当前位置：

社区首页

金融服务

投资理财

基金证券

AIGC文章详情

AI炒股是未来刚需还是性能过剩？3000+用户观点大PK

源自94位全网作者

25-12-23

精选参考来源

Qlib对比机器学习深度学习和AI驱动模型在选股预测上的表现

中金量化深度学习模型在因子合成中的应用

全部
来源

内容由AI生成

1. Qlib对比机器学习深度学习和AI驱动模型在选股预测上的表现

2. 中金量化深度学习模型在因子合成中的应用

3. 【两融】基于随机森林的多因子选股模型构建——金融工程专题报告

4. 大模型量化播客 | vol.1 深度因子

5. AI + 量化交易深度研究报告

6. 【方正金工】基于可微RankIC损失函数的深度学习选股策略——机器学习选股系列研究之一

7. 机器学习颠覆A股量化交易！2025年最新因子挖掘与模型实战

8. AI多因子量化之模型设计

9. 公募量化都在说的AI赋能，如何能真正穿越周期获取超额？

10. 中国量化私募深度学习模型与架构演进

11. 【AI100问(140)】人工智能炒股厉害吗？

12. 大模型量化播客 | vol.7 非线性模型

13. 散户想用AI大模型来炒股是否靠谱？

14. 量化 VS 传统

15. 面向量化交易的深度强化学习

16. AI投资大赛

17. 模型复杂度陷阱！金融预测中，LSTM以“不变”应万变，Transformer反成风险放大器？

18. （新手推荐）从数据获取到模型部署

19. AI量化神器—LSTM预测股价的思路

20. 前沿方法 | 从“记不住”到“算得准”

21. 精读 |李斌等

22. 机器学习在金融中的市场预测

23. 善思观点｜如何用计算实验合成数据优化深度学习在金融市场的预测能力？

24. 超越纯粹LSTM

25. LLM 不是鸡肋，而是实现高复杂度策略的关键组件

26. 日本兵库大学最新研究

27. 机器学习就是“过拟合？这锅太重，我不背！

28. 时评｜AI 大模型交易对战分析

29. A股量化“内卷”白热化

30. 量化投资AI模型与传统多因子模型的具体区别

31. 从T0到择时，从多因子到RL

32. AI加速打开公募量化边界

33. 量化史书系列 (四)

34. Qlib库简介与实践步骤介绍

35. ai量化系统哪个好用，qlib或qbot好

36. 回测 30% 的你，实盘 -10%

37. 大模型指导强化学习，AI量化交易夏普比率提升70%

38. 夏普比率 2.0+

39. 第二家DeepSeek？中国量化私募闯入国际顶会！旗下基金逆势中领衔

40. 全自动量化交易实盘策略档案

41. 一文看懂

42. 量化投资的道、法、术、器

43. 从执行者到决策者端到端如何改变量化江湖｜量化开蒙·特别篇

44. 2025AI炒股避坑指南！10款主流软件实测+新手适配技巧，少走弯路

45. 华尔街颤抖吧！小波变换+LSTM让AI炒股收益暴涨6倍

46. Qlib对比机器学习深度学习和AI驱动模型在选股预测上的表现

47. 对过拟合的误解

48. 微软亚洲研究院&香港科技大学&牛津大学&卡内基梅隆大学：首个数据驱动的量化研究智能体框架发布

49. 微软开源Qlib：用AI重构量化交易全流程

50. IJCAI 25 | AlphaGAT：结合Alpha 因子挖掘和图注意力网络的自适应投资组合框架

51. 基于WOA-CNN-LSTM-Attention、CNN-LSTM-Attention、WOA-CNN-LSTM、CNN-LSTM、LSTM、CNN6模型多变量时序预测一键对比研究（Matlab代码）

52. Paper Reading | FTS-Text-MoE: 融合推文和时序的混合专家模型用于股票预测

53. AI量化交易：选股模型及因子详解

54. Just Show Me Your Code - 华泰证券《基于逐笔成交的深度学习选股模型》复现

55. 原创未发表！贝叶斯+时间卷积网络+SHAP分析一键实现深度学习预测和可解释性分析！Matlab完整代码

56. 开源AI炒股工具大全：散户盈利的终极武器来了！

57. ChatGPT在投资领域应用，通过大模型提高风险收益

58. 【研报阅读】多因子+AI量化选股框架全解析

59. 机器学习在多因子策略中的应用（一）：具体实现步骤、难点、实例分析

60. 散户投资模型：过拟合 VS 欠拟合 - 哔哩哔哩

61. 北京大学最新AI突破：极限学习机让量化金融计算提速百倍，颠覆传统深度学习范式

62. 北京大学 × 正仁量化 | ALPHASAGE：融合GFlowNets的结构感知Alpha挖掘

63. 基于LSTM神经网络的择时融合多因子选股策略【华福金工·李杨团队】

64. ETF机器学习预测结果SHAP解释：“黑箱”模型的可解释性（XAI）

65. 什么是策略过拟合？

66. MS-HGFN：基于捕捉时空依赖的股票走势预测，预测准确率提高1.4%

67. 破壁与融合：A股量化因子库2025全景指南——当传统指标遇见另类数据

68. 利用人工智能与大模型进行投资决策与选股的深度分析报告

69. 基于贝叶斯优化CNN-LSTM混合神经网络预测附Matlab代码

70. 告别“历史股神”，五步避开策略过拟合

71. 【LSTM回归预测】基于黑翅鸢优化算法BKA-LSTM-Multihead-Attention多变量时序预测 matlab代码

72. 多因子量化策略进阶：从因子合成到组合优化的完整指南

73. Bayes-CNN结合LSTM用于市场预测，准确性达新高度！

74. AI量化交易：使用LSTM进行AI选股的完整实现

75. 量化专题 | 深度学习模型系列（一）：基于扩散图神经网络的CTA策略初探

76. AI 因子挖掘的海量变种因子构建方法研究

77. IWOA-LSTM和LSTM时间序列预测(改进的鲸鱼算法优化长短期记忆神经网络)附Matlab代码

78. 实盘基于LSTM模型，对涉及36个行业大类随机的73支个股预测交易信号。欢迎交流！友情提示：股市有风险，入市需谨慎！ 1. 核心理念基于LSTM深度学习模型对未来价格走势进行预测将预测结果转换为具体的交易信号和执行指令。严格隔离预测数据与真实交易数据，避免未来函数 2. 信号生成机制基于模型预测生成交易信号 3. 资金管理策略单股持仓限制：单只股票最大持仓不超过总资产的30% 分级投资：根据信号级别确定投资比例置信度调整：根据预测置信度动态调整仓位高置信度(>80%)：增加20%投资低置信度(<60%)：减半投资 4. 风险控制体系止损机制：持仓亏损达到3%时强制卖出止盈机制：持仓盈利达到60%时强制卖出交易成本：考虑0.1%的交易成本最小交易单位：A股最小100股交易单位 5. 交易执行流程 T日收盘后： ├── 基于T日及历史数据生成预测 ├── 根据预测结果产生交易信号 └── 信号存入待执行指令池 T+1日开盘： ├── 执行T日生成的交易指令 ├── 使用T+1日开盘价成交 └── 更新投资组合状态 T+1日收盘： └── 记录投资组合价值#量化交易 #机器学习 #股票

79. 预测类模型：图神经网络对环境因子的融合（附Python代码）

80. 野路子搞神经网络-一种基于Transformer Encoder的股票多因子网络

81. Bayes/BO-CNN-LSTM、CNN-LSTM、LSTM三模型多变量回归预测Matlab代码

82. Python | XGBoost+SHAP可解释性分析回归预测及可视化算法

83. 使用 Transformer 建模预测股票收盘价

84. 总收益12年110多倍！是不是过拟合了？|云飞量化百万实盘第2006天

85. 【中金公司】强化学习模型在因子挖掘和行业轮动中的应用

86. 用 XGBoost + SHAP 全面剖析模型“黑箱”：从蜂巢图到热图的可解释性可视化全流程

87. 时间序列可解释性突破：SHAP与LIME的融合应用！

88. Python | 贝叶斯搜索参数优化的LGBM+SHAP可解释性分析回归预测及可视化算法

89. 新突破！时间序列可解释性颠覆传统在时间序列分析领域，可解释性指的是让模型预测结果具备可靠、透明且易于理解的特质。这一特性意义重大，不仅能增进用户对模型的信任，还能为更明智的决策提供支持，同时也便于开展调试工作和进行风险管理。就当前而言，时间序列可解释性的研究已收获不少成果，多种提升模型可解释性的方法应运而生。比如，有研究通过虚拟检查层，将时间序列数据转化为更易解释的表示形式，再借助逐层相关性传播（LRP）这类局部可解释技术，把相关性归因传递到该表示上。除此之外，还有研究运用LIME、SHAP等与模型无关的可解释性技术，来实现时间序列预测问题的可解释性。 #时间序列 #深度学习 #论文 #大模型 #计算机科学

90. 【固收】基于堆叠LSTM模型的十年期国债收益率预测——量化学习笔记之一（张旭）

91. Python | 贝叶斯搜索参数优化的XGBoost+SHAP可解释性分析回归预测及可视化算法

92. Python | 随机搜索参数优化的LGBM+SHAP可解释性分析回归预测及可视化算法

93. 基于XGBoost-SHAP的模型可解释性分析：依赖图趋势与置信区间可视化

94. Python | 网格搜索参数优化的XGBoost+SHAP可解释性分析回归预测及可视化算法