文章目录
最近ChatGPT比较火，NLP的同学们感触肯定会更深。NLP的应用为人所知并积极部署是一件好事，但是应用层面上的每个应用场景都是过去的领域内SOTA模型不断攻克的任务。但是可惜的是，近年来，解决单一任务在算法层面的突破明显减速，应用层面却在加速推广。
ps：目前资讯里还没有见到提到“天网”这个词，hhhhhhh，当年VR，AR啥啥都没有的时候，漫山遍野的提“天网”要来啦，不知道这次的爆点又是什么
这里我们使用一个较为简单且常用的机器学习模型SVM，对择时提供帮助，以获得超额回报
博主总结的机器学习应用与量化策略有以下三种场景：
而每一种场景都对应了不同的量化思路，同时也对应了不同的研究人员的知识体系：
目前的共识是：投资任务的复杂性远远超出了机器学习能够处理的范围，因此通常需要在人为的框定一个逻辑框架内，用机器学习的模型来优化。
学习到现在，看了很多量化方面的书籍与策略，博主有些思考想和大家分享一下：
发展了半个多世纪的计量经济学模型已经说明金融、定价这些“结果数据”，它们的信息构成是混沌且带有随机性的，因此，在出策略的时候，最好不要让机器“替代自己思考”，算法的结果最多只能给与一些启发，远达不到辅助思考的程度。同时也不要“特征多多益善”，垃圾特征就是噪声源，而机器是无法自己筛选的，所以首先要“人”是懂金融有逻辑的，然后“人”去构造算法。
经验哈，比如博主常用的随机森林模型，在不做调参的情况下，想要只通过调整特征与数据提升效果时，首先，不要根据有偏分布什么的，把这个特征剔除。因为每一个特征都是一个视角，有的视角比较准确，但是有的视角思路清奇。但是每个视角都是有价值的，这时我们需要人为的参与，构造一些合适的视角来配合这些特征，对特征做再次的加工。越是没有重要性的特征，越是灵感的来源，提升的空间也越大！而预先剔除掉就亏大了。
这篇博客只使用SVM模型测算，更多机器学习模型请参考：https://blog.csdn.net/weixin_35757704/article/details/89280669
使用机器学习通常有以下几个步骤：
因此我们将时间切分成以下两个部分：
这里我们构造的特征简单一些，以方便大家复现：
通常，拿到数据后，以最终收益为目标的模型，主要有以下几种训练目标：
机器学习模型由于性能有限，通常以收益率为最终目标时，会选择“预测未来一段时间的收益所处的区间”
因此我们按照以下规则进行训练、预测：
上面的“交叉验证”是为了判断过拟合与欠拟合的问题的，很多文章容易把效果差的锅甩给“过拟合”，但明显是有问题的。关于过拟合与欠拟合请参考：https://blog.csdn.net/weixin_35757704/article/details/123931046
测算的流程如下：
按照如上规则进行训练与预测，得到如下模型结果：
按照上述测算流程进行测算，在测试集上的准确率为 0.4751
归一化后的混淆矩阵如下：
使用10份交叉验证的结果如下：
| 准确率效果 | 0.492502 | 0.488092 | 0.478529 | 0.473529 | 0.485882 | 0.477647 | 0.477059 | 0.484118 | 0.480882 | 0.486176 |
|---|
在实际使用时，我们会根据模型的逻辑效果来判断：如果模型预测为正收益，则买入；如果预测为负收益，则卖出；
这个效果算中规中矩，因为没有优化、调整、或者主观构造特征，裸模型的效果也就差不多这个效果…
我正在使用这个:4.times{|i|assert_not_equal("content#{i+2}".constantize,object.first_content)}我之前声明过局部变量content1content2content3content4content5我得到的错误NameError:wrongconstantnamecontent2这个错误是什么意思？我很确定我想要content2=\ 最佳答案 你必须用一个大字母来调用ruby常量:Content2而不是content2。Aconstantnamestart
这似乎非常适得其反，因为太多的gem会在window上破裂。我一直在处理很多mysql和ruby-mysqlgem问题(gem本身发生段错误，一个名为UnixSocket的类显然在Windows机器上不能正常工作，等等)。我只是在浪费时间吗？我应该转向不同的脚本语言吗？ 最佳答案 我在Windows上使用Ruby的经验很少，但是当我开始使用Ruby时，我是在Windows上，我的总体印象是它不是Windows原生系统。因此，在主要使用Windows多年之后，开始使用Ruby促使我切换回原来的系统Unix，这次是Linux。Rub
目录前言滤波电路科普主要分类实际情况单位的概念常用评价参数函数型滤波器简单分析滤波电路构成低通滤波器RC低通滤波器RL低通滤波器高通滤波器RC高通滤波器RL高通滤波器部分摘自《LC滤波器设计与制作》，侵权删。前言最近需要学习放大电路和滤波电路，但是由于只在之前做音乐频谱分析仪的时候简单了解过一点点运放，所以也是相当从零开始学习了。滤波电路科普主要分类滤波器：主要是从不同频率的成分中提取出特定频率的信号。有源滤波器：由RC元件与运算放大器组成的滤波器。可滤除某一次或多次谐波，最普通易于采用的无源滤波器结构是将电感与电容串联，可对主要次谐波（3、5、7）构成低阻抗旁路。无源滤波器：无源滤波器，又称
最近在学习CAN，记录一下，也供大家参考交流。推荐几个我觉得很好的CAN学习，本文也是在看了他们的好文之后做的笔记首先是瑞萨的CAN入门，真的通透；秀！靠这篇我竟然2天理解了CAN协议！实战STM32F4CAN！原文链接：https://blog.csdn.net/XiaoXiaoPengBo/article/details/116206252CAN详解（小白教程）原文链接：https://blog.csdn.net/xwwwj/article/details/105372234一篇易懂的CAN通讯协议指南1一篇易懂的CAN通讯协议指南1-知乎(zhihu.com)视频推荐CAN总线个人知识总
深度学习部署：Windows安装pycocotools报错解决方法1.pycocotools库的简介2.pycocotools安装的坑3.解决办法更多Ai资讯：公主号AiCharm本系列是作者在跑一些深度学习实例时，遇到的各种各样的问题及解决办法，希望能够帮助到大家。ERROR:Commanderroredoutwithexitstatus1:'D:\Anaconda3\python.exe'-u-c'importsys,setuptools,tokenize;sys.argv[0]='"'"'C:\\Users\\46653\\AppData\\Local\\Temp\\pip-instal
require"socket"server="irc.rizon.net"port="6667"nick="RubyIRCBot"channel="#0x40"s=TCPSocket.open(server,port)s.print("USERTesting",0)s.print("NICK#{nick}",0)s.print("JOIN#{channel}",0)这个IRC机器人没有连接到IRC服务器，我做错了什么？ 最佳答案 失败并显示此消息::irc.shakeababy.net461*USER:Notenoughparame
我完全不是程序员，正在学习使用Ruby和Rails框架进行编程。我目前正在使用Ruby1.8.7和Rails3.0.3，但我想知道我是否应该升级到Ruby1.9，因为我真的没有任何升级的“遗留”成本。缺点是什么？我是否会遇到与普通gem的兼容性问题，或者甚至其他我不太了解甚至无法预料的问题？ 最佳答案 你应该升级。不要坚持从1.8.7开始。如果您发现不支持1.9.2的gem，请避免使用它们(因为它们很可能不被维护)。如果您对gem是否兼容1.9.2有任何疑问，您可以在以下位置查看:http://www.railsplugins.or
如何学习ruby的正则表达式？(对于假人) 最佳答案 http://www.rubular.com/在Ruby中使用正则表达式时是一个很棒的工具，因为它可以立即将结果可视化。 关于ruby-我如何学习ruby的正则表达式？，我们在StackOverflow上找到一个类似的问题： https://stackoverflow.com/questions/1881231/
我想使用部分字符串搜索数组，然后获取找到该字符串的索引。例如:a=["Thisisline1","Wehaveline2here","andfinallyline3","potato"]a.index("potato")#thisreturns3a.index("Wehave")#thisreturnsnil使用a.grep将返回完整的字符串，使用a.any?将返回正确的true/false语句，但都不会返回匹配的索引找到了，或者至少我不知道该怎么做。我正在编写一段代码，该代码读取文件、查找特定header，然后返回该header的索引，以便它可以将其用作future搜索的偏移量。如果
深度学习12.CNN经典网络VGG16一、简介1.VGG来源2.VGG分类3.不同模型的参数数量4.3x3卷积核的好处5.关于学习率调度6.批归一化二、VGG16层分析1.层划分2.参数展开过程图解3.参数传递示例4.VGG16各层参数数量三、代码分析1.VGG16模型定义2.训练3.测试一、简介1.VGG来源VGG（VisualGeometryGroup）是一个视觉几何组在2014年提出的深度卷积神经网络架构。VGG在2014年ImageNet图像分类竞赛亚军，定位竞赛冠军；VGG网络采用连续的小卷积核（3x3）和池化层构建深度神经网络，网络深度可以达到16层或19层，其中VGG16和VGG
