过拟合
在金融领域，"过拟合"是一个重要概念，尤其在使用复杂模型和算法进行数据分析和预测时。过拟合主要指的是模型在训练数据上表现过于优越，以至于把训练数据中的噪声或特殊情况也考虑进去，从而使得模型在新的、未见过的数据上表现不佳。 更具体地说，当一个模型过度拟合训练数据时，它会将自身调整得过于复杂，以适应训练数据中的每一个细节。这导致模型对训练数据的预测非常准确，但对新数据的预测能力大大降低。在金融市场的应用中，这可能意味着模型在历史数据上表现良好，但在实际交易中却无法实现预期的回报。 过拟合的原因有很多，例如训练数据量不足、模型复杂度过高、训练时间过长等。为了防止过拟合，金融从业人员通常会采用一系列策略，如交叉验证、使用正则化方法、提前停止训练、增加训练数据量、降低模型复杂度等。这些方法的目标都是使模型能够在不见过的数据上保持稳健的预测性能，从而在实际金融决策中提供可靠的依据。
xgboost自定义目标和评估函数
更新时间：2022-03-31 18:20
策略回测正常，模拟不正常
更新时间：2022-03-09 09:08
因子过滤
更新时间：2021-12-14 13:18
回归模型评估
更新时间：2021-11-19 10:42
CTA程序化交易实务研究之六：基于机器学习的订单簿高频交易策略-民生-131211
更新时间：2021-11-12 11:39
神经网络交易算法
更新时间：2021-09-08 03:03
关于过拟合：机器学习方法 vs. 传统人工方法
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：
- 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
更新时间：2021-08-24 05:46
机器学习新手十大算法之旅
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
更新时间：2021-08-24 05:46
深度学习为什么回测时间改变之后收益率不一样
\
更新时间：2021-08-23 01:56
lightGBM_AI选股
更新时间：2021-07-30 09:11
回归、分类模型构建
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
更新时间：2021-07-30 08:22
用支持向量机-回归算法实现A股股票选股
更新时间：2021-07-30 07:26
分类模型评估
更新时间：2021-07-30 06:27