投资与量化-任务8-量化与机器学习

传送门：第八章-机器学习与量化策略

思考

• 将机器学习应用到量化当中的前提是打好机器学习基础，并且熟悉量化当中的数据特征，然后进行关联利用。个人看来更像是利用跨行业思维模型来解决量化当中的问题，如小波分析就是电子信号处理领域的常用方法，用在金融时间序列当中属于跨行应用的典范。
• 利用机器学习来优化量化，很可能会有三方包可以直接用，不再需要自己蛮力实现，想要使用时多调研了解。
• 时间序列作为量化的重要指标，在机器学习中的权重也应该较高，有必要针对这个专题进行研究。

笔记

• 小波分析，去噪于股票预测，主要作用平滑和过滤，常用于金融时间序列处理，将序列中频率噪声变动过滤。python 有专门包 PyWavelets。
• LightGBM，量化选股，数据挖掘问题主流解决方案，把选股问题转化为监督学习问题。
  • 解决监督学习的步骤：手机训练样本并进行特征选择（特征工程），选择度量性能的指标，选择模型并优化算安抚，评估模型的性能，样本外预测
• 时间序列分析
  • 趋势：时间序列长期方向。如牛市就是长期上升市场。
  • 季节性：时间序列在一年或一天内周期性波动。零售业在假日和周末显著增加。python 三方模块statsmodels 可进行最基本季节性分析。
  • 残差：时间序列在移除了趋势和季节性后剩下部分，通常被认为随机的或包含信息的。