Nov, 2023

优化线性信号：一种用于优化线性信号的无监督机器学习框架

PDF
TL;DR这项研究提出了一种无监督机器学习方法来优化量化金融中的盈亏（Profit and Loss）。我们的算法类似于无监督线性回归，通过线性组合外生变量构造的信号，最大化盈亏的夏普比率。该方法利用外生变量与交易信号之间的线性关系，通过参数优化来最大化夏普比率。在代表美国国债的 ETF 上的实证应用展示了模型的有效性，并通过正则化技术来减少过拟合。研究总结了进一步发展的潜在方向，包括广义时间步长和增强校正项。
unsupervised machine learningoptimizingprofit and losssharpe ratioparameter optimization
发现论文，激发创造
  • 基于模型无关的无监督学习方法解决带约束优化问题

    本文提出一种无模型学习框架来解决无法推导出目标函数或限制条件的优化问题，同时将神经网络用于参数化所需优化的函数、参数化瞬时限制条件相关的拉格朗日乘数以及逼近未知的目标函数或限制条件。数值和模拟结果验证了所提出的框架的有效性，并以功率控制问题作为例子证明了模型无关学习的效率。

    Jul, 2019

  • 一种新的旧问题视角：线性回归的通用学习方法

    通过通用学习的角度重新审视线性回归问题，研究了标签 y 和特征向量 x^T 的线性组合表达式及其学习可行性，证明在训练数据的相关矩阵特征向量构成的子空间上，即使参数个数 M 多于样本个数 N，线性回归也可以具有很好的推广性能。

    May, 2019

  • 金融时间序列预测：基于混合机器学习方法实现性能和解释性的协同

    比特币价格的预测引起了在金融市场和投资策略上的关注，本研究提出了一个关于混合机器学习算法在提高模型可解释性方面的比较研究。通过实证实验，我们发现线性回归模型在候选模型中表现最好。对于模型的解释性，我们对时间序列统计的预处理技术进行系统概述，包括分解、自相关函数、指数三重预测等，旨在挖掘金融时间序列中的潜在关系和复杂模式。我们相信这项工作将在时间序列分析及其实际应用领域引起更多关注，激发更多的研究。

    Dec, 2023

  • 个体数据通用监督学习

    本文从信息论的角度探讨了通用监督学习问题，提出了一个名为 Predictive Normalized Maximum Likelihood (pNML) 的学习方案，并证明其在特定测试任务的学习能力超过了当前基于经验风险最小化 (ERM) 的领先方法。

    Dec, 2018

  • 无监督学习优化：为 URLLC 训练深度神经网络

    本文提出了一种基于无监督深度学习的学习优化的框架，用于解决数值优化问题，可同时应用于函数和变量优化问题，并以超高可靠性通信为例，证明了深度学习可实现无监督学习下的变量优化保障极高的可靠性通信。

    May, 2019

  • 学习无需混合：追求线性系统识别的尖锐分析

    该研究证明了最小二乘（OLS）估算器在从单个观察轨迹中识别线性动态系统方面达到了几乎最小化最优性能。

    Feb, 2018

  • 表格监督机器学习模型的性能和可解释性多目标优化

    本研究提出了一种不受模型约束的框架，可以同时优化监督式机器学习模型在表格数据上的预测性能和可解释性，其中可解释性通过特征稀疏性、特征交互稀疏性以及非单调特征效应的稀疏性进行量化。

    Jul, 2023

  • 具有战略数据来源的最佳统计估计

    提出一种最优机制，为统计估算器的数据源提供货币激励，以低成本提供高质量的数据，使支付总额和估算误差最小，广泛应用于线性回归和多项式回归，核回归和岭回归等估算器，并应用于各种目标，包括在预算限制下减少估算误差。

    Aug, 2014

  • 图信号的最优恢复

    从优化恢复的角度考虑了图信号处理中部分观测数据的平滑处理问题，并提出了一种计算最优或接近最优正则化参数的方法，在半合成图信号处理数据集的数值实验中取得了良好效果。

    Apr, 2023

  • UCSL: 一种基于机器学习期望最大化框架的无监督聚类算法

    本文提出了一种名为 UCSL 的泛化期望最大化集成框架，该框架是一种无监督聚类方法，可以整合任何聚类方法，并可以由二元分类和回归驱动，通过提出一种基于聚类的非线性模型结合多个线性评估器来实现。而且，为了在更合适的空间中进行聚类分析，我们还提出了一种有效的降维算法。该算法可用于精神疾病聚类分析，并且在平衡准确性方面相对于现有技术方面具有 + 1.9 的增益。

    Jul, 2021