系列文章
Day10：因子投資
昨天我們介紹了多資產的配置投資，但是面上有這麼多標的我該投資那一些呢 ? 今天，我們將學習因子投資的概念，並探索如何使用不同的因子來進行投資策略的構建與優化。因...
Day11：引入AI—機器學習概述與數據預處理
在這一節中，我們將探索機器學習在金融中的應用場景，例如我們可以直接想到的預測股價！並學習如何使用Scikit-Learn庫。為了為機器學習模型準備高質量的訓練數...
Day12：監督式學習——回歸模型 & 分類模型在股價上預測上的運用
在本節中，我們將深入學習監督式機器學習的兩大主要分支：回歸模型和分類模型。首先，我們將應用線性回歸和決策樹等模型來預測股價，並使用均方誤差（MSE）等指標評估模...
Day13：無監督學習 & 模型優化與交叉驗證
在上節中，我們介紹了監督學習在股市裡的應用，在本節中，我們將結合無監督學習和模型優化技術。首先，我們將探討如何應用聚類算法（如K-Means）來識別市場模式，以...
Day14：時間序列預測--ARIMA和Prophet
再過去的幾節中我們進星了基礎的機器學習在股價上的探討，在本節中，我們將深入探討時間序列預測，特別是應用於金融市場的預測。時間序列預測在量化金融中扮演著重要的角色...
Day15：時間序列預測--LSTM
在本節中，我們將深入探索如何使用深度學習中的循環神經網絡（RNN），特別是長短期記憶網絡（LSTM），來進行時間序列數據的預測。我們將使用PyTorch框架，從...
Day16：時間序列預測--Transformer
在本節中，我們將探索如何使用現代深度學習模型——Transformer，進行股票價格的預測。我們將使用昨天中用於 LSTM 的相同數據，即蘋果公司（AAPL）的...
Day18：強化學習在交易中的應用--使用 Stable Baselines 和 FinRL
在上一節中我們仔細講過了 RL 的細節以及 from scratch 的實做了整個 pipeline。在本節中，我們將學習如何使用強化學習庫 Stable Ba...
Day17：強化學習在交易中的應用--基礎打底
在本節中，我們將探索強化學習（Reinforcement Learning，RL）的基本概念，以及如何將其應用於金融交易，以開發自適應的交易策略。我們將從理論出...
Day19:強化學習在交易中的應用--結合 Stable Baselines 進 Backtrader
在今日教學中，我們將學習如何結合 Stable Baselines 3 和之前大量篇幅介紹的 Backtrader，使用強化學習方法開發一個股票交易策略，終於有...