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

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。

几天前，我着手解决一个实际问题——大型超市销售问题。在使用了几个简单模型做了一些特征工程之后，我在排行榜上名列第 219 名。

虽然结果不错，但是我还是想做得更好。于是，我开始研究可以提高分数的优化方法。结果我果然找到了一个，它叫遗传算法。在把它应用到超市销售问题之后，最终我的分数在排行榜上一下跃居前列。

![{w:100%}{w:100}{w:100}{w:100}](/

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

导语

《Machine Learning for Stock Price Forecasting》是Ali El-Shayeb撰写的机器学习系列文章 ，本文主要介绍其第二部分内容——《监督式机器学习算法的应用》，并将其思想和代码应用在中国股票市场，开发出具有择时功能的监督式机器学习算法，最后进行策略回测。对此感兴趣的小伙伴可以直接在本文文末克隆策略源代码，进行深入和扩展研究。

《监督式机器学习算法的应用》

Ali El-Shayeb通过价格和成交量相关的9个特征训练模型，特征列表和数据来源见下图。

![](/community/uploads/default/origin

前言

算法交易起源于上世纪中叶的配对交易

历史上最早使用算法交易的例子可以追溯到1949年。对冲基金之父阿尔弗雷德·琼斯，利用空对多3：7的比例进行配对交易，在1955年到1964年间，综合回报率高达28%。到了上世纪60年代早期，投资者开始利用计算机通过分析股票的周线和月线来预测价格运动方向。

配对交易逐渐成熟，发展成后来的算法交易。随后算法交易策略慢慢在华尔街流传开来并被广泛使用，同时也带来了非常可观的盈利。原来在摩根士丹利从事配对交易的研究员，后来逐渐成为如大卫·肖、詹姆斯·西蒙斯这类明星基金经理手下的精英，算法交易的“黑盒子”便由此诞生。

随着计算机的广泛普及，华尔街各大

https://bigquant.com/experimentshare/d8fb2ec62bec4b57b09947850c349109

\

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

{{membership}}

https://bigquant.com/codeshare/9aa6342b-2c67-4417-afea-0d5874e5d340

\

旧版声明

本文为旧版实现，仅供学习参考。

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

\

策略案例

https://bigquant.com/experimentshare/723e10568f294571924b89f3953ce20b

\

摘要

在市场上，对于资产、基金的分类一直是大家讨论的话题，根据业绩走势对于基金进行分类我们也曾有相关研究。研究资产的相关性一个重要的应用就是可以利用相似资产找到原资产中不可购买的一部分资产。本期琢璞系列我们推荐Chen, Chun-Hao, and Chih-Hung Yu（2017）的《A Series-based group stock portfolio optimization approach using the grouping genetic algorithm with symbolic aggregate approximations》，文献利用遗传算

Learning the Dynamics of Technical Trading Strategies

作者：Murphy N. J., Gebbie T. J.

出处：Quantitative Finance, 2021-03

摘要

本文使用了一种基于对抗型专家的在线学习算法来学习，使财富最大化的零成本组合交易策略所需的最佳参数。该学习算法用于确定大量技术交易策略的动态，这些技术交易策略可以通过历史回测，并从约翰内斯堡证券交易所每日和日内数据执行的基础交易策略集合中形成一个聚合的投资组合交易策略。本文一个关键的贡献是：在每日取样和日内时间尺度上，使用一个新的假设检验来测

Generative Adversarial Networks for Financial Trading Strategies Fine-tuning and Combination

作者：Adriano Koshiyama, et al.

出处：Quantitative Finance, 2020-09-01

摘要

系统交易策略是分配资产以优化特定绩效的算法程序。为了在竞争激烈的环境中获得优势，分析师需要适当地微调策略，或者发掘如何通过创造新的alpha以组合弱信号。已经有多种方法对微调和组合这两个方面进行了广泛研究，但是新兴技术，例如生成对抗网络，也会对这些方面产生

1.https://bigquant.com/live/strategy?notebook_id=4ab011f4-c320-11ec-98fa-361fbc3525fa

2.https://bigquant.com/live/shared/strategy?id=80110

3.https://bigquant.com/live/shared/strategy?id=79204

选择最近市场表现比较活跃的股票；

检测股票最近资金流量的变化；

用多因子策略选股；

最近表现比较好

\

/wiki/static/upload/6a/6a674d77-ea84-4e67-a8b9-aa2e7ec25c44.pdf

\

高频交易员：华尔街的速度游戏 / （美）刘易斯著；王飞，王宇西，陈婧译；郑磊校译.

/wiki/static/upload/ec/ec8b1e97-f1c8-47b0-ad80-9d9810ca5945.pdf

\