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。
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
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
基于随机森林模型的智能选股策略
导语
机器学习已经成为量化策略设计中的一大利器，了解各种机器学习算法的原理、特点、优劣，对于量化建模有着极大的帮助。因此，本系列【专题研究】介绍几种在资本市场中非常流行的机器学习算法及其在选股方面的相应应用，希望能对大家有所帮助。
随机森林是当前使用最广泛的机器学习集成算法之一。由于其简单灵活、不容易过拟合、准确率高的特性，随机森林在很多应用中都体现了较好的效果。
本文从单棵决策树讲起，逐步解释了随机森林的工作原理，然后将随机森林预测应用于二级市场，介绍了基于随机森林模型的智能选股策略。
什么是随机森林
随机森林是一种集成算法（Ensemble
更新时间：2024-06-08 13:08
2023-AI量化Meetup
\
更新时间：2024-06-07 10:55
高质量AI量化策略
【此文档为旧版策略】具体可参考新版文档：
https://bigquant.com/wiki/doc/103-ai-LpsqDhu8mG
https://bigquant.com/experimentshare/dd9cff01459a41f9be40d7e660164795
\
更新时间：2024-06-07 10:55