特征工程
特征工程在金融领域的应用，实质上是利用数据和统计学方法，挖掘和提炼影响金融决策的关键因素，将之转化为模型可理解的特征，进而提高金融模型的预测能力和决策效率。特征工程涉及特征构建、特征选择以及特征转换等环节，它能从复杂多变的市场环境中提取出关键信息，帮助金融机构在风险评估、投资策略、信贷审批等核心业务上做出更精准、更智能的决策。例如，在信贷风险评估中，特征工程可以通过整合借款人的历史信用记录、财务状况、社交网络行为等多维度数据，构建出全面而深入的风险评估特征，进而增强风险模型的预测精度，提升信贷决策的科学性和有效性。总的来说，特征工程对于金融机构提升数据驱动决策的能力，实现更精细化、智能化业务管理有着重要的价值和意义。
LSTM大盘择时+Stockranker选股
更新时间：2024-05-24 10:28
lightgbm多因子选股
旧版声明
本文为旧版实现，仅供学习参考。
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
预计算因子表[数据平台] https://bigquant.com/data/datasources/cn_stock_prefactors
https://bigquant.com/wiki/doc/dai-PLSbc1SbZX
[ht
更新时间：2024-05-20 06:21
利用机器学习对冲风险
更新时间：2024-05-20 02:09
神经网络交易算法
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
\
更新时间：2024-05-20 01:02
用梯度提升树-分类算法实现A股股票选股
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
更新时间：2024-05-17 10:35
StockRanker选股+随机森林大盘风控
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
更新时间：2024-05-17 07:25
华泰研报：XGboost实现有序回归
策略源码：
{{membership}}
已经更新到了AIStudio3.0.0版本, 请转移至
https://bigquant.com/wiki/doc/xgboost-I1ZKSVykGR
https://bigquant.com/codeshare/a290e569-7680-45d7-86be-f6c81c18a1e6
\
更新时间：2024-05-16 09:16
【历史文档】策略示例-StockRanker模型结果解读
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
更新时间：2024-05-16 01:58
【历史文档】策略-数据标注
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
更新时间：2024-05-15 09:50
【历史文档】算子样例-缺失数据处理
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
更新时间：2024-05-15 08:18
【历史文档】算子样例-机器学习
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
更新时间：2024-05-15 07:49
【历史文档】因子构建与标注样例-构建大盘收益率因子
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
更新时间：2024-05-15 06:34
【参赛】Deep Alpha-CNN策略克隆&调参擂台赛
\
更新时间：2023-06-27 03:23
BigQuant复现研报
\
更新时间：2023-06-13 06:50
ZScoreNorm标准化后输出全为空值？
问题
问题描述
ZScoreNorm标准化后输出全为空值？
问题策略
https://bigquant.com/experimentshare/e91b4eed4f534753a3692800f33a4737
\
更新时间：2023-06-01 02:13
回归问题的标签设置
问题
回归问题的标签设置
\
更新时间：2023-06-01 02:13
请问在特征数据中如何统计一段时间内某个条件出现次数
问题
例如我要在特征中加入一个因子：统计30日内收益小于5%的天数，该怎么写
解答
更新时间：2023-06-01 02:13
K近邻分类算法选股，提示错误
问题
请问这个错误是什么原因
解答
筛选过后的classes_prob_0没有数据，则索引[0]找不到相关的数据
更新时间：2022-12-20 14:20
模型
模型板块包含了AI算法模型，多因子模型等一些研究内容。
更新时间：2022-12-06 14:42
用传统框架测试机器学习-GBDT算法
更新时间：2022-11-20 03:34
如何在特征里把另一个特征值连续加
问题
想实现如下功能： 特征A：判断5日均线>10日均线，记1，否则计-1 特征B：sum(‘A’,10) 记录10天内5日大于10日的天数
如果a用where(ta_sma_5_0>=ta_sma_10_0,1,-1) ,则B无法sum; sum(int(‘A’),10), invalid function: int 转换也不让用
请问该如何实现这个特征呢？
更新时间：2022-09-16 00:27
中国市场中怎样用机器学习来做股票投资
摘要
文献来源：Leippold, M., Wang, Q. & Zhou, W. (2021). Machine-Learning in the Chinese Stock Market. Journal of Financial Economics.
推荐原因：随着机器学习在金融和经济领域的应用迅速兴起，越来越多的学者利用机器学习工具研究股票的截面和时间序列预测。而中国股票市场历史较短，制度依然处于不断完善的阶段，有着自身的特殊性。本文根据中国市场的特征构建了一个全面的股票收益预测因子集，并利用几大流行的机器学习算法进行实证分析。经过CSPA条件预测能力检验，作者发现神经
更新时间：2022-08-31 08:45
机器学习流程和算法介绍及金融领域应用实例-长江证券-20180207
摘要
机器学习问题和其流程
机器学习问题本质上在于找出使得经验风险泛函（样本误差）最小的建模流程，基本的流程可以分为特征工程、模型训练和模型融合。本篇就上述三个过程，给出相关算法的介绍，并补充了之前系列报告中未详细介绍的内
机器学习三大步骤
特征工程包含特征构建、特征提取和特征选择三个过程，以选择相对最优的特征空间。特征工程往往会采用无监督和有监督的机器学习算法。机器学习模型可以分为线性模型、树模型和深度学习模型。线性模型主要体现了数据中的线性关系，如输入与输出的线性关系，点集的线性可分；树模型可以很好的捕捉输入与输出的非线性关系，和线性模型相辅相成。一些改进的随
更新时间：2022-08-31 01:53
监督学习的方法介绍及金融领域应用实例-长江证券-20170727
摘要
机器学习系列报告
本系列报告试图系统全面性的介绍各种不同的机器学习方法，并且结合具体的在投资研究领域应用实例、交易策略及code示例，说明其应用情景和实现方法。机器学习的方法可以分为以下几类：监督学习、无监督学习、深度学习及其他机器学习方法（例如强化学习），对应到具体的模型上数量则更是繁多，目前大部分机器学习模型并未广泛的应用在投研领域，因此本系列主要偏重于在投研领域有应用潜力的模型及方法。此篇将以介绍监督学习方法为主
监督学习模型之回归类模型及其应用
与普通线性回归不同，监督学习中的惩罚回归模型和非参数回归，可以分别用于处理输入变量中存在大量线性相关性关系
更新时间：2022-08-31 01:52
高质量AI量化策略
更新时间：2022-05-22 01:17