股票的投资价值高，评分低表明该股票的投资价值低。因此排序算法仅能反应当天的相对投资价值

机器学习是当今几乎每个行业的需求。医药、交通、医疗保健、广告和金融技术等行业非常依赖机器学习。谈到金融技术领域，算法交易实践对于机器学习算法非常有效。有各种资源可用于学习机器学习交易，通过本文可以让您可以访问学习机器学习交易的免费资源。

电子书

《如何使用机器学习进行交易》 由量子

这本电子书包含所有信息，从解释人工神经网络的基础知识和工作原理，到演示用 Python 实现股票价格预测的代码。

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

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

我们今天分享的四种模型，包括上次分享的逻辑回归，都是一些轻量级的分类模型，适用于数据量少，特征量少的分类任务

\

1. 支持向量机（SVM）

1.1 SVM的概念

支持向量机（Support Vector Machine）是在神经网络流行之前最强大的机器学习算法

SVM在二分类问题上的逻辑原理是：

• 假设我们的样本中有两个类别，我们可以把样本画到图上
• 如果切一刀下去，怎样切可以尽可能地把两个类别尽可能地分开

比方说以下图像中

![](/wiki/api/attachments.redirect?id=620959a3-ac1c-4a55-ab93-cd1

消息在股票交易中有很大的影响力，如果没有对消息的处理会导致策略经常中雷，怎么办呢？

研究结论

国内量化发展已有十余年，各家机构投资者的Alpha因子库已有较大规模，这时面临的问题是，继续花时间和精力进行因子挖掘扩充因子库是否划算，还能带来多少增量收益。我们尝试将近年来兴起的机器学习算法应用到Alpha模型上，进行低频层面的因子挖掘，考察机器因子库相对人工因子库的增量

本文首先利用遗传规划算法进行因子挖掘，再将机器因子库与人工因子库通过随机森林模型转换为预测收益率，从组合层面进行因子库效果的整体比较。考虑到技术类因子和财务类因子历史表现差别较大，我们将这两类因子的挖掘和对比分开进行

遗传规划是一种启发式的进化策略算法，可以用来进行选股因子挖掘。遗传规划算法的主要想法

我想修改成根据因子值最大的股票顺序来买，延迟建仓一天， 这个该怎么修改，知识库么有案例

https://bigquant.com/experimentshare/495323d53542491bbaa5eee98cbe9865

\

问题

回测中机器学习算法预测的排序就是指图一吗，但怎么看同一天预测的股票排序呢

解答

是的，回测函数里面也是可以使用print的，print打印一下就能看见每日的股票排序和选取了哪些股票。

导语:

本文是TensorFlow实现流行机器学习算法的教程汇集，目标是让读者可以轻松通过清晰简明的案例深入了解 TensorFlow。这些案例适合那些想要实现一些 TensorFlow 案例的初学者。本教程包含还包含笔记和带有注解的代码。

最好的学习就是不断的实践，推荐 BigQuant 人工智能量化投资 一站式的python+机器学习+量化投资平台，打开浏览器就可以使用投资数据和机器学习算法。

TF新手的教程指南

tf初学者需要明白的入门准备

• 机器学习入门笔记： [a

作者：dkl297836

策略思想

基于32个短期价量因子，训练集使用2016年1月1日至2020年12月31日共5年数据，每个交易日买入模型当日预测结果排名靠前的10只A股股票，个股最大仓位限制为20%，持股时间设置为5个交易日，初始资金100万。

Lightgbm策略

原有策略是基于Lightgbm机器学习算法，该策略的表现见图1：

![图 1：lightgbm-2021年1月1日至2022年6月10日回测结果{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachment

可视化策略-AI选股

https://bigquant.com/experimentshare/b08f437e5ee94168b0bc856f6f650ad2

\

为表诚意，我对模型预测部分做了开源. 方便下载，特意开源在国内平台。模型采用机器学习算法，不需特征处理 https://gitee.com/fsmyi/policy-infer.git 为了除去使用未来函数和 使用训练集数据过拟合模型嫌疑，在此张贴，对未来一个月（以12.17为起点）排名前10股票公示（采用倒序，601012排名第一），拭目以待

   使用机器学习算法的寻规软件其实10几年前就开始有，但那个时候CPU计算能力不强也没有GPU的加持所以使用了一些特殊的优化技术比如寄存器优化的算法，但是限定了算法的能力和数据的规模。随着计算密集型应用大部分都逐步使用以NAVIDA公司的GPU提供的CUDA接口来优化算法性能，算法性能得到了极大的提升。

    正是顺应这样的潮流，国内有这样一家创新小公司他们将机器学习算法中的GP基因编程算法使用GPU优化，性能得到了百倍提升，再结合量化系统所需的数据处理，信息加工和策略生成、回测、评价等功能，做成了一套适合普通投资者或者专业量化投资者的一站式的量化策略平台。该平台优势和重

国内量化发展已有十余年，各家机构投资者的Alpha因子库已有较大规模，这时面临的问题是，继续花时间和精力进行因子挖掘扩充因子库是否划算，还能带来多少增量收益。我们尝试将近年来兴起的机器学习算法应用到Alpha模型上，进行低频层面的因子挖掘，考察机器因子库相对人工因子库的增量

本文首先利用遗传规划算法进行因子挖掘，再将机器因子库与人工因子库通过随机森林模型转换为预测收益率，从组合层面进行因子库效果的整体比较。考虑到技术类因子和财务类因子历史表现差别较大，我们将这两类因子的挖掘和对比分开进行

遗传规划是一种启发式的进化策略算法，可以用来进行选股因子挖掘。遗传规划算法的主要想法是模拟自然界中生物

投资要点

本篇是系统化资产配置系列报告的第三篇，对如何利用机器学习算法进行短期市场择时进行了系统介绍。

全球金融市场每天产生海量的各类数据，如何筛选并有效利用这些数据来预测股票市场走势一直是一个重要但棘手的问题。

短期择时面临的主要困难包括：

1.短期市场走势受情绪等因素影响较大；

2.如何筛选有效因子；

3.非线性因子如何建模；

4.因子相关性问题如何解决；

5.因子较多时如何避免过拟合等。

幸运的是，机器学习技术的发展给我们提供了一条有效利用并筛选大量因子数据的途径。

本报告中，我们将股市未来的涨和跌定义为一个分类问题，利用机器学习算法来