贝叶斯优化是一种基于贝叶斯定理的优化方法，广泛应用于机器学习、金融建模和其他需要高效搜索最优参数的领域。它通过构建目标函数的概率模型，并在此基础上逐步更新和优化参数选择，从而实现高效的全局优化。

算法原理

1. 目标函数：

   1. 这是需要优化的函数，通常是复杂且成本高昂的黑盒函数。在金融领域，这可能是投资组合的预期回报率或风险调整后的收益。

2. 先验分布：

   1. 对目标函数的初始猜测。
   2. 高斯过程：贝叶斯优化通常使用高斯过程（Gaussian Process, GP）作为先验，它是一种用来描述数据

https://bigquant.com/experimentshare/2a2e6ae0e7a845b09c69d677b4d61f2c

\

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

本文内容已经过期，不再适合平台最新版本，请查看如下最新内容：

https://bigquant.com/wiki/doc/57ue5zci5lyy5yyw5qac6lw-LvaK2l8nla

[https://bigquant.com/experimentshare/a65ee754dc984929afffd7614437348c](https://bigquant.com/experimentshare/a65ee754dc9

感觉超参数调优时候特别慢。

可以发一个纯代码模型下参数优化的策略例子么？想学习一下纯代码下的参数寻优

test h1

test h2

test h3

test h1

\