AlphaNet——基于深度学习的量价因子挖掘
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。
深度学习¶
PyTorch 处理二分类问题
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。
PyTorch 查看模型结构：输出张量维度、参数个数
使用pytorch-summary实现Keras中model.summary()的类似效果。
PyTorch DataLoader 加载数据
在 DataLoader 中指定 batch_size 后，可以将输入数据划分为多个 Batch，分批输入到网络中训练。
使用 Keras 绘制神经网络结构图
使用keras模块的plot_model绘制神经网络结构图，将神经网络可视化能够帮助理解模型是如何运行的。
卷积神经网络 CNN 对 fer2013 数据集进行人脸表情识别
使用 Keras 构建卷积神经网络，对 Block 数量、卷积核大小、Dropout rate 进行参数调优，使用数据增强方法生成模型数据缓解过拟合问题。最优模型在测试集上的分类准确率、精确率和召回率均为 63%，比基准模型的分类效果提高了约 10%。
PyTorch Lecture 3：基础实践
PyTorch 实现小项目。
PyTorch Lecture 2：基础知识
PyTorch 的基础数据类型和简单运算。