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。
锐天徐晓波｜量化嘉年华直播实录，干货满满
以下是直播实录
谢谢大家，今天非常荣幸能够参加量化投资与机器学习公众号的举办的这场量化活动。今天我分享的主题是《金融科技与量化交易的中国实践》。
首先，做一个简单的自我介绍。我从05年到09年在北大就读物理学，毕业之后去了美国，12-13年在Citadel从事美股高频交易，工作一年多后就从纽约回到中国，创立了锐天投资（以下简称：锐天）。锐天从2013年开始到现在已经走过了七个年头，也见证了中国资本市场在量化领域的发展。今天我就花一些时间跟大家做一个简单的分享，谈谈这个行业的现在过去以及未来。
首先简单介绍一下量化交易这个概念吧。其实量化交易是一个非常宽泛的概念，今天我们就挑几个大
更新时间：2024-06-07 10:19
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
= P(B∣*A
更新时间：2024-05-20 03:38
贝叶斯优化算法原理及代码
贝叶斯优化是一种基于贝叶斯定理的优化方法，广泛应用于机器学习、金融建模和其他需要高效搜索最优参数的领域。它通过构建目标函数的概率模型，并在此基础上逐步更新和优化参数选择，从而实现高效的全局优化。
算法原理
-
目标函数：
- 这是需要优化的函数，通常是复杂且成本高昂的黑盒函数。在金融领域，这可能是投资组合的预期回报率或风险调整后的收益。
-
先验分布：
- 对目标函数的初始猜测。
- 高斯过程：贝叶斯优化通常使用高斯过程（Gaussian Process, GP）作为先验，它是一种用来描述数据
更新时间：2024-05-20 03:22
机器学习之“监督学习”
1936 年 Fisher 提出线性判别分析（Linear Discriminant Analysis），是一种有监督的数据降维与分类算法。
1950 年左右，朴素贝叶斯分类器（NaiveBayes Classifier），基于最基本的贝叶斯理论，假设特征相互独立，根据贝叶斯公式利用先验信息去计算样本被分类到每一个类别的概率。
1958 年感知机（Perceptron），神经网络的前身，结合了当时对脑细胞的研究以及机器学习的成果，首次被提出并用于图像识别。
同年，逻辑回归（Logistic Regression），用广义线性模型去预测样本被分类到每个类别的概率。
1967 年 K 近
更新时间：2024-05-20 03:21
机器学习之“无监督学习”
起源于 1901 年 Pearson 的主成分分析（PCA），通过对协方差矩阵的特征值分解或 SVD 分解，通过对特征值排序选取相应的特征向量，将高维特征映射到低维上，达到降维的目的。用于数据预处理。
1998 年，降维算法PCA首次与核方法结合，先将数据集通过核函数（Kernel Function）映射到高维空间，然后在高维特征空间中做 PCA。核 PCA 有更好的降维效果。
2000 年，始于局部线性嵌入（Locally Linear Embedding）的流形学习（Manifold Learning）引领了降维算法的新浪潮。
2008 年 ，t-SNE 作为非线性降维方法，可更好地
更新时间：2024-05-20 03:21
机器学习之“强化学习”
最基本的强化学习建立在马尔可夫决策过程（Markov Decision Process，MDP）上，当模型的动态特征已知时可以按照动态规划（Dynamic Programming，DP）进行迭代求解。
1988 年，时间差分算法（Temporal-Difference Method，TD）被应用于价值函数的迭代计算，它与类似的蒙特卡洛算法（Monte Carlo Method，MC）一样并不需要预先知道动态特征。本质上都被看作是 DP 的近似算法。
1989 年，经典的强化学习算法 Q-学习（Q-learning）被提出，它类似于 DP 中的价值迭代算法，但无需预先知道动态特征。
199
更新时间：2024-05-20 03:20
Machine Learning is Fun! — 全世界最简单的机器学习入门指南
你是否曾经听到过人们谈论机器学习，而你却对其含义只有一个模糊的概念呢？你是否已经厌倦了在和同事对话时只能点头呢？现在，让我们一起来改变这个现状吧！
这篇指南是为那些对机器学习感兴趣，但又不知从哪里开始的人而写的。我猜有很多人曾经尝试着阅读机器学习的维基百科词条，但是读着读着倍感挫折，然后直接放弃，希望能有人给出一个更直观的解释。本文就是你们想要的东西。
本文的写作目标是让任何人都能看懂，这意味着文中有大量的概括。但是那又如何呢？只要能让读者对机器学习更感兴趣，这篇文章的任务也就完成了。
什么是机器学习？
机器学习是一种概念：不需要写任何与问题有关的特定代码，泛型算法（Gene
更新时间：2024-05-20 03:18
65本机器学习书单 2020年
前言
斯普林格已经向公众发布了数百本关于广泛主题的免费图书。这份名单共有408本书，涵盖了广泛的科学和技术主题。为了节省您的时间，我创建了一个与数据和机器学习领域相关的所有书籍(共65本)的列表。
在这些书中，你会发现那些处理数学方面的领域(代数，统计，和更多) ，随着更高级的书籍深度学习和其他高级主题。您还可以在各种编程语言(如 Python、 R 和 MATLAB 等)中找到一些好书。
书单
更新时间：2024-05-20 03:17
17种机器学习回归算法在金融的应用
回归是一种挖掘因变量和自变量之间关系的技术。它经常出现在机器学习中，主要用于预测建模。在本系列的最后一部分中，我们将范围扩大到涵盖其他类型的回归分析及其在金融中的用途。
线性回归
简单线性回归
简单的线性回归允许我们研究两个连续变量之间的关系——一个自变量和一个因变量。
简单线性回归方程的一般形式如下：
其中 (β_{0}) 是截距，(β_{1}) 是斜率，(ϵ_{i}) 是误差项。在这个等
更新时间：2024-05-20 03:17