基于gcForest的多因子量化选股策略

为了获取股票市场更高的超额收益,提高股票涨跌预测准确率,将gcForest（深度森林）算法引入了股票投资市场,建立基于gcForest多因子量化投资策略,每月月末在沪深300成分股中买入gcForest算法预测上涨的前30支股票,并进行回测。研究结果表明,gcForest算法的年化收益率为29.2%,远超基准年化收益率15.0%,并且获得了15.8%的超额收益。同时还将gcForest算法同随机森林和支持向量机算法进行了比较,从各项技术指标综合分析来看,gcForest算法在股市行情平稳和上涨时期都较其他算法有着明显的优势。     

支持向量机在多因子选股的预测优化

使用财务数据构建一个多因子选股模型,在支持向量机分类上进行预测优化。选股上使用排序法对数据进行预处理,再使用支持向量机对股票收益进行分类预测,最后使用数据到分离超平面的距离进行排序,优化支持向量机的分类预测。实证中,从中证500成分股中选出股票组合,在2016年四季度到2018年一季度获得累计收益88. 96%。择时策略的均线策略和通道突破策略均能有效降低波动率和回撤。还使用高频数据来降低均线策略的滞后性,波动率又得到进一步降低。本模型利用支持向量机性质提高预测精度,结合技术分析优化了策略的收益,为多因子选股和交易提供了新的研究视角。     

正则稀疏化的多因子量化选股策略

针对高维度数据集特征之间的复杂性,而传统的L1惩罚项不满足Oracle性质的无偏性,将逻辑回归弹性网（LR-Elastic Net）中的L1惩罚项替换为SCAD（Smoothly Clipped Absolute Deviation）和MCP（Minimax Concave Penalty）惩罚项,分别构建了LR-SCAD和LR-MCP模型,在保留稀疏性的同时满足了无偏性,并利用ADMM（Alternating Direction Method of Multipliers）算法进行求解。通过模拟实验发现,LR-Elastic Net模型能很好地处理特征存在相关性的小样本数据,而LR-SCAD和LR-MCP模型在特征存在相关性的大样本数据中表现较好;建立LR-Elastic Net、LR-SCAD和LR-MCP策略,并应用于沪深300指数成分股数据。回测结果显示,LR-SCAD和LR-MCP策略在股票相关性很强的数据中比LR-Elastic Net策略表现更好。     

基于PCANet的非下采样剪切波域多聚焦图像融合

近年来,基于深度学习模型的图像融合方法备受关注.而传统的深度学习模型通常需要耗时长和复杂的训练过程,并且涉及参数众多.针对这些问题,文中提出了一种基于简单的深度学习模型PCANet的非下采样剪切波(Non-Subsanmpled Shearlet Transform,NSST)域多聚焦图像融合方法.首先,利用多聚焦图像...     

基于特征交互作用的量化选股策略

针对传统的分类方法没有考虑特征之间的交互作用而导致分类效果不明显的问题,提出一种信息熵-逻辑回归弹性网模型(IE-LR-ElasticNet).通过加入信息熵的惩罚项来衡量特征之间的交互作用,并利用交替方向乘子法(ADMM)进行求解.仿真实验结果表明,IE-LR-ElasticNet模型在相关性数据越高的数据集中,其估...     

基于机器学习的优化股票多因子模型

笔者旨在构建机器学习优化股票多因子模型,用以处理A股市场风格切换和选股问题来最终获得超额收益,首先构建因子分析模型来筛选出7个最优因子,进而构建基于机器学习的随机森林模型,通过随机森林回测某段时间的股票波动情况。该模型分别从因子表达、机器学习算法两个角度对A股市场股票的波动规律进行研究,获取最大回撤的超额收益。笔者使用公开的2016年1月1日至2018年9月30日我国A股市场的数据对算法性能进行评估。实验结果显示回测的正确率为83%,收益的平均利率约为1.57%。     

基于多因子与多变量长短期记忆网络的股票价格预测

近年深度学习方法在金融领域受到广泛应用,尤其推动了股票价格预测的发展.本文针对一般股票价格预测中的单变量长短期记忆网络存在的准确率与鲁棒性不佳的问题,将经济学领域的量化选股策略中的多因子模型思想引入到股票价格预测中,计算股票的多因子并以其作为预测模型的输入特征.同时为了使模型适应多因子输入,因此在单变量长短期记忆网络的基础上建立了一个多变量长短期记忆网络股票价格预测模型.实验结果表明,随着多因子模型的引入,不仅提升了长短期记忆网络股票价格预测的准确率,同时在一定程度上也带来了更好的模型鲁棒性.     

结合因子图的多目的地地图布局优化

目的提出一种结合因子图的多目的地地图生成方法。方法首先,由用户选择多个感兴趣的目的地,系统根据相应规则自动地选择与目的地最相关的路线。然后,通过定义一组衡量布局质量的约束规则,采用因子图方法将定义的每条规则编码成因子,并采用Metropolis Hastings算法对由因子图构建得到的目标分布函数进行采样得到符合约束规则的多目的地地图。结果实验结果表明,使用这种方法得到的多目的地地图,可以在同一显示空间中显示多个目的地之间的道路信息,同时又保留了各目的地区域之间的拓扑和空间关系。结论提出的多目的地地图能有效地为用户提供导航,解决了当前在线地图无法在同一视野中为用户提供空间距离较远的区域道路信息的问题。     

基于GEP的多因子曲线拟合

本文融合了基于数据点拟合的公式发现和因式分解技术,提出并实现了基于基因表达式编程(Gene Expression Programming ,GEP)的多因子曲线拟合MFF（Multiple Factor Fitting）。利用MFF算法能够直接由客观数据挖掘出多个多项式乘积形式的函数关系公式以拟合原始数据集所表示的曲线。MFF中采用了有特色的概率相关系数对GEP中的适应度函数进行优化,使得精度提高了27%。同时采用阈值递减序列TDQ（Threshold Degression Queue）使得GEP成功率比传统技术提高了最大58倍。     

基于分解的多目标多因子进化算法

多目标多因子优化(MO-MFO)问题作为一类新的优化问题近年来受到了众多关注,其特点是需要利用单个种群来同时优化多个多目标优化任务.针对该问题,提出一个基于分解策略的多目标多因子进化算法(MFEA/D).算法通过多组权重向量,将MO-MFO问题中的每个任务分解成一系列单目标优化子问题,并用单个种群同时优化.在种群进化过...     

基于层次因子图的智能车环境感知和态势认知模型

为了提升智能车的环境认知能力,根据数据信息的抽象化程度不同提出一种基于层次因子图的智能车环境感知和态势认知模型.首先,基于人类驾驶认知的分层记忆机理,按照被处理信息由低到高的抽象层次,将环境认知分为环境目标感知和态势认知两大任务模块,提出层次化框架;然后,确定层次因子图的拓扑结构并实现层次因子图模型,目标感知层具体体现为多源信息融合和目标跟踪,态势认知层具体体现为车辆变道等态势预测;最后,基于PreScan仿真环境数据、NGSIM真实驾驶数据集及DBNet自动驾驶实测数据集3种数据,验证所提出方法的有效性,并与现有的卡尔曼滤波方法和隐马尔科夫模型方法进行比较,以验证层次因子图在跟踪、融合、态势预测正确率和准确率方面的优势.     

孪生网络模型在多人种人脸认证中的性能研究

深度学习网络在模式识别领域性能优异,但需要大量有标注样本对网络进行训练,而对于人脸认证情况下训练样本有限,且已有网络模型在不同人种间的性能差异大,往往会导致人脸认证失效.针对以上问题,本文首先在几种预训练深度网模型上构造孪生网络,并设计相似度度量网络;其次,选用多人种的人脸数据库(Racial Faces in-the...     

基于序列图模型的多标签序列标注

该文针对实际中存在对同一句话标注多种序列标签问题,定义了多标签序列标注任务,并提出了一种新的序列图模型。序列图模型主要为了建模两种依赖关系:不同单词在时序维度上面的关系和同一单词在不同任务之间的依赖关系。该文采用LSTM或根据Transformer修改设计的模型处理时序维度上的信息传递。同一单词在不同任务之间使用注意力机制处理不同任务之间的依赖关系,以获得每个单词更好的隐状态表示,并作为下次递归处理的输入。实验表明,该模型不仅能够在Ontonotes 5.0数据集上取得更好的结果,而且可以获取不同任务标签之间可解释的依赖关系。     

基于双图注意力的多领域口语语言理解联合模型

多领域口语语言理解包括多意图识别和槽填充两个子任务,现有研究通过构建语句中的意图和槽之间的关联提升模型的表现。然而现有研究将多领域场景下的意图和槽看作相互独立的标签,忽视了标签之间领域内和领域间的结构关联。该文提出细粒度标签图和领域相关图的双图注意力联合模型。具体来说,细粒度标签图将意图和槽标签分成细粒度分片,建模分片之间的结构性关联和上下文表示的语义特征。领域相关图通过标签间的领域信息,建模预测意图和对应领域内槽的关联,减少图中的冗余关联。实验结果表明,在两个公开的数据集上,该文提出的模型均优于基准模型。     

基于验证因子的实时多版本并发控制

为了解决乐观并发控制方法的不必要重启与即将超过截止期事务的重启引发的负载问题,提出了验证因子的概念及基于验证因子的实时多版本并发控制方法（MVOCC-VF）．通过对验证因子的检测,优先调度完成度较高的事务;同时结合多版本技术增强事务调度的并发度,避免了更多的不必要重启问题,尤其能有效保证即将超截止期事务的完成,并证明了协议的正确性．实验结果表明：与已有的实时并发控制方法相比,MVOCC—VF降低了事务重启个数及超截止期百分率,提高了系统的总体性能．     

基于声纹识别技术的多因子身份认证方式的探析

在网络与数字世界中,传统简单的身份验证方案已无法满足人们对安全性、灵活性、准确度等更高标准的需求。在大数据分析、人工智能等新信息技术的催生下,多因子身份验证已成为了用户信息安全的主要保证。因此文章将通过对声纹识别技术的深入研究,以探索其在多因子身份验证方法中的实际运用。     

多因子判定与渗流模型相结合的裂缝检测算法

针对传统的基于渗流模型的裂缝检测算法效率过低且检测结果易存在断裂的问题，提出一种多因子判定与渗流模型相结合的裂缝检测算法。首先，提出了一种改进的渗流加速算法，通过减少大量参与渗流处理的冗余像素点，提高渗流处理效率；然后，对提取到的渗流点进行渗流处理；最后，提出了一种结合裂缝走向的多因子判定连接算法，算法通过四个判定因子对裂缝连接的合理性进行分析，以提高裂缝连接的准确性。对背景中存在不同干扰物的不同形态裂缝图像进行实验，与传统渗流模型检测算法以及原渗流加速-骨架连接算法相比，所提算法中渗流点数量分别平均减少了99.7%与38.1%，精确率分别平均提高了60.5%与6.4%，召回率分别平均提高了10.5%与4.0%。实验结果表明，所提算法能够明显提高渗流处理效率，同时提高裂缝检测的准确性。     

基于攻击图的多Agent网络安全风险评估模型

为了自主保障计算机网络的安全并对网络安全风险进行自动化评估,提出一种基于攻击图的多Agcnt网络安全风险评估模型(Multi-agents Risk Evaluation Model Based on Attack Uraph, MREMBAG)。首先提出网络风险评佑模型,设计了主从Agent的功能架构和关联关系分析流程。利用全局攻击图生成算法,以动态数据信息作为输入,通过主从Agcnt协同分析并构建攻击路径。基于对目标网络的攻击路径、组件、主机、网络的风险指数、漏洞及关联风险指数的计算,获取目标网络的安全风险指标仿真实验结果验证了该评佑方法的可行性和有效性。     

基于因子图模型的动态图半监督聚类算法

针对动态图的聚类主要存在着两点不足:首先, 现有的经典聚类算法大多从静态图分析的角度出发, 无法对真实网络图持续演化的特性进行有效建模, 亟待对动态图的聚类算法展开研究, 通过对不同时刻图快照的聚类结构进行分析进而掌握图的动态演化情况.其次, 真实网络中可以预先获取图中部分节点的聚类标签, 如何将这些先验信息融入到动态图的聚类结构划分中, 从而向图中的未标记节点分配聚类标签也是本文需要解决的问题.为此, 本文提出进化因子图模型(Evolution factor graph model, EFGM)用于解决动态图节点的半监督聚类问题, 所提EFGM不仅可以捕获动态图的节点属性和边邻接属性, 还可以捕获节点的时间快照信息.本文对真实数据集进行实验验证, 实验结果表明EFGM算法将动态图与先验信息融合到一个统一的进化因子图框架中, 既使得聚类结果满足先验知识, 又契合动态图的整体演化规律, 有效验证了本文方法的有效性.     

并行计算环境下基于多因子身份认证的密码保护方法

并行计算环境下,数据和计算资源的共享风险增大,因此提出并行计算环境下基于多因子身份认证的密码保护方法。首先,基于多因子身份认证技术进行密码登录,确认该安全服务器的合法身份;其次,自主更改密码;最后,加密并行计算环境中的数据,保证计算环境中的数据完整性和安全性。实验结果表明,该方法的密码受到破解的次数较少,最多为4次,具有更优越的加密性能。