¿Cómo se implementa la estrategia de inversión inteligente de cuantificación de fotones?

El siguiente contenido está extraído de su sitio web oficial:

Proceso de construcción de estrategias cuantitativas de IA

Por analogía con el proceso de recolección de melones, podemos descomponer la IA. ​​proceso de estrategia cuantitativa:

p>

Paso uno: determinar los datos (como el conjunto de acciones), dividir el conjunto de entrenamiento y el conjunto de prueba

En primer lugar, debemos Aclaramos qué tipo de estrategia cuantitativa de IA construimos, como acciones A, acciones o futuros de Hong Kong, etc. Después de determinar los datos, dividimos los datos históricos en dos partes en orden cronológico, de forma análoga a los dos montones de melones en la tarea de reparto.

Conjunto de entrenamiento: la primera parte de los datos se utiliza para entrenar el modelo, que es análogo al primer montón de melones.

Conjunto de validación: la segunda parte de los datos es; se utiliza para verificar el efecto del modelo, que es análogo al segundo montón de melones;

Paso 2: establecer el objetivo: anotación de datos

En segundo lugar, debemos aclarar el entrenamiento. El objetivo de nuestro modelo, ya sea predecir el nivel de rendimiento de las acciones o la volatilidad, al igual que predecir si una sandía es buena o mala depende del año;

En la plantilla de muestra, utilizamos el 5- tasa de retorno del día para definir el nivel de calidad de la tendencia de una acción y marcar cada nivel correspondiente en cada acción, de manera análoga a Después de cortar los melones como se indicó anteriormente, registre la calidad de cada melón.

El objetivo (etiqueta) de la estrategia de cuantificación de IA: un objetivo de predicción del modelo definido por humanos, como la tasa de retorno futura de N días, la volatilidad futura de N días y la futura tasa de rendimiento de N días. clasificación de rendimiento y otras cantidades estadísticas, cuantificación de IA de la plataforma. La estrategia utiliza el rendimiento de las acciones como objetivo de forma predeterminada.

Anotaciones para estrategias cuantitativas de IA: calculamos el valor objetivo diario para el período de tiempo en el que se encuentran los datos del conjunto de entrenamiento. Por ejemplo, definimos el nivel de tendencia de las acciones en función de la tasa de retorno diaria en el siguiente. N días y calcule cada La calificación buena o mala de los rendimientos futuros de N días de una acción está marcada en cada acción.

Paso 3: encontrar factores

Elija y construya características que puedan afectar el objetivo (pueden denominarse factores en estrategias cuantitativas), como return_5 (rendimiento de 5 días) y return_10 en la estrategia de plantilla (beneficio a 10 días), etc., que son análogas al origen, tamaño y otras características de los melones.

Características de las estrategias cuantitativas de IA: cuestiones que reflejan el rendimiento o la naturaleza de las cosas en ciertos aspectos. En las estrategias cuantitativas de IA, las características pueden ser tasas de rotación, relaciones precio-beneficio, indicadores técnicos de KDJ, etc.

p> p>

Paso 4: Conexión de datos + procesamiento de datos faltantes

Vincula los datos anotados y los datos de características de cada acción anterior para facilitar el aprendizaje y el uso del modelo en el siguiente paso, de forma análoga a la vinculación mencionada anteriormente de cada stock Existe una correspondencia uno a uno entre las características de cada sandía y la calidad;

El quinto paso: entrenamiento del modelo + predicción de stock

Marcamos las existencias a través de la "calificación buena o mala", las etiquetamos y utilizamos los valores de características correspondientes para construir un modelo de entrenamiento similar al anterior, obtenemos las características de cada melón y su valor correspondiente. o malos resultados A través de la inducción y el resumen, encontramos la relación entre la calidad del melón y los atributos del melón, y resumimos las características de la experiencia de clasificación;

Utilice los datos del conjunto de validación para. Pruebe el modelo creado antes del entrenamiento, es decir, verifique si el valor objetivo (calidad de tendencia de las acciones buena o mala) predicho por el modelo en función de los datos de características del conjunto de validación es exacto. Este paso es análogo a la tarea de identificación de melones: se basa en la experiencia de identificación de melones resumida en la primera pila de melones y utiliza el tamaño, el color y otros datos característicos de la segunda pila de sandías para juzgar la calidad de los melones previstos.

Paso 6: Backtesting

Coloque los resultados de predicción del conjunto de verificación en datos históricos reales para realizar pruebas, lo cual es análogo a predecir la calidad de los melones basándose en la segunda pila de melones en El proceso de identificación del melón. Finalmente, se corta y verifica el melón.