人工智能选股之Python实战--摘要说明
本系列内容摘要:介绍 Python 安装方法、与机器学习相关的包以及常用命令Python 语言是目前机器学习领域使用最广泛的编程语言之一，拥有众多优 秀的包和模块，并且相对简单易学。我们将简单介绍 Python 语言的特性， 常用命令，以及和机器学习相关的包，例如 NumPy，pandas，scikit-learn 等，希望帮助有一定编程基础的读者迅速上手 Python 语言。机器学习选股框架与多因子选股框架类似，具有一定优越性机器学习中最为主流的方法监督学习，其核心思想是挖掘自变量和因变量 之间的规律。我们将经典多因子模型稍加改造，以机器学习的语言描述。 在训练阶段，根据历史的因子值 X 和收益 r，训练监督学习模型 r=g(X, f)， 得到模型自由参数的估计量 f。在测试阶段：根据最新的因子值 X、参数估 计量 f 和监督学习模型 g，预测下期收益 r。机器学习方法相较于线性回归 的优越之处在于：首先，机器学习可以挖掘数据中的非线性规律；其次， 正则化的引入能够筛选出最有效的自变量；再次，参数优化的过程能够遴 选出预测力最强的模型。将机器学习选股代码拆分成十二个子模块进行详尽讲解我们将机器学习选股代码拆分成十二个子模块，包括：模块导入、参数设 置、数据读入、数据标记、数据预处理、模型设置、模型训练、模型预测、 模型评价、策略构建、策略评价和结果保存。每个子模块我们将展示代码 并且逐句进行讲解。文中展示的代码是完备且成体系的，可以根据需要 进行整合，构建一套完整的机器学习选股模型。
页:
[1]