金工研究：华泰人工智能系列之七-人工智能选股之Python实战-华泰证券-20170912
由qxiao创建，最终由qxiao 被浏览 178 用户
摘要
介绍Python安装方法、与机器学习相关的包以及常用命令
Python语言是目前机器学习领域使用最广泛的编程语言之一，拥有众多优秀的包和模块，并且相对简单易学。我们将简单介绍Python语言的特性，常用命令，以及和机器学习相关的包，例如NumPy，pandas，scikit-learn等，希望帮助有一定编程基础的读者迅速上手Python语言。
机器学习选股框架与多因子选股框架类似，具有一定优越性
机器学习中最为主流的方法监督学习，其核心思想是挖掘自变量和因变量之间的规律。我们将经典多因子模型稍加改造，以机器学习的语言描述。在训练阶段，根据历史的因子值X和收益r，训练监督学习模型r=g(X, f)，得到模型自由参数的估计量f。在测试阶段：根据最新的因子值X、参数估计量f和监督学习模型g，预测下期收益r。机器学习方法相较于线性回归的优越之处在于：首先，机器学习可以挖掘数据中的非线性规律；其次，正则化的引入能够筛选出最有效的自变量；再次，参数优化的过程能够遴选出预测力最强的模型。
将机器学习选股代码拆分成十二个子模块进行详尽讲解
我们将机器学习选股代码拆分成十二个子模块，包括：模块导入、参数设置、数据读入、数据标记、数据预处理、模型设置、模型训练、模型预测、模型评价、策略构建、策略评价和结果保存。每个子模块我们将展示代码并且逐句进行讲解。报告中展示的代码是完备且成体系的，可以根据需要进行整合，构建一套完整的机器学习选股模型。风险提示：通过Python编写人工智能选股算法受到数据库架构、网络环境、计算机硬件条件限制，报告中代码经移植后可能不能正常运行；通过人工智能算法构建选股策略是历史经验的总结，存在失效的可能
正文
/wiki/static/upload/1f/1f4792ca-aeba-4832-a1ac-8a8f42ccf0fa.pdf
\