机器学习

机器学习在金融领域的应用日益广泛,为金融业务的智能化提供了强大动力。它运用算法和模型,自动从海量数据中学习和提取有用信息,无需人工进行复杂编程。在金融风控方面,机器学习技术可帮助银行、保险公司等机构更准确地识别欺诈行为,降低信贷风险。在投资策略上,通过对历史数据的深度学习,机器能预测市场走势,为投资者提供更精准的建议。同时,机器学习还能优化客户服务,例如通过聊天机器人提供24小时在线咨询,或根据客户行为数据提供个性化金融产品推荐。总的来说,机器学习不仅提升了金融业的效率和智能化水平,也在重塑我们的金融生态。

使用M.tune写一个超参优化

前言

M.tune可调节的参数仅限于模块中的参数, 具体用法可参考**尝试用M.tune写一个滚动训练.**

使用方法

我们创建一个机器学习算法策略, 将可视化画布转化为代码形式:

接下来将画布的代码进行打包并命名为search, 你也可以命名为其他名字:

![](/wiki/api/attachments.redi

更新时间:2025-04-23 10:12

机器学习应用于底部反转策略的表现

策略简介

A股表现整体呈现震荡趋势,熊市周期长,且经常出现虽然指数跌幅较低,但市场上的个股跌幅较大。于是提出猜想:是否能找到比较抗跌的策略,在市场表现一般的时候策略回测较小。

策略的特点:在大盘下跌时,策略相对大盘比较抗跌,策略回撤相对小。

构建步骤

确定策略目标市场

策略的目标市场:中小板(波动率高,活跃度高,流动率高,做出alpha可能性高;且在反转时,上涨的幅度较大)

构建策略核心因子

2个技术指标因子+1个换手率因子+1个资金流因子+1个量价因子

![](/wiki/api/attachments.redirect?id=5fbec9e0-

更新时间:2025-04-18 10:11

2021-AI量化Meetup导览

{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}导语

2020年我们开展了近半年的Meetup,共11场Meetup活动,90个问题,7场专题,持续地为大家服务和提供新鲜的灵感。2021年,Me

更新时间:2025-04-15 07:19

2023-AI量化Meetup

\

更新时间:2025-04-15 07:19

56th Meetup

小白学习

小白如何学习?出现错误提示后,有没有好的解决方案,有没有专门对接的群?

机器学习/深度学习

  1. 机器学习在量化中,怎样在过程中查看策略、理解机器学习的逻辑和修正?
  2. 目前股票策略中使用最广泛的机器学习和深度学习的模型有哪些?
  3. 机器学习或深度学习策略回撤过高,该结合什么风险控制或择时策略比较好?
  4. 如果使用深度学习或机器学习自动挖掘因子?
  5. 使用深度学习模型时,总觉得泛化性能很差。加上一些提升泛化能力的手段, 比如正则、dropout等,好像没什么用。请问有没有什么较好的方法?

\

策略调优

  1. 如何判断策略失效以及失效后的处理

更新时间:2025-04-15 07:19

机器学习/深度学习策略理解

视频讲解

可看视频听老师的详细讲解

机器学习逻辑理解

问:机器学习在量化中,怎样在过程中查看策略、理解机器学习的逻辑和修正?

答:

1)可解释性

2)如何减少过拟合

3)机器学习/深度学习课程

常见的机器学习/深度学习模型

目前

更新时间:2025-04-15 07:19

简单网格交易日内择时

AI量化Meetup 2021年1月28日期问题,配合视频更容易理解。视频详见:

2021-AI量化Meetup导览

策略案例

https://bigquant.com/experimentshare/5dd6b4f7a29d4c5d827aeeff05816cfd

\

更新时间:2025-04-15 07:19

2020-AI量化Meetup导览

导语

BigQuant宽客学院伴随着平台的更新,学习和探讨的内容也日益增加。大家对机器学习、深度学习的策略研究越来越深入,新的想法也层出不穷,为了满足大家对探索的渴望,因此我们准备了定期的“BigQuant AI量化专家MeetUp”,本周四正式启动了!BigQuant学院院长、AI量化专家现身BigQuant B站直播间,在线交流、答疑,解决您在AI量化和BigQuant遇到的所有问题!

Meetup内容

以导师答疑为主,解决大家在日常开发中遇到的问题:

  1. 策略开发新思路探讨
  2. 策略开发中遇到的疑惑
  3. BigQuant平台使用

**Meet

更新时间:2025-04-15 07:19

如何使用超参搜索持仓天数

视频讲解

点此查看视频

策略源码

https://bigquant.com/codeshare/769aba37-1960-4fc6-bedc-1d7a8a4dee0a

\

更新时间:2025-04-15 07:19

59th Meetup

本期提问者:bq22fw19、bq61ym2n、1855680***、bqhz06vb

因子挖掘

如何利用市场信息?

利用市场信息进行量化投资主要涉及以下步骤:

  1. 数据收集:首先,需要收集和整理市场数据,包括股票价格、交易量、基本面数据、新闻、宏观经济数据等。这些信息可以从各种数据供应商或公开数据源获取。
  2. 数据预处理:对收集到的数据进行清洗和预处理,处理缺失值、异常值、重复值等,保证数据的准确性和完整性。
  3. 特征工程:根据投资策略和模型需求,进行特征工程,提取有价值的特征和信号。
  4. 模型构建:选择合适的模型(如回归模型、机器学习模型、深度学习模型

更新时间:2025-04-15 07:19

华泰研报: XGboost实现有序回归

{{membership}}

https://bigquant.com/codesharev2/cff38b96-bc86-42ef-8eec-24c93591eff0

\

更新时间:2025-04-15 07:19

超参优化

更新

本文为旧版实现,仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU


7月30日Meetup 模板案例:

策略案例

https://bigquant.com/experimentshare/99d8bec5248e4878b33a21bc119a6671

\

更新时间:2025-04-15 07:19

按天标注

策略案例

https://bigquant.com/experimentshare/644652453c624f34a027c192e4f8703a

\

更新时间:2025-04-15 07:19

如何构建筹码因子进行AI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:2025-04-15 07:19

49th Meetup

Q1-@james:有什么另类的标注可以推荐下?

https://bigquant.com/wiki/doc/-0kcMgSnQXw

https://bigquant.com/wiki/doc/rengongzhineng-xilie-ershijiu-shouyi-linglei-biaoqian-zhengquan-fuben-xRMNFmmg00

{w:100}{w:100}{w:100}

更新时间:2025-04-15 07:19

机器学习应用于底部反转策略的表现

问题

《机器学习应用于底部反转策略的表现》

视频

https://www.bilibili.com/video/BV1Jd4y1g7Gi/?vd_source=ecd29bbd04cbefdfa426167c55241973&t=1.3

\

策略源码

详见上述链接

更新时间:2025-04-15 07:19

专利因子与量化选股

视频讲解

https://www.bilibili.com/video/BV1ZG41187mJ?share_source=copy_web&vd_source=2e7dc1240ea373ea6eba1134af8dd086

知识库链接

专利因子在量化选股中的运用

策略源

更新时间:2025-04-15 07:19

如何构建高频的订单流与成交量分布因子

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:2025-04-15 07:19

xgboost自定义目标和评估函数

https://bigquant.com/experimentshare/85eb463354e54a9695eddc0c570040e6

\

更新时间:2025-04-15 07:19

高质量AI量化策略

【此文档为旧版策略】具体可参考新版文档:

https://bigquant.com/wiki/doc/103-ai-LpsqDhu8mG

https://bigquant.com/experimentshare/dd9cff01459a41f9be40d7e660164795

\

更新时间:2025-04-15 07:19

超参寻优调参顺序

策略案例


https://bigquant.com/experimentshare/fe8ec83484ca44148602d39a58545d75

\

更新时间:2025-04-15 07:19

如何开发带有反馈系统的策略?

问题

如何开发带有反馈系统的策略?

解答

比如今天买明天卖的策略,根据股票每天的收益情况,反馈给策略,进行参数调整,这样就可以让策略每天都是新鲜的,并且是真正贴合市场的活的策略。

模型动态更新


{w:100}深度强化学习


基于深度强化学习的股票交易

[1] Deep Reinforcem

更新时间:2025-04-15 07:19

如何用catboost替换stockranker算法

问题

请教catboost的详细使用方法,对于原先使用xgboost或者stockranker的策略,如何用catboost替换掉xgboost或者stockranker?

视频

https://www.bilibili.com/video/BV1US4y1n79r/?spm_id_from=333.999.0.0

策略源码

[https://bigquant.com/experimentshare/c2422c6678a8

更新时间:2025-04-15 07:19

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:2025-04-14 04:26

用于股市预测的人工智能和机器学习的进步:技术和案例研究的全面分析

摘要

股市预测是一个经典但具有挑战性的问题,吸引了经济学家和计算机科学家的关注。交易活动涉及高风险,投资者可能会损失部分或全部投资金额,因此需要更智能的技术来辅助投资决策。

除了传统的金融数据,如价格和交易量,文本数据(如新闻和社交媒体)和宏观经济数据(如GDP和CPI)也可用于预测。这些数据类型可以提供历史数据中不存在的有用信息。

研究方法

文章详细介绍了以下几种用于股市预测的机器学习算法:

1.支持向量机(SVM):用于回归和分类问题,通过核技巧方法转换数据,寻找最佳边界。

2.随机森林(RF):由多个决策树组成,通过聚合预测结果来提高准确性。

3.K最近邻

更新时间:2025-04-03 03:41

分页第1页第2页第3页第4页第5页第6页第7页第8页第9页第14页
{link}