支持向量机（SVM）： 作为一种基于统计学习的分类器，SVM在股票价格预测中得到了广泛应用。研究表明，在适当的特征工程和优化参数的情况下，SVM能够具有良好的预测能力。然而，由于股票价格波动性较大，预测仍存在一定的难度
最近，一位常年研究股票系统的开发者 pythonstock 用 Python 写了一个股票分析系统，发布数天就获得了不少关注。
股市跌宕起伏。7 月初 A 股飙升，股票瞬间成为大家的热门讨论话题，「现在入场还来得及吗？」几乎成为新的问候语。
论文 | Stock Market Prediction via Deep Learning Techniques: A Survey
供应链数据主要描述公司之间存在的商业关系，即客户-供应商关系（customer-supplier）。最近越来越清楚的是，这种关系与上市公司股价的表现具有一定的相关性。Cohen和Frazzini (2008) 发现在美国市场中，分别为供应商和客户的上市公司之间股票价格有明显的相关性和领先滞后效应。Shahrur等 (2009)也在其他22个发达国家股票市场验证了Cohen和Frazzini (2008) 的发现。Wu和Birge (2014) 在此基础上使用中心度等度量指标构建了多个量化交易策略。但有些时候领先滞后效应的方向似乎随着时间和地点的变化而变化，因此对于应该是哪一个没有明确的、最终的一致意见。
股票市场预测由于其非线性、高度波动性和复杂性，一直是个复杂的问题。近年来，深度学习在许多领域占据了主导地位，在股市预测方面取得了巨大的成功和普及。本文以深度学习技术为重点，对其应用于股市预测研究进行结构化和全面的概述，介绍了股市预测的四个子任务及股市预测主流模型，并分享了一些关于股市预测的新观点及未来的几个方向。
【视频】Copula算法原理和R语言股市收益率相依性可视化分析 R语言时间序列GARCH模型分析股市波动率 【视频】量化交易陷阱和R语言改进股票配对交易策略分析中国股市投资组合 使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略 R语言量化交易RSI策略：使用支持向量机SVM R语言资产配置: 季度战术资产配置策略研究 R语言动量交易策略分析调整后的数据 TMA三均线股票期货高频交易策略的R语言实现 R语言时间序列：ARIMA / GARCH模型的交易策略在外汇市场预测应用 R语言基于Garch波动率预测的区制转移交易策略 r语言多均线股票价格量化策略回测 使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略 Python基于粒子群优化的投资组合优化研究 R语言Fama-French三因子模型实际应用：优化投资组合 R语言动量和马科维茨Markowitz投资组合(Portfolio)模型实现 Python计算股票投资组合的风险价值（VaR） R语言Markowitz马克维茨投资组合理论分析和可视化 R语言中的广义线性模型（GLM）和广义相加模型（GAM）：多元（平滑）回归分PYTHON用RNN神经网络LSTM优化EMD经验模态分解交易策略分析股票价格MACD R语言深度学习：用keras神经网络回归模型预测时间序列数据 【视频】CNN（卷积神经网络）模型以及R语言实现回归数据分析 Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性 数据分享|PYTHON用KERAS的LSTM神经网络进行时间序列预测天然气价格例子 Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析 Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类 RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测 结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析 深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据 用PyTorch机器学习神经网络分类预测银行客户流失模型 PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据 Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化 Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析 R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告 R语言深度学习：用keras神经网络回归模型预测时间序列数据 Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类 R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST） MATLAB中用BP神经网络预测人体脂肪百分比数据 Python中用PyTorch机器学习神经网络分类预测银行客户流失模型 R语言实现CNN（卷积神经网络）模型进行回归数据分析 SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型 【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析 Python使用神经网络进行简单文本分类 R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析 R语言基于递归神经网络RNN的温度时间序列预测 R语言神经网络模型预测车辆数量时间序列 R语言中的BP神经网络模型分析学生成绩 matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类 R语言实现拟合神经网络预测和结果可视化 用R语言实现神经网络预测股票实例 使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测 python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译 用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类
自 2000 年 1 月以来的股票价格数据。我们使用的是 Microsoft 股票。
在过去三年人工智能的浪潮推动下，电脑显卡芯片制造商Nvidia股票市值从2015年200多亿美元，飙涨至如今1200多亿美元，期间涨幅高达6倍，使其一跃成为当下科技行业最受追捧的公司之一。Nvidia如今疯狂飙升的市值，没有人不对AI芯片在商业领域展现出的想象空间垂涎欲滴。
这些数据是根据国家和地区报告新病例的数据，但我们只想预测国家的新病例，因此我们使用 groupby 根据国家对它们进行分组
4月1日，周二。深受美国投资者欢迎的股票分析网站Seeking Alpha，不论投资回报还是盈利预测，表现皆远胜华尔街分析员和财经媒体。随着“大数据群众外包”迅速入侵，金融世界变天之日恐不在远。 上月中，老毕提及二事：一、英国政府在一份报告中指出，按照电脑交易系统的发展势头，金融市场对交易员需求日减，相关职位十年后必远少于今天；二、随着人工智能不断自我完善，证券业的其他岗位，诸如分析师、研究员，同样大受威胁。 获Google 等金主鼎力支持的哈佛博士生Dani
股票市场具有高收益与高风险并存的特性，预测股票市场走势一直被普通股民和投资机构所关注。股票市场是一个复杂的动态系统，受多方面因素的影响，例如国家金额正常的调整、公司内部结构的调整、以及媒体舆论的渲染等。
目标：通过日交易数据，从多只蓝筹股中选出连续上涨5天的股票。 思路：导入数据；过滤出上个月的数据；按照股票代码分组；将数据按日期排序；计算出每天比上一天的收盘价的增长额；计算出连续正增长的天数
本文的目标是使用各种预测模型预测Google的未来股价，然后分析各种模型。Google股票数据集是使用R中的Quantmod软件包从Yahoo Finance获得的。
在这个例子中，我们试图建立一个神经网络来估计一个人的脂肪百分比，这个人由13个物理属性描述。
【导读】近期，意大利公数据科学家Mattia Brusamento撰写了基于Tensorflow卷积网络的 短期股票预测教程，在这篇博文中，你将会看到使用卷积神经网络进行股票市场预测的一个应用案例，主要是使用CNN将股票价格与情感分析结合，来进行股票市场预测，CNN网络通过TensorFlow实现。博文一步步展示了从数据集创建、CNN训练以及对模型评估等等入手，带你进入基于TensorFlow实现的股票市场预测分析。 ▌摘要 ---- 在机器学习中，卷积神经网络(CNN)是已经成功地应用于计算机视觉任务中
Stock Prediction Models - Gathers machine learning and deep learning models for Stock forecasting, included trading bots and simulations
大数据文摘作品 编译：王一丁、修竹、阮雪妮、丁慧、钱天培 英伟达昨天一边发布“全球最大的GPU”，一边经历股价跳水20多美元，到今天发稿时间也没恢复过来。无数同学在后台问文摘菌，要不要抄一波底嘞？ 今天用深度学习的序列模型预测股价已经取得了不错的效果，尤其是在对冲基金中。股价数据是典型的时间序列数据。 什么是序列数据呢？语音、文字等这些前后关联、存在内有顺序的数据都可以被视为序列数据。 将序列模型应用于语音和文字，深度学习在语音识别、阅读理解、机器翻译等任务上取得了惊人的成就。 具体怎么操作？效果又如何呢
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，荣获2021年度AMMA优秀品牌力、优秀洞察力大奖，连续2年被腾讯云+社区评选为“年度最佳作者”。 预测已实现的波动率对于交易信号和头寸管理至关重要。诸如GARCH和HAR等计量经济学模型，以相当直观和透明的方式，根据过去的收益预测未来的波动率。然而，递归神经网络已成为一个重要的竞争对手。神经网络是一种自适应机器学习方法
本文的目标是使用K-最近邻（K近邻），ARIMA和神经网络模型分析Google股票数据集预测Google的未来股价，然后分析各种模型 （ 点击文末“阅读原文”获取完整代码数据******** ） 。
电力系统源源不断向各用户提供持续稳定的电能，本文通过对数据的提取，帮助客户分别对不同客户端日，月，年的用电负荷情况进行分析，并通过模型对单户负荷情况进行预测。
本期作者：Khan Saad Bin Hasan 本期编辑：axuan 正文 许多经济学家认为股票市场是随机的，因为它受随机事件的支配，有效市场假说和随机游走理论中对此也有所说明。但是这是真的吗? 研
本文的目标是使用K-最近邻（K近邻），ARIMA和神经网络模型分析Google股票数据集预测Google的未来股价，然后分析各种模型
首先说说数据挖掘吧，接触这东西也是机缘巧合，上学期听说ZYN学姐在做科创，于是问了问具体情况，她说跟数据挖掘有关，这词我还是第一次听说，听起来很高级啊，我看了些资料，觉得非常感兴趣，于是就阴差阳错地加入了，还拉了BM和BAQ同学入伙。于是悲剧就开始上演了，我们小组组成以后才发现，原来大家都不懂，什么叫数据挖掘？于是项目没法成立，因为连挖啥都不知道。 于是我们先找了老师问，各种找，找了各种老师，得到了各种资料，什么挖文本的，挖银行的，挖教育的，就差没挖坟了。后面经过大家讨论，决定做股票的，一个是因为股
无人驾驶汽车最早可以追溯到1989年。神经网络已经存在很长时间了，那么近年来引发人工智能和深度学习热潮的原因是什么呢？（点击文末“阅读原文”获取完整代码数据）
用于R语言的多层感知器（MLP）和极限学习机（ELM）进行时间序列预测。请注意，由于神经网络无法利用GPU处理，因此大型网络的训练速度往往很慢（点击文末“阅读原文”获取完整代码数据）。
量化交易策略无非三点：择时、选股、仓控。择时为短期套利交易策略，选股为中长期交易策略，目标是在中长期跑赢指数、获取市场超额收益率alpha。多因子选股的关键是找到寻找因子与股票收益率之间的相关性，即对收益率预测能力强的因子。一般多采用如下步骤：
AI发展至今，已经在各个领域产生了深远的影响。特别是大模型的发展，让我们可以做到多个AI协同，共同完成一件事，从而有效提供工作效率。
前两篇推文分别介绍了DNN和CNN，今天本文来介绍深度学习的另一大基石：循环神经网络，即RNN。RNN应该算是与CNN齐名的一类神经网络，在深度学习发展史上具有奠基性地位。
机器学习和深度学习已经成为量化对冲基金常用最大化其利润的常用的新的有效策略。 作为一名人工智能和金融爱好者，这是令人振奋的消息，因为它结合了我感兴趣的两个领域。 本文将介绍如何使用神经网络预测股票市场，特别是股票（或指数）的价格。 这篇文章基于我的GitHub中的python项目，在那里你可以找到完整的python代码以及如何使用该程序。 此外，对于更多这样的内容，请查看我自己的页面：Engineer Quant
在本文中，长短期记忆网络——通常称为“LSTM”——是一种特殊的RNN递归神经网络，能够学习长期依赖关系
本示例说明如何使用长短期记忆（LSTM）网络对序列数据进行分类 。 最近我们被客户要求撰写关于LSTM的研究报告，包括一些图形和统计输出。
最近我们被客户要求撰写关于上海空气质量指数的研究报告。本文向大家介绍R语言对上海PM2.5等空气质量数据（查看文末了解数据免费获取方式）间的相关分析和预测分析，主要内容包括其使用实例，具有一定的参考价值，需要的朋友可以参考一下（点击文末“阅读原文”获取完整代码数据）。
x1 和 x2 输入对于 H1 和 H2 将具有相同的值。但是，H1和H2的权重可能不同，也可能相同。而且，偏差也可以不同，即b1和b2可以不同。
最近我们被客户要求撰写关于上海空气质量指数的研究报告。本文向大家介绍R语言对上海PM2.5等空气质量数据 间的相关分析和预测分析，主要内容包括其使用实例，具有一定的参考价值，需要的朋友可以参考一下
如今DT（数据技术）时代，数据变得越来越重要，其核心应用“预测”也成为互联网行业以及产业变革的重要力量。
最近我们被客户要求撰写关于上海空气质量指数的研究报告。本文向大家介绍R语言对上海PM2.5等空气质量数据间的相关分析和预测分析，主要内容包括其使用实例，具有一定的参考价值，需要的朋友可以参考一下
我们被客户要求撰写关于气象集成预报技术的研究报告，包括一些图形和统计输出。 随着天气预报技术的发展，数值预报产品日益丰富，预报方法多种多样 （ 点击文末“阅读原文”获取完整代码数据******** ）。
在今天我们发布的这篇文章中，作者 Sonam Srivastava 介绍了金融中的三种深度学习用例及这些模型优劣的证据。 我们跟随 Sonam Srivastava 的分析，并展望深度学习在金融领域的
本文使用Matlab编程语言中的决策树和模糊C-均值聚类算法，帮助客户对高校教师职称、学历与评分之间的关系进行深入分析（点击文末“阅读原文”获取完整代码数据）。
前言 在机器学习如何应用到量化投资的系列文章中，今天我们专门来介绍一篇来自国信证券的研究报告，来从券商角度分析这个问题。 对于最直接的问题：能否利用神经网络，要机器自己识别 K 线图，自己做出判断，本篇推文的内容无法给出肯定的答案，但也不能否定其可能性，回答它需要更为深入、更为复杂的神经网络。本篇推文的目的是利用深度神经网络中的 RNN 的一些基本结果，对多因子模型进行尝试，以检验深度神经网络在多因子、投资领域的适用性，使得投资者能够对神经网络有 更为实践的理解，并能够在投资领域有所运用。 RNN简介 R
机器学习和深度学习已经成为定量对冲基金常用的新的有效策略，以最大化其利润。作为一名人工智能和金融爱好者，这是令人激动的消息，因为它结合了我自己感兴趣的两个领域。本文将介绍如何使用神经网络预测股票市场，特别是股票的价格。这篇文章的源码在我的GitHub中的python项目，如下：
在证券市场中，存在着大量历史交易数据。近年来随着大数据兴起，数据挖掘技术在股市中也得到了广泛的关注，在阅读文献的基础上我们小组对股市中不同情况如行业板块联动、行业指数涨跌预测、个股价格涨跌预测分别采用不同的机器学习算法进行分析。
原作 Jeremy Kahn Root 编译自 Bloomberg 量子位 出品 | 公众号 QbitAI 对冲基金Euclidean科技公司创始人John Alberg，和亚马逊AI实验室的研究员Z
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，荣获2021年度AMMA优秀品牌力、优秀洞察力大奖，连续2年被腾讯云+社区评选为“年度最佳作者”。 量化投资与机器学习公众号 独家解读 量化投资与机器学公众号 QIML Insight——深度研读系列 是公众号全力打造的一档深度、前沿、高水准栏目。 公众号遴选了各大期刊前沿论文，按照理解和提炼的方式为读者呈
分类问题属于机器学习问题的类别，其中给定一组特征，任务是预测离散值。分类问题的一些常见示例是，预测肿瘤是否为癌症，或者学生是否可能通过考试。
分类问题属于机器学习问题的类别，其中给定一组特征，任务是预测离散值。分类问题的一些常见示例是，预测肿瘤是否为癌症，或者学生是否可能通过考试
以苏州商品房房价为研究对象，帮助客户建立了灰色预测模型 GM (1,1)、 BP神经网络房价预测模型，利用R语言分别实现了 GM (1,1)和 BP神经网络房价预测可视化。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频
