机器学习

导语

BigQuant宽客学院伴随着平台的更新，学习和探讨的内容也日益增加。大家对机器学习、深度学习的策略研究越来越深入，新的想法也层出不穷，为了满足大家对探索的渴望，因此我们准备了定期的“BigQuant AI量化专家MeetUp”，本周四正式启动了！BigQuant学院院长、AI量化专家现身BigQuant B站直播间，在线交流、答疑，解决您在AI量化和BigQuant遇到的所有问题！

Meetup内容

以导师答疑为主，解决大家在日常开发中遇到的问题：

1. 策略开发新思路探讨
2. 策略开发中遇到的疑惑
3. BigQuant平台使用

**Meet

问题

请教catboost的详细使用方法，对于原先使用xgboost或者stockranker的策略，如何用catboost替换掉xgboost或者stockranker?

视频

https://www.bilibili.com/video/BV1US4y1n79r/?spm_id_from=333.999.0.0

策略源码

[https://bigquant.com/experimentshare/c2422c6678a8

{{membership}}

https://bigquant.com/codesharev2/cff38b96-bc86-42ef-8eec-24c93591eff0

\

视频讲解

可看视频听老师的详细讲解

机器学习逻辑理解

问：机器学习在量化中，怎样在过程中查看策略、理解机器学习的逻辑和修正？

答：

1）可解释性

2）如何减少过拟合

3）机器学习/深度学习课程

常见的机器学习/深度学习模型

目前

【此文档为旧版策略】具体可参考新版文档：

https://bigquant.com/wiki/doc/103-ai-LpsqDhu8mG

https://bigquant.com/experimentshare/dd9cff01459a41f9be40d7e660164795

\

视频讲解

点此查看视频

策略源码

https://bigquant.com/codeshare/769aba37-1960-4fc6-bedc-1d7a8a4dee0a

\

导语

2020年我们开展了近半年的Meetup，共11场Meetup活动，90个问题，7场专题，持续地为大家服务和提供新鲜的灵感。2021年，Me

视频讲解

https://www.bilibili.com/video/BV1ZG41187mJ?share_source=copy_web&vd_source=2e7dc1240ea373ea6eba1134af8dd086

知识库链接

专利因子在量化选股中的运用

策略源

导语

机器学习里面究竟有多少经典的算法呢？本文简要介绍一下机器学习中的常用算法。这部分介绍的重点是这些方法内涵的思想，数学与实践细节不会在这讨论。

回归算法

在大部分机器学习课程中，回归算法都是介绍的第一个算法。原因有两个：一.回归算法比较简单，介绍它可以让人平滑地从统计学迁移到机器学习中。二.回归算法是后面若干强大算法的基石，如果不理解回归算法，无法学习那些强大的算法。回归算法有两个重要的子类：即 线性回归 和 逻辑回归 。

线性回归就是我们前面说过的房价求解问题。如何拟合出一条直线最佳匹配我所有的数据？一般使用“最小二乘法”来求解。“最小二乘法”的思想是

摘要

股市预测是一个经典但具有挑战性的问题，吸引了经济学家和计算机科学家的关注。交易活动涉及高风险，投资者可能会损失部分或全部投资金额，因此需要更智能的技术来辅助投资决策。

除了传统的金融数据，如价格和交易量，文本数据（如新闻和社交媒体）和宏观经济数据（如GDP和CPI）也可用于预测。这些数据类型可以提供历史数据中不存在的有用信息。

研究方法

文章详细介绍了以下几种用于股市预测的机器学习算法：

1.支持向量机（SVM）：用于回归和分类问题，通过核技巧方法转换数据，寻找最佳边界。

2.随机森林（RF）：由多个决策树组成，通过聚合预测结果来提高准确性。

3.K最近邻

研究背景

文章从现代投资组合理论出发，强调了通过多样化投资来优化风险和收益的重要性。再平衡（PR）是维持投资组合风险收益特征的关键策略，通过定期调整资产权重来应对市场变化。再平衡的频率（ORF）是一个关键参数，因为它直接影响交易成本和投资组合的灵活性。文章指出，频繁再平衡会增加交易成本，而过少再平衡则可能导致投资组合无法适应经济变化。因此，找到合适的再平衡频率至关重要。

研究方法

研究使用了机器学习（ML）技术来预测最佳再平衡频率（ORF）。具体步骤如下：

**1.数据集：**研究使用了2022年和2023年来自Binance交易所的50种加密资产的高频（每分钟）价格数据。

1. 文章背景

股票市场预测对于投资者来说至关重要，但由于市场的高度波动性、不确定性和复杂性，这一任务极具挑战性。近年来，机器学习（ML）和深度学习（DL）算法在处理大规模数据和复杂关系方面展现出巨大潜力，能够识别传统方法可能遗漏的模式和趋势。因此，本文旨在比较不同ML和DL模型在股票市场预测中的表现，并探讨它们在金融决策中的应用潜力。

2. 股票市场预测中的AI应用

2.1 AI预测模型的工作原理

AI在股票市场预测中的应用越来越广泛，尤其是长短期记忆网络（LSTM）等DL模型，能够捕捉序列数据的长期结构信息，从而更准确地预测未来价格点。尽管这些模型不能完全消除风

如题，目前平台可用的模型较少，仅有随机森林一种，如果不想使用平台的机器学习模板，打算自己实现一个类似时间序列的模型，包含模型训练、模型评估等，目前有文档参考如何操作吗

#逻辑回归

这也称为 logit 回归。逻辑回归是一种基于过去数据预测事件二元结果的分析方法。

当因变量是定性的并且取二进制值时，它被称为二分变量。

如果我们使用线性回归来预测这样的变量，它将产生 0 到 1 范围之外的值。此外，由于二分变量只能取两个值，残差不会围绕预测线呈正态分布。

Logistic 回归是一种非线性模型，它产生一条逻辑曲线，其中值限制为 0 和 1。

将此概率与阈值 0.5 进行比较，以决定将数据最终分类为一个类别。因此，如果一个类的概率大于 0.5，则将其标记为 1，否则标记为 0。

金融中逻辑回归的用例之一是它可以用来预测股票的表现。

#分位数回归

https://bigquant.com/codeshare/5ac99434-07e0-427e-a834-c965114ced20

输入特征列表模块只能通过因子表达式提取运算预计算因子，如果想引入因子看板中的因子该怎么在可视化中操作呢？

比如想添加alpha_ta_0041换手率相对波动率这个因子，https://bigquant.com/alpha/detail/alpha_ta_0041

是通过预计算因子在特征列表模块中重新构建

\

本策略就在stockranker模板策略上改了些因子，标注没改

计算收益：5日收盘价(作为卖出价格)除以明日开盘价(作为买入价格) shift(close, -5) / shift(open, -1)

怎么就只有一个因子体现出来，其它财务因子等在模型上体现不出

https://bigquant.com/college/courses/course-v1:public+2023110601+110601/courseware/7708009442174480802b3dd339f4ede0/45dafc16ea744216af376a7dc2961fa5/

老师您好，

我学习上面的视频文章，想试运行代码，但运行不下去，没办法回测，是我哪里没有配置对吗？谢谢老师！

• \

  # 我们取前0.6的数据量作为训练集
  date = data['date'].unique

如何把次日开盘数据加入策略？比如竞价金额，竞价成交量。开盘涨幅。

机器学习给股票排序，如果我要获得买预测前5或者预测后5的的股票，该怎么写代码。 如上图，我用了图形化LightGBM模型，我怀疑我买错了方向，请教该怎么改平台默认的代码？

自己通过import xgboost可以实现自定义目标函数，但是和平台的xgboost模块相比，自己的import xgboost比平台的xgboost模块慢了很多，时间花费几乎是30倍差距。

那么，如何基于平台的xgboost，实现自定义目标函数的定义呢？

\

前6天所有收盘价小于5日均线，当天收盘价大于5日均线，用lightGBM机器学习报错，请工程师帮忙看看

https://bigquant.com/experimentshare/1e0957b2a15649908418415d073b0dc0

\

随机森林的例子里是使用特征列表里面已有的预计算因子作为因子添加的, 请问 不是预计算的因子 或者是一些自定义的因子 如何去作为输入源输入到随机森林里面 请技术大佬指点一下

\

求一个范例，谢谢