本次推文介绍用线性模型处理回归问题。从简单问题开始，先处理一个响应变量和一个解释变量的一元问题。然后，介绍多元线性回归问题（multiple linear regression），线性约束由多个解释变

　　前言 在今天给大家介绍一个研究工具： pomegranate。 它比其他软件包更加灵活，更快，直观易用，并且可以在多线程中并行完成。   The API 主要模型介绍 一般混合模型 隐马尔可夫模型 贝

　　圣经记载：在远古的时候，人类都使用一种语言，全世界的人决定一起造一座通天的塔，就是巴别塔，后来被上帝知道了，上帝就让人们使用不同的语言，这个塔就没能造起来。 巴别塔不建自毁，与其说上帝的分化将人类的语

　　第一部分 GoogLeNet, 2014年ILSVRC挑战赛冠军,这个model证明了一件事：用更多的卷积，更深的层次可以得到更好的结构。（当然，它并没有证明浅的层次不能达到这样的效果） 通过使用 N

　　R-Breaker是个经典的具有长生命周期的日内模型 类型：日内趋势追踪+反转策略 周期：1分钟、5分钟   根据前一个交易日的收盘价、最高价和最低价数据通过一定方式计算出六个价位，从大到小依次为：

　　几个月前人工智能围棋程序AlphaGo大胜李世石九段，人工智能再一次成为舆论的焦点，就连“深度学习”这样一个专业的概念也被广泛地传播开来。事实上，AlphaGo的主体框架是一个深度增强学习模型。用一个

　　1 Zipf分布   Zipf分布介绍   用 X~Zipf(alpha,n) 表示随机变量X具有带参数alpha和n的Zipf分布。带有参数alpha和n的Zipf随机变量X是有 概率质量函数 在里

　　前提： 假设你熟悉Python，TensorFlow和Jupyter notebooks。 我们的目标只是可视化计算图。   TensorFlow操作形成计算图。 而对于简单的例子，你可能可以查看代码

　　写在前面的话 深度强化学习可以说是人工智能领域现在最热门的方向，吸引了众多该领域优秀的科学家去发掘其能力极限。而深度强化学习本身也由于其通用性备受各个应用领域推崇，从端对端游戏控制、机器人手臂控制、推

　　2010年08月11日——【渤海证券】 《基于 MT-SVM 模型的市场预测》 •  由于 A 股市场并非完全有效以及市场具有的分形特征和记忆性，从理论上来说对股票市场一段时间内的市场趋势所发生的概率

　　前言   深度学习技术在交易中的研究 深度学习最近受到了很多关注，特别是在图像分类和语音识别领域。然而，它的应用似乎并没有广泛应用到交易当中。这项调查涵盖了到目前为止作者(Greg Harris)发现

　　一、什么是机器学习 机械的定义避开不谈，回答也不追求全面准确。明确一点，机器学习的主要目的在于 发现规律 或 重现规律 。（此处不谈非监督学习、强化学习，也不谈降维、集成算法）。什么是发现规律？譬如将

　　1、引言 构建量化策略，首先需要找到具有所谓alpha的特征量，将这些特征量输入到数学模型学习出买入或者卖出信号，然后根据一定的出场规则出场。数学模型各种各样，有诸如线性回归、logistic回归的线

　　机器学习 & scikit-learn简介 简单说：机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。用一张图说明它所包含的内容：     我们把目光集中到上图中的有监督

　　投资策略 基于指数移动平均线的交易系统 多头开仓条件：短期均线上穿长期均线同时长期均线大于更长期均线的值 空头开仓条件：短期均线下穿长期均线同时长期均线小于更长期均线的值   为了达到分散风险的目的，