AlphaNet-V3——调整网络结构和预测目标
在 AlphaNet-V1 加入多步长的特征提取层,将池化层替换为门控循环单元(GRU),并尝试预测收益率和超额收益的方向。最后将随机森林模型作为 baseline 进行比较。
在 AlphaNet-V1 加入多步长的特征提取层,将池化层替换为门控循环单元(GRU),并尝试预测收益率和超额收益的方向。最后将随机森林模型作为 baseline 进行比较。
借鉴卷积神经网络的思想,通过自定义运算符函数,构造类似卷积层的特征提取层。结合批标准化层、池化层、全连接层,搭建 AlphaNet-V1,实现从量价数据到收益率预测的自动挖掘。
在量化研究中,将预测收益率数值的回归问题转换为预测涨跌、预测超额收益的正负等二分类问题是十分常见的。在 PyTorch 中可以修改部分代码,让回归问题的网络结构在二分类问题中也同样适用。
pandas 默认的.var()
方法计算的是样本方差,即自由度为\(N-1\)。若想计算总体方差,需指定参数ddof=0
(1)。
ddof
时,计算方差的分母为N-ddof
。总结
var()
默认的自由度是 n-1,即var(ddof=1)
;var()
默认的自由度是 n,即var(ddof=0)
;var(ddof=0)
相当于 NumPy 中的 var()
。将 Notebook 转为 PDF 时通常都嵌有本地图片,本文转载了一个可以成功将图片嵌入 PDF 的方法。
MCMC 算法是一种随机抽样算法。借助建议分布,可以在各个样本状态之间进行转移,最终得到目标分布的样本。本文使用了逐分量 MCMC、随机游走和独立性抽样构造 Ising 分布和二元正态分布的随机样本。