深度学习
深度学习是人工智能领域的重要分支，它模拟人脑神经网络的工作原理，通过多层次的数据处理和分析，发现数据的内在规律和模式。在金融领域，深度学习的应用日益广泛。从风险控制、欺诈检测，到投资管理、市场分析，深度学习的算法能够对海量金融数据进行高效、准确的处理，提取有价值的信息。它能够学习并模拟人类的投资决策过程，帮助金融机构优化风险管理模型，提高投资回报率，并为个性化金融服务提供强大的技术支持。深度学习正在改变金融业的运作方式，为金融行业带来前所未有的智能化和效率提升。
基于Transformer的Capsule网络股票走势预测
作者：Jintao Liu1∗ , Xikai Liu1∗ , Hongfei Lin1† , Bo Xu1,2 , Yuqi Ren1 , Yufeng Diao1,3 , Liang Yang1 1
时间：2020年
原文标题：Transformer-Based Capsule Network For Stock Movements Prediction
摘要
股票走势预测对于研究和行业来说都是一项极具挑战性的研究。利用社交媒体预测股市走势是一项有效但困难的任务。然而，现有的基于社交媒体的预测方法往往没有考虑到特定股票的丰富语义和关联。这就导致了有效编码的困难。为了解决这一问题
更新时间：2021-11-02 03:42
BigQuant使用指南
{{use_style}}
一.导语
欢迎您来到BigQuant！
BigQuant是一个人工智能量化投资平台，平台内聚集了各类人工智能量化开发者、订阅者和学习者。
二.开发者
如果您是一位充满好奇心的学习者，在BigQuant您可以前往：
1.培训报名
与知识经验丰富的讲师团队，通过线上+线下的方式，学习AI量化入门、因子构建分析、AI量化实践、实战等，纵观全局获得AI量化全貌，由浅入深进阶成为量化大神。
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
机器学习常见算法
导语
机器学习里面究竟有多少经典的算法呢？本文简要介绍一下机器学习中的常用算法。这部分介绍的重点是这些方法内涵的思想，数学与实践细节不会在这讨论。
回归算法
在大部分机器学习课程中，回归算法都是介绍的第一个算法。原因有两个：一.回归算法比较简单，介绍它可以让人平滑地从统计学迁移到机器学习中。二.回归算法是后面若干强大算法的基石，如果不理解回归算法，无法学习那些强大的算法。回归算法有两个重要的子类：即 线性回归 和 逻辑回归 。
线性回归就是我们前面说过的房价求解问题。如何拟合出一条直线最佳匹配我所有的数据？一般使用“最小二乘法”来求解。“最小二乘法”的思想是
更新时间：2021-08-18 06:37
LSTM模型构建
导语
本文将介绍LSTM模型的原理与构建其选股模型的流程
LSTM简介
循环神经网络（RNN）
传统的神经网络是基于所有时刻的输入和输出间相互独立的假设来生成已学习数据的静态模型，并根据新接受的数据进行运算。但在很多情景中，如语音识别中预测当前的单词的含义，需要知道之前的输出结合上文语境做出判断，循环神经网络（Recurrent Neural Networks，简称 RNN）可以用于解决这类问题。 循环神经网络也被称为递归神经网络是受到人类对于近期事件会有所保留的背景而启发，循环神经网络会随着数据的输入生成动态模型。 理论上，RNN可以支持无限长的时间序列，然
更新时间：2021-07-30 08:19
LSTM Networks应用于股票市场之Sequential Model
更新时间：2021-07-30 08:10
LSTM Networks应用于股票市场之Functional Model
LSTM Networks应用于股票市场之Functional Model。本文是已初步探索，如下示例中 使用 LSTM 预测沪深300 涨跌。
用一个input（6 features * 30 time series）训练LSTM，将训练结果与另一个辅助性输入label(np.round(close/500))一起作为input输入至Dense层 LSTM future_return_5作为output（time series=30,features=[‘close’,‘open’,‘high’,‘low’,‘amount’,‘volume’]）
策略案例
[https:/
更新时间：2021-07-30 08:10
基于人工智能算法（Resnet101）的投资策略
导语
说明：重要的事情说三遍，这是一篇付费策略的详细报告！这是一篇付费策略的详细报告！这是一篇付费策略的详细报告！ 1为人，1为人工智能，二者结合如虎添翼。
AI在股市应用中的观点
最近几年随着深度学习不断的发展，人工智能成为了时下最热门的话题，深度学习在各个领域都有了很多重要应用，不少专业人员也在把人工智能引入到股票投资领域。这两年互联网上就出现了不少关于人工智能投资基金收益吊打专业投资基金经理的报道，然而事后的追踪报道也显示这些所谓的人工智能投资基金的收益只是在中短期内超越了纳斯达克、标普500指数而已，长期来看还是跑输这些指数。
深度学习目前主要有三大类方法：适合图像
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
Transformer文献综述
一、背景介绍
《Attention Is All You Need》是一篇Google提出的将Attention思想发挥到极致的论文。这篇论文中提出一个全新的模型，叫 Transformer，抛弃了以往深度学习任务里面使用到的 CNN 和 RNN ，来做机器翻译的任务。Bert就是基于Transformer构建的，这个模型广泛应用于NLP领域，例如机器翻译，问答系统，文本摘要和语音识别等等方向。本文根据论文[《Attention Is All You Need》](https://arxiv.org/abs/1
更新时间：2021-04-23 08:06
Transformer在量化选股中的应用
一、基于时间嵌入的方法
当前应用于NLP领域的Transformer，结构过于庞大，并不适用于股票数据（开盘价，收盘价，最高价，最低价，等）这样的时序数据，因此，本文提出一种简化的适用于股票数据的Transformer结构，其根据时间嵌入的思想构建，能很好的应用于量化选股中。下面以一个例子来介绍用于股票数据的Transformer体系结构，以及
更新时间：2021-02-03 07:05