研究结论

机器学习容易给人“黑箱模型”和“过拟合”的印象，但事实上一些机器学习算法的逻辑和结果都非常直白，而且算法自身带有一套避免过拟合的参数估计机制。众多的实践研究说明，机器学习方法的预测能力大部分情况下都强于线性模型，很值得在量化投资中测试使用。本报告主要讲述机器学习的基本原理和用其来做量化选股的实证结果。

机器学习模型众多，不存在所谓的最强模型，不同的数据，不同的问题适用不同的模型。我们测试了LASSO、SVM、增强型决策树、随机森林等几种常见机器学习方法，最终选择用随机森林，主要是因为它结构简单、参数少、过拟合概率低，同时还具有非常强的样本外预测能力。机器选股模型省

第一次理解贝叶斯公式视频

https://www.bilibili.com/video/BV19V411o7Pu

\

贝叶斯公式

$P(B|A) = \dfrac{P(A|B) \times P(B)}{P(A)} $

来自

$P(AB) = P(A) \times P(B|A) = P(B) \times P(A|B) $

在机器学习里的解读

贝叶斯公式在机器学习里被广泛是用，是一个基础公式

$P(B|A) = \dfrac{P(A|B) \times

\

\

摘要

1. 机器学习已广泛应用于各个前沿领域

2. 机器学习在金融市场中的应用举例 1.Lasso回归与商品期货价格预测

   2.使用决策树模型预测财务造假

   3.逻辑回归与债务违约预警

   4.集成学习在多因子选股中的应用

3. 机器学习应用于金融市场的局限

正文

/wiki/static/upload/7e/7e665c7e-52b2-4d99-8700-4d1d4585ad31.pdf

\

摘要

特征选择是人工智能选股策略的重要步骤，能够提升基学习器的预测效果特征选择是机器学习数据预处理环节的重要步骤，核心思想是从全体特征中选择一组优质的子集作为输入训练集，从而提升模型的学习和预测效果。 我们将特征选择方法应用于多因子选股，发现特征选择对逻辑回归_6m、基学习器的预测效果有一定提升。我们以全A股为股票池，以沪深300和中证500为基准，构建行业中性和市值中性的选股策略。基于F值和互信息的方法对于逻辑回归_6m、XGBoost_6m、基学习器的回测表现具有明显的提升效果。 随着入选特征数的增加，模型预测效果先上升后下降特征个数并非越多越好。以逻辑回归_6m和XGBoost_

摘要

本文构建了可融入因子观点的随机森林模型，提升了随机森林的灵活性

相比线性模型，机器学习模型的复杂程度大幅提升，模型对于历史数据的拟合能力变强，但灵活性下降。在动态演化的金融市场中，机器学习的这些特性使其备受挑战。为了提升模型的灵活性，我们改进了sklearn的随机森林模型，可指定优先分裂的因子来分裂决策树，从而人为增大优先因子的重要性。最后，我们以价值、成长、质量为优先分裂因子分别训练模型，构建了中证800价值、中证800成长、中证800质量三个组合，该测试能为构建结合机器学习的SmartBeta策略提供一种思路

**面对量化投资中的挑战，如何提升机器学习的灵活性值得

重要观点

本文概述

本文主要介绍了python基础、爬虫、与数据库交互、调用机器学习、深度学习、NLP等。分别介绍了各个模块的安装，环境的搭建等。并且以机器学习选股为例，把各个模块连贯起来，核心代码基本都有详尽的解释。

大数据AI时代，python无往不胜的包装能力、可组合性、可嵌入性都很好，可以把各种复杂性包装在Python模块里,非常友好的供调用。Python资源丰富，深度学习如keras，机器学习如sk-learn，科学计算如numpy、，自然语言处理如jieba等。Python将极大提高工作效率无论是科学计算，还是图形界面显示；无论是机器学习还是深度学习；无论是操作e

摘要

利用 CART 决策树选股 机器学习在金融领域有着非常广泛的应用，本文将 CART 决策树算法应用于选股模型之中。决策树模型相比于传统的线性模型或者判别分析其优势在于能解释模型中的非线性关系以及变量之间相互依赖的现象。本文以罗素 1000 指数中科技板块的选股为例，作者展示了 CART 决策树模型在于截面选股中的应用，动态 CART 决策树模型相比于简单的指标筛选方式表现出更高的多空收益以及夏普比率。

正文

[/wiki/static/upload/95/952a052e-e01e-4ae1-b7cf-b88620b96095.pdf](/wiki/static/uploa

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

\

作者：donkyxote

策略思想

基于17个短期因子，其中8个量价因子，9个均线因子。训练集使用2005-01-04至2020-06-01日，每个交易日买入模型当日预测结果排名靠前的1只A股股票，次日卖出。

StockRanker模型

原有模型是基于BQ提供的Stockranker机器学习算法：

![图 1：stockranker-2021年1月4日至2022年1月21日的模拟实盘结果{w:100}{w:100}](/wiki/api/attachments.redirect?id=bb5b3d09-3e20-4840-b5e0-2220d7f55

方向1：“经典的”机器学习方法。它们现在有足够的计算算力来处理大多数高维问题。其中的核心问题是提供更多的理论保证，产生作为“因果”模型基础所需的那种“可解释性”，并引导时代精神远离直线、p 值和柏拉图式的形状。

方向2：行业应用。这更多地涉及到典型的“自动化”工作，即数据争论、领域逻辑理解和政治活动。只是新一轮的自动化浪潮现在和以往一样，得到了更高级工具的支持。

方向3：镀金类型的研究，这是由一些理想主义者和许多试图通过论文进入职业生涯轨道的学生进行的。这是最有趣的发现，它们隐藏在成堆无法操作或低影响的噪音中。但从表面来看，抽象概念正在转移到以前被认为是强化学习的领域。

这三个方向任意两

要说人工智能领域的课程，斯坦福大学客座教授吴恩达的《机器学习》（Machine Learning）堪称经典。该课程最开始于2012年在Coursera上线，10年间已经吸引了近500万人注册。《机器学习》课程主要介绍了机器学习、数据挖掘和统计模式识别的基础知识和实践经验。   然而，近日Stanford Online 和 DeepLearning.AI 团队宣布了一项重要通知：《机器学习》课程将从 2022 年 6 月 14 日起关闭在 Coursera 上的新学员注册。此外，对于正在上《机器学习》课程的学员来说，该课程将不会再更新。

这个

https://bigquant.com/experimentshare/dd9cff01459a41f9be40d7e660164795

\

\

导语

在阅读了 深度学习的简要介绍后，本文将介绍深度学习CNN模型及其在量化投资领域中的应用。

深度学习在量化领域应用

机器学习作为人工智能的核心，其传统算法在解决很多问题上都表现出了高效性。随着近些年数据处理技术上的进步和计算能力的提升，深度学习得以在很多问题上也大放光彩，成为近一段时间互联网、金融等领域的大热门。

在量化投资领域，机器学习尤其是由统计学延伸的各种算法一直以来都被尝试应用在选股、择时等策略的开发上，随着深度学习在其他领域上的突破，其在自动化交易甚至投资策略的自开发自学习方面的应用成为了大家探索的焦点。

为什么要用深

Q1:现在海内外量化实践有什么代际差吗？海外接下来量化方向除了另类数据应用，还有什么发展潮流？他们对于国内量化市场是怎么判断的？

**关子敬：**在我看来海内外最主要的差别是：国内投资人是偏向喜欢直接对股价做预测，而海外直接预估股价比较少，主要做填充模型（imputation model），针对遗失数据做估算，特别是在

https://bigquant.com/experimentshare/648ff204e53d44059c2d726e9219cfa3

\

摘要

人工智能和机器学习并不神秘

人工智能和机器学习方法并不神秘，其本质是以数理模型为核心工具，结合控制论、认知心理学等其它学科的究成果，最终由计算机系统模拟人类的感知、推理、学习、决策等功能。理解常用的机器学习算法，有助于澄清对人工智能的种种误解和偏见，帮助我们更清晰地认识人工智能的长处和局限，从而更合理、有效地将人工智能运用于投资领域。

机器“学习”的对象是客观存在的规律

机器学习的对象是某种客观存在的规律。这种规律可以非常浅显，比如教给计算机勾股定理，机器就拥有了计算直角三角形边长的智慧。规律也可以相当复杂，如指纹识别系统学习的是不同指纹图像之间差异的规律，

主题：The Impact of AI to Global Asset Managers: The Responses and Adoptions

演讲人：关子敬 先生 Kevin Kwan彭博亚太区量化及数据科学专家

**完整视频观看地址：<https://webcast.roadshowchina.cn/cmeet/NlZBZVhZRGZ6Q1NSRjdrbmJqQjZUQT09

AI量化策略快速理解

https://bigquant.com/wiki/doc/celve-Uu3N6WbJNJ

GBDT多因子选股策略

https://bigquant.com/experimentshare/a32f2916279240079d116f5bf76c0822

\

本例使用GBDT算法进行模型训练和数据预测

1. 新建可视化AI模板策略
2. 在左侧模块导航栏“机器学习”中拖出“GBDT训练”和“GBDT预测”模块替换原有的 StockRanker 训练模块和 StockRanker 预测模块

本例设置“GBDT训练”中的参数：

损失函数类型：'reg:linear',

评价指标:'rmse',

模型:'gbtree'

[https://bigquant.com/experimentshare/08e84d706db74d5ba490658f1b92628b](https://bigquant.com/experimentshare/08e8

Overview

说到量化投资和研究，很多人有一个基本认知，就是通过数据观察和分析，提出假设，然后通过回测来验证假设。通过验证之后，再上实盘验证。当然，其中有一些深入的细节。比如回测可以是样本内+样本外。这里有篇学术论文，其中一个观点就是大部分人跑的回测都没什么意义。论文的作者是前AQR的机器学习负责人，康奈尔大学的机器学习教授，畅销教科书《 Advances in Financial Machine Learning》作者。论文题目：TACTICAL INVESTMENT ALGORITHMS。

摘要

根据历史证据，有三种基本方法来测试投资策略的有效性：a）向前走法；b）重

\