V
主页
AFML:元标签集成
发布人
本研究系统地研究了金融中元标签的不同集成方法,并提出了一个框架来促进为此目的选择集成学习模型。 对信息优势的组成部分和误报建模进行了实验,以发现集成是否更善于提取和检测状态,以及它们是否提高了模型效率。 我们证明,当基础数据由多个状态组成并且是非线性的时,集成尤其有益。 我们的框架是进一步研究的起点。我们建议使用不同的融合策略可以促进模型的选择。 最后,我们详细说明了其他应用程序(如仓位调整)如何从我们的框架中受益。 金融机器学习进展(AFML)一书相关的实操问题 如需英文视频请移步油管:tpLCMVyMOaM #LuQuant#中文台译制片频道乐心出品! 学习英文文档靠谷歌翻译,学习英文视频靠LuQuant中文! 翻译质量Google全程背锅,中文配音LuQuant竭尽全力!
打开封面
下载高清视频
观看高清视频
视频下载器
AFML:元标签校正与仓位控制
AFML:baggin和boosting
AFML:交叉验证与回测
ai量化问题3:价格趋势预测
AFML:滤波介绍
AFML:采样权重
python量化58:自动化阻力与支撑检测
ai量化问题1:交易预测
AFML:Shapley Values与模型可解释性
ai量化问题7:LSTM问题
AFML:基于三重障碍标签的最优交易规则检测
python量化32:布林带策略3
bayes:分层时间序列
AFML:特征重要性算法2
python量化64:最实用的策略
AI量化:统计套利基础
AI量化3:期权交易
AI量化:如何不过拟合地优化策略
大模型面经--量化篇
python量化1:外汇实时交易1
贝叶斯数据分析4-先验
AFML:信息驱动条
AFML:趋势扫描标签
量化交易入门到精通50-面向对象继承
ai量化问题8:其他
AFML:Tick, Volume and Dollar Bars
ab20-贝叶斯时间序列分析
AFML:标签并发和交叉验证
数据科学工作流
风控1-机构级别的风控
qt15:技术入坑量化须知
python量化4:抢帽子策略
深度解释似然函数
qt17:量化面试技巧
如何把tradingview消息推送到钉钉群消息
python量化52:追踪止损
luquant 大脑demo
python量化30:布林带策略
str50:历经百年的指标
CRYPTO:AI量化交易之强化学习简单介绍