artemis_123的博客

梯度下降法（Gradient Descent）是机器学习中最常用的优化方法之一，常用来求解目标函数的极值。 其基本原理非常简单：沿着目标函数梯度下降的方向搜索极小值（也可以沿着梯度上升的方向搜索极大值）。

%%time2from __future__ import division3from __future__ import print_function 4import numpy as np5import pandas as pd6import matplotlib.pylab as plt7%matplotlib inline8import seaborn as

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

本策略是为了验证SVM对于大盘涨跌的预测是否有效，相比于纯随机策略，是否有明显的提高。SVM模型用06~14年的数据训练，16年1月~12月的数据用来回测，这样是为了避免因为在模型中投入了现阶段的数据导致的过拟合。第一次运算准确率为.66，不过个人认为这个准确率不一定能复现，所以做了Accuracy with sets这张图来看数据量和准确率的变化趋势。Accu

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

在本篇中，我们将介绍Q宽客常用工具之一：函数插值。接着将函数插值应用于一个实际的金融建模场景中：波动率曲面构造。

从今天开始我们将进入一个系列 —— 偏微分方程。作为这一系列的开篇，我们以热传导方差为引子，引出：如何提一个偏微分方程的初边值问题；利用差分格式将偏微分方程离散化；显示差分格式；显示差分格式的条件稳定性。最后一点将作为伏笔，引出我们下一天的学习：无条件稳定格式。1. 热传导方程我们这里使用1D热传导方程作为例子：

#设置基本参数start = '2016-02-01'end = '2016-03-28'capital_base = 1000000refresh_rate = 1benchmark = 'HS300'freq = 'd'#设置股票池 以平安银行为例universe = ['000001.XSHE', ]def initialize(account): pass

通过之前几天的学习，Q Quant们应该已经熟悉了Python的基本语法，也了解了Python中常用数值库的算法。到这里为止，小Q们也许早就对之前简单的例子不满意，希望能在Python里面玩票大的！Ok，我们这里引入一个不怎么像玩具的模型——二叉树算法。我们仍然以期权为例子，教会大家：如何利用Python的控制语句与基本内置计算方法，构造一个二叉树模型；如何使用类封装的方式，抽象二叉树算法

基于Wes McKinney的Python for Data Analysis第四章NumPy Basics: Arrays and Vectorized Computation整理代码得来。最近在自学Python，感觉还是要敲一下的，又懒得在书上做笔记，所以在Notebook上写写喽。有需要的尽管参考~谢谢import numpy as np#通过np.array()用list创

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

上篇（链接附在文末）学习了Python的基本操作，以及几种主要的容器类型，今天学习python的函数、循环和条件、类，这样才算对Python有一个大致的了解。今天的学习大纲如下：

广为流传的机器学习算法速查（Python & R）现将python共享之，共勉！#1.线性回归 (Linear Regression)#Import Library#Import other necessary libraries like pandas, numpy...from sklearn import linear_model#Load Train and Test data

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)

这是量化分析师的偏微分方程系列的第二篇，在这一篇中我们将解决上一篇显式格式留下的稳定性问题。本篇将引入隐式差分算法，读者可以学到：隐式差分格式描述三对角矩阵求解如何使用scipy加速算法实现在完成两天的基础学习之后，在下一天中，我们将把已经学到的知识运用到金融定价领域最重要的方程之一：Black - Shcoles - Merton 偏微分方差注意： 下文中需要

技术分析是指以市场行为为研究对象，以判断市场趋势并跟随趋势的周期性变化来进行股票及其他金融衍生物交易决策的方法的总和。技术分析认为市场行为包容消化一切信息、价格以趋势方式波动、历史会重演，常用的有MACD、BOLL、RSI等。

梯度下降法（Gradient Descent）是机器学习中最常用的优化方法之一，常用来求解目标函数的极值。 其基本原理非常简单：沿着目标函数梯度下降的方向搜索极小值（也可以沿着梯度上升的方向搜索极大值）。

梯度下降法（Gradient Descent）是机器学习中最常用的优化方法之一，常用来求解目标函数的极值。 其基本原理非常简单：沿着目标函数梯度下降的方向搜索极小值（也可以沿着梯度上升的方向搜索极大值）。

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。