大数据、机器学习、深度学习在投资领域应用的方法论概述 | 中信建投2017

报告摘要

本报告系统梳理了大数据、机器学习与深度学习在投资领域的应用方法论。核心内容包括：大数据特征（高容量、高速度、多样性）及其在量化投资中的价值；自然语言处理（NLP）如何从新闻文本中挖掘有效信息提升投资管理；监督学习（回归、分类）与非监督学习（聚类、因子分析）在选股择时中的成熟应用；深度学习（RNN、LSTM、CNN、RBM、DBN）作为金融创新引擎的前景。报告还提供了基于新闻热度的风格轮动、情绪选股等实战策略案例。适合量化研究员、金融工程师、投资经理及金融科技从业者参考。

📋 核心要点(部分)

1. 一、大数据与量化投资
2. 1.1个体产生的数据
3. 1.2商业产生的数据
4. 1.3由传感器产生的数据
5. 二、投资领域常用的机器学习方法
6. 2.1监督学习（回归、分类）
7. 2.2非监督学习（聚类、因子分析）
8. 三、投资领域常用的深度学习方法
9. 3.1循环神经网络
10. 3.2长短期记忆网络
11. 3.3卷积神经网络
12. 3.4受限玻尔兹曼机
13. 3.5深度信念网络
14. 四、总结和展望