这个没有标准答案，还是要看您怎么看待这些影响因子的，所以说模型很难建立，每个人心中的模型也可能是不一样的。如果是我的话我会将政策划分等级，比如1到5，每个等级有个评判标准，这样，就可以对政策的颁布信息进行量化了，美国市场加息政策也是如此，为什么我们会提到美国加息，就是因为...

这个是自然语言处理范畴，建议研究下自然处理框架，现在也开源了不少自然语言处理框架，有些是基于深度学习算法实现的，有些是其他机器学习算法。国内大学和公司对于中文的研究有些已经比较成熟，比如中科院的自然语言处理平台，还有哈工大的自然语言处理平台，百度也推出自己的平台，可...

您有丰富的数据挖掘经验，而且能够抽取具体的指标模型，只是样本比较少，这种场景非要使用深度学习也是可以的，但是我认为有点大材小用了，不建议使用。以市场违规模型为例，因为您数据量小，模型可以随时生成，不需要训练固化，直接使用挖掘出来的模型即可，如果模型不好，还可以实时调整策略...

可以尝试一下PowerAI 深度学习平台来尝试，该平台自带了很多模型，都是源码提供的，客户可以利用这些模型做一些预研Voila_Capture1558.jpg

集成学习是采用弱分类器形成强分类器的过程，有点像卷积神经网络里面的卷积功能，弱分类器形成强分类器的过程是个不断学习调优权重的过程，通过学习，优化每个弱分类器的权重，从而得到一个比较优的模型。无论是CTA还是其他业务场景，在面对这么多因子形成的弱分类器时，可以考虑用深...

PowerAI深度学习平台可以集成x86和Power服务器在一个集群中

围绕客户的数据基本都是非常有价值的数据，客户基本信息，客户交易信息，客户所关注的资讯信息等数据。如果纯粹是客户画像，可能都不需要使用到深度学习算法，因为客户画像这个模型基本是固定的，大部分场景基于统计分析都可达到，但是如果要在客户画像基础上，对客户行为进行预测，那么就...

深度学习平台应该要与大数据平台打通，利用其海量存储能力和计算能力，至少预处理过程可以完全放在大数据平台侧，甚至今后有可能GPU等也可以由yarn调度，这样就省事更多了。集成方式比较简单，比如tensorflow on spark，其实就是按照一个包，使任务可以提交到yarn上。...

现在比较流行的是基于spark的机器学习，深度学习这块用得比较多的是tensorflow，MxNet，框架以开源为主，建议辅以商用管理软件，自研也可以，但是会有一定的建设成本。金融领域的应用比较多，现在很多券商都在实践量化交易，量化投资，智能风控，信用评级等等应用...

量化交易改变了传统交易模式，通过规则模型将交易过程数字化，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，减少了投资者情绪波动的影响，利用计算机实现交易自动化。量化交易与传统交易的关键点在于是否有个健全的计算机模型，代替人脑去...