基于人工智能（ AI ）的美股投资应用程序（Python 代码或Windows/Linux程序或移动App）

本文链接：https://blog.csdn.net/angeliatech/article/details/133162276

基于人工智能的美股投资应用（Python 代码或电脑程序或移动App）

可扩展到其它股市。

使用机器学习/人工智能进行股票定量分析的预测模型（线性和 K 邻域回归算法 - 随机梯度下降 (SGD)算法）

本程序使用股票协方差优化投资组合，通过随机梯度下降 (SGD) 算法实现波动性最小化和累积收益最大化，以最大程度地减少代表每只股票不同百分比分配的各种 X 参数的负夏普（Sharpe）比率函数。

请注意，这会最小化夏普比率，而不是累积收益。这是因为优化累积回报是微不足道的；只需将 100% 资金投资于涨幅最大的一只股票即可！相反，这也最大限度地降低了风险，这也使其对未来投资更加有用，因为证券往往会保持相同的波动水平。

想象一下两家公司在同一领域竞争。也许一家公司做得更好，而另一家公司往往做得较差。这是负协方差。在这种情况下，如果将投资分配比例平均设置为 50% 和 50%，那么两只股票的回报就有可能接近于零风险，因为每家公司的波动性都会被抵消。这是除了累积回报之外如何优化缓解风险的总体情况。

随机梯度下降 (SGD)算法#####

随机梯度下降 (SGD) 是一种机器学习中常用的优化算法，用于查找与预测输出和实际输出之间最佳拟合相对应的模型参数。这是一种不精确但功能强大的技术。

虽然随机逼近背后的基本思想可以追溯到 20 世纪 50 年代的 Robbins-Monro 算法，但 SGD 已成为机器学习中重要的优化方法。

SGD 是梯度下降算法的一种变体，用于优化机器学习模型。它解决了传统梯度下降方法在处理机器学习项目中的大型数据集时计算效率低下的问题。

SGD 是一种简单但非常有效的方法，用于在凸损失函数（例如（线性）支持向量机和逻辑回归）下拟合线性分类器和回归器。尽管 SGD 在机器学习领域中已经存在很长时间了，但最近它在大规模学习的背景下才受到了相当多的关注。

SGD 是一种常用于机器学习的迭代方法，一旦选取随机权重向量，就会在每次搜索期间优化梯度下降。梯度下降是一种在以下情况下搜索大型或无限假设空间的策略：1）假设不断被参数化，2）误差可以根据参数进行区分。梯度下降的问题在于，收敛到局部最小值需要大量时间，并且不能保证确定全局最小值。在 SGD 中，用户初始化权重，该过程使用一个数据点更新权重向量。当误差计算完成时，梯度下降不断地增量更新它以提高收敛性。该方法旨在确定最速下降，并减少迭代次数和搜索大量数据点所需的时间。近年来，数据量急剧增加，当前的处理能力已经不够。 SGD 用于神经网络，可减少机器计算时间，同时提高大规模问题的复杂性和性能。

严格来说，SGD 只是一种优化技术，并不对应于特定的机器学习模型系列。这只是训练模型的一种方法。通常，SGDClassifier 或 SGDRegressor 的实例在 scikit-learn API 中会有等效的估计器，可能使用不同的优化技术。例如，使用 SGDClassifier(loss=‘log_loss’) 会导致逻辑回归，即相当于 LogisticRegression 的模型，它通过 SGD 拟合，而不是由 LogisticRegression 中的其他求解器之一拟合。类似地，SGDRegressor(loss=‘squared_error’,penalty=‘l2’) 和 Ridge 通过不同的方法解决相同的优化问题。