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...
还是要看您的业务场景,根据业务场景确定模型,如果是日线数据,我觉得可以用来研究宏观股市走势,如果要研究股票走势,那么最好还是能利用好日线内数据。
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...
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...
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...
利用PowerAI深度学习平台,可以对计算机视觉、自然语言处理和金融时序数据等场景进行处理,目前对这些场景都有涉及,主要模型在计算机视觉方面,有图片分类、图片的目标检测和图片对比、识别等,基本涵盖了目前常用的模型...
PowerAI深度学习平台可以集成x86和Power服务器在一个集群中
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...
早些年,金融行业的信息技术部门只是被人当做技术性运维部门,说难听点,跟修机器的也没什么区别。但是最近几年随着互联网信息化的发展,金融公司也开始转变思维做差异化服务,做具有核心竞争力的自主化产品,以往各个公司购买相同产品,靠业务经理拉客户的传统模式越来越弱化,技术将直...
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。...