朴素贝叶斯

朴素贝叶斯在金融领域的应用，主要基于其高效且易于实现的分类与预测能力。在风险管理、信用评分、欺诈检测以及投资决策等多个金融场景中，朴素贝叶斯算法通过利用历史数据，快速准确地推断出未知事件发生的概率。该算法假设特征之间相互独立，从而简化了计算过程，使其能在大量数据中高效地找到有价值的模式。虽然这一假设在现实中并不总是成立，但朴素贝叶斯在金融领域依然表现出色，尤其是在处理高维度、类别型数据时。通过不断的模型优化和特征选择，金融机构可以进一步提高朴素贝叶斯的预测准确性，从而在激烈的市场竞争中获得宝贵的信息优势。

主动学习（Active Learning）

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

更新时间：2024-05-20 06:19

贝叶斯公式定理及理解

贝叶斯定理是机器学习领域中的一种重要算法。它的基本思想是根据已知数据和先验概率，通过贝叶斯公式计算出后验概率，从而进行分类或预测。朴素贝叶斯（Naive Bayes）是贝叶斯算法中的一种经典方法，也是为数不多的基于概率论的分类算法。它在拼写检查、语言翻译、生物医药、疾病诊断、邮件过滤、文本分类等诸多方面都有很广泛的应用。贝叶斯定理也是统计学和概率论中非常重要的一个定理，它提供了一种在已知某些其他概率的情况下，计算某个事件概率的方法。这个定理在金融领域的风险评估、市场趋势预测等方面有广泛应用。

贝叶斯公式

贝叶斯定理可以表达为：P(A∣B)= P(B∣*A

更新时间：2024-05-20 03:38

机器学习常用35大算法盘点

本文将带你遍历机器学习领域最受欢迎的算法。系统地了解这些算法有助于进一步掌握机器学习。当然，本文收录的算法并不完全，分类的方式也不唯一。不过，看完这篇文章后，下次再有算法提起，你想不起它长处和用处的可能性就很低了。本文还附有两张算法思维导图供学习使用。在本文中，我将提供两种分类机器学习算法的方法。一是根据学习方式分类，二是根据类似的形式或功能分类。这两种方法都很有用，不过，本文将侧重后者，也就是根据类似的形式

更新时间：2024-05-20 02:09

机器学习：10-朴素贝叶斯

运行环境：AIStudio 3.0
策略说明：==本代码以教学目的为主，请自行调参==

回测图：

策略源码：

[https://bigquant.com/codeshare/86ef92ba-f91f-46fa-a6d3-d7b2207e741b](https://bigquant.com/codeshare/86ef92ba-f91f-46fa-a6d3-d7

更新时间：2024-04-25 07:40

人工智能选股周报：最近一个月XGBoost稳定战胜指数华泰证券_20180805_

摘要

本周全A选股（沪深300行业市值中性）朴素贝叶斯表现最好本周沪深300涨跌幅为-5.85%。本周3个模型跑赢基准，超额收益最高的模型是朴素贝叶斯，该模型本周获得绝对收益-5.40%，超额收益0.45%。最近一月超额收益最高的模型是随机森林，该模型最近一月获得绝对收益，超额收益1.13%。2018年以来超额收益最高的模型是随机森林，该模型2018年以来获得绝对收益-14.16%，超额收益4.73%。2018年以来RankIC均值最高的模型是Stacking，该模型RankIC均值为0.119。本周全A选股（中证500行业市值中性）XGBoost表现最好本周中证500涨跌幅为-6

更新时间：2022-07-29 07:12