量化交易与机器学习第三十一篇
上周我们讨论了预测未来的几种方法，及机器学习分析区域和预测区域两个部分，本周我们继续讨论机器学习。1，先说原理
机器学习有三个基础，数据，算力，算法。
对交易来说数据是基础中的基础，目前获取行情数据的方法有很多，不是影响的关键。算力是重要因素，人工智能近些年的兴起和算力的提高有很大关系。由此产生GPU TPU等硬件的快速发展，同时软件上也出现GPU数据库，CUDA等支撑并行计算的组件。
机器学习的算法，分支很多，每个分支具有自己的优势，对量化交易适合采用哪个分支，是我们探索的重要因素。
在机器学习过程中，存在大量的数据计算，最开始的时候为了验证一个思路，算1到2天才能得到一个结果，今天我们主要讨论计算方面的改进。
2，关于实践
为了实现相关目标，我们采用go 作为基础开发语言，借鉴了部分python库的实现原理，运用go的语言特性开发了基础组件。取得数据之后，将分析区域的数据给不同的agent 学习，再选取最优的作为结果，进行预测。
上述有个默认的前提，数据是单一级别的，不同级别会有不用的结果，应该在规定的的时间段内各个级别都算一遍，选择合适的级别。
具体实现就是写代码，没什么好说的，最枯燥的活。
最后，可以利用机器学习的结果，写一个指标出来，也许更直观一些。
3. 总结
机器学习是一个很古老，也很时髦的概念。我们不是为了赶时髦来做这些讨论，中国的量化交易相对华尔街还差得很远，但机器学习领域目前和国外差距在缩小。我们用机器学习的观点来审视过往，希望能实现弯道超车的机会。这个过程需要更多的人才，近期重回校园了，在千年学府内，或许能找到一些更好的答案。
上周根据机器学习信号做单结果统计如下：
页:
[1]