基于LSTM模型的智能选股策略
由clearyf创建，最终由qxiao更新于
由clearyf创建，最终由qxiao更新于
本文介绍了LSTM的相关内容和在股票价格预测上的应用。
LSTM(Long Short Term Memory)是一种 特殊的RNN类型，同其他的RNNs相比可以更加方便地学习长期依赖关系，因此有很多人试图将其应用于 **时间序列的
由clearyf创建，最终由clearyf更新于
由ypyu创建，最终由ypyu更新于
机器学习已经广泛地应用在对于资产市场的分析中。但是，在浩如烟海的机器学习算法中，到底哪种算法能取得更优的预测效果呢？发表在《Applied Mathematical Finance》的这篇文章利用随机森林算法对股价d天之后的涨跌方向进行了预测。发现相比于SVM、线性判别分析等模型，随机森林可以取
由ypyu创建，最终由ydong更新于
# 102
def func(a):
'''
a: 输入数组，已经排好序
返回值：出现次数最多的元素，如果有多个，输出最早出现的
'''
dic = dict()
for x in range(len(a)):
由bqjbfe2i创建，最终由bqjbfe2i更新于
研究科学家Hado van Hasselt探讨了为什么学习主体同时平衡探索和利用已获得的知识很重要。
[/wiki/static/upload/98/988872ab-a494-42d8-99e4-e3533441abb7.mp4](/wiki/static/upload/98/988872ab-
由qxiao创建，最终由qxiao更新于
这是本系列专题研究的第四篇：基于卷积神经网络CNN的深度学习因子选股模型。卷积神经网络（Convolutional Neura
由clearyf创建，最终由clearyf更新于
本视频课程包含python、pandas、numpy基础，配合在BigQuant平台上练习，掌握编程基础，读懂代码、编写简单的代码。
[https://www.bilibili.com/video/BV1dE411d7Q4?p=2](https://www.bilibil
由iquant创建，最终由iquant更新于
Google 2015年11月开源的人工智能系统 数据流（flow）图技术来进行数值计算
节点：数据 / 值运算 边：多维数据（tensors - 张量，python numpy ndarray）的流动
构建图：将计算流程表示成图 执行图：通
由ypyu创建，最终由ypyu更新于
由ypyu创建，最终由ypyu更新于
算法交易起源于上世纪中叶的配对交易
历史上最早使用算法交易的例子可以追溯到1949年。对冲基金之父阿尔弗雷德·琼斯，利用空对多3：7的比例进行配对交易，在1955年到1964年间，综合回报率高达28%。到了上世纪60年代早期，投资者开始利用计算机通过分析股票的周线和月线来预测价格运动
由ypyu创建，最终由ypyu更新于
BigQuant平台不仅支持传统机器学习模型，同时还对深度学习模型模块进行了封装，方便用户直接使用策略生成器开发策略，降低策略开发难度。本文对BigQuant平台上策略生成器已经支持的深度学习模块进行简单介绍。
深度学习模型通过功能层进行积木式拼接，典型的模型构架如下：
由clearyf创建，最终由clearyf更新于
这是本系列专题研究的第六篇：基于DNN模型的深度学习智能选股策略。本文简单介绍了和DNN相关的原理，并举了一个实例，具体展示了如何应用以及应用的结果。
神经网络的每个单元结构如下：
发展到套利定价理论(APT)，在数理统计方面就是从应用一元线性回归发展到应用多元线性回归。在实际运用中，多元线性回归比较普遍。
一元线性回归研究的是一个因变量和一个自变量的
由iquant创建，最终由iquant更新于
本文我们将讨论如何使用平均值来描述一组数据。
[https://bigquant.com/codesharev2/6b17586e-a9e3-4cfd-8b82-32f2f13eb67b](https://bigquant.com/codesharev2/6b17586e-a9e3-
由qxiao创建，最终由qxiao更新于
本文我们将讨论如何使用离散度来描述一组数据。
[https://bigquant.com/experimentshare/715478967ce0434487537359999464be](https://bigquant.com/experimentshare/715478967c
由clearyf创建，最终由clearyf更新于
第1讲:强化学习介绍
科学家Hado van Hasselt介绍强化学习课程，并解释了强化学习与人工智能的关系。
[https://www.youtube.com/watch?v=TCCjZe0y4Qc](https://www.youtube.com/watch?v=TCCjZe0y4
由qxiao创建，最终由qxiao更新于
第13讲:深度强化学习#2 研究工程师Matteo Hessel介绍了作为辅助任务的一般值函数和GVFs，并解释了如何处理算法中的缩放问题。
[https://www.youtube.com/watch?v=siDtNqlPoLk](https://www.youtube.com/watch?
由qxiao创建，最终由qxiao更新于
第12讲:深度强化学习#1 研究工程师Matteo Hessel讨论了深度RL的实际考虑和算法，包括如何使用自区分(即Jax)实现这些。
[https://www.youtube.com/watch?v=cVzvNZOBaJ4](https://www.youtube.com/watch?v=cV
由qxiao创建，最终由qxiao更新于