MLAT
文章平均质量分 66
Ramona_liu
这个作者很懒,什么都没留下…
展开
-
MLAT-Autoencoders---下篇-关键代码及结果展示(3)(终)
用于回报预测和交易的条件自动编码器本节主要介绍自编码器在资产定价中的应用。步骤分为:第一步:创建包含股价和元数据信息的新数据集第二步:计算预测资产特征第三步:创建和训练条件式自动编码器架构第四步:评估结果...原创 2021-07-12 21:01:03 · 275 阅读 · 0 评论 -
MLAT-Autoencoders---下篇-关键代码及结果展示(2)
卷积和降噪自编码器1.导入各种包from pathlib import Pathimport pandas as pdimport numpy as npfrom numpy.random import choiceimport tensorflow as tffrom tensorflow.keras.layers import Input, Conv2D, MaxPooling2D, UpSampling2Dfrom tensorflow.keras.models import Mod原创 2021-07-12 18:48:44 · 180 阅读 · 0 评论 -
MLAT-Autoencoders---下篇-关键代码及结果展示(1)
自编码器的实现(python)本节主要展示了应用深度前馈、稀疏约束神经网络构建自编码器。另外卷积自编码器对图像进行去噪这一应用也非常实用,但这里不展开了。1.导入各类包from pathlib import Pathimport numpy as npfrom numpy.random import choicefrom numpy.linalg import normimport pandas as pdimport tensorflow as tffrom tensorflow.k原创 2021-07-12 17:57:26 · 264 阅读 · 0 评论 -
MLAT-Autoencoders for Conditional Risk Factors and Asset Pricing---上篇
MLAT-Autoencoders for Conditional Risk Factors and Asset Pricing—上篇写在前面本文对《Machine Learning for Algorithmic Trading》一书第20章进行了梳理及代码复现。这个系列会分为上、下撰写,此篇为上,主要进行理论介绍,下篇则主要进行代码复现的演示。Chapter20主要介绍了自编码器及其在交易中的应用。自编码器是一种神经网络,经过训练,它可以在学习新的数据表示的同时再现输入(input),并通过隐藏层原创 2021-07-11 23:03:46 · 236 阅读 · 1 评论