本文介绍了基于机器学习的交易策略，涵盖逻辑回归、神经网络、深度学习、K均值算法、K近邻法、支持向量机、决策树和随机森林等多个算法。在资本市场，这些算法用于预测市场变动方向，提高交易决策的准确性。文章通过实例展示了如何使用R语言进行建模和数据处理，探讨了模型的预测准确性和泛化能力。
第6章 基于机器学习的交易
在资本市场中，近年来基于机器学习的算法交易日益流行，许多公司都积极投入巨大资源为自身或客户开发基于机器学习的算法。机器学习算法能够进行连续学习并自主修正行为，这有助于快速识别市场中出现的新模式。资本市场中某些模式太过复杂，人们很难识别并理解它。即使碰巧发现一种模式，它的效率也极为低下。模式的复杂性迫使人们寻求其他可以高效并准确发现复杂模式的机制。
在第5章中，我们已经初步了解了基于动量和基于配对的算法交易以及投资组合构建等方面的知识。在本章中，我们将循序渐进地介绍几种在算法交易中经常用到的监督型机器学习算法和非监督型机器学习算法，具体包括以下内容。
- 逻辑回归
- 神经网络
- 深度神经网络
- K均值算法
- K近邻法
- 支持向量机
- 决策树
- 随机森林
本章中用到的程序包有quantmod、caret、nnet、PerformanceAnalytics、deepnet、h2o、clue、e1071、party和randomForest等。
6.1 逻辑回归
预测市场的变动方向对投资者或者交易者来说都至关重要。因为市场数据中夹杂着大量的噪音，预测市场变动方向是一项艰巨
订阅专栏 解锁全文
扫一扫
345
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
