|
机器学习 自学了 2 年，学习方式是上 Coursera, Udacity 公开课，看 Youtube 视屏，看大牛博客，写写代码。在写代码的时候，我发现其实在 Python 用模型是件非常简单的事情，比如 sklearn 里面的库调用起来太友好了，很多时候不同模型调用起来只是模型名称不同而已。但是当模型产出结果不好的时候，如何改进模型，知道误差出在哪里，甚至了解训练误差和真实误差的关系，这个就要精通计算学习理论。 可能有的人觉得它过于枯燥，有的人觉得它太过理论。但是计算学习理论解答了为什么机器可以学习。如果连这个都不搞清楚，那么所有算法和模型都将沦为脚下悬空的招式，模型出问题后只会效率极低毫无头绪的补补这边修修那边，不得心法，将永远是机器学习的门外汉。 基于此，我从“计算学习理论”的角度来介绍机器学习。 注：该理论只适合机器学习里的模型，不适合深度神经网络，适合后者的理论是由 Tishby 在《Opening the Black Box of Deep Neural Network via Information》论文里提出，里面的信息瓶颈是被 Hinton 号称要读一万遍才能懂的知识点。 金融工程 这个领域是我的专长，有着 6 年校内学习和 10 年业内经验。借用在金融工程高度概览一贴里一首打油诗概括： 数据参数最重要，没有它们没有料。 变量计算贯全场，各步所需用处广。 曲线构建排最前，所有产品需折现。 模型校正剔主观，优化函数来调参。 产品估值有三法，通用一切看蒙卡。 风险计量重之重，对冲风控用之用。 基于此，我从“系统框架”的角度来介绍金融工程。 注：2021 年 Libor 大概率会被弃用，那么如何找它的替代品，如何来对 2021 年之前的和 Libor 挂钩的产品进行处理？难道 Q-quant 的春天又要来了？ 量化投资 刚刚接触半年不到，也没有怎么花功夫在上面，基本上就是东看看西看看，从来没有系统的学它。学一个新东西最快的方式就是用一个具体的特例。我主要参照了华泰的研报 Python 实战那一期，用的是假数据，但是多加了一步机器学习调整超参数步骤 (GridSearchCV)。用的支撑向量机 (SVM) 加高斯核 (提高模型复杂度来处理高维数据) 和正则项 (减小模型复杂度来防止过拟合)。策略就是每期用 SVM 预测股票涨跌，但是关注的是涨跌的概率，将其排序，选出涨的概率最大 (涨幅不见得最大) 的若干股票。 基于此，我从“具体特例”的角度来介绍量化投资。 注：量化投资的评估标准就是策略赚钱的能力，赚钱的策略没人会分享，市面能讲的就是提供一些思路。所有的东西都要靠自己试，没人能帮你。 PPT Slides：
我见过机器学习非常厉害的人，也见过十分精通金融工程的人，也见过量化投资做的很溜的人，但很少见过在三个领域都很牛的人。Learning is a lifelong process. 就像下面这图一样，学习永无尽头！我想成为那种人！
 |
|
|
