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：

1. 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

更新

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

因子随机选取为新功能，对计算资源较高，普通会员运行

更新

本文内容已经过期，不再适合平台最新版本，请查看如下最新内容：

[https://bigquant.com/wiki/doc/6yep5yyw5py65zmo5a2m5lmg57o75yix5yig5lqr77yi5lia77yj5py65zmo5a2m5lmg5lul57u

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

更新

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

\

问题

是否能够用分钟（或秒级）量价数据

更新

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

预计算因子表[数据平台] <https://b

本文内容已经过期，不再适合平台最新版本，请查看以下最新内容，作为参考资料学习。

\

更新

本文为旧版实现，仅供学习参考。

[https://bigquant.com/wiki/doc/demos-ecdRvuM1TU](https://bigquant.com/wiki/doc/d

\

更新

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

本文来自方正证券研究所于2023年3月27日发布的

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

基于Tabnet模型的量化选股方案。

【旧版使用说明】此文档为旧版本，相关文档可参考：

https://bigquant.com/wiki/doc/126-KkS3pYVIAH

20210624 Meetup 策略案例

[https:/

本文内容已经过期，不再适合平台最新版本，请查看以下最新内容，作为参考资料学习。

旧版声明

本文为旧版实现，仅供学习参考。

[https://bigquant.com/wiki/doc/demos-ecdRvuM1TU](https://bigquant.com/wiki/doc/dem

本文内容已经过期，不再适合平台最新版本，请查看以下最新内容，作为参考资料学习。

\

旧版声明

本文为旧版实现，仅供学习参考。

[https://bigquant.com/wiki/doc/demos-ecdRvuM1TU](https://bigquant.com/wiki/doc/d

本文内容已经过期，不再适合平台最新版本，请查看以下最新内容，作为参考资料学习。

旧版声明

本文为旧版实现，仅供学习参考。

[https://bigquant.com/wiki/doc/demos-ecdRvuM1TU](https://bigquant.com/wiki/doc/dem

\

本文内容已经过期，不再适合平台最新版本，请查看以下最新内容，作为参考资料学习。

旧版声明

本文为旧版实现，仅供学习参考。

[https://bigquant.com/wiki/doc/demos-ecdRvuM1TU](https://bigquant.com/wiki/doc/d

1. 什么是Softmax

Softmax要解决这样一个问题：我有一个向量，想用数学方法把向量中的所有元素归一化为一个概率分布。也就是说，该向量中的元素在[0,1]范围内，且所有元素的和为1。

Softmax就是这个数学方法，本质上是一个函数。

假设我们有一个k维向量z，我们

好嘛博主食言了。不过本文没什么干货，主要是前后看了大概一个星期，反复去读源码和解读文章，终于感觉这东西不那么云山雾罩了。同时也发现网上很多材料有点扯淡，99% 的博文不过是把别人的东西用自己的话说一下，人云亦云。好多人自己理解错了而不自知，实在是误人误己。

我也不敢说理解得有多深，下面的内容甚至可

1. 获取数据

首先获取训练集“Stanford V1.0”和使用Glove模型训练好的词向量矩阵。

我们使用shell命令获取以上文档，脚本如下：

DATASETS_DIR="utils/datasets"
mkdir -p $DATASETS_DIR

cd $DATASET

目录

1. 随机梯度下降法有什么问题？
2. 负采样
3. 计算梯度

1. 随机梯度下降法有什么问题？

通过对代价函数求权重的梯度，我们可以一次性对所有的参数 ![\theta](https://www.zhihu.com/equation?tex=%5Ctheta

什么是Skip-gram算法

Skip-gram算法就是在给出目标单词（中心单词）的情况下，预测它的上下文单词（除中心单词外窗口内的其他单词，这里的窗口大小是2，也就是左右各两个单词）。

以下图为例：

![](/community/uploads/default/original/3X

目录

1. 我们的目标是什么？
2. 需要用到的表达式和公式
3. 手把手带你计算梯度
4. 意义是什么？

我们的目标是什么？

![](/community/uploads/default/original/3X/8/d/8db18c837d56a961e46c71822f

建议看此文之前先看以下两篇文章：

• 刘博：Word2Vec介绍：直观理解skip-gram模型
• [刘博：Word2Vec介绍：skip-gram模型](https://zhuanlan.zhihu.com/p/

本文是译文，原文戳这里.

本教程将介绍Word2Vec的skip-gram神经网