随机森林

摘要

本周全A选股（非行业中性）随机森林表现最好本周（2018/03/05至2018/03/09）中证500涨跌幅为2.49%。本周6个人工智能组合跑赢基准，超额收益最高的策略是随机森林，该策略本周获得绝对收益3.82%，超额收益1.33%。最近三月（2017/12/11至2018/03/09） 超额收益最高的策略是随机森林，该策略最近三月获得绝对收益8.08%，超额收益9.34%。最近一年（2017/03/09至2018/03/09）超额收益最高的策略是朴素贝叶斯，该策略最近一年获得绝对收益16.61%，超额收益。 本周全A选股（沪深300行业中性）随机森林表现最好本周（2018/0

论文原名

《Automated Stock Picking using Random Forests》

论文作者

克里斯蒂安·布赖通-慕尼黑工业大学

修订时间

2021 年 12 月 7 日

引言

我们通过在国际流动股票数据集上应用基于技术特征的随机森林模型来得出股票排名。基于此排名的同等加权多空投资导致高达 2.33 的卓越夏普比率。我们观察到最小方差投资组合产生了更大的夏普比率 (3.46)，我们可以追溯到建议的股票排名，因为我们没有观察到这种对随机构建的投资组合的影响。

此外，我们实现了显着的 alpha，因为 Fama 和 French 的五因子

摘要

1. 海外投资机构加大人工智能领域的布局
2. 案例一：基于随机森林的择时套保策略
3. 案列二：基于模式匹配的行业轮动策略
4. 案例三：基于TensorFlow的二叉树期权定价模型

正文

/wiki/static/upload/f3/f3167067-fd53-4f4b-85f8-43dc0ce09dac.pdf

\

今年收益率-全A模型(收益率为标签，全A选股)超额收益13.32%

今年收益率-全A模型(收益率为标签，全A选股，基准为中证500)超额收益为13.32%。今年以来双周频调仓的“遗传规划+随机森林”模型表现较好，换手率限制为60%的情况下，该模型上周超额收益为0.87%，最近一个月超额收益为0.85%，今年以来超额收益为12.34%。对于月频调仓的“遗传规划+随机森林”模型，换手率限制为120%的情况下，模型上周超额收益为0.09%，最近一个月超额收益为-0.17%，今年以来超额收益为4.45%。

全A选股模型中，今年以来收益率为标签的模型表现最好

全A选股模型中，收益率

**会议：**开源证券2022年资本市场峰会

**日期：**2021年11月5日

**主办：**开源证券金融工程魏建榕团队

**主题演讲：结构性行情下的量化投资 **特邀嘉宾：**董梁博士，创金合信基金首席量化投资官

![图片{w:100}](https://mmbiz.qpic.cn/mmbiz_jpg/1ibtyEvWLuCf3osHF5ickVTHJT37pf6Cc26O6274xxGpbmaz2dMxa0crWOxjhQhtlzI2lAicgiaibTLqUIXx6EZjb9Q/640?wx_fmt=jpeg&tp=webp&wxf

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

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

导语

特征选择是除数据之外最关键的步骤。尽管这一步非常必要，但很多指导文章中却完全忽略这一过程。

本文将展示一些很棒的特征选择方法，帮助读者在机器学习中更加如鱼得水。

特征选择是什么？实际问题中，需要什么样的特征来帮助解决建模并不总是很清晰。在这个问题上，数据总是存在各种问题，比如数据过多，不相关等。特征选择主要研究如何使用算法选择出重要特征。

那为什么不将所有的特征都扔进机器学习模型，然后收工回家呢？

在实际问题中可能没有开源数据集，或者这些数据不总是含有解决问题的相关信息。在这些现实问题面前，特征选择能够最大化数据相关性，降低数据冗余度。这有助于建立好的模型，减小模型大小。