- 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。 动量算法积累了之前梯度指数级衰减的移动平均，并且继续沿该方向移动。从形式上看，动量算法引入了变量v充当速度角色------它代表参数在参数空间移动的方向和速率。速度被设为负梯度的指数衰减平均。 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。 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。 Moskowitz和Grinblatt（1999）构建了20个市值加权行业投资组合，并采用了一种策略，根据过去6个月的回报，平均投资前三个行业，同时做空后三个行业。 在6个月的持有期中，该策略从1963年7月到1995年7月的平均回报率为0.43%。作者得出结论，行业动量是由于行业收益的正序列相关。 此外，Moskowitz和Grinblatt（1999）从股票收益中减去行业收益，然后对行业调整后的6个月收益进行排序。 在持有期限为6个月的情况下，由最低风格贝塔股票构建的动量策略产生的月平均回报率为0.14%。相比之下，由最高风格贝塔股票构建的动量策略产生的平均回报率为0.60%。
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！ 也就是说MSR能够预测未来动量因子的表现，且与其是负相关的。下表6的结果证实了这个猜测，1994年之前，大部分投资者不知道动量异象的存在，MSR几乎没有预测能力。 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
为了更细致的观察策略的表现，生成每周alpha动量策略，见图6。 从图6中可以看出，策略选出来的组合在大部分时间里都有正的超额收益，但中间存在一段明显的的异常时期，该时期收益相对于沪深300指数的表现非常不稳定。 图片来源：联合证券，《依靠强大的Alpha动量战胜市场——Alpha策略系列研究之三》 图6、动量策略组合的每周超额收益 再次，交易成本会显著影响到收益。 如对某个策略{P,Q}，假设选择2000年1月到2010年6月为样本期，以每个月第一个交易日作为组合构建时点，那么测试样本有n=114个 ? ? ? 第四步，构建T检验，判断动量效应。 发现我国的证券市场在短期（1到4周）上存在显著的“动量效应”，中期（6到9个月）则存在显著的“反转效应”。 四. 软件实现 简单介绍如何使用SAS和MATLAB来实现动量策略。 1.
2.8K100发布于 2018-04-08 SK海力士完成LPDDR6验证，下半年启动量产供货
3月10日，韩国存储芯片大厂SK海力士宣布，已成功开发出最新的基于第六代10nm级（1c）工艺技术的16Gb LPDDR6 DRAM 。 SK海力士于今年1月在CES上展示了该产品，最近完成了全球首个 1c LPDDR6 开发验证。 1c LPDDR6 主要用于配备设备端 AI 的智能手机和平板电脑等移动产品。 为了优化设备端AI部署，与现有LPDDR5X产品相比，LPDDR6产品的数据处理速度和能效均得到提升。
12110编辑于 2026-03-19- 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 由于缺乏足够的基于风险的解释，即使是有效市场假说之父尤金 · 法玛也认为动量是对他的理论的最大挑战。 行为偏差导致动量溢价 相对于新古典主义理论的解释，行为金融学更成功地解释了动量因子的存在。 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。 第三，定义动量没有一个唯一正确的方法。即使是简单的价格动量，也经常使用不同的回溯窗口来定义，从3个月到12个月不等。 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
mathbf{x}) = \frac{1}{2} \mathbf{x}^\top \mathbf{Q} \mathbf{x} + \mathbf{x}^\top \mathbf{c} + b \tag{6} 这在动量法中也适用。 lambdas = [0.1, 1, 10, 19] eta = 0.1 d2l.set_figsize((6, 4)) for lam in lambdas: t = torch.arange 小结 动量法用过去梯度的平均值来替换梯度，这大大加快了收敛速度。 对于无噪声梯度下降和嘈杂随机梯度下降，动量法都是可取的。 动量法可以防止在随机梯度下降的优化过程停滞的问题。 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？
3、动量并未死亡。 含义：没有迹象表明动量应当被遗弃。 下图是来自Ken French’s网站的一些投资组合的历史收益，包括：大盘价值/大盘成长（代表价值）和大盘高动量/大盘低动量（代表动量） ? 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？ 然后，按市值大小五等分划分的高动量/低动量投资组合图： ? 结论：大市值全面战胜小市值，动量在所有市值上都能发挥作用。 以下是Ken French对5×5动量组合的详细解释，这是我们获得大盘高动量数据的地方（价值也类似）： ?
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。 为了得出学习步幅，等式3在学习率上乘以梯度的平均（类似动量），除以梯度平方平均的均方根（类似RMSProp）。等式4是权重更新步骤。 在这三种方法之中，也许动量法用得更普遍，尽管从论文上看Adam更吸引人。经验表明这三种算法都能收敛到给定损失曲面的不同的最优局部极小值。
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：
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。 在样本外，以17%作为分界点的策略，其表现也远远好于单独采用长周期或短周期的动量策略（或者是两者的固定组合），如下图5、6所示。
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
在本篇论文提出的改进的价值因子的方法中，为了避免数据挖掘带来的不可解释性，作者基于以上6个有经济学含义及逻辑、且有学术文献支撑的指标，通过采用指标的动量（即指标的变动，而不是指标的当期值）及结合收益动量的思想来改进价值因子的表现 价值因子的改进：多指标动量的结合 本论文中价值因子与其他价值因子最大的不同是作者选取了以下6个指标结合来度量价值，而不是依赖于单一的指标： ? 在本篇论文中，以上指标均采用的时候上一年报的数据。 Model，动量因子为过去12个月的收益率，进行z-score标准化后与价值因子组合（由上文6个因子等权组合，称为Composite Trend Value Model）等权重相加。 Trend Value Model过去1、3及6个月的收益，并计算这三个时间段收益的均值。 因子动量模型：Factor Momentum Model，基于上文的6个单因子的模型，下月等权配置这个月收益为正的单因子模型。
1.1K30发布于 2021-07-29
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