大纲:
搭建机器学习环境
选择合适的硬件机器和操作系统
VeighNa和GPLearn开发环境准备
针对机器学习的高性能数据存储
认识遗传规划学习
从【先有逻辑、后有公式】到【先有公式、后有逻辑】
算法基础:种群生成、适应度评价、自然选择、组合变异
数据集的拆分处理:训练集、验证集、测试集
上手CTA特征工程
基础特征数据的清洗准备:加载、预处理、缓存
梳理GPLearn内置特征函数:参数分类、边界情况处理
时序类特征函数的扩展开发:技术指标类、统计模型类
适应度评价的选择
适合量化交易的Fitness适应度评价体系
简单的收益率相关性:不依赖历史回测
全面的回测统计值:向量化策略回测框架
策略开发实战应用
机器学习CTA的三部曲:特征、信号、策略
趋势跟踪和震荡反转两种信号的实现
CTA策略中的细节:资金管理、止损风控、平仓出场
版权声明
本文仅代表作者观点,不代表牛人量化交易网立场。
本文系作者授权牛人量化交易网发表,未经许可,不得转载。
评论列表
发表评论