机器学习之“小样本学习”，可应用于证券择时场景
由ftkj2018创建，最终由ftkj2018 被浏览 40 用户
小样本学习(Few-Shot Learning，FSL)是一种新颖的机器学习方法，旨在从少量的标记数据中学习。
深度神经网络在大数据上取得了骄人的成绩，但在仅有少量样本时表现得不尽如人意，而在很多实际情况中，数据难以取样或大量累积。为解决问题，小样本学习越来越受关注。
机器学习是从数据中学习，使完成任务的表现越来越好，而小样本学习则是具有有限监督数据的机器学习。
近年来，各种机器学习方法己被广泛应用到金融时间序列预测方面。这些方法往往是基于历史大样本数据进行训练，且假设训练样本和预测样本的分布是一致的。但股市分布并不稳定，在不同时间段，分布也不同。
为避免股市数据分布变化的问题，一个有效的方法是基于近期数据训练模型 (增加权重)。而近期数据样本量较少，模型容易欠拟合。则基于数据增强的小样本学习方法可对训练数据进行扩充，使机器学习模型尽可能收敛。
择时策略，量化投资策略之一，通过对未来市场走势的判断，增加或减少某一特定资产仓位的投资策略。目的是通过对未来走势判断，改变持仓仓位，从而获取超额收益。
数据增强是实现小样本学习的方法之一，一种对数据集规模进行扩充的行之有效的办法。由于数据增强的存在，数据的规模更大，质量也越高，使网络模型可具备更强大的泛化能力。在数据量不足情况下，可训练一个生成对抗网络(GAN) ，通过学习过程给小样本数据集加上扰动来生成新样本，从而达到扩充数据的目的。