xpress-mp优化实例精选_量化研究每周精选-20170711
- 《Applying Deep Learning to Time Series Forecasting with TensorFlow》
關(guān)鍵詞：TensorFlow、深度學(xué)習(xí)、時(shí)序預(yù)測
2017年深度學(xué)習(xí)框架關(guān)注度排名tensorflow以絕對的優(yōu)勢占領(lǐng)榜首，本文通過一個(gè)實(shí)例介紹了TensorFlow在時(shí)序預(yù)測上的具體應(yīng)用。TensorFlow 是一個(gè)采用數(shù)據(jù)流圖（data flow graphs），用于數(shù)值計(jì)算的開源軟件庫。它靈活的架構(gòu)讓你可以在多種平臺(tái)上展開計(jì)算，例如臺(tái)式計(jì)算機(jī)中的一個(gè)或多個(gè)CPU（或GPU）、服務(wù)器、移動(dòng)設(shè)備等等。TensorFlow 最初由Google大腦小組的研究員和工程師們開發(fā)出來，用于機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)方面的研究，但這個(gè)系統(tǒng)的通用性使其也可廣泛用于其他計(jì)算領(lǐng)域，因此流行起來。時(shí)間序列分析在計(jì)量經(jīng)濟(jì)學(xué)和財(cái)務(wù)分析中具有重要意義，但也可以應(yīng)用于趨勢預(yù)測和對行為模式的變化做出反應(yīng)的領(lǐng)域。在金融方面，時(shí)間序列分析用于股票價(jià)格，資產(chǎn)和商品的價(jià)格的預(yù)測。長期以來，計(jì)量經(jīng)濟(jì)學(xué)家長期利用“差分自回歸移動(dòng)平均模型”（ARIMA）模型進(jìn)行單變量預(yù)測，ARIMA模型已經(jīng)使用了幾十年，近幾年深度學(xué)習(xí)在時(shí)序預(yù)測方面有了更多的應(yīng)用。
- 《Deep Learning with Python in Finance》
關(guān)鍵詞：深度學(xué)習(xí)、DQN
這是Ben的有關(guān)"使用Python在金融領(lǐng)域深度學(xué)習(xí)"內(nèi)容的視頻課程。背景介紹：Python正在成為許多機(jī)器學(xué)習(xí)和深度學(xué)習(xí)研究的行業(yè)標(biāo)準(zhǔn)語言。作者一直在使用具有深度學(xué)習(xí)和其他ML技術(shù)的Python項(xiàng)目，作者使用TensorFlow的Python中提供了一個(gè)增強(qiáng)學(xué)習(xí)算法-DQN，并且系統(tǒng)性地介紹了多種深度學(xué)習(xí)算法的信息和背景，以及在金融市場的應(yīng)用。通過其公布在Github上的項(xiàng)目，讀者可以學(xué)習(xí)如何使用Tensorflow實(shí)現(xiàn)DQN，以及如何設(shè)計(jì)一個(gè)深度學(xué)習(xí)系統(tǒng)來解決各種各樣的問題。作者ben是一個(gè)對其事業(yè)有極高信仰的一位研究人員。他在AI軟件工程和算法交易領(lǐng)域已經(jīng)有15年的工作經(jīng)驗(yàn)。目前是http://prediction-machines.com的首席技術(shù)官。
- 《教你Machine Learning玩轉(zhuǎn)金融入門notes》
關(guān)鍵詞：機(jī)器學(xué)習(xí)、金融量化
作者江海在在知乎上發(fā)表以來，得到了許多贊和回復(fù)，這篇文章有許多干貨心得，尤其是對于在量化金融領(lǐng)域彷徨迷茫的人，作者首先談到了宏觀系統(tǒng)，他認(rèn)為宏觀系統(tǒng)本身非常復(fù)雜，變量因子多，即使邏輯線以線性關(guān)系為主，但因子和因子之間互相還有correlation和dependence使其結(jié)構(gòu)更加復(fù)雜。接著作者又談到了趨勢和周期，作者認(rèn)為趨勢只是價(jià)格運(yùn)行的表象，其背后是因子共同作用的結(jié)果。不過這些都只是一個(gè)開頭。本文首先對金融和統(tǒng)計(jì)背景知識(shí)進(jìn)行了介紹，尤其提到了數(shù)學(xué)的重要性。然后，作者介紹了機(jī)器學(xué)習(xí)各個(gè)方法在金融量化中的運(yùn)用，包括隨機(jī)森林、主成分分析、梯度提升、支持向量機(jī)等，不僅如此，作者還介紹了期權(quán)的一些干貨?？傊?#xff0c;看了本文，應(yīng)該對金融市場和機(jī)器學(xué)習(xí)二者的結(jié)合有更好的理解。
- 《A Deep Reinforcement Learning Framework for the portfolio management》
關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、長短期記憶模型
這篇文章比較新，發(fā)表出來不到半個(gè)月，作者為三位中國學(xué)者。金融投資組合管理是將資金不斷重新分配到不同的金融產(chǎn)品中的過程。本文提出了一個(gè)無金融模式的增強(qiáng)學(xué)習(xí)框架，為組合管理問題提供深入的機(jī)器學(xué)習(xí)解決方案。該框架由相同的獨(dú)立評估者（EIIE）集合、投資組合向量存儲(chǔ)器（PVM）、在線隨機(jī)批量學(xué)習(xí)（OSBL）方案和完全開發(fā)和明確的獎(jiǎng)勵(lì)功能組成。這個(gè)框架在卷積神經(jīng)網(wǎng)絡(luò)（CNN）、基本循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和長短期記憶模型（LSTM）中實(shí)現(xiàn)。隨著一些最近發(fā)布的投資組合策略，作者基于三個(gè)深度學(xué)習(xí)模型進(jìn)行了回測驗(yàn)證，交易周期為30分鐘。標(biāo)的為Bitcoin，Bitcoin是最著名的一個(gè)加密貨幣的例子。該框架下這三個(gè)回測實(shí)驗(yàn)壟斷了所有實(shí)驗(yàn)中的前三名，表現(xiàn)比較優(yōu)異，超越了其他交易算法。即使在系統(tǒng)中設(shè)置傭金率為0.25％，但框架在30天內(nèi)至少也能達(dá)到4倍的回報(bào)。
- 《An Automated FX Trading System Using Adaptive Reinforcement Learning》
關(guān)鍵詞：自適應(yīng)增強(qiáng)學(xué)習(xí)、自動(dòng)外匯交易、循環(huán)增強(qiáng)學(xué)習(xí)
本文介紹了自適應(yīng)強(qiáng)化學(xué)習(xí)（ARL）作為全自動(dòng)交易系統(tǒng)應(yīng)用的基礎(chǔ)。該系統(tǒng)面向外匯交易市場，并依賴于由機(jī)器學(xué)習(xí)算法、風(fēng)險(xiǎn)管理覆蓋和動(dòng)態(tài)效用優(yōu)化層組成的分層結(jié)構(gòu)。在文中，作者選擇了一種稱為循環(huán)增強(qiáng)學(xué)習(xí)（RRL）的機(jī)器學(xué)習(xí)方法作為自適應(yīng)強(qiáng)化學(xué)習(xí)（ARL）的基礎(chǔ)算法。該算法的動(dòng)態(tài)優(yōu)化層不需要固定的模型參數(shù)。此外，它還允許系統(tǒng)內(nèi)的用戶進(jìn)行風(fēng)險(xiǎn)與回報(bào)之間的trade-off。該交易系統(tǒng)在測試集上（樣本外）同樣能夠保持一致穩(wěn)定的收益，同時(shí)避免較大幅度回撤。
相關(guān)文章推薦：
- 《【重磅】AI Alphas(A股版)》
- 《AI超越傳統(tǒng)量化選股，通過AI自動(dòng)獲得收益提升》
- 《如何選出符合一定條件的股票》
- 《快速理解AI量化策略》
- 《基于LSTM的股票價(jià)格預(yù)測模型》
- 《LSTM Networks應(yīng)用于股票市場之Sequential Model》
- 《借助talib使用技術(shù)分析指標(biāo)來炒股》
- 《大師系列之價(jià)值投資選股策略》
- 《價(jià)值選股策略——基于機(jī)器學(xué)習(xí)算法》
- 《選股+擇時(shí)策略組合》
《量化研究每周精選》每周一期，為大家提精選研報(bào)、前沿研究、熱門文章等優(yōu)質(zhì)內(nèi)容。
查看所有 量化研究每周精選。歡迎投稿 (i@bigquant.com)
BigQuant原創(chuàng)，如需轉(zhuǎn)載，請通過 站內(nèi)私信 @BigQuant 或 郵箱i@bigquant.com 聯(lián)系我們
總結(jié)
以上是生活随笔為你收集整理的xpress-mp优化实例精选_量化研究每周精选-20170711的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 滑动轨迹 曲线 python_pytho
- 下一篇： oracle 从右往左截取_截取GIF、