个人笔记

特征值与特征向量

浓缩矩阵的信息 ../../../1_study/math/线性代数基础

特征值、特征向量、谱定理、矩阵的快速幂、SVD

以上算是PCA的相关数学基础

PCA其中变量解耦的过程是值得衍生到其他领域的

投资组合风险控制

$$ \mathop{min}\limits_{w} (Risk) = w^T \Sigma w$$ $$ s.t. \ w_1+...w_n=1$$

• $\Sigma$表示投资组合的协方差矩阵
• $w$表示投资组合中各证券的权重

求解方式有

Read more

ExtraTreesRegressor

• 相比随机森林的随机性更强
• 更好的避免过拟合
• 效果一般也会好一丢丢

ExtraTreesRegressor

模型分析

模型评价-mertic（mse、acc、r^2。。。）

问题分析-ROC AUC

此处指标详见../../../1_study/DataAnalysis/评价指标

NLP与量化建模

如何将新闻文本转化为训练集？

• 对文本进行中文分词（jieba）
• 去除一些不重要的停止词（常用+人工筛选）

Read more

常见问题

../../../1_study/DataAnalysis/数据平衡：数据可视化理解数据、选择模型

参数空间：样本与参数的经验规律、合理的寻参空间

独有特征：招行股价vs咨询舆情量化（NLP）

集成学习

三个臭皮匠 顶个诸葛亮

1. 特征抽取
2. 反复建模（弱学习器）
3. 模型集成（强学习器）

相关概念：stocking、blending、voting、boost

讨论了adboost的理论以及三个特性

• 较低误差下限
• 难以过拟合
• 权重更新时候的加速计算技巧

详情可参考：../../../1_study/algorithm/集成算法

Read more

1 特征选择

1. 选择特征子集（暴力枚举、前向/后向/双向选择）
2. 正则化约束系数为0
3. 特征降维

特征评价： AIC、 BIC、 adjusted R^2

2 遗传算法

遗传算法

3 深入浅出 BP 算法

基础神经网络

4 RNN

RNN

Read more

1 模型特征

特征的选择是非常个性化的过程

因子的选择取决于你对问题的理解

常见基础指标列举： 基础指标 常见经济指标 常见股指 常见汇率

常见技术指标列举（包含python实现）

• CCI指标
• EMV指标
• 动量线
• BOLL指标

2 模型建立

探究了决策树和随机森林之间的关系，并引出了对集成算法的讨论，内容较为简略，深度不够，不再赘述。

之后简单提及了一些模型和概念 逻辑回归 1_study/algorithm/支持向量机 SVM]] [[基础神经网络 损失函数

3 示例代码1：

Read more

1 大纲

• OLS 线性回归
• Ridge
• Lasso
• Kernels 核技巧
• Cross-validation 交叉验证
• Hands on: sklearn 代码实践

2 机器学习

Machine Learning is the field of study that gives computers the ability to learn without being explicitly programmed. ---- Arthur Samuel (1959)

机器学习应用

Read more

任务目标

1. 实战：python爬取金融数据
2. 实战2: 利用python进行金融数据处理：数据清洗，数据可视化，特征提取，etc.
3. 实战3:你的第一个基于机器学习的量化模型（yay）

1 数据

金融数据源

• Tushare -财经数据接口包
• 雅虎金融
• 谷歌金融
• QuantQuote
• EODdata

存储方式：csv、sql、nosql

数据格式

• 交易所信息
• 数据来源
• Ticker/symbol
• 价格
• 企业行为（stock splits

Read more

任务目标：

1. 掌握python语言和常用数据处理包
2. 从技术分析到机器学习

1 python基础

python安装 python数据类型 python基本语法 python的数据结构：tuple,list,dictionary,etc python的内置函数 python和面向对象编程

自学地址： https://learnxinyminutes.com/docs/python/ #python #教程

常用库：numpy、pandas、sklearn

自学书籍： 《利用python进行数据分析》 书籍概况 自学地址：http://scikit-le

Read more

1 课程总览

1. 为什么要做算法交易

2. 交易系统的开发与设计

3. 时间序列分析

4. 策略建模及其优化方法

5. 策略评价与回测

6. 风险管理

7. 交易策略的实现

8. 交易策略的执行

课程主要围绕三个核心： #金融 #编程 #机器学习

2 算法交易综述

算法交易：利用自动化平台，执行预先设置的一系列规则完成交易行为。

优点

1. 历史数据评估
2. 执行高效
3. 无主观情绪输入
4. 可度量评价
5. 交易频率

缺点

1. 成本（学习成本、金钱成本）
2. 技巧

交易流程——大前提：基于某种平台：

1. 提出假设
2. 建立模型
3. 回测验证
4. 执行交易

交易策

Read more