神经网络

TensorFlow是谷歌开发的一个基于图表的通用计算框架，可以用来编写程序。它可以被用来当做一个开发深度学习模型的平台，极大地简化了神经网络的模型构建过程。

术语：

（1）TensorFlow用叫做 tensor 的对象储存数据，而不是以整数、浮点数或者字符串等具体形式存储。

（2）TensorFlow用图 (graph) 来表示计算任务：TensorFlow 的 api 构建在 computational graph 的概念上，它是一种对数学运算过程

深度学习大讲堂致力于推送人工智能，深度学习方面的最新技术，产品以及活动。请关注我们的知乎专栏！

**编者按：**大脑是一个神奇的存在，它定义了你是谁，它赋予了你认知，它决定了你理解这个世界的方式。如果能够理解人脑的认知机制，理解从人脑的角度如何加工物体，将有助于加深理解神经网络。今天，脑认知神经领域专家，毕业于哈佛大学的毕彦超教授，将带给大家物体识别及物体知识表征域的认知神经基础。文末，大讲堂特别提供文中提到所有文章的下载链接。

![](/community/uploads/default/original/3X/e/7/e79d1a11e398f284b57c4273e

\

模型发展的回顾

前面介绍的模型主要站在更为宏观的角度，然后不断地进入围观的世界。我们面对的数据是一个三维的张量（Tensor），它有三个维度：通道（Channel），长（Height），宽（Width）。这三个维度统一起来形成了我们要分析处理的数据。

在卷积操作爆发之前，神经网络的主要运算方式是全连接，也就是说，每一次运算过程中，输出的每一个元素都要受三个维度共同的影响（当然，一般来说全连接是没有三个维度的，这个只是做一个比方）。后来前辈们发现了卷积操作的妙用，于是大家开始广泛采用卷积操作。在卷积操作中，每一个输出的元素中，三个维度的影响力如下：

1 所有的通道

2 局部的高度

写在最前面

如今机器学习和深度学习如此火热，相信很多像我一样的普通程序猿或者还在大学校园中的同学，一定也想参与其中。不管是出于好奇，还是自身充电，跟上潮流，我觉得都值得试一试。对于自己，经历了一段时间的系统学习（参考[《机器学习/深度学习入门资料汇总》](https://link.zhihu.com/?target=https%3A//link.jianshu.com/%3Ft%3Dhttps%253A%252F%252Fcaiquanliu.github.io%252F2017%252F11%252F12%252F%2525E6%25259C%2525BA%2525E5%25

**导语：**想过一个问题没有？人们看到一个猫的图片时，立马就能知道这是一只猫，看到一个狗的图片，立马就能知道这是一只狗。时间非常快而且很少出错，为什么能够达到这么好的效果呢？因为大脑本质上是一个非常高效的处理器。而这个处理器其实是由巨量神经元细胞组成的神经网络。

人们早早（20世纪40年代）就开了脑洞，为什么不尝试通过“模拟神经元细胞网络的行为”这种手段解决实际问题呢？随着机算能力的提高（20世纪80年代以后），神经网络算法慢慢形成了热点。

很多常见的问题都可以用神经网络轻松处理好。例如提供手写的字的图片，神经网络算法就可以完成内容的识别；提供股票历史交易日的信息，神经网络可以判

\

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

这篇文章叫做《Explaining and harnessing adversarial examples》,作者团队和上一篇文章的作者是一班人马。Ian Goodfellow同学真的和“adversarial”这个词有缘，先是做Adaversarial training，又是做GAN。

让我们直接进入主题——如何快速找到模型的盲点？所谓的盲点，就是找到一些输入数据，这些数据这样的特点：让人看很容易得出正确答案，而让模型却会识别错误。更要命的是，一般会有一个和它长得差不多的数据，这个数据可以被模型正确识别。一般来说，后面提到的这个数据存在于训练数据或者预测数据中，而前面提到的识别错误的数

**编者按：**人生之三境界的第一层，“看山是山，看水是水”，本质上展示了人“看见”的过程，以及思绪与理解在这一过程中所起的作用。

“看见”，对于人类而言，似乎是一个很简单自然的事情，其实则不然，从地球上第一个长出眼睛的生物三叶虫，走到今天的人类视觉，经历了五亿四千万年的漫长旅程。人类获得今天的视觉能力，是大自然长期进化的结果，大脑中三分之一的皮层是与视觉相关的。

因此人的视觉任务，本质上是人脑对外界视觉信号作出反应的过程，那么，研究人脑的工作机理，是否能够为计算机视觉提供一些启发，让机器“看山是山”呢？基于此，学术界开展了脑启发视觉计算领域的研究。那么过去一年中，在这一领域都取得

\

摘要

机器学习算法被描述为学习一个目标函数 (f)，它最好地将输入变量 (X) 映射到输出变量 (Y)：Y = f(X)

最常见的机器学习类型是学习映射 Y = f(X) 以针对新 X 预测 Y。这称为预测建模或预测分析，目标就是要做出最准确的预测。

十种机器学习算法

TOP MACHINE LEARNING ALGORITHMS YOU SHOULD KNOW

\

研究结论

传统的基于大类因子的因子加权方法可以抽象成简单的神经网络，指定损失函数后可以以一个时间截面数据作为批量通过基于梯度的优化算法学习大类因子内部的权重和大类间的权重

在一定的情形下，最小化预测收益率和实际收益率的均方误差等价于最大化ZSCORE的IC，基于均方误差学习参数相当于找到一组参数使得模型ZSCORE过去一段时间的平均IC最高。

如果不考虑大类因子的标准化层，基于大类的线性网络和简单线性网络等价，但之所以依然采用大类网络在于这种设计下更便于我们实践中对各个大类因子进行直接或者间接的干预

我们尝试了对量价总个大类的权重进行适当的控制，发现在对大类因子进行适当程度的干预

我是根据bq上面提供的方法来写的，还是报错了，不知道是哪个环节出问题了，看图

保存csv方法：

p

问题

您好，老师：

目前在使用bigquant平台使用神经网路建立深度学习模型时。设置的epoch为2000-3000，训练时间往往需要5个小时以上。在这中间很容易因为网络问题发生训练中断。

虽然平台有了保存策略问题，也可以恢复到断点。但是，恢复到断点时只是显示出之前的未完成训练结果，无法接着原来的断点继续训练。点击运行后，依旧从头开始训练模型。这样无法完成一个耗时长的模型训练。

希望告知设置断定续训的方法或者步骤。

十分感激。谢谢

BigQuant AI Platform deep learning models（BigQuant AI量化平台深度学习模型库）。

介绍

bigmodels是什么？

bigmodels是BigQuant AI量化平台的深度学习模型库，集成了AI量化研究过程中常用的深度学习模型。

为什么需要bigmodels？

我们用PyTorch封装了AI量化研究中常用的深度学习模型，包含DNN、1DCNN、LSTM和Transformer等，并持续更新。

平台用户可以用简单的方式调用经过大量实践检验的AI能力，赋能AI量化投资。

import toch
impo

\

作者

徐耀杰（woshisilvio）

常见算法优劣比较

算法没有最好，只有更好。 这个问题的答案取决于许多因素，例如股票市场的条件，数据集的质量和特征工程的有效等。接下来，我们来看看这些算法的优势和劣势：

1. 神经网络：适用于复杂的非线性问题，可以有效地捕捉市场的非线性特征和复杂关系。
2. 决策树：适用于数据量较小、特征维度较少的情况，可以很好地解释模型的决策过程。
3. 随机森林：适用于处理高维度、复杂数据集，具有很好的鲁棒性和准确性。
4. 支持向量机：适用于数据量较小、特征维度较高的情况，可以有效地处理非线性和线性可分问题。

正常情况下，在处理少量的股票量

深度学习可以概括为特征的抽象和结果的预测。深度学习是将原始的数据特征通过多步的 特征转换得到一种更高层次、更抽象的特征表示，并进一步输入到预测函数得到最终结果。深度学习需要解决的关键问题是贡献度分配问题（Credit Assignment Problem，CAP），即一个系统中不同的组件（component）或其参数对最终系统输出结果的贡献或影响。深度学习的目标是让模型自动学习出好的特征表示，从而最终提升预测模型的准确率。

深度学习采用的模型主要是神经网络模型。主要原因是神经网络模型可以使用误差反向传播算法（Backpropagation），能够比较好地解决贡献度分配问题。只要是超过一层的神

策略案例

https://bigquant.com/experimentshare/723e10568f294571924b89f3953ce20b

\

策略案例

https://bigquant.com/experimentshare/9426627188af4f488644532c01328c14

\

本集合里将分享平台开发者们对DeepAlpha系列的实践研究报告

\

本文由BigQuant翻译来自于MSCI研究，原文标题为《机器学习因子:在线性因子模型中捕捉非线性》

作者：George Bonne, Jun Wang, Howard Zhang

发表时间：2021年3月

概要

虽然机器学习(机器学习)算法已经存在了几十年，但最近它们在包括金融在内的许多领域受到了越来越多的关注，尤其是在解释资产回报的应用上。虽然线性因子模型多年来一直是理解风险敞口、风险和投资组合表现的重要工具，但没有哪一种模型是一成不变的，即因子敞口和回报之间的关系必须是线性的。

在这里，我们研究了在去除线性成分后，机器学习算法在多大程度上可以检测因子暴露和安全回报之间的关

研究结论

多因子体系主要包括alpha模型、风险模型、交易成本模型和组合优化，广义的alpha模型分为alpha因子构建和因子加权，是量化从业人员的研究重心，但传统的alpha模型当期面临较大的挑战。

后发优势的逐渐丧失导致人工挖掘alpha因子的周期变长，国内外估值因子的长时间回撤，近年量价因子的批量拥挤等都是当前选股alpha因子层面的困境，量价因子拥挤等原因导致因子IC和组合绩效产生较大偏差，给以IC和回归为基础的动态因子加权带来挑战。

除了人工合成alpha因子外，我们可以通过设计因子单元批量产生有效的alpha因子，以扩充因子库，考虑到因子IC和组合收益的不一致性，我们通

摘要

gcForest算法

gcForest（multi-Grained Cascade Forest）算法是2017年周志华教授提出来的一种基于树的深度模型，旨在作为深度神经网络的一种可供选择的替换。由于超参数更好的鲁棒性，小样本上更好的稳定性，因此该模型相对于神经网络可能在金融数据上有更好的表现。

gcForest的回测表现

将《机器学习与量化投资：避不开的那些事（1）》中的神经网络替换成为gcForest，按月收益回撤比可达15.959。

gcForest的参数敏感性

该模型的各个参数的敏感性都非常低。

正文

[/wiki/static