1樓：黃雲龍
可以用CNN或者RNN來開發量價類因子。前公司有同事做過，回測效果非常好，多空年化60%，年化夏普10。不過機器學習最大問題就是過擬合，未來假設效果不好，能堅持麼?
怎麼找問題都不知道。建議先做簡單的線性模型，用來賺錢足以。如果已經玩轉線性模型，賺了不少錢，拓展下機器學習的模型，是極好的。
聽說國外將其用在NLP上比較多。
2樓：唐唐唐
好像大家都很反感「把資料往模型裡一丟就完事」的做法，反感Holly Grail，可人家有這麼做嗎？題主也沒說要偷懶啊，只是覺得DL很有希望，想借鑑一下而已
照我個人看法，DL絕對是交易武庫裡的一把利器，核彈級別的，原理雖不明，效果卻強大，就像早期的微積分，理論一團模糊，但實踐卻是一日千里地發展著——最後理論不也跟上了嗎~~~
當然，要用好DL也不是那麼容易的，絕對需要大量的投入（時間、金錢、AND信念）
總之，誰也別偷懶，好好用好這個大殺器，悶頭掙錢就是結果為先
3樓：
」價值是本，投資是術「大家總是在追求用什麼裝備來挖金子，而不去看看自己在挖的是金子而是狗屎，價值投資，年化20%，遲早財富自由，與其研究這些，不如死拿格力電器，中國銀行，年化20%的盈利，妥妥的，呵呵
4樓：李發
選對的思路遠比選錯思路在試圖靠複雜的模型擬合結果有效，前者叫投資，後者更接近意淫。神經元網路都有很多理論問題沒解決，dl更別說了。當然拿dl去做nlp然後輔助投資這種我知道有人在搞，dl估計也就在這類前處理上有點用。
5樓：
DL的區別在於隱含層更多一些，但是在實際應用中很難確定多少的隱含層更合適，神經元的個數和深度會對結果產生多大影響也很難確定，而且神經網路是乙個「黑盒子」，最後得出的結論很難被解釋，這些都是在實際應用中需要解決的問題。我做了一些研究發現，由於金融序列的厚尾分布特徵，加之神經網路後向更新權重的演算法特點會非常容易導致過擬合，也就是應用中的準確率要遠低於擬合的準確率，因此最為關鍵的問題是設計一種能夠反映金融序列厚尾特點的權重更新演算法，理想的方法就是直接計算，但是深度神經網路引數太多，直接計算不太可能，只能採取對一些關鍵因素或者關鍵特徵進行直接計算，即便如此，運算量也是大得嚇人。
6樓：
曾經試過，dl在量化上最大的問題是不收斂。所以沒找到好的方法，完全用dl。目前來看區域性引數擬合用dl不錯，大策略還是得人工。
了解投資方面的知識應該從哪些方面著手？
Raymond Wang 如果完全沒有基礎知識，我推薦讀一讀留英金融學博士忻海的 白話金融投資 這本書的內容非常全面，對常用的投資和金融術語做了比較通俗但準確的解釋。 Mr Pae 書籍是一切一切的基礎 如果你的財務基礎過關，你可以找以下幾個主題的書 1.modern finance 一切的基礎 2...
深度學習在特徵選擇方面如何應用？
akon 基本的搜尋策略按照特徵子集的形成過程可分為以下3種 全域性最優 隨機搜尋和啟發式搜尋.乙個具體的搜尋演算法會採用兩種或多種基本搜尋策略,例如遺傳演算法是一種隨機搜尋演算法,同時也是一種啟發式搜尋演算法.完全搜尋分為窮舉搜尋 Exhaustive 與非窮舉搜尋 Non Exhaustive ...
深度學習或強化學習在組合優化方面有哪些應用？
苦中作樂tttt 其實很多基本組合問題用trick加很好的heuristic,可以優化很好了。當然實際應用中的組合優化問題，可能結構或者限制更複雜，許多漂亮的trick用不了或者對數學要求太高了。退而求其次，如果想稍微通用或者懶一點，可以考慮上神經網路。整數優化求解器的樹搜尋模組，比較重要的是pri...