• 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==

\

策略源码：

{{membership}}

https://bigquant.com/codeshare/66c560a3-335b-407c-aa2f-7053322141f4

\

• 运行环境：AIStudio 3.0.0
• 线性回归：构建因子+单因子策略回测
• 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：

{{membership}}

[https://bigquant.com/codeshare/cd8638d7-21c0-4df4-8a29-e9f1cc227df0](https://bigquant.com/codeshare/cd8638

• 运行环境：AIStudio 3.0.0
• 机器学习：线性回归策略：预测上涨概率
• 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：

{{membership}}

[https://bigquant.com/codeshare/3c3165db-d37e-4c8a-90f6-8af10855fb18](https://bigquant.com/codeshare/3c3

• 运行环境：AIStudio 3.0.0
• 机器学习：线性回归策略：预测收益
• 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：

{{membership}}

[https://bigquant.com/codeshare/ead656f5-c6a0-4a6d-9226-2ed3474d2a20](https://bigquant.com/codeshare/ead656f5-c6

回归是一种挖掘因变量和自变量之间关系的技术。它经常出现在机器学习中，主要用于预测建模。在本系列的最后一部分中，我们将范围扩大到涵盖其他类型的回归分析及其在金融中的用途。

线性回归

简单线性回归

简单的线性回归允许我们研究两个连续变量之间的关系——一个自变量和一个因变量。

简单线性回归方程的一般形式如下：

其中 (β_{0}) 是截距，(β_{1}) 是斜率，(ϵ_{i}) 是误差项。在这个等

如何把我的因子中创建的因子，引入输入特征列表模块中

假设我们采用新的模版代替原来输入特征列表的部分？直接用“输入特征（DAI SQL）”代替，貌似报错了。或者有相关用新模版建立线性-回归算法策略的文档吗，这样就可以用自己的数据进行策略分析了。

![](/wiki/api/attac

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

1. 人工智能与机器学习的概念

1.1 人工智能的概念

人工智能（Artificial Intelligence，AI）是一门研究如何使计算机系统具备类似于人类智能的能力的领域

人工智能的子领域示例：

1. 机器学习：机器学习是人工智能的子领域，用于从数据中学习并改善系统性能
2. 自然语言处理：NLP致力于使计算机能够理解、处理和生成人类语言
3. 计算机视觉：计算机视觉使计算机能够识别和解释图像和视频数据，用于图像识别、目标检测和人脸识别等任务
4. 机器人学：机器人学研究如何设计、构建和控制机器人，使它们能够执行各种任务
5. **专家

在AI量化开发中，技术和方法的重要性可能会根据应用场景和策略的具体需求而有所不同。以下列举一些在AI量化领域普遍认为重要的技术和方法。

1. 线性回归 (Linear Regression)
2. 逻辑回归 (Logistic Regression)
3. 决策树 (Decision Trees)
4. 随机森林 (Random Forests)
5. 梯度提升机 (Gradient Boosting Machines, 如 XGBoost)
6. 支持向量机 (Support Vector Machines)
7. **神经网

导语

线性回归模型的最大特点就是简单高效，本文将对线性回归做详细介绍。

简介线性回归

线性回归是衡量两个变量之间线性关系的一种建模技术。 如果我们有一个变量X和一个依赖变量X的变量Y，则线性回归可以确定哪个线性模型Y=α+βX能够最好地解释数据。 例如，我们考虑浦发银行和沪深300的价格指数， 我们想知道浦发银行如何随着沪深300的变化而变化，因此我们将对这两个标的的日收益率进行回归。

Python的statsmodels库具有内置的线性回归功能。 它将给出最能够拟合数据的一条的直线，并且能够帮助你决定该线性关系是否显著。 线性回归的输出还包括一些有关模

导语

多元线性回归的应用比较普遍，本文将对其做相关介绍。

金融理论从资本资产定价模型(CAPM)发展到套利定价理论(APT)，在数理统计方面就是从应用一元线性回归发展到应用多元线性回归。在实际运用中，多元线性回归比较普遍。

一元线性回归研究的是一个因变量和一个自变量的线性关系的模型，多元线性回归研究的是一个因变量和多个自变量的线性关系的模型。 多元线性回归模型表示为：

其中，i=1，2，...,n，n表

https://bigquant.com/experimentshare/c451f287332a411cb4c7756c457318f6

\

#逻辑回归

这也称为 logit 回归。逻辑回归是一种基于过去数据预测事件二元结果的分析方法。

当因变量是定性的并且取二进制值时，它被称为二分变量。

如果我们使用线性回归来预测这样的变量，它将产生 0 到 1 范围之外的值。此外，由于二分变量只能取两个值，残差不会围绕预测线呈正态分布。

Logistic 回归是一种非线性模型，它产生一条逻辑曲线，其中值限制为 0 和 1。

将此概率与阈值 0.5 进行比较，以决定将数据最终分类为一个类别。因此，如果一个类的概率大于 0.5，则将其标记为 1，否则标记为 0。

金融中逻辑回归的用例之一是它可以用来预测股票的表现。

#分位数回归

本文将被聚宽量化课堂收录，如有转载，请注明出处，侵权必究

与官方号同步推出，欢迎关注官号：进阶版——运用多元线性回归法选股 - JoinQuant的文章 - 知乎专栏

本篇的难度属于进阶难度，阅读前请准备：

基本的金融概念。

需要了解线性回归模型

需要了解APT模型

Pyhon机器学习中必用到的是scikit-learn包，这个包的基本功能主要分为六大部分:分类、回归、聚类、数据降维、模型选择、数据预处理。因此，在机器学习前，需要在环境中使用以下命令，安装scikit-learn包。

conda install scikit-learn

另外，贯穿机器学习的几个概念也是要熟知的。主要为：特征、标签、训练数据、测试数据。在以后的各种模型学习中都会提及。

特征（features）：数据的属性，或者可以认为是事物的固有属性

标签（labels）：根据数据的属性，我们对数据的预测结果。或者是我们根据事物固有属性产生的认知、结论。

一般我们需要构建特征到标

很简单的算法，却蕴含着机器学习中的一些基本思想，包括梯度下降法、最大似然估计的原理等。很多其他机器学习算法，都是在线性回归算法的基本思路之上修改得来。

和KNN的区别：KNN实例即模型，不需训练；而线性模型等很多算法，则是通过训练计算参数获得一个函数，再通过函数进行预测。

通俗理解

就是以各特征值为自变量，待预测的标签值为因变量，通过机器学习的训练过程获得各自变量的最佳参数，这样就构成一个线性组合的函数，用这个函数就可以预测某一个样本的标签值。（输入其特征值，输出其标签值）这也是很多机器学习算法的训练基本思路。

举例：用距中心区距离、户型、周边设施数量、面积等自变量，去预

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

所有的文章都会在我的博客和我的知乎专栏同步进行更新，欢迎阅读

陈浩然的博客​braverychr.github.io

线性模型

在上一章我们说到，机器学习中主要的两个任务就是回归和分类。如果读者有高中数学基础，我们很容易回忆到我们高中学习过的一种回归方法——线性回归。我们将这种方法泛化，就可以得到机器学习中的一种常见模型——线性模型，线性模型是监督学习的一种。我们已经说过，我们要从数据集中训练出模型，每个数据可以视为*

股票收益率的一般取值范围如下图


设定股票收益率近似符合正太分布，则股票收益率（不包括最极端收益率）可以认为在 ![(-

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

摘要

本文尝试在因子的框架体系中考察分析师覆盖度与股票未来收益之间的关系。提出对于传统的离散覆盖度指标，可通过线性回归方式剥离掉公司特征（如市值、流动性、前期股价表现）的影响，分解出独属于公司的特质覆盖度ATOT。覆盖度因子反映了分析师群体对其时间、精力和注意力的分配。

特质覆盖度越高，公司未来基本面向好的可能性越大

特质覆盖度对公司未来基本面具有较强的预测能力。特质覆盖度越高的公司，其未来盈利能力和营运有效性向好的可能性越大。从盈利能力来看，分析师倾向于将其研究精力分配给经营净现金流为正、净利润为正、同时相比于上一年同期净利润增加的公司。从营运有效性来看，分析师倾向

问题

ahsing+想问一下如何在bigquant环境下复现rsrs指标

解答

• rsrs指标

  取前N日最高价与最低价

  线性回归，找到beta值即，rsrs斜率指标值

• 可以通过平台因子表达式构建

视频

https://www.bilibili.com/video/BV1rW4y177HB/?spm_id_from=333.999.0.0

视频源码

[https://bigquant.com/exp

摘要

基差收敛因素的研究。排除分红影响后，我们发现基差收敛速度还受到当前合约年化基差、指数未来收益率以及当前全部合约基差期限结构的影响。

对冲策略的优化。我们对股指期货的基差收敛速度进行归因分析，并通过历史统计数据做出线性回归，量化了在不同市场条件下股指期货合约的基差收敛速 度，并据此做出期现对冲策略。

正文

[/wiki/static/upload/34/3474a069-3410-4281-9dcf-dee3b9994283.pdf](/wiki/static/upload/34/3474a069-3410-4281-9dcf-dee3b9994283.

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

问题

laosha+如何计算前5-10个交易日收盘价的斜率。

思路

1. 斜率的计算公式：$slope = \arctan\left(shift\left(close,5\right)-shift\left(close,10\righ