股票
-
[ML]ESCP:让策略快速感知并适应环境变化
一 本文简介 现实世界的任务环境可能会发生突然的变化，通常我们期望可以存在一种方法能够快速的适应环境变化。本文提出了一种环境敏感的上下文策略学习方法（ESCP）方法来对环境编码，通…
-
ydata-profiling: 一行代码就可以自动生成数据分析报告
数据挖掘的第一步通常是进行数据探索性分析（EDA）,以理解和探索正在解决的问题的数据。通过EDA, 我们可以分析数据集，了解变量间的相互关系以及变量与预测值之间的关系，帮助后期更好…
-
[ML]CausalAI：无需写代码也可进行数据因果分析的工具
1. 工具简介 Salesforce CausalAI 是一个Python实现的数据因果分析工具，支持对表格和时间序列数据等数据进行因果分析，支持离散和连续的数据类型。Salesf…
-
[ML]OpenFE: 开源的高性能特征自动生成器，生成与机器学习专家相媲美的特征
一 论文概要 表格类数据处理是指针对二维表格形式的数据处理任务，传统机器学习所针对的分类、聚类、回归等都是这种形式的数据处理。该类数据也常见于各类算法任务和机器学习竞赛，如Kagg…
-
代替Git进行机器学习实验管理的工具推荐
机器学习从业者通常通过实验算法、数据和超参数来开发新的机器学习模型。随着实验和项目规模的不断扩大，特别是在大中型企业中，越来越多的模型需要进行有效管理，上图展示了在谷歌中人工智能相…
-
Feature-engine: 一个完备的特征工程Python库，实现端到端的特征流水线
1. 特征工程 特征工程本质是一项工程活动，它目的是最大限度地从原始数据中提取并加工特征以供模型或者算法使用。在传统机器学习领域流传着这样一句话：“数据和特征决定了机器学习的上限，…
-
使用深度学习实现更精确的贝塔系数估计
· · 一 本文摘要 传统的金融贝塔系数估计方法往往依赖于严格的假设，难以准确捕捉 Beta 的动态变化，这限制了它们在实际应用中的有效性。为了解决这些问题，本文开发了一种新方法：…
-
通过嵌入学习捕捉资产关系
· · 一 本文概要 金融市场数据具有复杂性和随机性，传统的资产建模方法通常依赖于手工特征或统计度量，但这些方法在捕捉市场数据中的复杂依赖关系和动态变化时往往力不从心。随着高频交易…
-
擅长处理市场波动的变分循环动态因子模型
· · · 一 本文概要 近年来，动态因子模型在经济学和金融学，尤其是投资策略中，成为一种主流工具。与传统的静态因子模型相比，动态因子模型在处理复杂、非线性和噪声市场环境方面表现更…
-
如何优化反转策略以应对效应减弱？
· · 一 本文概要 经典的短期反转效应（STR），即股票在前一个月表现最差的股票往往在下一个月表现优于平均水平，而表现最好的股票则表现落后。然而这种效应随着时间的推移逐渐减弱，甚…
-
高频交易：通过记忆增强和上下文感知大幅增强策略表现
· · 一 本文摘要 高频交易（HFT）在短时间内执行算法交易，近年来已占据了量化交易的主导地位。除了传统的量化交易方法外，强化学习（RL）由于其处理高维金融数据和解决复杂的序列决…
-
Alpha2：一个更高效的Alpha因子挖掘框架[附开源代码]
· · · 一 本文简介 Alpha信号是交易策略的基础，它们将市场数据转化为可操作的信号。传统上，公式化alpha因其可解释性和易于分析而受到青睐，但自动生成这些alpha的现有…
