作者：woshisilvio

DeepAlpha 的优势

deepAlpha的延展性和可塑性。

相比同样的决策树模型还有线性分类模型，deepAlpha无疑具有更大的可扩展空间。 一般的机器学习模型 一旦出现训练数据量过大，又或者面对一些极值数据样本和极端数据差异过大的情况，模型容易陷入过拟合的状态。 模型比较依赖训练的因子特征，如果因子选择不好，会导致模型学习效果不佳，而且在后期难以通过参数去调整学习的效果。

StockRanker绩效：98个因子

![{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}

涉及国内主要品种的不同的频率的回测与交易

\

摘要

时序交叉验证方法适用于时间序列数据，能够有效防止过拟合交叉验证是选择模型最优超参数的重要步骤，本文关注传统交叉验证和时序交叉验证的比较。我们采用机器学习公共数据集以及全A选股数据集，分别比较两种交叉验证方法的表现。结果表明，对于时序数据，时序交叉验证方法在训练集上的表现相对较差，但是在测试集上表现更好。传统交叉验证方法面对时序数据表现出较明显的过拟合，而时序交叉验证方法能够有效防止过拟合。借助时序交叉验证的机器学习选股策略能够获得更高并且更稳定的收益。推荐投资者在选择机器学习模型超参数时，使用时序交叉验证方法。 传统交叉验证用于时序数据可能出现未来信息预测历史的“作弊”行为交叉验

https://bigquant.com/experimentshare/5f74d02dff0e45d595f7494edb417019

\

https://bigquant.com/experimentshare/dd9cff01459a41f9be40d7e660164795

\

报告摘要

时序交叉验证方法适用于时间序列数据，能够有效防止过拟合

交叉验证是选择模型最优超参数的重要步骤，本文关注传统交叉验证和时 序交叉验证的比较。我们采用机器学习公共数据集以及全 A 选股数据集， 分别比较两种交叉验证方法的表现。结果表明，对于时序数据，时序交叉 验证方法在训练集上的表现相对较差，但是在测试集上表现更好。传统交 叉验证方法面对时序数据表现出较明显的过拟合，而时序交叉验证方法能 够有效防止过拟合。借助时序交叉验证的机器学习选股策略能够获得更高 并且更稳定的收益。推荐投资者在选择机器学习模型超参数时，使用时序 交叉验证方法。

传统交叉验证用于时序数据可

https://bigquant.com/experimentshare/648ff204e53d44059c2d726e9219cfa3

\

AI量化策略快速理解

https://bigquant.com/wiki/doc/celve-Uu3N6WbJNJ

https://bigquant.com/experimentshare/85eb463354e54a9695eddc0c570040e6

\

https://bigquant.com/experimentshare/fd3d5958d8d840e3b8897aaa971443d1

\

https://bigquant.com/experimentshare/b6bb3c84df0c4da5bb0b495bc52feb06

\

导语：本文介绍如何对一个回测结果进行深入分析。

策略案例

我们先看一个AI策略，以下是完整的策略代码。

https://bigquant.com/experimentshare/eb2f4ca3f7c0474c95341ae1202cac0f

\

test h1

test h2

test h3

test h1

\

机器学习容易给人“黑箱模型”和“过拟合”的印象，但事实上一些机器学习算法的逻辑和结果都非常直白，而且算法自身带有一套避免过拟合的参数估计机制。众多的实践研究说明，机器学习方法的预测能力大部分情况下都强于线性模型，很值得在量化投资中测试使用。本报告主要讲述机器学习的基本原理和用其来做量化选股的实证结果

机器学习模型众多，不存在所谓的最强模型，不同的数据，不同的问题适用不同的模型。我们测试了LASSO、SVM、增强型决策树、随机森林等几种常见机器学习方法，最终选择用随机森林，主要是因为它结构简单、参数少、过拟合概率低，同时还具有非常强的样本外预测能力

机器选股模型省去了“因子筛选”、“因子加权

https://bigquant.com/experimentshare/2173eaeebea6424eba623aaf2a7f3ba5

\

/wiki/static/upload/7e/7e6629bc-ac8d-42ad-85a0-c74ecff7229b.pdf

\

策略案例

https://bigquant.com/experimentshare/723e10568f294571924b89f3953ce20b

\

自 BigQuant AI策略详解 继续讨论： @soft05jun

拟合是一种学习能力，过度拟合是机器学习方法重点在优化解决的问题之一。

关于过拟合，机器学习方法相对传统人工调参有明显的优势：

1. 让过拟合可衡量：if you cannot measure it, you cannot improve it
   • 机器学习中，我们一般会将数据划分训练集和测试集，通过对比训练集和测试集上的效果差异，我们

作者：James Le 编译：caoxiyang

在机器学习中，有一个叫做“世上没有免费午餐”的定理(NFL)。简而言之，我们无法找到一个放之四海而皆准的最优方案，这一点对于监督学习(即预测建模)尤为重要。例如，你不能说神经网络总是比决策树好，反之亦然。因为其中有很多因素在起作用，比如数据集的大小和结构。

因此，您应该针对您的问题尝试多种不同的算法，同时，保留一组数据，即“测试集”来评估性能并选

\

https://bigquant.com/experimentshare/2fbb2629dcb0450bbf72e224835b4957

\

导语

回归、分类和排序是我们经常遇到的问题场景。本文主要介绍如何实现回归和分类两类问题的模型构建。

首先我们明确一下算法在机器学习中的地位。一般来说，机器学习有三个要素： 数据、算法和模型 。

• 数据 是场景的描述，包括输入和输出。
• 算法 是得到模型的过程，狭义上说，特指机器学习算法，如传统线性回归、树和支持向量机以及深度学习； 广义上说，从输入数据到最终确定模型输出的所有过程，即建模流程都可以看作算法，如分类、回归模型，搜索最优参数算法。

下面我们来举两个例子，看看回归和分类问题的应用场景有什么不同。

回归模型

![](/wik

策略案例

https://bigquant.com/experimentshare/587dfa30731644aeac4499c052f9a686

\

https://bigquant.com/experimentshare/769a812d8a474463a9067d10d62917c0

\

一、基于时间嵌入的方法

原文链接：https://towardsdatascience.com/stock-predictions-with-state-of-the-art-transformer-and-time-embeddings-3a4485237de6

当前应用于NLP领域的Transformer，结构过于庞大，并不适用于股票数据（开盘价，收盘价，最高价，最低价，等）这样的时序数据，因此，本文提出一种简化的适用于股票数据的Transformer结构，其根据时间嵌入的思想构建，能很好的应用于量化选股中。下面以一个例子来介绍用于股票数据的Transformer体系结构，以及