密码登录
手机号
密码
一通过模版构建机器学习工作流 创建工作流时选择“因子大赛-非线性因子-xgboost示例”，构建自己的机器学习工作流，如下图：  运行成功后查看因子分析结果  从上图可以看出IC_mean=-0.0042是负相关，并且组2的年化收益率最高， 二调试特征 2.1在公式输入增加open，调整因子分析中的印在方向由0改成1  运行成功后查看因子分析结果，组5排在第一位，显示IC_mean=0.0205，Rank_...
<fontcolor="brown"一、引言</font <fontcolor="red"强化学习已经开始“闯”量化！</font  在参加《量变学院》第五期线下课程后，我首次接触到AlphaGen这一基于强化学习的公式化Alpha因子挖掘框架。其核心思想是通过策略梯度方法（如PPO算法）自动生成具有协同作用的Alpha因子集合，从而提升量化投资策略的性能。为深入理解《GeneratingSynergisticFormulaicAlphaCollec...
PandaAI第五周内测｜多因子机器学习挖掘：从公式到模型的完整工作流 做量化有个经典难题：你手里有五六个因子，每个单看都有点道理，但你不知道怎么把它们合在一起用。等权加总？太粗糙。人工设阈值做条件过滤？参数爆炸，根本调不完。 这周在PandaAI上跑通了一条完整的多因子机器学习工作流，从因子公式编写到XGBoost训练再到合成因子输出，三个节点串起来就能跑。下面把整个流程拆开聊聊，希望对刚上手的朋友有帮助。 整体流程：三个节点，一条链 工作流的结构很简单： 特征工程构建→XGBoos...
各类机器学习模型常见的应用场景 1.1机器学习在量化交易当中的底层逻辑 -量化交易的核心是通过数据，统计，找出市场的规律，从而预测市场走势， 常见的规律有线性规律与非线性规律， 而机器学习就像一个“数据翻译官”，能从海量金融数据中找出非线性规律 核心逻辑：用历史数据训练模型，让模型学会“识别”数据中的模式（如价格波动、因子相关性等），再用这些模式预测未来市场变化，辅助交易决策。 1.2二级标题 1.二、常见模型原理与应用场景 1.决策树（DecisionTree） 原理： 像“层层问答”的流程图，通过不断问问题（如“价格是否突破20日均线？”“成交量是否放大？”）将数据分成不同类别。 ...
PS:事先说明,对于我来说在金融领域常把RGN当作LSTM等常用模型极简版使用,所以此篇不讨论每个具体模型细节 一来点震撼,仙之人兮列如麻,ML/DL如过江之鲫  1.1陷入困境,什么困境 学生思维的困境：工具越学越多，亏损越来越大 很多学习者有一个致命的思维误区：把"知道"等同于"会做"。 我见过太多这样的场：学完均线金叉→兴奋实盘→连续止损→放弃学完,MACD背离→兴奋实盘→连续止损→放...... 但真正的问题在于：只是在堆砌工具，而不是构建系统。 不断...
当前市场上的量化策略常见的为多因子截面，主要应用于股票市场。而期货市场、数字货币等因标的数量的限制，不容易构造有效的截面，以单品种时序策略为主。比如技术指标等规则类策略，机器学习类策略较少。本篇我们探索用机器学习的方法为单品种时序策略建模，并逐步构建完整的量化策略。 根据机器学习的处理流程，可以按以下步骤来做：数据准备-标签标注-特征构建-模型构建-回测与上线几大步骤。 一数据准备 以期货为例，我们可以从数据供应商那里下载行情数据，基本为不同时间间隔的k线。期货k线数据通常包含价格的高开低...
很久没写作业了，怕智姐伤心，开始了补作业的过程 1.1很开心简单因子的挖掘 聪明的AI说干就干;  干完啦; 
