写在前面
下面这篇文章的内容主要是来自发表于KDD2019的一篇文章《Investment Behaviors Can Tell What Inside: Exploring Stock Intrinsic Properties for Stock Trend Predi回归模型ction》。这篇文章发现，职业基金计算机视觉名词解释经理们对于股票的共同投资行为可以反应股票的内在属性，从而基于此来提取股票属性的潜在特征，并进一步利用股票潜在特征对动态市场状态和趋势进行建模，从而生成股票与市场的动态相关性，然后将这种相关性与动态股票指标进行聚合，从而实现更准确的股票预测。原论文在文末进行获取。
1
摘要
股票趋势预测是预测股票未来价格走势的一种方法，在寻求股票投资利润最大化的过程中起着关键作用。近年来，越来越多的人在应用机器学习技术，特别是深度学习，来追求更有前途的股票预测。虽然深度学习已经有了很大的进步，但由回归模型的标准差于计算机视觉人类投资者对股票内在属性的理解仍然保持着领先地位。这篇论文计算机视觉属于人工智能吗提出通过提取和挖掘股票的内在属性以提高股票的趋势预测能力。具体来说，作者发现共同基金投资组合数据中的投资行为反映了专业基金经理对股票内在属性的共同信念，可用来提取股票矩阵重启属性的潜在表现以用于进一步的预测。多元回归模型因此，在提取股票属性的基础上，作者矩阵进一步提出利用股票表人工智能的定义征对动态市场状态和趋势进行建模，从而生成股票与市场的动态相关性，然后将这种相关性与动态股票指标进行聚合，从而实现更准确的股票预测。最后，作者在真实股市数据上的大量实验证明了所提取的股票属性的有效性。
总而言之，这篇论文的主要贡献在于：
- 基于同一基金经理持有的股票可动态回归模型能具有共同属性的原则，从共同基金组合数据中挖掘股票内在属性的表征。
- 开发了一种新的深度学习框架，通过建模动态市场状态/趋势，将静态股票内在属性集成到矩阵的秩动态股票预测任务中。
- 通过实证证明了提取股票内人工智能能否取代人类在属性和相应的动态市场状态对真实数据的股票趋势预逻辑回归模型测的有效性。
2
模型介绍
提出回归模型怎么建立的模型的整体框架如下人工智能电影图所示：\
从投资行为中发掘股票内在特征
受观察到基金经理对不同股票内在属性的不同偏好的启发，作者提出通过挖掘基金经理集体在共同基金组合数据中的投资行为，学习股票内在特性的潜在表示。特别矩阵的迹是，根据上述观察，同一基金管理公司的投资组合中所包含的股票更有可能具有共同的内在属性。据此，我们可以将共同基金投资组合数据转化为基金经理人工智能的利与弊和股票的矩阵，并利用矩阵分解(Matrix Factorization) 的方法提取每只股票的潜在向量线性回归模型，将其视为股票内在属性的表示。具体方式如下图所示，其中第 个基金经理的整体偏好特征向量为 ，第 个股票的内在特征向量为 ，第 基金经理对第 个股票的投资行为体现在 ，表示对该股票的投资份额。
矩阵分人工智能概念股解被广泛应用于推荐系统、文本挖掘、计算机视觉等多种场景。因为它可以用来学习两种实体之间相互人工智能电影作用的潜在表计算机视觉技术应用场景有哪些示向人工智能量。在我们的任务中，给定一组已知的投资行为 ，通过求解下面的优化问题拟合训练数据，可以估计出参数 和 ，即股票和基金经理的潜在表人工智能的定义示。
另外，在现实当中，也会有一些基金经理对某些股票的偏向作为先验知识，所以一些计算机视觉的四个核心偏人工智能专业执项也被引入，因此，基金经理 对股票 的投资行为可以估计为：\
这样，最后的优化目标定义为：
其中下面的正则项被引入来防止模型过拟合。
值得一提的是，基金经理的投资行为不仅取决于股票的固有属性，还取决于对股票动态走势的关注矩阵等价。换句话说，没有一个基金经理愿意投资一个下跌趋势明显的股票，即使它具有某些吸引他的属性。此外，在实际投资中，基金经理可能会投资其他多样化的股票，以减少有限股票的风险。因此，除了样本回归模型基金经理的固有偏好外，半年基金经理的投资组合还受到股票动态趋势和风险厌恶多样性的影响。对此，只要我们观察半年一次的共同基金组合数据，在足够宽广的时间段内，积累的投资行为可以放大基金经理的长期偏好，缓解短期趋势动态或多元化投资的影响，降低风险。这样，通过挖掘足够长时间范围内的共同基金投资组合数据，我矩阵乘法们就可以安心计算机视觉是什么地发掘股票的内在属性。
根据股票内在特征进行预测
在提取了股票的内在特征之后，接下来将进行通过计算机视觉的应用有哪些股票内在特征来进行股票的预测。预测股票的未来价格趋势可以作为一个计算机视觉就业前景典型的机器学习问题，要么是一个价格趋势的分类任务，要么是一个价格收益率的回归任务。它们人工智能能否取代人类都是每只股票映射到某个特征空间，然后通过预测函数将其转换为其标签。矩阵计算器这样子做每只股票都是一个独立的个体，因此，这篇文章的预测标签不是上涨或者下跌，而是将收益率作为目标分数，用于评判一只股票的收益能力。其目标函数是：
另外，考虑到股票人工智能之父市场具有强烈的时间动态特性，所以将股票的历史状态因素作为预测矩阵相似其未来趋势的因素是直观的。因此，大多数传统方法将动态输入，如每日价格和各计算机视觉的应用有哪些种指标，输入到时间序列分析模型，如自回归模型，卡尔曼滤波器，技术分析等。近年来，随着深度计算机视觉的技术原理学习技术的快速发展，深度神经网络，特别是循环神经网络已经在股票预测任务中得到了应用并产生了最先进的性能。因此，我们可以抽象出DNN方法在不失一般性的情况下，本质上是先将t时刻每个股票的动态输入，投影到一个动态的股票表示法 中计算机视觉就业前景，然后根据这个更高层次的表示法进行预测。虽然深度矩阵相似学习已经有了很大的进步，但人类投资者由于对股票内在属性的理解，仍然保持着领先地位。因此，将股票人工智能专业属性纳入当前的股票预测框架，以追求矩阵等价更准确的股票预测是十分有价值矩阵等价的。一种简单的方法是将股票属性的表示与动态表示结计算机视觉的四个核心合在一起，形式上可以表示为下面的公式计算机视觉技术应用场景有哪些，其中 表示股票j的动态输入特征， 表示股票j的内在特征。
直觉认为市场代表应该反映市场对各种股票属性的当前偏好，我们回归模型中随机误差项的意义提出矩阵相似了基于一组在某一天收益率样本回归模型最高的股票的日市场代表模型，考虑到收益率最高的股票可以反映最新的市场偏好。特别地，考虑到收益率最高的股票能够反映最新的市场偏好，市场代表性是通过对排名靠前的股回归模型怎么建立票的代表性进行平均计算的。更正式地说，我们可以根据t时刻收益率在人工智能专业top-K内的股票表示回归模型怎么建立来计算t时刻的市场状态
这个过程如下图所示：\
在有了这个矩阵的乘法运算市场表示之后，我们可以计算每个股票的股票属性和当人工智能概念股前市场状态之间的相关性为：计算机视觉的应用有哪些
以这样的方式实施预测会假设市场状态在连续两天保持一致，所以考虑到这一假设的局限性，根据历史市场状态建立未来市场趋势模型是非常重要的，而不是仅仅使用前一天的市场状态进行股票预测。为此，作者用到了LSTM对市场状动态回归模型态进行动态建模，即：
这样，将股票状态与市场的动回归模型态表示进行结合之后，就可以实现从t到t+1的预测了，整体的模型框架可以参考本章开头的模型整体框架进行梳理。\
3
实验验证
在股票预测模型中，作者收集了2012 – 2016年中国股票每日价格和成交量的时间序列数据，总共有2000多只股票，覆盖了绝大多数中国股票。为了进一步生成动态指标，作者按照前面的研究计算了总共101个交易指标。为了有效提取股票内在属性，作者还收集了2012 – 2016年中国共同基金投回归模型怎么建立资组合半年报告。下表是经过半年共同基金组合报告过滤后的基金和股票数量统计。在预测股票走势时，我们会过滤掉在收盘期内超计算机视觉过2%的交易人工智能概念股日矩阵乘法中处于暂停交易状态的股票。对于那些从未被任何基金投资的股票，用零向量进人工智能概念股行表示。
用到的评估指标如下：
为了检验从共同基回归模型怎么建立金组合中学习到的股票表示的效果，作者矩阵的迹采用一些定性分析来评估学习到的股票表示是否能够捕获内在属性。具体地，基于它们各自的学习表示对所有股票进行聚类。下矩阵的迹表显示了获计算机视觉的四个核心得的2015年下半自回归模型年股票集群的三个例子。从这个表中我计算机视觉们计算机视觉的应用有哪些可以发现，第一个集群中所有的股票都属于基础产业，而第二个集群中所有的股票都与轻工业相关。此外，畜矩阵相似牧业和农业工业的大部分存货都聚集在第三个集群中。这样的聚类结果可以清楚地表明，从共同基金组合中提取的股票表示具有一定的内在属性。
下图是分别是提出的模型通过筛选Top50、Top100以及Top200后的每半年一次计算的MAP结果矩阵的迹。\
为了探究模型的盈利能力，文章选取了预测收益率最高的前50只股票组成投资组合，与对比方法得到的累计收益率图像如下图所计算机视觉基本任务示。从中可以看出，相比于其他的LST动态回归模型M等对比样本回归模型方法，提出的方法具有明显更强的收益人工智能之父能力。\
4
总结
这篇文章提出在股票预测任务中需要考虑股票的内在特性，以改进现有的基于动态输入的股票预测模型。本文有三个贡献：一人工智能概念股是首次利用股票内在属性帮助投资者进行股票选择；其次，我们提出矩阵等价从共同基金组多元回归模型合中提取股票的内在属性；第三计算机视觉属于人工智能吗，我们建逻辑回归模型立了一个新的模型，以动态的方式使用静态的股票属性，通过衡量市线性回归模型场和股票之间的相关性来进计算机视觉属于人工智能吗行预测。未来，我们计划从其他有价值的数据中寻找股票的内在属性回归模型中随机误差项的意义，并对市场状态模型进行专门的扩展。此外，我们将探讨更多有用的基金经理投资行为，以改进股票预测模型。另外，感兴趣的读者计算机视觉的技术原理也可以参考该课题组之前发过的一篇pape自回归模型r，与该研究主题计算机视觉技术应用场景有哪些类似，那篇paper也有在本公众号进行过推送，解计算机视觉是什么读：通过Stock Embedding的个股技术指标优化。
参考文献：\
[1] Chen, C. , Zhao, L. , J Bian, Xing, C. , & Liu, T. Y. . (2019). Inves回归模型tment Behaviors Can Tell What In回归模型分析side: Exploring Stock Intrinsic Prop多元回归模型er线性回归模型ties for Stock Trend Prediction. t人工智能之父he 25th ACM SI多元回归模型GKDD International Co计算机视觉基本任务nference. ACM.
关注《人工智能量化实验室》公众号，后台发送082可获取原论文。
了解更多人工智能与
量化金融知识
<-请扫码关注
让我知道矩阵的逆你在看
