朱智贤

（中国计量大学，浙江 杭州 310018）

一、前言

在投资策略里，人们一直以来在为收益与风险想方设法，以此获得尽可能高的收益，同时承担尽可能低的风险。在过去，投资策略往往来自于主观性的决策，比如投资经理凭借自身对技术指标的经验，从而做出买卖决策，这样的行为即存在很大的主观性。在瞬息万变的金融市场中，主观交易者要处事不惊同时又要眼疾手快地捕捉到稍纵即逝的机遇，如此需要精力的状态每天持续，也难免会力不从心。相反，量化投资在面对大量信息的时候，可以利用编程语言等工具来构建算法，做到客观地分析数据，实现无限精力，概率取胜，纪律性强的自动化交易，大大地提高了分析数据信息和交易的效率。

二、机器学习的应用定义

为了将机器学习应用到我们的真实世界的策略中，一般将采用6个步骤：

（一）数据收集

在大多数情况下，需要收集文本文件、电子表格或者数据库等的单一数据源。

（二）数据的探索和准备

任何机器学习项目的质量基本取决于它的数据的质量，所以要了解数据信息，在使用前，需要花费大量时间去修复或者清理一些不规范的数据，删除不必要的数据并标准化，以便后期的模型处理。

（三）模型训练

在已经准备好用于分析的数据时，很有可能已经有了对数据如何处理的想法，选择合适的机器学习算法。

（四）模型评价

由于机器学习模型会产生一个问题的有未知偏差的解决办法，所以评价算法从经验中学习是很重要的，那么可用测试集来评价其准确性。……