机器学习

机器学习在金融领域的应用日益广泛,为金融业务的智能化提供了强大动力。它运用算法和模型,自动从海量数据中学习和提取有用信息,无需人工进行复杂编程。在金融风控方面,机器学习技术可帮助银行、保险公司等机构更准确地识别欺诈行为,降低信贷风险。在投资策略上,通过对历史数据的深度学习,机器能预测市场走势,为投资者提供更精准的建议。同时,机器学习还能优化客户服务,例如通过聊天机器人提供24小时在线咨询,或根据客户行为数据提供个性化金融产品推荐。总的来说,机器学习不仅提升了金融业的效率和智能化水平,也在重塑我们的金融生态。

机器学习:20-DNN-滚动训练

  • 运行环境:AIStudio 3.0
  • 策略说明:==本代码以教学目的为主,请自行调参==


\

策略源码:

{{membership}}

https://bigquant.com/codeshare/e7bb60a5-a6e1-4310-9e6a-e4b742fb0f13

\

更新时间:2024-04-25 07:41

机器学习:19-滚动训练-XGBoost

  • 运行环境:AIStudio 3.0

  • 策略说明:==本代码以教学目的为主,请自行调参==


回测图:


\

策略源码:

{{membership}}

[https://bigquant.com/codeshare/358882de-f418-4ebe-b3c4-effc16ea1c9d](https://bigquant.com/codeshare/358882de-f418-4ebe-b3c4-

更新时间:2024-04-25 07:41

机器学习:18-滚动训练-线性回归

  • 运行环境:AIStudio 3.0
  • 策略说明:==本代码以教学目的为主,请自行调参==


\

策略源码:

{{membership}}

https://bigquant.com/codeshare/66c560a3-335b-407c-aa2f-7053322141f4

\

更新时间:2024-04-25 07:41

机器学习:17-LSTM

  • 运行环境:AIStudio 3.0
  • 策略说明:==本代码以教学目的为主,请自行调参==


回测图:

\

策略源码:

{{membership}}

[https://bigquant.com/codeshare/56e64ce1-43c8-4317-90d4-5df0a427a966](https://bigquant.com/codeshare/56e64ce1-43c8-4317-90d4-5df0

更新时间:2024-04-25 07:41

机器学习:16-CNN

  • 运行环境:AIStudio 3.0
  • 策略说明:==本代码以教学目的为主,请自行调参==


\

策略源码:

{{membership}}

https://bigquant.com/codeshare/ccbddd56-eddd-4a7f-95e2-88e8a0432a3d

\

更新时间:2024-04-25 07:40

机器学习:15-DNN

  • 运行环境:AIStudio 3.0
  • 策略说明:==本代码以教学目的为主,请自行调参==


回测图:


\

策略源码:

{{membership}}

[https://bigquant.com/codeshare/fd48a0d6-918f-4001-9a84-bcea18ae174b](https://bigquant.com/codeshare/fd48a0d6-918f-4001-9a84-bc

更新时间:2024-04-25 07:40

机器学习:14-XGBoost

  • 运行环境:AIStudio 3.0

  • 策略说明:==本代码以教学目的为主,请自行调参==


回测图:



\

策略源码:

{{membership}}

[https://bigquant.com/codeshare/f753d0b8-a3b2-4781-a1a9-dbf6ffe3fe38](https://bigquant.com/codeshare/f753d0b8-a3b2-4781-a1a

更新时间:2024-04-25 07:40

机器学习:12-随机森林

  • 运行环境:AIStudio 3.0

  • 策略说明:==本代码以教学目的为主,请自行调参==


回测图:

\

策略源码:


{{membership}}

[https://bigquant.com/codeshare/ccd34b84-4b39-4c48-b082-3859335a6c20](https://bigquant.com/codeshare/ccd34b84-4b39-4c48-b082-

更新时间:2024-04-25 07:40

机器学习:11-感知机

  • 运行环境:AIStudio 3.0

  • 策略说明:==本代码以教学目的为主,请自行调参==

回测图:

\

策略源码:


{{membership}}

[https://bigquant.com/codeshare/d6fc0818-ae1c-4408-a0af-4cd73ffddfd6](https://bigquant.com/codeshare/d6fc0818-ae1c-4408-a0af-4c

更新时间:2024-04-25 07:40

机器学习:10-朴素贝叶斯

  • 运行环境:AIStudio 3.0

  • 策略说明:==本代码以教学目的为主,请自行调参==


回测图:

\

策略源码:

{{membership}}

[https://bigquant.com/codeshare/86ef92ba-f91f-46fa-a6d3-d7b2207e741b](https://bigquant.com/codeshare/86ef92ba-f91f-46fa-a6d3-d7

更新时间:2024-04-25 07:40

机器学习:9-KNN

  • 运行环境:AIStudio 3.0

  • 机器学习:KNN算法

  • 策略说明:==本代码以教学目的为主,请自行调参==


回测图:


\

策略源码:

{{membership}}

[https://bigquant.com/codeshare/4fbd0eb2-8eec-4d43-b9bb-5aa4596d847a](https://bigquant.com/codeshare/4fbd0eb2-8e

更新时间:2024-04-25 07:40

机器学习:6-索套回归

  • 运行环境:AIStudio 3.0.0
  • 机器学习:索套回归
  • 策略说明:==本代码以教学目的为主,请自行调参==


回测图:


\

策略源码:

{{membership}}

[https://bigquant.com/codeshare/7e2cc9bf-0dea-4201-8b94-ad465750eec8](https://bigquant.com/codeshare/7e2cc9bf-0de

更新时间:2024-04-25 07:40

机器学习:5-岭回归

  • 运行环境:AIStudio 3.0.0
  • 机器学习:岭回归策略
  • 策略说明:==本代码以教学目的为主,请自行调参==


回测图:

\

策略源码:

{{membership}}

[https://bigquant.com/codeshare/af49fa20-ce4a-4f8f-b88c-d413035fe309](https://bigquant.com/codeshare/af49fa20-ce4a

更新时间:2024-04-25 07:40

机器学习:4-线性回归构建因子

  • 运行环境:AIStudio 3.0.0
  • 线性回归:构建因子+单因子策略回测
  • 策略说明:==本代码以教学目的为主,请自行调参==


回测图:

\

策略源码:

{{membership}}

[https://bigquant.com/codeshare/cd8638d7-21c0-4df4-8a29-e9f1cc227df0](https://bigquant.com/codeshare/cd8638

更新时间:2024-04-25 07:38

机器学习:3-逻辑回归预测上涨概率

  • 运行环境:AIStudio 3.0.0
  • 机器学习:逻辑回归策略:预测上涨概率
  • 策略说明:==本代码以教学目的为主,请自行调参==


回测图:

\

策略源码:

{{membership}}

[https://bigquant.com/codeshare/b2a658f9-e445-422b-95f9-b57a50e23562](https://bigquant.com/codeshare/b2a65

更新时间:2024-04-25 07:38

机器学习:2-线性回归预测上涨概率

  • 运行环境:AIStudio 3.0.0
  • 机器学习:线性回归策略:预测上涨概率
  • 策略说明:==本代码以教学目的为主,请自行调参==


回测图:


\

策略源码:

{{membership}}

[https://bigquant.com/codeshare/3c3165db-d37e-4c8a-90f6-8af10855fb18](https://bigquant.com/codeshare/3c3

更新时间:2024-04-25 07:38

机器学习:1-线性回归预测收益

  • 运行环境:AIStudio 3.0.0
  • 机器学习:线性回归策略:预测收益
  • 策略说明:本代码以教学目的为主,请自行调参


回测图:

\

策略源码:

{{membership}}

[https://bigquant.com/codeshare/ead656f5-c6a0-4a6d-9226-2ed3474d2a20](https://bigquant.com/codeshare/ead656f5-c6

更新时间:2024-04-25 07:38

【1000篇量化研报/书籍】

1000篇研报+900本电子书,我们从网络渠道收集了量化学习资料,整理为合集,==获取方式请查看文章最后==。

资料合集目录:

\

一、研报部分示例(1000篇)

![](/wiki/api/attachments.redirect?id=a19ece99-3

更新时间:2024-04-22 06:53

2023-AI量化Meetup

\

更新时间:2024-03-19 07:27

gplearn入门

gplearn核心概念

它是一个基于Python的库,旨在通过遗传编程(Genetic Programming, GP)实现机器学习的功能。遗传编程是一种自动化的机器学习方法,通过模拟达尔文的自然选择理论来解决问题。它属于遗传算法的一种,通过选择、交叉(杂交)、变异等操作对程序(个体)进行迭代,以产生更好的解决方案。gplearn主要用于回归和符号回归任务,可以自动生成解决特定问题的数学模型或符号表达式。它的灵感来自于 scikit-learn,可以用于自动化发现数据中的关系,创建复杂的模型或因子。在金融领域,gplearn可以用于因子挖掘,帮助发现影响股票价格

更新时间:2024-02-29 07:09

17种机器学习回归算法在金融的应用

回归是一种挖掘因变量和自变量之间关系的技术。它经常出现在机器学习中,主要用于预测建模。在本系列的最后一部分中,我们将范围扩大到涵盖其他类型的回归分析及其在金融中的用途。


线性回归

简单线性回归

简单的线性回归允许我们研究两个连续变量之间的关系——一个自变量和一个因变量。


简单线性回归方程的一般形式如下:

{w:100}其中 (β_{0}) 是截距,(β_{1}) 是斜率,(ϵ_{i}) 是误差项。在这个等

更新时间:2024-02-21 09:48

AI量化交易常识

分享一些量化交易相关的常识信息。

五因子模型公式及应用

五因子模型是哪五个因子

**[多因子选股模型及优缺点](https://bigquant.com/wiki/doc/5asa5zug5a2q6ycj6ikh5qih5z6l5zcn6kn6ke

更新时间:2024-02-19 06:56

AI量化交易是什么意思

**概念定义:**一种使用高级数学模型、统计分析和计算机算法进行交易决策的方法。

**应用范围:**一般包括股票、期货、外汇和衍生品等金融市场;

**主要原理:**依赖于金融市场中的价格、交易量、经济指标等大量历史和实时数据,用以识别市场趋势、估值、波动性等关键因素;使用复杂的数学(包括统计学、概率论、机器学)模型来分析数据和预测市场行为,并通过计算机算法预设的规则和模型自动执行交易。(文末含量化核心资源

核心工具

数据分析

历史数据分析:通过分析历史价格、成交量等数据来预测市场趋势。

实时市场数据:收集实时交易数据,对市场

更新时间:2024-02-02 01:23

Scikit-learn是什么?快速入门教程

Scikit-learn是一个开源的Python库,专为机器学习提供简单和有效的工具。它建立在NumPy、SciPy和Matplotlib库之上,提供了一套广泛的监督和非监督学习算法通过一个一致的接口。Scikit-learn广泛应用于学术和商业环境,特别是在数据挖掘、数据分析和机器学习领域。

Scikit-learn概念

基本概念

Scikit-learn的设计哲学基于以下几点:

  • **简洁的

更新时间:2024-02-01 10:57

贝叶斯优化算法原理及代码

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

更新时间:2024-01-29 06:56

分页第1页第2页第3页第4页第5页第6页第7页第8页第9页第20页