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。
文档整合
更新时间：2022-04-11 11:00
CTA程序化交易实务研究之六：基于机器学习的订单簿高频交易策略-民生-131211
更新时间：2021-11-12 11:39
神经网络交易算法
更新时间：2021-09-08 03:03
机器学习新手十大算法之旅
作者：James Le 编译：caoxiyang
在机器学习中，有一个叫做“世上没有免费午餐”的定理(NFL)。简而言之，我们无法找到一个放之四海而皆准的最优方案，这一点对于监督学习(即预测建模)尤为重要。例如，你不能说神经网络总是比决策树好，反之亦然。因为其中有很多因素在起作用，比如数据集的大小和结构。
因此，您应该针对您的问题尝试多种不同的算法，同时，保留一组数据，即“测试集”来评估性能并选
更新时间：2021-08-24 05:46
深度学习为什么回测时间改变之后收益率不一样
\
更新时间：2021-08-23 01:56
lightGBM_AI选股
更新时间：2021-07-30 09:11
LSTM Networks应用于股票市场之Sequential Model
更新时间：2021-07-30 08:10
基于XGBoost的价值选股策略代码
本代码完整版一共包括三部分：数据、算法、回测交易。 由于该策略与机构有一些合作，我们只放出了数据和算法。希望大家能够理解！
策略案例
https://bigquant.com/experimentshare/5a93201876eb401e998867e0b5106175
\
更新时间：2021-07-30 08:09
用多层感知器-回归算法实现A股股票选股
更新时间：2021-07-30 07:26