XGBoost（eXtreme Gradient Boosting）是一个高效的机器学习库，也是一种基于梯度提升决策树（Gradient Boosting Decision Tree）的集成学习算法，专为提升树算法的性能和速度而设计。它实现了梯度提升框架，并支持回归、分类及排序的问题。XGBoost

TensorFlow是一个由Google开发的开源机器学习库，用于数据流编程。它允许开发者构建和训练复杂的深度学习模型，以解决各种问题。自从2015年发布以来，TensorFlow已经成为深度学习领域最受欢迎的框架之一，广泛应用于计算机视觉、自然语言处理、声音识别、时间序列分析等领域。

![](

导语

之前在社区分享过一个初版的强化学习策略，之后我们在那个基础上做了一些调整和优化，本文主要是关于新版策略的一些介绍和结果分析。

与初版策略的区别

新版策略与初版的主要区别在于state的定义不同。初版用当天的OHLCV和7个常用因子数据作为一条state。新版设置了一个win

MDPs和动态规划 研究科学家Diana Borsa解释了如何用动态规划解决MDPs，以提取准确的预测和良好的控制政策。

[/wiki/static/upload/81/813ce39b-112f-4d7b-b034-1b584731213d.mp4](/wiki/static/upload/81

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

第13讲:深度强化学习#2 研究工程师Matteo Hessel介绍了作为辅助任务的一般值函数和GVFs，并解释了如何处理算法中的缩放问题。

[https://www.youtube.com/watch?v=siDtNqlPoLk](https://www.youtube.com/watch?

写在前面：

本文原载于[how-to-start-a-deep-learning-project](https://link.zhihu.com/?target=https%3A//medium.com/%40jonathan_hui/how-to-start-a-deep-lear

第12讲:深度强化学习#1 研究工程师Matteo Hessel讨论了深度RL的实际考虑和算法，包括如何使用自区分(即Jax)实现这些。

[https://www.youtube.com/watch?v=cVzvNZOBaJ4](https://www.youtube.com/watch?v=cV

核心观点

短期涨跌的预测相比长期更容易，但覆盖交易成本后再获利的难度更大。所以在高频交易场景，机器学习更适合有限状态下的订单执行。而对于长期的预测，机器学习的训练目标可以不是评估在给定状态下的每股总利润或买入行为的回报，而是监控在该状态下买入与在所有可能状态下买入的相对盈利能力。

导语

本文是基于StackAbuse的一篇讲解Seaborn的文章 上编写。 附示例及实现代码，可直接前往文末 **一键克隆代

\

深度学习模型通过功能层进行积木式拼接，典型的模型构架如下： 通常模型由输入层、中间层和输出层组成。中间层包

最基本的强化学习建立在马尔可夫决策过程（Markov Decision Process，MDP）上，当模型的动态特征已知时可以按照动态规划（Dynamic Programming，DP）进行迭代求解。

1988 年，时间差分算法（Temporal-Difference Method，TD）被应用于

Scikit-learn是一个开源的Python库，专为机器学习提供简单和有效的工具。它建立在NumPy、SciPy和Matplotlib库之上，提供了一套广泛的监督和非监督学习算法通过一个一致的接口。Scikit-learn广泛应用于学术和商业环境，特别是在数据挖掘、数据分析和机器学习领域。

第8讲:规划与模型 研究工程师Matteo Hessel解释了如何学习和使用模型，包括像Dyna和蒙特卡罗树搜索(MCTS)这样的算法。

[https://www.youtube.com/watch?v=FKl8kM4finE](https://www.youtube.com/watch?v=FK

起源于 1901 年 Pearson 的主成分分析（PCA），通过对协方差矩阵的特征值分解或 SVD 分解，通过对特征值排序选取相应的特征向量，将高维特征映射到低维上，达到降维的目的。用于数据预处理。

1998 年，降维算法PCA首次与核方法结合，先将数据集通过核函数（Kernel Functio

TensorFlow

Google 2015年11月开源的人工智能系统 数据流（flow）图技术来进行数值计算

节点：数据 / 值运算 边：多维数据（tensors - 张量，python numpy ndarray）的流动

步骤及元素

构建图：将计算流程表示成图 执行图：通过S

导语

本文介绍了如何用BigQuant的策略生成器进行StockRanker模型可视化。

使用StockRanker模型

在模型训练之后即可看到模型可视化输出, 包括特征重要性、以及树的分支情况:

![](/wiki/api/attachments.redirect?id=05

导语

这是本系列专题研究的第六篇：基于DNN模型的深度学习智能选股策略。本文简单介绍了和DNN相关的原理，并举了一个实例，具体展示了如何应用以及应用的结果。

DNN原理介绍

神经元

神经网络的每个单元结构如下：

![图1.神经元结构](/wiki/

导语

从AlphaGo到AlphaStar，深度学习的强大逐步展现给世人。那么，什么是深度学习呢？本文将简要介绍深度学习的框架以及流程。

从单层感知器开始

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，

第4讲:动态规划算法的理论基础 研究科学家Diana Borsa将动态规划算法作为收缩映射进行研究，观察它们何时以及如何收敛到正确的解。

[https://www.youtube.com/watch?v=XpbLq7rIJAA](https://www.youtube.com/watch?v=Xp

导语

本文介绍Python编程中非常重要的函数调用与定义的相关知识点。

\

本文由BigQuant宽客学院推出，版权归BigQuant所有，转载请注明出处。

\

决策树算法是一种流行的机器学习算法，用于分类和回归任务。它的核心思想是基于特征对数据集进行递归分割，从而构建出一个树形结构。每个内部节点代表一个特征的测试，每个分支代表测试的一个结果，每个叶节点代表一个类别（在分类树中）或一个具体数值（在回归树中）。

发展史

1. CLS（Co

英国数学家、计算机科学家、逻辑学家和密码分析家艾伦·图灵推测机器：

“这就像一个学生从他的老师那里学到了很多东西，但在他自己的工作中增加了很多东西。发生这种情况时，我觉得人们有义务将机器视为显示智能。”

举一个机器学习影响的例子，Man group 的 AHL Dimension 计划是一个