- 博客(6)
- 收藏
- 关注
RSS订阅
原创 Tensorflow 笔记 1 CNN
%%time2from __future__ import division3from __future__ import print_function 4import numpy as np5import pandas as pd6import matplotlib.pylab as plt7%matplotlib inline8import seaborn as
2017-01-12 11:20:46
783
原创 重新比较3个模型预测大盘准确率
经过和坛子里的朋友友好讨论以后，我决定还是把样本按照时间序列切除一下，把最后100~228行数据拿出来不放在训练和测试集里分割，做一个样本外测试集来score一下比较比较模型效果，看看这样做了以后，我们3个模型的表现。前3个帖子回顾：使用SVM预测大盘涨跌使用决策树预测大盘涨跌使用AdaBoost预测预测大盘涨跌测试模型稳健性的结果发现，只剩下决策树这个最简单的模型表现得还
2017-01-11 15:02:28
9629
1
原创 使用AdaBoost预测预测大盘涨跌
继使用SVM预测大盘涨跌, 使用决策树预测大盘涨跌后的第三个预测大盘涨跌的模型。包括调参的过程以及模型稳健性验证。经过调参之后，预测准确率可以达到平均90%，上下波动范围约10%。看到预测的准确率还不错，我提取出了特征的权重值，来思考决策树为什么预测准确率还不错。然后做了策略不加预测大盘和加上预测大盘的对比。可以发现，一般的策略（例如纯随机，小于4购买）在加
2017-01-09 16:51:57
4726
5
原创 使用决策树预测大盘指数
在和坛友们经过友好讨论以后，我认为时间对于预测大盘来说确实是一个不可忽视的信息，粗暴地交叉验证获得的准确率，以及依靠这个准确率进行的调参，很容易过拟合。以及，我之前发现一个问题，如果单纯地把30天后的涨跌算作大盘指数涨跌，很容易让模型拟合噪音，于是我设定了10%的阈值，高于这个阈值的时候才认为大盘在涨，低于这个阈值的时候才认为大盘在跌。当然，更好的办法是使用mean in 30 day
2017-01-05 15:31:12
4123
原创 量化分析师的Python日记【Q Quant兵器谱之偏微分方程3的具体金融学运用】
欢迎来到Black - Scholes — Merton的世界！本篇中我们将把第11天学习到的知识应用到这个金融学的具体方程之上！import numpy as npimport mathimport seaborn as snsfrom matplotlib import pylabfrom CAL.PyCAL import *font.set_size(15)
2017-01-03 11:05:05
2425
2
原创 Tensorflow 笔记 用 GoogLeNet 做模式识别
GoogLeNet, 2014 年 ILSVRC 挑战赛冠军,这个 model 证明了一件事：用更多的卷积，更深的层次可以得到更好的结构。结构拓宽卷积网络的宽度和深度，其中将稀疏矩阵合并成稠密矩阵的方法和路径具有相当的工程价值。本帖使用这个NiN结构的复合滤波器对 HS300ETF 进行技术分析因子预测。并通过叠加不同指数，尝试寻找‘指数轮动’可能存在的相关关系。
2017-01-17 17:13:21
4882
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人