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。
股票主动投资组合管理思想和框架
这是关于股票主动投资组合管理的第一篇教程。在开始介绍正式内容之前，我先简要简要说一下《Alpha系列》的初衷。
近年来，随着国内大数据和人工智能的迅速崛起，量化交易领域也有了长足的发展。 从原来的指标驱动型程序化交易，演化到现在的以机器学习、人工智能为代表的新型量化交易。同时，量化交易的门槛与过去相比下降了许多。 不仅是因为这些年数据科学的发展带动了python及其生态的成熟和推广，更由于类似tushare、vnpy、zipline等开源项目以及像quantopian、bigquant等量化平台的出现， 使得以前做量化先造轮子到现在量化从业者可以专注于策略的研发，使得更多的人能够进入到这个领
更新时间：2021-07-30 09:36
lightGBM_AI选股
更新时间：2021-07-30 09:11
用线性随机梯度下降-回归算法实现A股股票选股
更新时间：2021-07-30 08:12
用支持向量机-回归算法实现A股股票选股
更新时间：2021-07-30 07:26
用线性-分类算法实现A股股票选股
更新时间：2021-07-30 07:26
三个有效的特征选择策略
导语
特征选择是除数据之外最关键的步骤。尽管这一步非常必要，但很多指导文章中却完全忽略这一过程。
本文将展示一些很棒的特征选择方法，帮助读者在机器学习中更加如鱼得水。
特征选择是什么？实际问题中，需要什么样的特征来帮助解决建模并不总是很清晰。在这个问题上，数据总是存在各种问题，比如数据过多，不相关等。特征选择主要研究如何使用算法选择出重要特征。
那为什么不将所有的特征都扔进机器学习模型，然后收工回家呢？
在实际问题中可能没有开源数据集，或者这些数据不总是含有解决问题的相关信息。在这些现实问题面前，特征选择能够最大化数据相关性，降低数据冗余度。这有助于建立好的模型，减小模型大小。
更新时间：2021-07-30 07:26
张红庆：机器学习在高频交易的应用 | 开源量化论坛发言纪要
会议：开源证券资本市场峰会，量化分论坛
日期：2020年12月8日 \n 地点：上海浦东丽思卡尔顿酒店 \n 主办：开源证券金融工程团队 \n
主题演讲：机器学习在高频交易的应用 \n
特邀嘉宾：张红庆
深圳市丽海弘金科技有限公司副总经理，高中全国奥数一等奖，华中科技大学电信系，15年移动通信行业从业经验，5年量化金融科技从业经验。
发言纪要：
大家好！感谢__开源证券金融工程团队__的
更新时间：2021-02-25 11:30