量化投资–技术篇(4) 投资组合策略Portfolio Policy一. 前言    投资界基本上认可多元化投资是一种有效规避投资风险的一个技术手段，但是如何构建一个合理的多元化投资组合、具体技术方案和策略都是投资者们非常关注的问题。在本人的博客《机器学习与金融》系列中曾空提到投资组合策略的基本组成方式以及智能投顾所广泛采用的方案。本文就是对这些策略中...

机器学习、数据科学与金融行业系列七：金融科技（FinTech）上 — 基本状况“The major winners will be financial services companies that embrace technology.”—— Alexander Peh, PayPal and Braintree“People need banking, not banks.”...

机器学习、数据科学与金融行业系列十四：人工智能，大数据和投资管理 (12)11.独特焦点：使用智能搜索来收集和处理信息    人工智能引擎构建在大量数据之上，借助了机器学习模型、计算机视觉、图像识别、自然语言处理和OCR等。实际上，这些技术有潜力来替代重复性的大量手工工作，为初级分析师节省时间。    随着互...

模型比较得到最佳模型。

Facebook Prophet模型构建，python实践

时序分析 26时序预测 - Prophet包初探前言    在本系列前面的文章中，我们介绍了多种时序预测技术和模型。我们可以看出时序预测技术还是非常复杂的，步骤也比较繁琐。读者可能还记得VAR模型的步骤繁多，牵涉到的知识点和概念也非常多。本篇文章将要介绍Facebook开源的时序预测包Prophet. Prophet的设计者认为时序预测对于分析和使用该技术的

时序分析28 - 时序预测 - 格兰杰因果关系(中)Python 实践 1上一篇文章我们介绍了格兰杰因果关系的基本概念、背景以及相关统计检验法。本篇文章我们使用Python编程实践一下。实践1：股票价格数据之间的格兰杰因果关系问题：苹果公司今天的股价是否可以用来预测明天的特斯拉的股价？ 数据：来自雅虎财经import matplotlib.pyplot as pltimport seaborn a

模型预测

时序分析 27时序预测格兰杰因果关系(上) 理论知识本文主要阐述Granger Causality，即格兰杰因果关系在时间序列预测中的应用。背景与回顾本系列前面的文章中，我们讨论过了时序分析预测的多种方法，包括单变量时序问题和多变量时序问题。我们也讨论过了时序的分解：趋势、周期和随机噪声。预测时序在未来某个时间点的值是时序预测问题的常见问题，时序预测问题经常会使用机器学习方法，在金融、天气预报、医

时序分析 34时序预测 从ARIMA到SARIMAX(四) SARIMA接上Step 5. SARIMA    现在我们来增加季节性因素。我们需要确定季节性因素的参数 P,Q,D.S。从前面的ACF图中我们得到了提示，季节周期为7，也就是 S=7。季节差分    我们已经知道为了使时序数据平稳，可以使用差分。对于ARI