小样本机器学习技术实现指数择时.docxVIP

小样本学习基本理论 小样本学习的定义 小样本学习在证券择时场景下的应用 生成对抗网络与线性回归（FSL-LR）模型 2.1.1.基于生成对抗网络的数据增强 图 1: GAN 原理示意图 资料来源：研究所 图 2： GAN 的训练过程 资料来源：研究所 |量化 ?????? = ?? ??????? = ? log?1 ? ??? = log(1 + ????) ?????? = 1 将 其 带 入 ?????; ??? 式中，得到 ?????; ??? = exp ??????? ? ?? 1???  ? ?? + ?????? ?1 ? ???? = exp??????????? + ?1 ? ??? ???????1 ? ???? = ?? ??(1 ? ??)1???,这正是伯努利的分布公式，因此伯努利分布属于指数族。 通常情况下，指数族的参数估计问题都能通过构建广义线性模型的方式来解决， 对于如何构建广义线性模型，在给定样本??和参数??的情况下，关于??的条件概率 ????????; ???给出如下假设： （1）??|??; ??属于指数族； （2）对于给定的??，目标是预测??(??)的期望即?(??) = ??? ?? | ?? ? 这里?????? = ??； （3）?? = ??????，即??与??是线性相关的。 有了如上假设以后，就可以对一般线性回归和逻辑回归进行构建了，在一般线性回归中假设给定样本??和参数??的情况下，关于?? 的条件概率服从高斯分布即， ??|??; ??~??(??, ??2)，由前面高斯分布与指数族的关系可知满足第一条假设。按照假设 （2）和（3）以及高斯分布的性质可以得到公式：???(??) = ??? ?? | ?? ? = ?? = ?? = ?????? 。 而在逻辑回归中，假设给定样本??和参数??的情况下，关于??的条件概率服从伯努利分布即??|??; ??~??(??) ，由前面伯努利分布与指数族的关系可知满足第一条假设，按照假设 2 和 3 以及伯努利分布的性质可以得到公式： ???(??) = ??? ?? | ?? ? = ?? = 1Τ(1 + ?????) = 1Τ(1 + ?????????) 。 ??至此，使用高斯分布与广义线性模型得到的公式???(??)和使用伯努利分布与广义线性模型得到的公式，两者在形式上具有高度的相似性，这两个模型恰恰是一般线性模型和逻辑回归模型，这也是为什么一般线性回归与逻辑回归具有非常强的相关性的原因，其中公式? (??) = ??? ?? | ?? ? = ?? = 1Τ(1 + ?????) = 1Τ(1 + ?????????)又被称作逻辑回归的预测函数。 ?? 2.1.3.逻辑回归目标函数的推导 无论是将模型应用在曲线拟合上还是应用在分类上，逻辑回归首先面临的问题是确定目标函数（即损失函数）。损失函数的作用就是评价模型的好坏，常用的损失函数包括，0-1 损失函数、平方损失函数、绝对值损失函数、对数损失函数几种。 逻辑回归通常使用的是对数损失函数，这是由于逻辑回归应用到分类问题上面时，输出值??是离散的，而且是二值的，只有 0 或者 1，这就可以对应到二项分布上， 而二项分布使用对数损失函数是最直观的。逻辑回归的目标函数推导过程如下所示： 假设有??个独立样本{???1,??1????2,??2????3,??3?, … , ?????, ?????, ?? = {0,1}}，那么，每 ?? ??  ?? ?? ????  ?? ?? 1????? 个样本出现的概率是： ????? , ?? ? = ????? = 1??? ? (1 ? ????? = 1??? ? 当?? = 1的时候，后面的一项等于 1，而当?? = 0的时候前面的一项等于 1，考虑 到每个样本是独立的所以??个样本出现的概率可以表示成他们的乘积，即：??(??) = ?? ?? ?? ???? ?? ?? 1????? ???=1 ????? = 1??? ? (1 ? ????? = 1??? ? 请仔细阅读在本报告尾部的重要法律声明 FSL-LR 模型提出的背景 基于 FSL-LR 模型的策略设计思路 建模方法 模型预测目标 数据及参数选择 表 1：14 个技术指标及其含义 技术指标 含义 布林线上轨；布林线是指利用统计原理，求出股价的标准差及其信赖区间， Bollinger_Upp 从而确定股价的波动范围及未来走势，利用波带显示股价的安全高低价位。 erBands 布林线指标中的上、中、下轨线所形成的股价信道随着股价的上下波动而变 化，股价信道的上轨是显