更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

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

新版数据平

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

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

新版数据平

策略介绍

本策略AI算法来预测股票的未来表现，并进行排序。这里使用算法StockRanker，BigQuant 平台开发的一种先进的机器学习算法，专门用于量化选股排序学习，通过在多个因子/特征的数据上训练，旨在从大量股票中识别并排序那些未来表现可能最优异的股票。

策略思想

策略基于以下几个核心思想：

1. 特征选择：输入对股票价格有显著影响的多维度因子，可以是包括基本面、技术指标、情绪指标等等
2. 预测目标：预测未来 5 日收益率
3. 数据抽取和处理：抽取和处理数据
4. 模型训练：应用StockRanker算法，训练模型来预测股票未来上涨概率。StockRa

欢迎您来到BigQuant！

BigQuant是一个人工智能量化投资平台，平台内聚集了各类人工智能量化开发者、订阅者和学习者。

一.开发者

如果您是一位充满好奇心的学习者，在BigQuant您可以前往：

1.培训报名

与知识经验丰富的讲师团队，通过线上+线下的方式，学习AI量化入门、因子构建分析、AI量化实践、实战等，纵观全局获得AI量化全貌，由浅入深进阶成为量化大神。 ![{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:1

导语

1989年发表的论文《The Fundamental Law of Active Management》及其随后的相关论文揭示了寻求主动投资的$\alpha$收益的数量化关系，这为主动组合投资管理带来一套令人信服的分析框架，这个数量化关系很好揭示了数量化技术(量化投资)可以如何或者应该如何切入投资管理领域。

和被动组合管理(passive porfolio management)相比,主动组合管理(active porfolio management)更显投资水平的能力，或者说运气。被动投资力求完全复制相应的基准成分股及其权重，所以每当某指数做成分股的调整时，新入选的

导语

“人工智能”概念日益兴起，“谷歌围棋程序AlphaGo全面碾压专业选手”类似新闻逐渐增多，人工智能时代已经来临。通过短文快速了解什么是人工智能。

人工智能（英语：Artificial Intelligence, AI）亦称机器智能，是指由人工制造出来的系统所表现出来的智能，可以概括为：研究智能程序的科学 。这门科学的出发点是 研究如何使程序能够像人一样思考、行为，以及如何保持理性（如图1），这里的理性可以理解为效用最大化。

![图1 智能程序的科学](/wiki/api/attachments.redirect?id=6bd0fcaf-94c8-4354-aee2

随着交易数据量越来越大，金融领域的各种应用已经验证了使用人工智能可以更好地进行投资或业务决策，也越来越多人相信人工智能技术在金融领域的应用前景。人工智能提供了一种适用于从个人数据到业务流程的高效数据分析工具。

与此同时，越来越多金融机构开始使用机器学习方法，以期在市场竞争中赢得优势。量化投资机构逐渐抛弃传统的分析方法，转而使用机器学习算法预测市场走势和选择投资组合。

与传统投资方式相比，量化投资方式具有更高效率及准确性。量化投资是一种基于计算机系统而生成的投资策略选择方法，可以对数学模型进行监理，在实现交易理念活动过程中构建更为完善规范的量化投资评价体系。在对模型进行监理的基础上，再对历史

来源：SSRN 作者：Sophie Emerson, Ruairi Kennedy, Luke O’Shea, and John O’Brien

机器学习是人工智能的一个子领域，它使用统计技术为计算机模型提供从数据集学习的能力，允许模型在没有显示编程的情况下执行特定任务。近年来，机器学习技术激增，人们对其在金融领域的应用也越来越感兴趣。在投资管理中，已被应用于新闻的情绪分析、趋势分析、投资组合优化、风险建模等。那么，机器学习在量化投资中有哪些潜在应用呢？

1.常见的机器学习算法

机器学习算法主要有三种：监督学习、无监督学习和强化学习。监督学习是在已知输入和输出的情况下训练出一个模型，将

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

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。它们包括监督学习、非监督学习和强化学习。
   • 监督学习，如支持向量机（SVM）、神经网络、决策树等，用于预测或分类任务，如股价预测、信用评分。
   • 非监督学习，如聚类、主成分分析（PCA）等，用于发现数据中的模式和关系，如市场细分、异常检测。
   • 强化学习，如Q学习

量化交易利用数学和统计学方法来分析市场并执行交易的过程，是现代金融的一个重要组成部分。量化模型的目的是通过算法自动识别并利用市场中的规律和机会，用以获取更多收益。

量化交易模型的一般由以下几个部分组成：

1 数据处理模型: 量化交易的基石是数据。这包括了从历史价格、成交量到公司财报、宏观经济指标等各类数据。对这些数据的收集、清洗和处理是构建有效模型的首要步骤。**[BigQuant策略编写平台](http

有些国外的平台、社区、博客如果连接无法打开，那说明可能需要“科学”上网

量化交易平台

国内在线量化平台：

• BigQuant - 你的人工智能量化平台 - 可以无门槛地使用机器学习、人工智能开发量化策略，基于python，提供策略自动生成器
• 果仁网 - 回测量化平台
• 聚宽 - 量化回测平台
• Ricequant - ricequant量化交易平台

本篇报告详尽地介绍了基于人工智能的阿尔法策略框架，包括基于AI技术在策略研究上的阶段性的工作和成果，并提供完整代码，读者可克隆策略，复现效果和继续改进。 希望本文能帮助读者拓展研究思路，应用AI来做更好的量化策略研发，把人工智能的能力赋予更多的投资者 (Democratize AI to empower investors)。

\

摘要

本篇报告构建了一个完整的可复用的 人工智能阿尔法策略框架。

本篇报告用AI对基本面、财务、交易型等 282个因子 做了单因子策略研究和多个维度上的绩效分析，并 **发掘了在短、中、长周期上多个夏普比率超过1.5 、年化收益超过 30

本文14323字，阅读约28分钟

导语：本文旨在用精炼的语言阐述实操层面的机器学习量化应用方法，包括给出实践中一些常见、实际问题的处理方案，并结合了量化应用实例。读完后大家可以在本平台进行实践检验。

文章概览：

1.人工智能量化投资概述

2.人工智能技术简介

3.机器学习在量化投资中应用的具体方法解析

AI相对于传统量化投资的优势 传统的量化投资策略是通过建立各种数学模型，在各种金融数据中试图找出市场的规律并加以利用，力所能及的模式或许可以接近某一个局部的最优，而真正的全局“最优解”或许在我们的经验认知之外。如同不需要借助人类经验的Alpha Zero，不仅

至2021年，前30家百亿私募量化机构中29家在官网介绍了其人工智能开发，或正在招募人工智能人才。

作者：

邵守田 东北大学金融工程硕士BigQuant首席策略官

傅浩晅 伊利诺伊大学香槟分校统计与经济双学位BigQuant算法团队成员

本报告模型构建工具：https://bigquant.com/

联络咨询：bigq100【微信号】

核心观点

据中信证券推算，截至2021年2季度

写在前面

本文为openAI的官方文档《GPT Best Practice》的中文翻译解读版，语言直白、通俗易懂，并补充了中文互联网环境中更容易理解的用例。（FROM：未来力场）

欢迎大家一起阅读交流！

OpenAI推荐的相关资源列表

以下均在OpenAI Cookbook里：

• lib/工具 Prompting libiaries & tools
• 提示词工程指南 Prompting guides
• 视频课 Video courses
• 论文 Papers

说是有：

https://bigquant.com/wiki/doc/mokuai-aBcAf1yeFo

关于我们

宽邦科技是一家领先的人工智能平台科技公司，总部位于四川成都，成立于2016年，是AI赋能投资场景的领先企业，核心团队主要来自微软亚洲研究院等一线AI企业和金融机构。基于领先的AI技术和深入的领域实践，宽邦科技在AI平台、投资算法、量化引擎、新型投资大数据等技术上持续前沿探索，研发了企业级全栈AI平台BigAI和低门槛、端到端的AI投资平台BigQuant等金融科技基础平台，为投资者和投机构提供投资管理的从数据分析、因子挖掘、策略研究、AI建模、组合构建、回测模拟到实盘交易的全周期AI赋能。宽邦科技已在服务数十万量化投资者和银行、证券、保险、基金等多家头部金融机构。目前，Big

2021年7月8日Meetup模板：

https://bigquant.com/experimentshare/a6bae485ffcc47819510b788ddfad338

\

新年新气象！进入2018年，专栏还未更新过。我一直在忙着1月底的一个投稿，希望这次能全力以赴中个顶会！不然真的压力好大，不好找工作呀！现在文章基本写完，于是空出时间来，对去年开始就一直在整理的Github上的迁移学习仓库作了一些整理与归纳，希望可以更清晰更条理，对大家更有帮助。

【Github仓库地址：jindongwang/transferlearning】

*题外话：首先我要感谢对此Github项目进行支持的每个同学和研

本次介绍一篇被计算机视觉顶会CVPR 2018接收的文章：《Importance Weighted Adversarial Nets for Partial Domain Adaptation》。文章作者团队来自澳大利亚卧龙岗大(University of Wollongong)。

背景

我们目前接触过的绝大部分迁移学习问题情景都是：源域和目标域的特征空间与类别空间一致，只是数据的分布不一致，如何进行迁移。也就是说，源域和目标域要是几类，都是几类。但是这种情况显然具有很大的限制性：在真实应用中，我们往往不知道目标域的类别，更不用说它是否和源域的类别完全一样。这就极大地限制了它的应用。

上个月，华尔街日报发表了一篇题为“The Quants Run Wall Street Now” （量化分析师称霸华尔街）的文章，讲述了十几年间量化投资从边缘到主流的迅猛发展。

近年，随着计算机深度学习、人工智能的发展，“量化投资”这四个字越来越频繁地出现在人们视线里。

在2013年，量化交易占到美股总交易量的14%，到2017年，已提高到27%。运用量化策略的对冲基金在2017年一季度的资产管理规模达到9320亿美元，占整个行业的比例接近三分之一。

量化投资的发展速度之快，超乎人的想象。

快到让所有人都忘了，量化投资的教父级人物是谁。

这是一个故事，得从最开始说起。

19

尽管巴菲特在1987年给投资者的信中说：“在我看来，投资的成功不会由晦涩难懂的公式、不会由计算机程序或者股票市场闪动的价格信号来产生”，如今机器已经在金融市场中起到极为重要的作用。2015年创建的对冲基金中40%依赖于计算机模型做投资决策。对冲基金和银行们正招聘越来越多的数据科学家。高频交易公司也在计算机的速度和效率方面竞争激烈。

在量化交易1.0版本，模型是“静态”的，因为交易策略是被事先编程的。举个例子，“动量策略”在一个时期内效果非常好，但在下一时期可能效果不佳。真正的智能机器会在市场进一步发展之前观察到市场异常，而且交易策略本身会随着信息的变化而动态变化。

2010年Scott P

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！

相信社区中很多小伙伴和我一样使用了很长时间的Caffe深度学习框架，也非常希望从代码层次理解Caffe的实现从而实现新功能的定制。本文将从整体架构和底层实现的视角，对Caffe源码进行解析。

1.Caffe总体架构

Caffe框架主要有五个组件，Blob，Solver，Net，Layer，Proto，其结构图如下图1所示。Solver负责深度网络的训练，每个Solver中包含一个训练网络对象和一个测试网络对象。每个网络则由若干个Layer构成。每个Layer的输入和输出Feature