量化策略研究指的是 需要依据一种或多种确凿的获利理念，通过某一特定显式表示的模型，指导参与者反复地以人工或机器执行指令，参与单边或多空交易。 在策略的执行过程中，需要实时监控资产组合价值与目标利润的偏

　　很多同学在学习机器学习的时候，理论粗略看一遍之后就直接上手编程了，非常值得表扬。但是他不是真正的上手写算法，而是去直接调用 sklearn 这样的 package，这就不大妥当了。笔者不是说调包不好，

　　一、两类模型  程序化交易模型一般分为两类模型，一类是趋势模型，一类是震荡模型。程序化交易策略赚钱的前提是有好的模型+坚持的执行。   二、好模型的辨别  1.测试时间： 好的模型必须经得起时间周期的

　　1引言 一个初入量化投资的分析师经过了一个月的奋斗开发出了一个双均线趋势追踪模型后，兴冲冲的跑来和他的基金经理汇报，于是便有了下面这段对话。 分析师（一脸兴奋）： 我开发出了一个双均线系统，绝对没有数

　　今天我们来一起看一下量化投资基本面选股中的风格轮动模型的相关内容。希望大家在看过这篇文章之后能够有所收获哦！ 有过投资经验的朋友都知道，我们在进行投资选择的时候是会有自己的投资偏好的。有些投资者比较偏

　　NO：01   在投资行业一直有一个说法，靠交易盈利是所有赚钱方式中最难的一种，以至于有人戏谑称交易为投资领域的搬砖工作。 为了提升交易效率、挖掘潜在投资机会，量化交易伴随着信息技术的发展大行其道，在

　　钝化的烦恼 常有人提到程序化交易模型的“钝化”问题，通俗的说，也就是一个模型从赚大钱变为不赚钱，甚至亏损的一个过程。甚至在海洋部落那样高手云集的社会中，不少高人眼里，钝化是每个程序化交易模型都会很快发

　　R-CNN简介 R-CNN提出于2014年，应当算是卷积神经网络在目标检测任务中的开山之作了，当然同年间还有一个overfeat算法，在这里暂不讨论。  在之后的几年中，目标检测任务的CNN模型也越来

　　1、简介 原先写过两篇文章，分别介绍了传统机器学习方法在文本分类上的应用以及CNN原理，然后本篇文章结合两篇论文展开，主要讲述下CNN在文本分类上的应用。前面两部分内容主要是来自两位博主的文章（文章中

　　一、程序化的理解 程序化一般分为两类模型，一类是 趋势模型，一类是震荡模型 ，如果你想两者结合起来就要看自己的本事了，我的建议是程序化需要不停的去完美，但千万不能追求完美，以下所说模型都是趋势模型。

　　第0章 引言 当一公司发了币之后，公司最大的那几个官的幸福指数要下降50%。   第1章 为了发币而发币 为了发币而发币，大部分应该说是为了骗钱而发币，剩下的那一部分可能是为了尝试，又怕背上骗子的骂名

　　詹姆斯·西蒙斯是美国的数学家、投资家和慈善家。作为最伟大的对冲基金经理之一，他是量化投资的传奇人物。西蒙斯1958年毕业于麻省理工学院数学系，1962年在伯克利加州大学获得博士学位。他曾任教于麻省理工

　　笔记1中我们利用  numpy  搭建了神经网络最简单的结构单元：感知机。笔记2将继续学习如何手动搭建神经网络。我们将学习如何利用  numpy  搭建一个含单隐层的神经网络。单隐层顾名思义，即仅含一

　　今天想和大家分享的是图卷积神经网络。随着人工智能发展，很多人都听说过机器学习、深度学习、卷积神经网络这些概念。但图卷积神经网络，却不多人提起。那什么是图卷积神经网络呢？简单的来说就是其研究的对象是图数

　　之前提到的CNN模型主要用到人类的视觉中枢，但其有一劣势，无论是人类的视觉神经还是听觉神经，所接受到的都是一个连续的序列，使用CNN相当于割裂了前后的联系。从而诞生了专门为处理序列的Recurrent