嘗試利用機器學習來改進均值方差框架中使用的傳統風險度量。
自然語言處理等技術適用於識別表明風險較高的詞語。
並使用機器學習來製定對沖策略。

• 使用 k 均值聚類來構建風險模型

對按標準差平方歸一化並按平均絕對差調整的股票收益進行聚類。
這種機器學習方法在定量交易應用中優於統計風險模型。

• 高斯過程回歸

幫助對具有隨機波動性和隨機利率的保證最低保證提領給付(GMWB)進行定價和對沖。

• LSTM 神經網路

計算他們的對沖策略。

• XGBoost

旨在探索商業風險預測的最佳模型。
通過在建模過程中同時檢查特徵選擇方法和超參數優化來做到這一點。

• 雙向長短期記憶(Bi-LSTM)神經網路和堆疊 LSTM

嘗試使用新聞和價格數據來預測每日股票波動性。
在所有分析領域(金融、醫療保健等)都優於著名的廣義自回歸條件異方差(GARCH)模型。

• 貝葉斯(Bayesian)、置信區間上界算法(Upper Confidence Bound, UCB) 和 湯普森抽樣(Thompson Sampling, TS)

這可以很容易地應用於協助投資決策。

• K-D 樹、SVM 和 高斯過程(GP)

比較所有模型與不同降維技術結合時的性能。
是最好的降維方法。

• 線性回歸模型。

其準確率低於其他一些模型，但與其他結果，例如：準確率、召回率、F1 分數和 AUC 而言，是性能最好的方法。