![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
kaggle量化交易
文章平均质量分 75
量化投资与科学养猪
入门量化投资找不到因子,策略?
工作两年没有做出盈利的模型?
#每天帮你找一个交易策略
#每天帮你找一篇研究报告
展开
-
kaggle量化赛金牌方案(第七名解决方案)(下)
比赛进入最后阶段,现在是时候深入了解一些关于神经网络模型的见解了。有趣的是,使用 LSTM 或 ConvNet,在没有任何特征工程的情况下,你可以达到 5.3505 的得分(甚至达到 5.348X)。这些模型可以通过增加额外的特征(如全球股票统计)和优化来进一步提升,达到 5.33X 的得分范围。通过仅仅结合一些失衡特征,使用 ConvNet 或 LSTM 就可以获得 5.3439 的得分。你可以在 Kaggle 上找到这些模型。ConvNet 结构的一个重要方面是使用了残差连接,这显著提升了性能。原创 2024-07-03 21:07:49 · 672 阅读 · 0 评论 -
kaggle量化赛金牌方案(第七名解决方案)
这个挑战提出了一个在金融市场时间序列预测领域中具有重大和复杂性的问题。我的方法结合了 LightGBM 和神经网络模型,对神经网络进行了最少的特征工程。目标是结合这些模型以降低最终预测的方差。为了进一步探索,我还提供了 [Optiver Trading Close 仓库],我会在其中更新完整的获奖代码。该架构包括 LSTM 和卷积网络(ConvNet)模型,结合全球股票统计和偏差特征以改善收敛性。采用简单的基于时间的拆分进行模型验证。原创 2024-07-02 22:07:57 · 787 阅读 · 0 评论 -
[第五名公共排行榜] LGB 连续学习 + Catboost 集成
使用5个LGB模型进行连续更新/学习,通过.train(init_model)和.refit()方法,以及5个基于216个特征的Catboost模型。通过减去指数贡献的加权和进行后处理,使得w_i * targ_i ≈ 0。使用Polars进行特征生成,最终提交的模型将长滞后特征和短滞后特征分开,以便快速推理阶段可以独立计算。原创 2024-06-20 09:04:59 · 1299 阅读 · 0 评论