模型训练
从金融角度看，模型训练是利用历史数据，通过特定算法构建并优化数学模型的过程。其目的是揭示隐藏在海量数据中的规律，并预测未来趋势。在金融风险评估、投资策略制定、市场预测等核心领域，模型训练发挥着至关重要的作用。它能够将复杂的金融现象转化为可量化、可操作的数学表达，帮助决策者规避风险，发现价值投资机会，以及把握市场动态。随着数据量和计算能力的不断提升，模型训练在金融领域的应用将越来越广泛，成为推动金融行业创新和发展的重要驱动力。
基于XGBoost的价值选股策略代码
本代码完整版一共包括三部分：数据、算法、回测交易。 由于该策略与机构有一些合作，我们只放出了数据和算法。希望大家能够理解！
策略案例
https://bigquant.com/experimentshare/5a93201876eb401e998867e0b5106175
\
更新时间：2021-07-30 08:09
Transformer在量化选股中的应用
一、基于时间嵌入的方法
当前应用于NLP领域的Transformer，结构过于庞大，并不适用于股票数据（开盘价，收盘价，最高价，最低价，等）这样的时序数据，因此，本文提出一种简化的适用于股票数据的Transformer结构，其根据时间嵌入的思想构建，能很好的应用于量化选股中。下面以一个例子来介绍用于股票数据的Transformer体系结构，以及
更新时间：2021-02-03 07:05
联邦学习技术在金融领域的研究与应用
2020 年 9 月 26 日，在由中国科协主办，清华大学计算机科学与技术系、AI TIME 论道承办的《2020 中国科技峰会系列活动青年科学家沙龙——人工智能学术生态与产业创新》上，微众银行人工智能部门资深研究员刘洋博士进行了题为《联邦学习在金融领域的应用》的主题报告，介绍了联邦学习的相关理论，并以微众银行的一系列应用为主，介绍了联邦学习的产业落地现状。
作为中国首家互联网银行，微众银行成立至今
更新时间：2021-01-27 12:28