深度学习的特征应该如何选取：

Input 0 is incompatible with layer BigQuantDL: expected shape=(None, 50, 5), found shape=(None, 50, 6)

https://bigquant.com/experimentshare/5c46222a9c36457386f4b2f6f40d3164

\

问题

滚动训练和自定义运行如何一起使用，能给个例子吗

问题

请问老师，深度学习训练模块的early_stop，根据提示写进输入框，但运行总是报错，能否给个成功案例。谢谢老师

问题

想根据华泰alphanet第三篇改进研报的第二点内容进行实践，需要这个参数接口。

本集合里将分享平台开发者们对DeepAlpha系列的实践研究报告

\

\

摘要

作者：Taewook Kim, HaYoung Kim

出处：PLOS ONE, 2019-02

预测股票价格在制定交易策略或选择买卖股票的适当时机中起着重要作用。作者提出了融合长短期记忆-卷积神经网络（LSTM-CNN）模型，该模型结合了从相同数据的不同表示形式（即股票时间序列和股票图表图像）中的特征，以预测股票价格。所提出的模型由LSTM和CNN组成，用于提取时间特征和图像特征。作者使用SPDR S＆P 500 ETF数据来衡量所提出模型相对于单个模型（CNN和LSTM）的性能。LSTM-CNN模型在预测股票价格方面优于单个模型。此外，作者发现蜡烛图是用于预测股票价格的最

有偿提供源码，有需要请加我v

微信号

AI_believers

有偿提供源码和代做，有需要请加我v

微信号

AI_believers

1.科学的投资体系。基于处理后的各类数据，通过数学建模和回测将市场信息进行量化，从数据中解读背后蕴含的市场规律，捕捉价格波动过程中的交易机会，真正做到可追溯、易复盘、能验证、迭代快。

2.应用前沿技术。大数据时代，积极应用机器学习、深度学习等人工智能新兴技术，以实现强大的信息搜集与处理能力，及时快速地跟踪市场变化，不断捕捉市场上能够提供超额收益的投资机会。

3.剥离情绪影响。严格执行量化投资模型给出的投资建议，决策信息透明度高、纪律性强，能有效规避人类主观认知偏差以及克服情绪对决策的影响，准确客观评价投资机会，降低管理人的道德风险。

4.统观信息全局。通过对尽可能全面、完整的海量

参考 https://wesmckinney.com/book/ 编写 Python For Quants - 用于量化投资的Python

论文原名

《Deep Learning for Portfolio Optimization》

论文作者

张子豪、斯蒂芬·佐伦、斯蒂芬·罗伯茨牛津曼数量金融研究所，牛津大学

引言

我们采用深度学习模型直接优化投资组合夏普比率。我们提出的框架规避了预测预期的要求回报并允许我们通过更新模型直接优化投资组合权重参数。我们交易交易所交易基金，而不是选择单个资产(ETF) 的市场指数以形成投资组合。不同资产类别的指数显示强大的相关性和交易它们大大减少了可用的范围可供选择的资产。我们将我们的方法与各种算法进行比较结果表明我们的模型在测试中获得了最佳性能期间，从 2011 年到

摘要

本报告使用深度学习方法对基本面模型进行增强，增强模型首先对使用基本面模型选出初选股票池，然后使用深度学习模型对初选股票池进行二次筛选，该策略在较低的换手率水平下可以获得更高超额收益

基本面模型和深度学习模型具备组合基础

以中证800指数为基准的增强模型表现

以沪深300为基准的增强模型表现

正文

[/wiki/static/upload/d1/d160425b-d3c3-402c-8336-3adb0c369a0d.pdf](/wiki/static/upload/d1/d160425b-d3c3-402c-8336-3adb0c369a0

1958 年感知机的诞生以及1986 年反向传播算法的出现，为深度学习奠定了基础。

1989 年，卷积神经网络（CNN）首次被提出，共用卷积核的方式很大程度上减少了模型中需要被训练的参数，在图像识别等方面有更好表现。

2000 年，一类非常重要的循环神经网络（RNN），长短期记忆神经网络（LSTM）被提出，在一定程度上缓解了梯度消失和梯度爆炸等问题。

2009 年，深度信念网络（DBN）与深度玻尔兹曼机（DBM）先后被提出，其中 DBM是多个受限玻尔兹曼机（RBM）相连构成的无向图，而 DBN 是在最远离可视层处为 RBM，其余层为贝叶斯信念网络的混合模型。

同年，图神经网络（GNN）

摘要

2022世界人工智能大会于2022年9月1日至3日在上海举办。世界人工智能大会自2018年以来，已成功举办四届。2022世界人工智能大会由国家发展和改革委员会、科学技术部、工业和信息化部、国家互联网信息办公室、中国科学院、中国工程院和上海市人民政府共同主办。

作为本届世界人工智能大会承办单位之一，数库科技于9月3日下午举办以“数无疆·智无界”主题分论坛，J.P. Morgan亚太地区量化策略负责人Robert Smith先生发表了题为*《Big Data and AI Strategies：AI for Investing》*的主题演讲，Robert Smith分别

机器学习作为发展中的学科，毕业后的从业人员年薪非常可观，平均年薪达到了144721美金。

一些头部公司的薪水大方到让人羡慕，ebay甚至能出到接近35万美金的年薪。在圣地亚哥市，机器学习工程师的平均年薪则在156376美金左右。

有网友说，接触机器学习，深度学习和计算机视觉已经一年有余，从小白逐渐到了有了一定知识和经验积累的学习者。目前的任务是通过深度学习训练神经网络以使其能对特定植物的进行切割，需要兼顾准确率和速度。植物的形态确实比一般物体复杂，很具有挑战性。

竞赛实战，可以让参与者更深刻体会ML的一些关键步骤，从工业视角去理解，例如了解度量优化——每个问题都有其独特的评估指标。如何在

/wiki/static/upload/c9/c94fbe09-58ac-483f-8d29-ba184e00cfb3.pdf

\

正文

/wiki/static/upload/25/259b1aaa-df16-4ed2-abd6-8ad67bba7fb7.pdf

\

摘要

互联网大数据与量化投资身处大数据时代，我们所面对的数据的维度在不断增加。传统的量化投资模型基于财务报表及市场价量信息构建因子，信息来源相似性较高导致模型趋同、交易拥堵。在互联网中，非传统金融数据（如舆情、搜索量、语文文本）不断积累，这其中就包括许多对投资有用的信息。

互联网舆情数据可预测性分析相较于传统的金融数据，互联网舆情数据可以及时地描述投资者的情绪面。众多数据源中，舆情搜索指数反映了众多投资者对某类信息的关注情况，本文将众多投资者对大小盘的舆情搜索情绪作为投资者情绪的直接代理变量，以此来研究大小盘风格轮动与舆情变化的强弱之间的关系。投资者情绪随着大小盘风格的变化而波动，同

摘要

公众号遴选了各大期刊前沿论文，按照理解和提炼的方式为读者呈现每篇论文最精华的部分。QIML希望大家能够读到可以成长的量化文章，愿与你共同进步！

本期遴选论文 标题：FactorVAE: A Probabilistic Dynamic Factor Model Based on Variational Autoencoder for Predicting Cross-sectional Stock Returns

摘要

深度学习介绍及应用案例

本篇报告将焦点放在深度学习上，介绍了深度学习的常用算法和在金融领域上可以运用的场景，并给出了两个具体的案例。

监督类方法介绍

监督的深度学习算法基于神经网络结构，这种系统一般由多个层堆叠组成特定神经网络，不同算法的差别来自层的组成结构及层与层之间的关系。深度神经网络在普通神经网络的基础上，增加隐含层的数量，学习输入与输出之间的非线性关系。循环神经网络随数据的输入生成动态模型，以捕捉之前的输出和当前输出的关系，并衍生出了如LSTM的结构，解决遗忘较长时间信息的问题。卷积神经网络主要通过卷积和池化的方式连接每层的输入和输出，达到降低数据维

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

\

简介

本教程旨在介绍如何使用TensorFlow以及LSTM神经网络进行深度学习（了解更多机器学习请参见教程

@ML@ML

）。本教程的演示方法为：以实数序列的预测模型为例进行论述，并对股票价格或股指指数进行实测。

序列数据

本教程将使用神经网络作为序列数据的预测模型。接下来我们介绍什么是序列数据。

数学上的实数序列

vv为一有限实数序列，即v=(v1,...,vM)v=(v1,...,vM)，其中∀i=1,...,M∀i=1,...,M，vi∈Rvi∈R为实数，MM为一非负整数，亦即vv是一包含MM个元素的实向量（若M=0M=0

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

对冲基金布局人工智能

随着深度学习技术的进步，人工智能领域迎来了最好的发展机遇。近年来，国内外知名的IT公司纷纷在人工智能上发力，创造了一系列突破性成果。同时，海外的对冲基金和投资银行也开始在人工智能上进行布局。高盛、BlackRock、Citadel等公司是投资领域人工智能的先行者。

人工智能在资产管理的不同领域大展身手

人工智能能够帮助不同类别的资管机构提高竞争力，在未来的市场竞争中占得先机。分部门来看，人工智能正在或者即将对资管机构的投资、研究、交易、风险管理、产品设计、营销等细分部门产生深远的影响。

投资上，依托高效的信息处理和知识挖掘能力，人工智