开发AI量化策略所面临的挑战
发布时间
阅读量：
阅读量
可以说人工智能的本质是一种工具性存在。若要真正掌握人工智能技术，则需要具备一定的专业知识储备。如果缺乏这一前提条件，则可能陷入误用技术的误区，并最终导致对人工智能本质认知偏差的结果。本文将简要阐述开发人工智能驱动的量化选股策略过程中可能遇到的各种挑战与注意事项。
本文是BigQuant用户的实践经验介绍，在开发AI量化选股策略的过程中围绕思想和实操两个方面讲述了所遇到的各种难点。
策略思想逻辑层面
不允许将验证集合与测试集合完全相同
金融时序数据在划分训练集与测试集时采用基于时间点的方式，并非随机划分
训练集数据不能太少，不要选择几只股票作为股票池
刚刚提到训练数据就好像是老师每天布置练习题一样，在数量和题型上若显单薄，则无法让学生获得充分的锻炼机会。相比传统方法而言更为复杂的机器学习算法拥有更多的参数设置，在实际应用中当这些关键参数未能得到合理配置时可能导致系统性能显著下降（Overfitting）。然而，在实际场景中我们所接触到的数据往往难以全面反映真实世界中的各种潜在情况（Underfitting），这会导致系统在面对新问题时表现不佳，并且这种性能瓶颈主要源于(Bias)这一概念
还没有任何评论哟~