算法

在本文中，我将介绍机器学习中关于聚类的算法。

因为知乎中对于markdown的支持太差了，本文不在知乎直接排版，所以阅读体验不是很好，若想获得更好的阅读体验，请点击下文链接进行阅读。

[聚类-下​chrer.com ](https://link.zhihu.com/?target=http%3A//chrer.com/2018/07/29/%25E8%2581%259A%25E7%25B1%25BB-%25E4%25B8%25

\

导语

随机森林要做的事情呢，与上一篇SVM一样，其实也是一个分类的过程。解决的问题是：给一堆数据，我们想把它们分为两类，贴上相应的标签。

相关概念

分类器：分类器就是给定一个样本的数据，判定这个样本属于哪个类别的算法。例如在股票涨跌预测中，我们认为前一天的交易量和收盘价对于第二天的涨跌是有影响的，那么分类器就是通过样本的交易量和收盘价预测第二天的涨跌情况的算法。

分裂：在决策树的训练过程中，需要一次次的将训练数据集分裂成两个子数据集，这个过程就叫做分裂。

特征：在分类问题中，输入到分类器中的数据叫做特征。以上面的股票涨跌预测问题为例，特征就

在本文中，我将介绍机器学习中关于聚类的算法。

因为知乎中对于markdown的支持太差了，本文不在知乎直接排版，所以阅读体验不是很好，若想获得更好的阅读体验，请点击下文链接进行阅读。

[聚类-上​chrer.com ](https://link.zhihu.com/?target=http%3A//chrer.com/2018/07/27/%25E8%2581%259A%25E7%25B1%2

可能是由于自己在知乎上关注的话题比较少的原因，因此每次打开知乎首页的时候觉得大家好像都在聊机器学习，机器学习的各种算法大家相互之间也都能够谈笑风生。但机器学习领域鱼龙混杂的现象可能又是最明显的，反正每个人都能扯上几句，刷刷存在感，逢人必谈ML，DL，NLP， ANN， SVM， RF， NB等等，不一而足，顿时整个逼格的提升程度觉得用这句歌词会是比较合适的：这是飞翔的感觉，这是自由的感觉，在撒满鲜血的天空迎著风飞舞，凭著一颗永不哭泣勇敢的心。

当然鄙人也没能免俗，作为一条机器学习领域并不等待翻身的咸鱼，也在静静地感受机器学习的热潮，只是偶尔出来透个气、冒个泡。这一段文字显然是会得罪一

机器学习所涉及的内容实在是太多了，于是我决定挑个软柿子捏起，从最基础的一个优化算法开始聊起。这个算法就是梯度下降法，英文Gradient Descent。

什么是梯度下降法

作为大众耳熟能详的优化算法，梯度下降法受到的关注不要太多。梯度下降法极易理解，但凡学过一点数学的童鞋都知道，梯度方向表示了函数增长速度最快的方向，那么和它相反的方向就是函数减少速度最快的方向了。对于机器学习模型优化的问题，当我们需要求解最小值的时候，朝着梯度下降的方向走，就能找到最优值了。

那么具体来说梯度下降的算法怎么实现呢？我们先来一个最简单的梯度下降算法，最简单的梯度下降算法由两个函数，三个变量组成：

在本文中，我将介绍机器学习中关于异常检测的算法。

因为知乎中对于markdown的支持太差了，本文不在知乎直接排版，所以阅读体验不是很好，若想获得更好的阅读体验，请点击下文链接进行阅读。

[异常检测​chrer.com ](https://link.zhihu.com/?target=http%3A//chrer.com/2018/07/27/%25E5%25BC%2582%25E5%25B8

指标介绍

梅斯线（Mass）：

所需数据和参数：Mass(high,low,smoothlength,summationlength,malength )

指标伪码：

MASSVAR0:=EMA(HIGH-LOW,SMOOTHLENGTH);

MASSVAR1:=EMA(MASSVAR0,SMOOTHLENGTH);

MASSVAR2:=IF(MASSVAR1>0,MASSVAR0/MASSVAR1,0);

MASSVAL:SUM(MASSVAR2,SUMMATIONLENGTH);

指标含义

[/wiki/static/upload/b4/b4d2ac13-d4

问题

请问下bq平台用哪个包做因子挖掘？pip list不能运行，也看不到有哪个包，麻烦指下路，多谢！

解答

您指的因子挖掘具体使用的算法是什么呢？这边可以和您具体沟通下。像遗传算法做因子挖掘平台都是有集成的。

你想安装什么包呢？可以给我们反馈，后续可以支持。

问题

我有一个深度学习策略，我在主函数中添加了跟踪止损的逻辑没有什么用。因为某只股票达到止损条件会卖出，但是第二天机器学习策略根据算法又会将这只股票买入。所以止损策略不能发挥作用啊。请问各位高手有无办法解决？

https://bigquant.com/experimentshare/04764245c24d4486a039de3ec0292028

\

STOCHRSI 指标理解

• 这几天帮一个朋友解决一个关于指标的问题，这个指标就是 STOCHRSI 。在网上查了很多资料，中文的真是甚少。而且仅有的也不是讲的很清楚。对于我这样的 交易小白，简直是天书。 不过只要研究多少会有点收获的，下面分享下经验，需要用这个的朋友可以借鉴。

在网上找到了一些 关于这个指标的计算公式。

/*
LC := REF(CLOSE,1); //REF(C,1) 上一周期的收盘价
RSI:=SMA(MAX(CLOSE-LC,0),N,1)/SMA(ABS(CLOSE-LC),N,1) *100;
％K:     MA(RSI-LLV(RS

英国数学家、计算机科学家、逻辑学家和密码分析家艾伦·图灵推测机器：

“这就像一个学生从他的老师那里学到了很多东西，但在他自己的工作中增加了很多东西。发生这种情况时，我觉得人们有义务将机器视为显示智能。”

举一个机器学习影响的例子，Man group 的 AHL Dimension 计划是一个价值 51 亿美元的对冲基金，部分由 AI 管理。成立后，到 2015 年，其机器学习算法为基金贡献了一半以上的利润，尽管其管理的资产要少得多。

[ ![交易中的机器学习{w:100}{w:100}{w:100}](https://d1rwhvwstyk9gu.cloudfront.net/2

介绍

发布单位：J.P.Morgan

原标题：《大数据和人工智能战略—机器学习和另类数据投资方法》

发布时间：2017年5月

简介：本报告旨在为机器学习和大数据投资提供一个框架。这包括一个对另类数据类型的概述，以及分析它们的机器学习方法。

其中，另类数据包括个人数据(如社交媒体)、业务流程数据(如商业数据) 交易和机器生成的数据(例如卫星图像数据)。

同时报告我们解释和评估不同的机器学习方法，这些方

摘要

机器学习和人工智能在量化投资的应用有很长的历史

机器学习在九十年代初的热潮中已经被大量运用于量化投资中。尽管受限于当时的计算能力和算法，但是由于在算法交易和CTA等领域中机器学习提供了一些更好的解决方案，机器学习在这些领域的应用一直延续到今天

机器学习在量化投资中应用的九个思考

本报告是系列报告的第一篇，简略介绍了机器学习运用到二级市场投资过程中的一些常见问题。这些问题覆盖了策略研发常见错误，策略归因，策略失效判断，机器学习平台的建立，交易系统和机器学习平台的对接以及机器学习对冲基金的团队架构。后续系列报告将会详细围绕这些问题展开

**适当使用下的机器学习

介绍

欢迎来到BigQuant。BigQuant是一个基于Web的平台和社区。作为一个平台，它是一个开发和测试交易算法的平台。作为一个社区，它是一个结识其他策略开发者，并分享算法、工具、想法、策略和投资经验的社区。在访问和使用BigQuant，包括社区其他成员的策略和知识的同时，请遵守以下使用条款。

我们鼓励用户分享和参与，以及从其他用户的分享中学习。您可以决定保留您在BigQuant上编写的策略和算法，如果您选择将部分或所有算法保留为私有，我们将尊重该决定，但须遵守我们的隐私权政策和这些使用条款。

协议

这些使用条款构成了BigQuant公司（“BigQuant”，“我们

*机器学习

职责

1、参与大数据分析，大数据处理，数据挖掘等系统的设计和开发

2、根据业务需求进行数学建模，设计并开发高效算法，并对模型及算法进行验证和实现

3、关注人工智能相关算法的业界动态，并结合业务情况进行技术预研

要求

1、计算机或计算机相关专业，硕士及以上学历

2、扎实的算法和数据结构功底，熟悉掌握Java，Scala，Python至少一门编程语言

3、熟悉hadoop/spark等分布式计算技术，熟悉运行机制与体系结构

薪资：50-120W+年终

*C++开发工程师

职责

1. 参与交易平台的设计、开发与测试，实现交易策略、风控等需求

2. 开发交

摘要

机器学习是人工智能的一个分支，也是人工智能的核心领域。机器学习的目的在于推理，推理的过程是学习，研究计算机如何模拟人类的学习行为。从1930年代至今，机器学习逐渐发展成为一门独立的学科，已有超过数百种算法被提出。《Do we need hundreds of classifiers to solve real world classification problems?》对17大类共179个分类器，在121个数据集上进行了测试。结果显示，随机森林和支持向量机（高斯核）效果最好，其次是神经网络和Boosting集成方法。

机器学习的一大发展趋势是大众化。早期的机器学习研究人员不仅

摘要

尝试构建以真假序列识别为起点基于量价的主动投资研究框架

真假序列识别是检验市场有效性的有力工具。主动投资的核心是市场能否预测，如果市场无法预测，满足有效市场理论，主动投资就没有存在的价值。随机序列满足有效市场理论，无法预测。暂且抛开宏观、财务等数据，仅就交易数据看，如果人工智能算法无法识别真实量价序列和随机序列，那么弱有效市场假说可能成立；如果人工智能可以识别真假，那么可以进一步采用网络可视化技术挖掘模式，或采用遗传规划等算法来暴力挖掘特征。随后通过检验有效模式/特征、过拟合检验、风险控制等步骤，控制整体风险，实现完整的以真假序列识别为起点基于量价的主动投资研究流程。

本文主要整理量化交易相关的资源，主要是机器学习相关的资源。

我已经把一些我认为一些低质的资源。

⭐表示我认为优质的资源。

资源整理自网络，原文地址：https://github.com/grananqvist/Awesome-Quant-Machine-Learning-Trading

金融机器学习

经典书籍

· ⭐️ Marcos López de Prado - Advances in Financial Machine Learning ..

· ⭐️ Dr Howard B Bandy - Quantitative Technical Analysis

导语

在阅读了 深度学习的简要介绍后，本文将介绍深度学习DNN模型及其在量化投资领域中的应用。

深度学习在量化领域的应用

机器学习作为人工智能的核心，其传统算法在解决很多问题上都表现出了高效性。随着近些年数据处理技术上的进步和计算能力的提升，深度学习得以在很多问题上也大放光彩，成为近一段时间互联网、金融等领域的大热门。

在量化投资领域，机器学习尤其是由统计学延伸的各种算法一直以来都被尝试应用在选股、择时等策略的开发上，随着深度学习在其他领域上的突破，其在自动化交易甚至投资策略的自开发自学习方面的应用成为了大家探索的焦点。

第12讲:深度强化学习#1 研究工程师Matteo Hessel讨论了深度RL的实际考虑和算法，包括如何使用自区分(即Jax)实现这些。

https://www.youtube.com/watch?v=cVzvNZOBaJ4

/wiki/static/upload/4f/4f1a9d24-39d7-4f68-8a30-989d65e8c453.pdf

\

作为平台的铁杆用户，本文主要分享下使用StockRanker模型来实盘交易的一些经验。

在机器学习领域，预测的结果依赖于：数据、算法和特征，因此真正好的策略一定是特征选择和特征构建非常好。

平台的StockRanker模型策略生成器只是搭建了一个策略框架，输入不同的特征就可以看到不同的策略效果。去年的时候，我构造出了大约10个特征进行回测，从12年到16年底，平均年化收益达到了76%，因此就打算先用一部分小资金实盘，进一步验证特征的有效性。

因为政策原因，目前国内股票实盘交易接口并没有开放，因此量化平台都不会说自己平台上可以实盘交易，免得监管部门叫去喝茶。于是只有手动下单，好在股票持仓时

首发于我的博客：蒙特克洛模拟的优化。

本文将描述我对蒙特卡洛模拟的一些优化，填坑之前的文章 python初探：python实现蒙特卡洛方法计算π值。

蒙特卡洛模拟

《 Python 金融大数据分析》中对蒙特卡洛模拟的描述是这样的：

蒙特卡洛模拟是金融学和数值科学中最重要的算法之一。它之所以重要，是因为在期权定价或者风险管理问题上有很强的能力。和其他数值方法相比，蒙特卡洛方法很容

什么是Skip-gram算法

Skip-gram算法就是在给出目标单词（中心单词）的情况下，预测它的上下文单词（除中心单词外窗口内的其他单词，这里的窗口大小是2，也就是左右各两个单词）。

以下图为例：

![](data:image/svg+xml;utf8,<svg%20xmlns='[http://www.w3.org/2000/svg' width='1124' height='354]

年初就一直在等啦

终于等到这本书

分享一下

此书的代码下载地址：https://github.com/fchollet/deep-learning-with-python-notebooks

![](/community/uploads/default/original/3X/c/c/cc94b84a373c66d820177c480765c8ec2467c73d