機器學習如何應用於量化投資
機器學習已成為當下最熱門的話題。在投資領域，其實，機器學習的身影也是無處不在。今天萬礦結合券商金工研報，為你研讀機器學習演算法是如何應用量化投資的。同時萬礦也為大家提供了一個基於機器學習的選股案例，希望大家以後可以打造出屬於自己的演算法量化模型。
什麼是機器學習
機器學習是讓計算機執行人和動物與生俱來的活動：從經驗中學習。機器學習演算法使用計算方法直接從數據中「學習」信息，而不依賴於預定方程模型。當可用於學習的樣本數量增加時，這些演算法可自適應提高性能。
在金融市場、媒體網站、大型零售、醫療診斷、能量負荷預測等領域中機器學習都扮演著日益重要角色。
機器學習的大體流程
機器學習分類與常見演算法
機器學習採用兩種類型的技術：監督式學習和無監督學習。監督式學習根據已知的輸入和輸出訓練模型，讓模型能夠預測未來輸出；無監督學習從輸入數據中找出隱藏模式或內在結構。
下面我們介紹一下機器學習中一些常見的演算法。特別的，我們會給出相應的金工研報，理論結合實踐。方便大家進一步了解。
1、主成分分析（PCA）
工作原理
主成分分析是一種常用的降維方法，其基本原理是把數據沿著方差最大的方向映射到維度更低的子空間上，新特徵的坐標相互正交。
研報推薦
【民生證券】機器學習量化投資實戰指南
2、K最近鄰
工作原理
k 最近鄰( kNN )根據數據集內類的最近鄰關係劃分對象的類別。kNN預測假定相互靠近的對象是相似的。距離量度（如歐氏距離、絕對值距離、夾角餘弦和 Chebychev 距離）用來查找最近鄰。
研報推薦
【華泰證券】人工智慧選股框架及經典演算法簡介
3、支持向量機（SVM）
工作原理
通過搜索能將全部數據點分割開的判別邊界（超平面）對數據進行分類。當數據為線性可分離時，SVM 的最佳超平面是在兩個類之間具有最大邊距的超平面。
研報推薦
【華泰證券】人工智慧選股之支持向量機模型
4、神經網路
工作原理
受人腦的啟發，神經網路由高度互連的神經元網路組成，這些神經元將輸入與所需輸出相關聯。通過反覆修改聯繫的強度，對網路進行訓練，使給定的輸入映射到正確的響應。
研報推薦
【華泰證券】人工智慧選股之全連接神經網路
5、樸素貝葉斯（Naive Bayes）
工作原理
樸素貝葉斯(NBayes)分類器假設類中某一具體特徵的存在與任何其他特徵的存在不相關。根據數據屬於某個特定類的最高概率對新數據進行分類。
研報推薦
【中信建投證券】機器學習之貝葉斯文本分類演算法的實現
6、決策樹
工作原理
利用決策樹預測對數據響應的方法是，按照樹中根節點（起始）到葉節點的順序自上而下地決策。樹由分支條件組成。分支的數量和權重的值在訓練過程中確定。
研報推薦
【華泰證券】人工智慧選股之隨機森林模型
7、廣義線性模型
工作原理
廣義線性模型是使用線性方法的非線性模型的一種特殊情況。它涉及輸入的線性組合與輸出的非線性函數（連接函數）擬合。
研報推薦
【華泰證券】人工智慧選股之廣義線性模型
萬礦社區中的資源
看了以上的介紹，大家是不是早就迫不及待的想練練手了呢？我們萬礦社區中為大家準備了一些機器學習的python代碼。主要是在skearn庫中怎麼實現各種常見的機器學習演算法。詳情如下，請查收：
TAG:機器學習 |