精品文档---下载后可任意编辑ai 时代我们在金融投资方面做了这些尝试… Al 时代，我们在金融投资方面做了这些尝试… 金融科技的到来，不仅代表着技术上的飞跃，更是对金 融服务模式的颠覆和创新。 随着 AI 的进展和普及， 量化交易 也步入了智能交易的新高度。金融投资的核心在于追求收益， 而人工智能的分析和预测能力恰如其分地满足了投资的要 求。让我们就 AI 在金融投资方面的应用进行设想：▲证券长 短期价格区间的预测▲量化策略模型的研发（高 /低频）▲证 券的择股和择时的优化▲大类资产的配置▲证券投资组合的 优化▲证券风险特征识别 机器学习分为浅层机器学习和深度学习，传统的浅层学习中 决策树、素贝叶斯、支持向量机和浅层神经网络等等也都 决策树、 素贝叶斯、支持向量机和浅层神经网络等等也都 是金融工程中常用的一些方法。作为金融科技的开拓者，恒 生讨论院就人工智能在量化交易领域进行了一系列的创新 尝试。 >>基于小波神经网络对时间序列进行预测人工智能有监 督机器学习的模式中，有两大类学习模型： 分类和回归预测， 督机器学习的模式中， 有两大类学习模型： 分类和回归预测， 而在金融投资或者说量化交易中，对于时间序列的预测最为 直观。 小波分析是指通过高低频通道来将时序数据分解为高频部 分和低频部分， 进行多尺度细化分析， 目前对于时序 /频域的预测已经取得了一些有意义的成果。将小波分析和神经网络 结合起来，构建小波神经网络（ Wavelet Neural Network WNN ），可以对时序数据进行预测分析。 WNN 是将神经网 络隐节点的激活函数由小波函数来替代，相应的输入层到隐 含层的权值及隐含层的阈值分别由小波函数的尺度伸缩因 子和时间平移因子所代替，这是应用最广泛的紧致型结合。 如下图所示我们用小波神经网络做的 HS300 的预测，使用 2024.1~2024.8 沪深 300 指数的日行情数据进行模型训练， 使用 2024.9~2024.8 的日行情数据进行测试验证。 有监督的 学习要取得较好的应用效果，其和机器学习的训练过程直接 相关。这一过程中还是要投资者较深地介入数据的预处理， 进行培训数据样本的特征标签标定或对训练规则给出方向 性指引。通常量化交易的团队资源要更深化地去发掘更好的 特征。因此，人工设计样本特征，不是一个容易的可扩展的 途径。上面我们判别市精品文档---下载后可任意编辑场短期走势的案例中，所定义的特征 是否合适...
