专注量化投资领域的技术知识与资源导航
机器学习与人工智能领域的基础算法分类，涵盖各类应用场景
通过已标注数据进行训练，学习输入到输出的映射关系。广泛应用于分类与回归问题。
从无标注数据中发现隐藏模式与结构，适用于聚类、降维和异常检测等场景。
基于多层神经网络的学习方法，在图像、语音、自然语言处理等领域取得突破性进展。
通过智能体与环境交互学习最优策略，广泛应用于游戏、机器人控制和自动化交易。
专门处理时序数据的算法方法，在金融预测、风险管理和量化交易中至关重要。
组合多个基础模型以提升整体预测性能，是Kaggle等竞赛中的常用技术。
机器学习在量化投资领域的核心应用方向与实践场景
利用机器学习算法从海量市场数据中挖掘有效Alpha因子，构建超额收益来源。
基于历史价格、成交量、宏观数据等构建预测模型，预测资产价格走势。
实时监控投资组合风险，进行动态仓位管理和风险预警，提高风控效率。
优化订单执行策略，最小化交易成本和滑点，提高整体交易效率。
基于风险偏好和收益目标，构建最优资产配置方案，实现风险分散化。
利用NLP技术分析新闻、公告、社交媒体等文本信息，捕捉市场情绪变化。
按编程语言分类的量化投资技术栈，附权威信源链接
量化投资与机器学习领域常见术语解释
衡量投资组合超额收益的指标，代表跑赢基准的收益能力。
衡量资产相对于市场波动敏感度的指标。
风险调整后收益指标，计算单位风险获得的超额收益。
投资组合从峰值到谷底的最大跌幅，用于衡量下行风险。
回测，利用历史数据验证策略有效性的过程。
滑点，预期成交价与实际成交价之间的差异。
过拟合，模型过度学习训练数据噪声导致泛化能力下降。
特征工程，从原始数据中提取和构建有意义的特征。
交叉验证，将数据分成多份进行反复训练和验证的方法。
网格搜索穷举搜索超参数最优组合的方法。
动量效应，资产价格延续原有趋势的现象。
均值回归，资产价格围绕均值波动的特性。