股票交易机器学专题及常见问题

① 机器学习怎样应用于量化交易

机器学习怎样应用于量化交易（一）

曾有朋友问过，国内现在量化领域机器学习应用的少，是否因为效果不如简单的策略。其实，把机器学习应用在量化交易上始终面临着两难，却并不是无解的两难。很多时候并不是机器学习不work，而是真正懂如何用正确科学的统计思维使用Machine Learning的人才太少。

机器学习涉及到特征选择、特征工程、模型选择、数据预处理、结果的验证和分析等一整套建模流程，广义角度来说就不单单是模型选择的问题。所以，如果认为“用支持向量机成功预测股票涨跌” 这样的研究，就是把机器学习应用于量化交易，这种狭义的认识无疑是买椟还珠，对机器学习领域散落遍地的珍珠视而不见。如果把机器学习的崛起放在历史进程中考量，无非就是趋势的延续：现在，可通过系统的数据分析证实过去模糊不定的经验，机器学习算法将未曾被察觉的规律得以浮现纸面。

在我看来，未来的发展概有两个方向：

1.针对量化交易的统计学习算法被提出，使其适合于噪声大，分布不稳定的金融数据分析；

2.对于机器学习的热情回归理性，从工具为导向回归到问题为导向。

针对如何以问题为导向，在机器学习算法中挑选合适的工具，分享一些思路。

1.多因子模型的因子权重计算

当我们在构建多因子模型且已经选定了一系列因子之后，要如何根据不同的市场情况调整各个因子的权重呢？在以往的研究中发现，与其它算法相比较，随机森林算法对于存在非线性、噪音和自变量共线性的训练集的分析结果更出色。所以，目前在多因子模型的权重上，采用当期收益率对上期因子进行随机森林回归分析，以确定下一期多因子模型的因子权重。

2.缺失值处理

处理缺失值在金融的量化分析中是个无可避免的问题。选取合理的缺失值处理方法，依赖于数据本身的特点、数据缺失的情况、其对应的经济学意义，以及我们需要使用数据进行何种计算。在尝试构建多因子模型时，我们选择了两种缺失值替换方法：（1）采用期望最大化算法来用同一变量的已知数据对缺失值进行极大似然估计。（2）把模型中包含的所有因子作为特征变量，并赋予其相同的权重，再采用机器学习中的K-近邻算法来寻找最相似的标的，保证缺失值替换后，不会强化一部分因子的影响力。

其实在量化领域，机器学习解决着线性模型天生的缺陷或弊端，所以还是有着很深的介入的。除去凸优化、降维(提取市场特征)等领域的应用，目前“非动态性”和“非线性”是两个重要的弊端。金融关系之间并非静态，很多时候也不是线性的。统计学习的优势此时就会体现出来，它们能够迅速地适应市场，或者用一种更“准确的”方式来描述市场。

在国内，机器学习在量化内应用跟领域有很大的关系，跟频率也有很大的关系。比如，CTA的运用可能就要多于股票，它处理数据的维度要远小于股票，获取市场的长度和动态又强于股票。股票市场的momentum要弱于期货市场的momentum，它的趋势与股票相比更明显和低噪声。这些特征对于机器学习发挥作用都更加有利。

很可能国内一些交易执行算法的设计上就借鉴了机器学习。我们可以通过学习订单薄特征，对下一期盘口变化做一些概率上的预测，经过一定样本的训练之后，可以显著地提升算法表现。

而我仍谨慎看好深度学习等机器学习方法的原因在于，在认识市场上，现行的大部分方法与这些方法并不在一个维度上，这个优势让它们与其他方法相比，捕捉到更多的收益。也就是说，一个新的认识市场的角度才能带来alpha。

② 股票初学相关问题

你这个问题问的真好，如果给你说明白可能至少得上百万字，还要附上海量的图做例证
你问的问题也是无数炒股多年的股民想知道的问题，而事实上真正知道股票是怎么炒的人，连百分之一都没有，大多数人是糊涂赚钱，糊涂赔钱。
努力学习。看海量的书，吸取各家之长。多做交易，总结经验。经常看交割单回顾交易过的股票都犯过什么错误。
然后也许二三年，也许四五年，你就懂了。要么你就是伤痕累累的退出去了。
估计看过我说的话，你可能会找些书看，或者你现在已经在看什么书，你会对我说的很不以为然。学习过一段时间感觉自己水平行了，拿书里说的和股市对照觉得作者很有道理。然后你就实盘交易了。然后你就开始赔钱了，然后你就觉得自己的操作和书里讲的可能不一样。再努力学习。再交易再赔钱。可当这个股票走过去一个趋势了。你回头再看，原来书还是对的。自己找错了交易位置，这段走势原来书里是这样说的。有恍然大悟之感。再看书学习。然后再交易，又赔钱。这时你开始怀疑你看过的大大小的的股票书是不是在骗人？为什么在行情中间就看不懂，你开始怀疑即使作者也未必比你更了解书里的内容。因为你已经可以倒背如流了。这里你怀疑即使作者也未必有你操作的更好。
这里你最大的怀疑就是股市到里有没有可以预知赚钱的技术？
好！估计从这个怀疑开始你就应该走到正确的道路上来了。这里你已经学过很多K线理论。形态学。道氏理论更是早就看过数遍。各家技太分析流派估计你都或多或少的了解一些。尤其是国外的经典著作。
这时你又回到老路上来了。就象一个刚入市什么也不懂的新股民，觉得只有消息才可靠，到处探听消息。主力动向如何，有些消息让你赚了一些钱，可有些消息让你赔的比赚的更多。这时你开始心生退意。不如不做股票了，在这里浪费了多少年的时间精力，想赚钱却赔的一踏糊涂。
这时你在股票大厅面对众多来来往往的人如有一种淡然。这种淡然不是对人冷淡，是看透一切的平静。
这时你从内而外几乎是无欲无求。这时的你明白，股票涨不涨全在主力拉不拉。国外大师们写的书都是金子，可在中国不适用。因为国外没有那么多庄。国内那些所谓大师们写的书，全是狗屎一堆。无任何参考价值，技术指标没有任何用处。
这里如果你仍然有信心在股市里转你开始研究主力形为了。这时的你看到一个票给人说的不是某某技术指标在什么位置，某某均线会产生什么力量。
这时的你看到股票会说，这支票主力在建仓，这支票主力在洗盘，这支票主力还没撤出。可放心持有，尽管准确率很让人怀疑，但应该恭喜你，你走了几年的路，终于回到正路上来了。

以上部分内容是本人炒股经历。与你分享。

祝你好运。

③ 用“机器学习”做“股票预测”能做到什么程度

我最近也在思考这个东西，机器学习是基于统计数据的，但是问题在于统计数据的产生可能就受到政策的影响。你如何把收集到的新闻等也纳入数据计算之中，或许才有可能吧。

④ 股票在证券交易所机器上买入和卖出的技巧！

在自助委托机上买卖股票，从卖1卖2卖3.....和买1买2买3.....中可以掌握一点情况，但市场千变万化，仅靠那两组数据是远远不行的。
有时申买的挂单较多，说明看好该股的人较多，有时主力正好利用这种散户效应，大笔抛单主动给你，你买上了就会下跌，很多散户就是误以为买的人多就好而被套。相反。申卖挂单很多，散户误以为都想卖了，也快走吧，结果被主力几个主动性的买单全部吃掉，结果散户刚卖，股票就涨。
自助委托注意的问题，只要你想在某一价格买就直接到申卖的挂单中去买，以免买不到。想卖时直接在申买的挂单中去卖可以即刻成交，以免挂高卖不掉。

⑤ 新手如何学习股票的交易，风险有多大

1.最简单的k线图和基本知识。当所谓的高层建筑在地面上升起时，基础必须打好。当你和朋友交流时，你不会太尴尬，而且你会因为没说几句话而变得盲目。对网络来说，最好是看看一些难以理解的单词，慢慢扩展自己的知识。

5.大盘的感觉。股票有很多，但同类型股票的走势却大不相同，这也可以说是一种盘感。就像工作了很长时间。捡起来做很容易。股票投资的系统风险利率风险和汇率风险和购买力风险。市场风险是股东面临的最困难的风险之一，其对股东的后果有时是灾难性的。

⑥ 如何用Python和机器学习炒股赚钱

相信很多人都想过让人工智能来帮你赚钱，但到底该如何做呢？瑞士日内瓦的一位金融数据顾问 Gaëtan Rickter 近日发表文章介绍了他利用 Python 和机器学习来帮助炒股的经验，其最终成果的收益率跑赢了长期处于牛市的标准普尔 500 指数。虽然这篇文章并没有将他的方法完全彻底公开，但已公开的内容或许能给我们带来如何用人工智能炒股的启迪。

我终于跑赢了标准普尔 500 指数 10 个百分点！听起来可能不是很多，但是当我们处理的是大量流动性很高的资本时，对冲基金的利润就相当可观。更激进的做法还能得到更高的回报。

这一切都始于我阅读了 Gur Huberman 的一篇题为《Contagious Speculation and a Cure for Cancer: A Non-Event that Made Stock Prices Soar》的论文。该研究描述了一件发生在 1998 年的涉及到一家上市公司 EntreMed（当时股票代码是 ENMD）的事件：

「星期天《纽约时报》上发表的一篇关于癌症治疗新药开发潜力的文章导致 EntreMed 的股价从周五收盘时的 12.063 飙升至 85，在周一收盘时接近 52。在接下来的三周，它的收盘价都在 30 以上。这股投资热情也让其它生物科技股得到了溢价。但是，这个癌症研究方面的可能突破在至少五个月前就已经被 Nature 期刊和各种流行的报纸报道过了，其中甚至包括《泰晤士报》！因此，仅仅是热情的公众关注就能引发股价的持续上涨，即便实际上并没有出现真正的新信息。」

在研究者给出的许多有见地的观察中，其中有一个总结很突出：

「（股价）运动可能会集中于有一些共同之处的股票上，但这些共同之处不一定要是经济基础。」

我就想，能不能基于通常所用的指标之外的其它指标来划分股票。我开始在数据库里面挖掘，几周之后我发现了一个，其包含了一个分数，描述了股票和元素周期表中的元素之间的「已知和隐藏关系」的强度。

我有计算基因组学的背景，这让我想起了基因和它们的细胞信号网络之间的关系是如何地不为人所知。但是，当我们分析数据时，我们又会开始看到我们之前可能无法预测的新关系和相关性。

如果你使用机器学习，就可能在具有已知和隐藏关系的上市公司的寄生、共生和共情关系之上抢占先机，这是很有趣而且可以盈利的。最后，一个人的盈利能力似乎完全关乎他在生成这些类别的数据时想出特征标签（即概念（concept））的强大组合的能力。

我在这类模型上的下一次迭代应该会包含一个用于自动生成特征组合或独特列表的单独算法。也许会基于近乎实时的事件，这可能会影响那些具有只有配备了无监督学习算法的人类才能预测的隐藏关系的股票组。

⑦ 对于学习股票交易技术的课程,有什么意见和建议吗

个人觉得学习学个基础知识比如说怎么看k线，股票交易，买卖要收多少手续费？等一系列的知识。
对于网上的那些个股神，听听就好，不要太往心里去，要有自己的判断，不要跟风。

⑧ 用alphago来做股票交易会怎样机器学习预测股票靠谱么

当然不全面，机器无法掌握消息面的情况，选择好个股还的有更多的分析嘛

⑨ 股票在证券交易所机器上买入和卖出的技巧!

自助委托机买卖股票卖1卖2卖3.....买1买2买3.....掌握点情况市场千变万化仅靠两组数据远远行
申买挂单较说明看该股较主力利用种散户效应笔抛单主给买跌散户误买套相反申卖挂单散户误都想卖快走吧结主力几主性买单全部吃掉结散户刚卖股票涨
自助委托注意问题要想某价格买直接申卖挂单买免买想卖直接申买挂单卖即刻交免挂高卖掉

⑩ 怎样让《机器学习》进行股票分析，提炼出规律

你好，这个要求太高了，目前的程序化或者机器人的深度学习都还没有到这种地步。建议参考券商的程序化交易，来不断提炼规律