- 综合排序
- 最热优先
- 最新优先
- 来自专栏计算机视觉理论及其实现
动量(momentum)和Nesterov动量
一、动量虽然随机梯度下降仍然是非常受欢迎的优化方法，但其学习过程有时会很慢。动量方法旨在加速学习，特别是处理高曲率、小但一致的梯度，或是带噪声的梯度。 名称动量来自物理类比，根据牛顿运动定律，负梯度是移动参数空间中粒子的力。动量在物理学上定义为质量乘以速度。在动量学习算法中，我们假设是单位质量，因此速度向量v也可以看作粒子的动量。 如果动量算法总是观测到梯度g，那么它只会在方向-g上不停加速，直到达到最终速度，其中步长大小为： 因此将动量的超参数视为 有助于理解。例如， 对应着最大速度10倍于梯度下降算法。 二、Nesterov动量受Nesterov加速度算法提出了动量算法的一个变种。 Nesterov动量和标准动量之间的区别体现在梯度计算上。Nesterov动量中，梯度计算在施加当前速度后。因此，Nesterov动量可以解释为往标准动量方法中添加了校正因子。
6.1K30编辑于 2022-09-04 - 来自专栏量化投资与机器学习
动量因子30年
如果获取动量收益：截面动量、时序动量及残差动量 我们首先回顾一下Jegadeesh和Titman（1993）构建的动量策略。 在所有资产上的等加权时间序列动量收益对各种风险调整和横截面股票动量策略的收益都是稳健的。其收益不仅高于横截面动量策略，而且能够完全解释横截面动量收益。 基于风险的模型解释了持续10年的动量。虽然理性投资者在行为模型中有从套利中获利的空间，并可以中和任何动量效应，但在基于风险的模型中，没有额外的风险就没有利润。 作者收集了上市公司提交给SEC的10-K报告中的产品描述。在分析这些文本后，根据产品相似性为每个公司分配了自己的一组不同的竞争对手（Hoberg和Phillips 2016）。 Arnott等人（2021）将股票动量、因子动量和行业动量结合起来。
1.9K31编辑于 2023-04-20 - 来自专栏量化投资与机器学习
动量扩散比MSR：有效的动量因子收益预测指标
作者：Siyuan Ma 股价动量仍然是迄今为止最显著、最神秘的异象，在股票和投资组合层面都普遍存在。在动量相关的研究方向上，大多数研究集中在动量的截面特征上，而动量的时间序列特性却很少被提及。 本文提出一个指标动量扩散比指标MSR，来研究该指标对未来动量收益的预测作用！ MSR比较低，说明还有很多动量利润并没有被聪明投资者挖掘，可以在t月使用动量因子获利。 除此之外，文中还探讨了MSR对残差动量及行业动量收益的预测性。 我们或许可以进一步探索，基于A股，使用MSR在动量因子进行择时上的效果。 总结 1994年之后动量异象就开始减轻，我们怀疑动量的大部分利润已经被吃掉了。但是1994年之后风险调整后的动量收益还是非常显著，这可能说明被消化掉的那部分动量收益是由于行为偏差导致的那部分。
79230编辑于 2022-07-19 - 来自专栏python pytorch AI机器学习实践
Pytorch基础知识-动量
上节课讲了Regularization的原理和使用，它作为一个有效的减少over-fitting的手段使用十分广泛，本节课补充介绍一些小技巧（动量）。 动量（Tricks）的概念来源于物理学，可理解为惯性（momentum）。 动量的概念来源于我们所使用的梯度信息 ? 其物理意义如下图所示 ? 此时若加入不同的参数值也会使其方向发生改变。
92520发布于 2019-11-17 - 来自专栏量化投资与机器学习
多任务时序动量策略
这种方法可以同时学习影响资产风险和收益的共同因素，权衡不同窗口期的风险和收益，并能提高了时间序列动量策略的表现。 传统时序动量策略 根据Moskowits(2012)，传统的时间序列动量策略的收益可以有以下等式表示，及每一期买入或卖出的股票根据该股票过去252天的收益确定，并使用目标波动率确定每只股票的权重。 主要任务是多标的时间序列动量组合的构建。辅助任务是为了增强模型的共享表示，并允许模型更好地泛化，这反过来又有助于主任务。 主要任务：构建时序动量组合 从上文的基于目标波动率的传统时序动量策略可以看出，确定每只股票权重有两个因素：动量的方向和股票的波动率。 波动率预测的有效性会显著影响时间序列动量策略的表现。
73030编辑于 2023-09-06 - 来自专栏数说工作室
量化投资之动量反转
而这段时间恰好是在2007年5月30日印花税上调之后到2007年10月中国股市达到顶点之前，除这段时间外，策略组合不论牛市或熊市都有很好表现。 ? （1）模型思想 首先，计算形成期内所有股票的累计收益率，并排序，选择最高的前10名，定义为“赢家组合”，最低的10名定义为“输家组合”，接着进入持有期。见图8。 ，仍以w_data为例，MATLAB的数据计算流程如图10： ? 图10、动量检验法MATLAB计算流程图 code 1 for j =1:114 w_car_data(j,1)=j; %第一列n w_car_data(j,2)=w_data(1+10*(j- 1+10*(j-1)):(10+10*(j-1))),4)); % 第四列w_car end code 2 S_W=var(w_car_data(:,4)); W_GAR=mean(w_car_data
2.8K100发布于 2018-04-08 - 来自专栏量化投资与机器学习
动量因子：行为金融角度新解
核心观点 Robeco最近有一篇不错的文章，公众号进行脱水整理，分享给大家： 长期来看，动量因子带来了强劲的收益 动量溢价是由行为而不是风险来解释的 人类犯错的倾向是决定因子持久性的基础 动量投资的概念很简单 下图显示了自1930年以来各因子的10年收益率。可以看到，动量因子在过去90年中，有5个10年来获得最高总收益率，并且在所有9个10年收益率都超过了市场。 例如，价值因子可能每年只有10%至20%换手率实现，而传统的动量因子通常每年好几百的换手率。显然，为了有效地驾驭这一因子，需要付出更多的交易成本，更需要一个非常有效的交易策略。 其次，虽然动量溢价与行为偏差而非风险有关，但如何更好的利用动量因子却并没有那么容易。动量策略已经被证明易于发生罕见但严重的崩盘。因此，动量投资者还需要能够在较长时期内投入资本，并做好面对挑战的准备。 此外，投资者也可以选择仅使用一种动量因子，也可以选择结合多种动量因子，如剩余动量或结合相关的分析师动量。 最后，我们不应该低估人类心理和我们犯认知错误的倾向。
1.2K20发布于 2021-10-12 - 来自专栏从流域到海域
使用动量的梯度下降法
update your weights instead 指数加权平均参考前一篇博客：https://blog.csdn.net/Solo95/article/details/84837217 使用动量的梯度下降法 使用动量的梯度下降法，“动量”，来自对它的物理上的解释，相当于在一个碗里丢一个小球，通过赋予小球动量，使其减少在碗壁上的左右摆动，让它更快到达碗底，。 使用动量的梯度下降法计算方法 ?
91220发布于 2019-05-26 - 来自专栏智能大数据分析
【深度学习优化算法】06：动量法
momentum}, data_iter, feature_dim, num_epochs) data_iter, feature_dim = d2l.get_data_ch11(batch_size=10 ) train_momentum(0.02, 0.5) 当我们将动量超参数momentum增加到0.9时，它相当于有效样本数量增加到 \frac{1}{1 - 0.9} = 10 。 mathbf{I} - \eta \boldsymbol{\Lambda}) \mathbf{z}_{t-1} - \eta \beta \mathbf{v}_{t-1} \end{aligned} \tag{10 lambdas = [0.1, 1, 10, 19] eta = 0.1 d2l.set_figsize((6, 4)) for lam in lambdas: t = torch.arange 在凸二次问题中，可以对动量法进行明确而详细的分析。 动量法的实现非常简单，但它需要我们存储额外的状态向量（动量 \mathbf{v} ）。
40200编辑于 2025-07-19 - 来自专栏MixLab科技+设计实验室
机器学习VS动量、反转效应，量化交易1
基于这些机器学习方法来预测中国股市的动量、反转效应。 01 / 什么是动量效应 Momentum effect 一般又称“惯性效应”，动量效应是由Jegadeesh和Titman（1993）提出的，是指股票的收益率有延续原来的运动方向的趋势，即过去一段时间收益率较高的股票在未来获得的收益率仍会高于过去收益率较低的股票 总的来说，动量和逆转效应是股票市场中常见且有趣的现象。动量效应意味着过去表现良好的股票可能继续优于过去表现不佳的股票。相反，逆转效应表明过去的输家可能会在未来转变为赢家。
1K21发布于 2019-09-16 - 来自专栏量化投资与机器学习
因子投资：价值和动量是否已死？
这里的5年总收益指的是从2013年10月1日到2018年9月30日。 = EAFE = MSCI EAFE总回报指数 房地产= REIT = FTSE NAREIT所有股权REITS总回报指数 大宗商品 = GSCI = 高盛商品指数（GSCI）指数 债券 = 10 年 = 美林证券7 - 10年期政府债券指数 ? 以下是从股市成立以来各种因子的统计数据（1963年开始，5年和10年年化回报）： ? 从长远来看（1963年至今），大盘价值略微优于大盘成长，大盘高动量显著超过大盘低动量 小市值因子表现怎么样？ 如果将小盘价值和动量的过去5年（甚至10年）表现与标普500指数（进行比较，一个有趣的现象重新出现：因子表现很糟糕。 ?
1.4K30发布于 2019-05-09 - 来自专栏机器学习算法与理论
深度学习—带动量的SGD相关参数
带动量的sgd如下图所示： ? image.png 一、weight decay（权值衰减）的使用既不是为了提高你所说的收敛精确度也不是为了提高收敛速度，其最终目的是防止过拟合。
1.5K50发布于 2018-08-02 - 来自专栏深度学习自然语言处理
深度学习优化算法入门：二、动量、RMSProp、Adam
动量 搭配SGD使用的一个非常流行的技术是动量（Momentum）。动量法不仅使用当前的梯度，同时还利用之前的梯度提供的信息。 ? 上面的第一个等式就是动量，动量等式由两部分组成，第一项是上一次迭代的动量，乘以“动量系数”。 ? 比如，假设我们将初始动量v设为0，系数定为0.9，那么后续的更新等式为： ? 也就是说，基于动量法的更新，积累了w2方向上的分量，清空了w1方向上的分量，从而帮助我们更快地通往最小值。从这个意义上说，动量法也有助于抑制振荡。 动量法同时提供了加速度，从而加快收敛。 等式2中的ε是为了确保除数不为零，一般定为1e-10. 注意RMSProp隐式地应用了模拟退火。在向最小值移动的过程中，RMSProp会自动降低学习步幅，以免跳过最小值。 超参数β1一般取0.9，β2一般取0.99. ε一般定为1e-10. 结语 本文介绍了三种应对病态曲率同时加速训练过程的梯度下降方法。
3K10发布于 2019-11-19 - 来自专栏站长的编程笔记
【说站】python中使用动量交易策略
python中使用动量交易策略 说明 动量交易策略，动量是物体质量和速度的乘积，动量一方面描述了物体的运动状态，另一方面也描述了惯性的大小。 这种动量可能会继续保持上升或下降，动量可能会越来越小，直到运动状态发生变化。 1、股票资产组合的中期收益存在持续性，即中期价格具有向某个方向持续波动的动量效应。 2、python作差法求动量，即用今天的价格减去一段时间间隔(m期)以前的价格。 以上就是python中使用动量交易策略的方法，希望对大家有所帮助。
76520编辑于 2022-11-23 - 来自专栏智能制造预测性维护与大数据应用
研华振动量测公开课视频(上）
研华振动量测公开课视频，讲述振动量测解决方案，硬件构成、软件特性和应用实例。
24420编辑于 2022-05-30 - 来自专栏菩提树下的杨过
FlashFlex学习笔记(43)：动量守恒与能量守恒
动能公式： 动量公式: 动量守恒： 能量守恒: 根据这些规律可以得到下列方程组: 解该方程组，得到下面的公式: 把这二个公式相减，可以得到: 即： 我们也经常利用这个公式简化运算 基本的动量守恒演示： = new Array(); for (var i:uint = 0; i < numBalls; i++) { var radius:Number=Math.random()*40+10 Math.random()*0xffffff); ball.mass=radius; ball.x=i*100; ball.y=i*50; ball.vx=Math.random()*10 -5; ball.vy=Math.random()*10-5; addChild(ball); balls.push(ball); } addEventListener
62770发布于 2018-01-22 - 来自专栏量化投资与机器学习
基于决策树的动态时序动量策略
在本文中，我们选取N=1作为短周期动量信号，N=12作为长周期动量信号。下图1、2给出了2000年1月到2020年12月，标普500指数的长短周期动量信号。 长短周期动量在过去20年，平均占了63.5%的时间。 下图3-4给出了按照基本动量策略交易的策略收益曲线及绩效指标，可以看出长短周期的策略都有正收益，说明市场是有动量效应的。 不同市场波动下的动量表现 当市场相对平稳的时候，长周期的动量策略更能适合市场的走势，相比短周期的动量信号，能获得更高的收益。而在市场波动较大时 ，短周期的动量策略更占优势。 也就是说，在标注训练数据时，预测目标是下一时间段该采用的动量策略类型。在时间 t，如果 ，那下一时间段使用短周期（Fast）的动量策略；如果 ，那下一时间段使用长周期（Slow）的动量策略。 图9和图10展示了长周期、短周期、50/50组合和图5中展示的决策树策略的alpha和beta分解，以及标准普尔500指数买入并持有策略。
1.2K40编辑于 2023-07-08 - 来自专栏NFT链游的应用
自动量化交易系统如何设计开发？
一个交易系统，假设胜率是P，赢亏比是R=W/L，系统期望值为M。 M=P*W-（1-P）*L
1.8K40编辑于 2022-06-17 - 来自专栏量化投资与机器学习
价值因子的改进：结合动量的思想
基于指标变动比率（指标的动量）也比使用指标当期值更能筛选出有价值的股票。 价值因子结合动量因子后模型的表现也有进一步的提升。 价值因子 价值投资一直是投资策略的重要基石之一。 结合动量因子 过去有很多研究表明，当价值因子与动量因子结合后，会提高组合的收益，一个主要的原因是价值因子与动量因子的负相关性（在前面的研究中，也证实了这一现象）。 Moskowitz, Ooi, and Pedersen (2012)中提到，时序动量和截面动量的不同，且时序动量的收益要大于截面动量。 所以，在本篇论文中，结合时序动量，作者提出了三种结合动量的方式： 个股层面的动量与价值因子等权组合：Equal-Weighted Momentum and Composite Trend Value Score 下图9给出了三个模型的累计收益，表10给出了收益统计，图11是各模型相对Fama-French等因子模型回归测试的结果。
1.1K30发布于 2021-07-29 - 来自专栏量化投资与机器学习
利用深度神经网络增强时间序列动量策略
第1篇 20190716 利用深度神经网络增强时间序列动量策略 ▍作者 Bryan Lim、Stefan Zohren、Stephen Roberts Abstract 虽然时间序列动量在金融领域是一个被广泛研究的现象 在本文中，我们引入了深度动量网络（Deep Momentum Networks），一种基于深度学习的交易信号与时间序列动量策略中使用的波动率缩放框架相结合的方法。 这一点尤其重要，因为在市场恐慌期间，没有足够风险调整的原始动量策略（如波动性扩大）很容易发生大规模崩盘。 在这篇paper中，引入了一种新的混合模型，它将基于深度学习的交易信号与时间序列动量策略中使用的波动率缩放框架相结合 ——我们把它称之为深度动量网络（DMNs）。从多个角度改进了现有的方法。 最后，与其他动量策略保持一致的框架还允许我们保留以前工作中需要的属性——特别是波动率缩放，这对时间序列动量策略的积极表现起着至关重要的作用。
1.8K31发布于 2019-07-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号