问题

如何利用神经网络分析股票之间的相关性，达到词向量空间的效果？

策略源码

https://bigquant.com/experimentshare/3dae29a664c84984a1ae6c65e62f51e0

视频

[https://www.bilibili.com/video/BV1Ma411N7KS?share_source=copy_web&vd_source=2e7dc1240ea373ea6eba1134

/wiki/static/upload/c9/c94fbe09-58ac-483f-8d29-ba184e00cfb3.pdf

\

摘要

深度学习介绍及应用案例

本篇报告将焦点放在深度学习上，介绍了深度学习的常用算法和在金融领域上可以运用的场景，并给出了两个具体的案例。

监督类方法介绍

监督的深度学习算法基于神经网络结构，这种系统一般由多个层堆叠组成特定神经网络，不同算法的差别来自层的组成结构及层与层之间的关系。深度神经网络在普通神经网络的基础上，增加隐含层的数量，学习输入与输出之间的非线性关系。循环神经网络随数据的输入生成动态模型，以捕捉之前的输出和当前输出的关系，并衍生出了如LSTM的结构，解决遗忘较长时间信息的问题。卷积神经网络主要通过卷积和池化的方式连接每层的输入和输出，达到降低数据维

摘要

机器学习系列报告

本系列报告试图系统全面性的介绍各种不同的机器学习方法，并且结合具体的在投资研究领域应用实例、交易策略及code示例，说明其应用情景和实现方法。机器学习的方法可以分为以下几类：监督学习、无监督学习、深度学习及其他机器学习方法（例如强化学习），对应到具体的模型上数量则更是繁多，目前大部分机器学习模型并未广泛的应用在投研领域，因此本系列主要偏重于在投研领域有应用潜力的模型及方法。此篇将以介绍监督学习方法为主

监督学习模型之回归类模型及其应用

与普通线性回归不同，监督学习中的惩罚回归模型和非参数回归，可以分别用于处理输入变量中存在大量线性相关性关系

\

背景

机器学习的研究领域包括有监督学习（Supervised Learning），无监督学习（Unsupervised Learning），半监督学习（Semi-supervised Learning）和强化学习（Reinforcement Learning）等诸多内容。针对有监督学习和半监督学习，都需要一定数量的标注数据，也就是说在训练模型的时候，全部或者部分数据需要带上相应的标签才能进行模型的训练。但是在实际的业务场景或者生产环境中，工作人员获得样本的成本其实是不低的，甚至在某些时候是相对较高的，那么如何通过较少成本来获得较大价值的标注数据，进一步地提升

\

简介

本教程旨在介绍如何使用TensorFlow以及LSTM神经网络进行深度学习（了解更多机器学习请参见教程

@ML@ML

）。本教程的演示方法为：以实数序列的预测模型为例进行论述，并对股票价格或股指指数进行实测。

序列数据

本教程将使用神经网络作为序列数据的预测模型。接下来我们介绍什么是序列数据。

数学上的实数序列

vv为一有限实数序列，即v=(v1,...,vM)v=(v1,...,vM)，其中∀i=1,...,M∀i=1,...,M，vi∈Rvi∈R为实数，MM为一非负整数，亦即vv是一包含MM个元素的实向量（若M=0M=0

摘要

初步探索基于神经网络的组合优化

在基于因子的量化投资流程中，因子生成、多因子合成、组合优化是三个重要步骤。组合优化一般是指通过凸优化方法将收益预测转换为资产权重的步骤，本文将尝试把组合优化融入到神经网络中，构建端到端的量化投资框架，该框架输入资产的原始数据，通过神经网络进行特征提取和合成，再通过可传播梯度的凸优化层(如 CvxpyLayers)优化得到资产权重，目标函数可直接定义为资产组合的收益率或其他指标，并以该目标优化整个神经网络。本文以资产配置中的风险预算模型为例，测试了基于神经网络的组合优化效果。 在合理限制下，模型在两组资产配置测试中均能获得更好的收益表现。

问题

如何在全连接模块中自定义swish激活函数的代码

\

视频

https://www.bilibili.com/video/BV1DL4y1w7sb?share_source=copy_web

策略源码

[https://bigquant.com/experimentshare/9f1dae69e055429c9922b4f5d038361a](https://bigquant.com/experimentshare/9f1d

问题

深度学习在期货高频上的应用

策略源码

8月19日Meetup问题模板：

https://bigquant.com/experimentshare/f58dbfb388454407b8a2b99eb14cf1ea

\

论文原名

End-to-End Risk Budgeting Portfolio Optimization with Neural Networks

论文作者

A. Sinem Uysal, Xiaoyue Li , and John M. Mulvey

修订时间

2021年7月9日

引言

投资组合优化一直是金融领域的核心问题，经常与两个步骤：校准参数，然后解决优化问题。然而，两步过程有时会遇到“误差最大化”问题，其中参数估计的不准确转化为不明智的分配决策。在这论文中，我们将预测和优化任务结合在一个单一的前馈神经网络中网络并实施端到端的方法，在那里我们学习

论文原名

Multi-Horizon Forecasting for Limit Order Books:Novel Deep Learning Approaches and Hardware Acceleration using Intelligent Processing Units

论文作者

Zihao Zhang, Stefan Zohren Oxford-Man Institute of Quantitative Finance, University of Oxford

修订时间

2021年8月27日

引言

我们为限价订单 (LOB) 数据设计

论文原名

NEURAL NETWORKS FOR DELTA HEDGING

论文作者

Guijin Son and Joocheol Kim

发布时间

2021 年 12 月 21 日

引言

在完美金融市场假设下定义的 Black-Scholes 模型，理论上创建一个完美的对冲策略，允许交易者规避期权组合中的风险。然而，“完美金融市场”的概念，要求零交易和持续交易，在现实世界中遇到是具有挑战性的。尽管存在如此广为人知的局限性，但学者们已经未能开发出足够成功的替代模型以建立长期。在本文中，我们通过测试对冲探索基于深度神经网络 (DNN) 的对冲系统的前景以

什么是GAN？（本文内容整理自网络）

GAN（Generative Adversarial Netwo，生成对抗网络）是用于无监督学习的机器学习模型，由Ian Goodfellow等人在2014年提出，由神经网络构成判别器和生成器构成，通过一种互相竞争的机制组成的一种学习框架。

卷积神经网络之父-Yann LeCun这样评论GAN

*在我看来，最重要的是对抗训练( GAN也称为生成对抗网络)。这一想法最初

原研报标题：Generative Adversarial Nets

发布时间：2018年

作者：Ian J. Goodfellow∗, Jean Pouget-Abadie† , Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair‡ , Aaron Courville, Yoshua Bengio

摘要

本文通过对抗过程，提出了一种新的框架

原研报标题：Transformer: Attention is all you need

发布时间：2017年

作者：Ashish Vaswani、 Noam Shazeer、 Niki Parma 、Jakob Uszkoreit、 Llion Jones 、Aidan N. Gomez、 Łukasz Kaiser

摘要

主流的序列转换模型都是基于复杂的循环神经网络或卷积神经网络，且都包含一个enc

摘要

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，我们通过正交弱

lintcode上面有十几道类似于Kaggle的小项目，用于深度学习的入手练习再好不过了，现在就让我们上手这道猫狗分类器的问题吧！

（全程用Keras框架，简单上手！）

题目描述：

给出一张猫或狗的图片，识别出这是猫还是狗。

这种识别具有很重要的意义，比如：

Web服务为了进行保护，会防止一些计算机进行恶意访问或信息爬取，进而设立一些验证问题，这些验证问题对于人来说很容易做，但是对于计算机这很困难。这样的方法称为CAPTCHA（完全


本期作者：Yibin Ng

译者：1+1=6

前言

机器学习有很多应用，其中之一就是预测时间序列。一个最有趣（或者可能是最赚钱）的时间序列是股票价格。

今天，我们用更严谨的

本章节中准备写一些TensorFlow的入门示例，但是这并不是意味着第一章写完了，第一章会一直写下去，因为我一直认为数学基础是应该贯穿整个学习过程的，但是愿意看的人很少。很多人都以为神经网络只要会用一些框架并搭建现有网络解决问题就够了，但抱着这种思想其实也不能说是错，但是其实以这种思想的话其他一些比如贝叶斯算法、ID3、EM等一些简单的算法也可以完成任务，未来的神经网络应用范围可能没有想象的那么广，或者说只有拥有大量数据的公司才搞得起来，但是补足基础，过渡到其他简单的数据挖掘算法就足以应付中小公司的数据处理工作了。

本章中我们需要构建一个TensorFlow的基础，所谓基础就是我们可以搭建简

本章内容只是介绍最简单的算法推演过程，并不涉及优化过程。程序放在了github上仅供参考example1.7.1.py

回想我们对于第1.6章内容的推演过程就会发现，算法中梯度扮演了十分重要的作用。那么现在需要学习的BP算法也应该是基于梯度的，假设规定的误差函数为：

![\mathcal{E}=|\vec{d}-\vec{y}|=\sqrt{\sum_{i}{(d_i-y_i)^

在写1.2章内容的时候就有人评论(这里并没有恶意，请别见怪)：

确实是一个神经网络的应用，不能体现神经网络的实力啊，拟合多项式least square method就可以了

上面的话都是正确的，唯一感觉有些不合适的是过分的高估了神经网络的神奇，作为曲线拟合的方式最小二乘方法核心思想就是找到合适的曲线使得其能更好的拟合一些离散的的数据点。这里“更好”定义为与数据点的方差最小。简而言之就是定义一个函数 ,求得合适的 ![\vec{x

策略案例

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

\

8月19日Meetup问题模板：

https://bigquant.com/experimentshare/f58dbfb388454407b8a2b99eb14cf1ea

\

导语

机器学习里面究竟有多少经典的算法呢？本文简要介绍一下机器学习中的常用算法。这部分介绍的重点是这些方法内涵的思想，数学与实践细节不会在这讨论。

回归算法

在大部分机器学习课程中，回归算法都是介绍的第一个算法。原因有两个：一.回归算法比较简单，介绍它可以让人平滑地从统计学迁移到机器学习中。二.回归算法是后面若干强大算法的基石，如果不理解回归算法，无法学习那些强大的算法。回归算法有两个重要的子类：即 线性回归 和 逻辑回归 。

线性回归就是我们前面说过的房价求解问题。如何拟合出一条直线最佳匹配我所有的数据？一般使用“最小二乘法”来求解。“最小二乘法”的思想是

课程描述：

这是一门讲解深度学习方法入门课程，深度学习主要应用于机器翻译，图像识别，游戏，图像生成等等。课程同时设置了两个非常有趣的实战项目：

（1）基于RNN生成音乐

（2）基于X光的基本检测，GitHub地址：https://github.com/aamini/introtodeeplearning_labs

文末附课程所有视频教程、PPT及配套代码。

课程安排：

Session 1

Part1 深度学