26、金融领域的机器学习与深度学习应用

金融领域的机器学习与深度学习应用

1. 机器学习在金融中的应用

1.1 数据与模型选择

在金融领域运用机器学习时，我们有一系列独立变量作为特征，时间跨度从 2007 年到 2019 年。创建好输入和目标变量后，接下来探索 scikit - learn 库中的各类分类器模型。

1.2 逻辑回归

逻辑回归虽名为回归，实则是用于分类的线性模型。它借助逻辑函数（即 sigmoid 函数）来对单次试验可能结果的概率进行建模。逻辑函数能将任意实数值映射到 0 到 1 之间。标准逻辑函数如下：
[e] 是自然对数的底数，[x] 是 sigmoid 函数中点的 X 值。预测的实数值在 0 到 1 之间，可通过四舍五入或设定阈值转换为 0 或 1 的二进制值。

在 Python 中，可通过以下代码实现逻辑回归模型：

from sklearn.linear_model import LogisticRegression
class LogisticRegressionModel(LinearRegressionModel):
    def get_model(self):
        return LogisticRegression(solver='lbfgs')

此代码定义了一个名为 LogisticRegressionModel 的类，继承自 LinearRegressionModel ，并重写了 get_model 方法，