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。
机器学习在量化投资中的趋势和应用
来源：SSRN 作者：Sophie Emerson, Ruairi Kennedy, Luke O’Shea, and John O’Brien
机器学习是人工智能的一个子领域，它使用统计技术为计算机模型提供从数据集学习的能力，允许模型在没有显示编程的情况下执行特定任务。近年来，机器学习技术激增，人们对其在金融领域的应用也越来越感兴趣。在投资管理中，已被应用于新闻的情绪分析、趋势分析、投资组合优化、风险建模等。那么，机器学习在量化投资中有哪些潜在应用呢？
1.常见的机器学习算法
机器学习算法主要有三种：监督学习、无监督学习和强化学习。监督学习是在已知输入和输出的情况下训练出一个模型，将
更新时间：2024-12-11 08:16
机器学习量化投资实战指南
本文14323字，阅读约28分钟
导语：本文旨在用精炼的语言阐述实操层面的机器学习量化应用方法，包括给出实践中一些常见、实际问题的处理方案，并结合了量化应用实例。读完后大家可以在本平台进行实践检验。
文章概览：
1.人工智能量化投资概述
2.人工智能技术简介
3.机器学习在量化投资中应用的具体方法解析
AI相对于传统量化投资的优势 传统的量化投资策略是通过建立各种数学模型，在各种金融数据中试图找出市场的规律并加以利用，力所能及的模式或许可以接近某一个局部的最优，而真正的全局“最优解”或许在我们的经验认知之外。如同不需要借助人类经验的Alpha Zero，不仅
更新时间：2024-12-05 02:26
量化交易模型及策略2023版
量化交易利用数学和统计学方法来分析市场并执行交易的过程，是现代金融的一个重要组成部分。量化模型的目的是通过算法自动识别并利用市场中的规律和机会，用以获取更多收益。
量化交易模型的一般由以下几个部分组成：
1 数据处理模型: 量化交易的基石是数据。这包括了从历史价格、成交量到公司财报、宏观经济指标等各类数据。对这些数据的收集、清洗和处理是构建有效模型的首要步骤。**[BigQuant策略编写平台](ht
更新时间：2024-12-05 02:12
Machine Learning is Fun! — 全世界最简单的机器学习入门指南
你是否曾经听到过人们谈论机器学习，而你却对其含义只有一个模糊的概念呢？你是否已经厌倦了在和同事对话时只能点头呢？现在，让我们一起来改变这个现状吧！
这篇指南是为那些对机器学习感兴趣，但又不知从哪里开始的人而写的。我猜有很多人曾经尝试着阅读机器学习的维基百科词条，但是读着读着倍感挫折，然后直接放弃，希望能有人给出一个更直观的解释。本文就是你们想要的东西。
本文的写作目标是让任何人都能看懂，这意味着文中有大量的概括。但是那又如何呢？只要能让读者对机器学习更感兴趣，这篇文章的任务也就完成了。
什么是机器学习？
机器学习是一种概念：不需要写任何与问题有关的特定代码，泛型算法（Gene
更新时间：2024-12-04 08:53
滚动训练策略框架
{{membership}}
一个简单封装的机器学习滚动的策略框架～可以方便的使用机器学习滚动训练回测～ \n可以在py文件内修改实际使用的模型，把mod2.py放在目录下， 直接import mod2 from mod2 配置一下config就可以一键进行机器学习滚动训练并看到回测了\n
https://bigquant.com/codesharev3/f76dfca2-cbba-44bd-a183-bd10f26619fb
\
更新时间：2024-10-17 09:51
【其他】SVM模型中的_DEFAULT_LEARN_PROCESSORS和_DEFAULT_INFER_PROCESSORS是什么？
SVM model question
想请问svm model的这两个部分_DEFAULT_LEARN_PROCESSORS和_DEFAULT_INFER_PROCESSORS是啥呀
更新时间：2024-10-11 01:54
【代码报错】Exception: 未知模块: M.metrics_regression.v1
模块:M.metrics_regression.v1报错如何解决
https://bigquant.com/codesharev3/557fa12d-c1bd-46c7-a495-7e7d646dfae4
[https://bigquant.com/codesharev3/1282bf1a-126b-4ed0-8744-0cb3bfb08b4d](https://bigquant.com/codesharev3/1282bf1a-126b
更新时间：2024-10-10 09:55
量化机器学习系列分享
更新时间：2024-09-09 10:58
AI量化技术
AI量化领域结合了人工智能（AI）、机器学习（ML）以及量化金融的技术和方法。这一领域的目标是使用算法和计算模型来分析大量金融数据，从而做出投资决策或提高交易效率。
一些在AI量化领域重要技术和方法，以及在金融领域的应用：
- 机器学习算法：机器学习算法是AI量化领域的核心。它们包括监督学习、非监督学习和强化学习。
- 监督学习，如支持向量机（SVM）、神经网络、决策树等，用于预测或分类任务，如股价预测、信用评分。
- 非监督学习，如聚类、主成分分析（PCA）等，用于发现数据中的模式和关系，如市场细分、异常检测。
- 强化学习，如Q学习
更新时间：2024-09-05 03:12
使用M.tune写一个超参优化
前言
M.tune可调节的参数仅限于模块中的参数, 具体用法可参考**尝试用M.tune写一个滚动训练.**
使用方法
我们创建一个机器学习算法策略, 将可视化画布转化为代码形式:
接下来将画布的代码进行打包并命名为search, 你也可以命名为其他名字:
可以如何或者应该如何切入投资管理领域。
和被动组合管理(passive porfolio management)相比,主动组合管理(active porfolio management)更显投资水平的能力，或者说运气。被动投资力求完全复制相应的基准成分股及其权重，所以每当某指数做成分股的调整时，新入选的股票
更新时间：2024-06-12 02:56
因子（特征）工程是什么
导语
近年来，国内量化投资迎来了发展的黄金期，但涉及机器学习的量化投资还比较少。机器学习领域的大神Andrew Ng(吴恩达)老师曾经说过机器学习很大程度上就是特征工程，因此本文主要介绍下特征工程在量化投资领域的应用。
特征工程是什么？
有这么一句话在业界广泛流传： 数据和特征决定了机器学习的上限。那特征工程到底是什么呢？顾名思义，其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。简单理解为：特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。
**特征工程在量化投资领域有非常适宜的土壤，
更新时间：2024-06-12 01:44
AI量化策略，我该如何理解你？
人工智能（AI）技术得到了飞速发展，其在各个领域的运用也不断取得成果。机器学习被评为人工智能中最能体现人类智慧的技术，因此开发AI量化策略可以理解为将机器学习应用在量化投资领域。
理解机器学习算法
机器学习算法太多，本文讨论只针对适用于金融数据预测的常用有监督型机器学习（Supervised Machine Learning）算法：StockRanker。假设我们要去预测某个连续变量$ Y$未来的取值,并找到了影响变量$ Y$取值的$K$ 个变量，这些变量也称为特征变量（Feature Variable）。机器学习 即是要找到一个拟合函数$f(X_1,X_2,\ldots,X_K|
更新时间：2024-06-11 03:20
AI选股中回归、分类、排序算法的构建流程
导语
【旧版模块】，该文档为旧版。新模板详见：
https://bigquant.com/wiki/doc/102-ai-hXNHGsyWzS
在阅读了学院关于可视化模板教程后，相信你已经掌握了平台上的模块使用方法。本文将以XGBoost模型为例，介绍回归、排序、分类的不同之处。在文末，你可以克隆该算法自行研究、学习
首先我们明确一下算法在机器学习中的地位。一般来说，机器学习有三个要素：数据、算法和模型。
- 数据是场景的描述，包括输入和输出。
- 算法
更新时间：2024-06-11 02:53