特征工程

特征工程在金融领域的应用，实质上是利用数据和统计学方法，挖掘和提炼影响金融决策的关键因素，将之转化为模型可理解的特征，进而提高金融模型的预测能力和决策效率。特征工程涉及特征构建、特征选择以及特征转换等环节，它能从复杂多变的市场环境中提取出关键信息，帮助金融机构在风险评估、投资策略、信贷审批等核心业务上做出更精准、更智能的决策。例如，在信贷风险评估中，特征工程可以通过整合借款人的历史信用记录、财务状况、社交网络行为等多维度数据，构建出全面而深入的风险评估特征，进而增强风险模型的预测精度，提升信贷决策的科学性和有效性。总的来说，特征工程对于金融机构提升数据驱动决策的能力，实现更精细化、智能化业务管理有着重要的价值和意义。

机器学习流程和算法介绍及金融领域应用实例-长江证券-20180207

摘要

机器学习问题和其流程

机器学习问题本质上在于找出使得经验风险泛函（样本误差）最小的建模流程，基本的流程可以分为特征工程、模型训练和模型融合。本篇就上述三个过程，给出相关算法的介绍，并补充了之前系列报告中未详细介绍的内

机器学习三大步骤

特征工程包含特征构建、特征提取和特征选择三个过程，以选择相对最优的特征空间。特征工程往往会采用无监督和有监督的机器学习算法。机器学习模型可以分为线性模型、树模型和深度学习模型。线性模型主要体现了数据中的线性关系，如输入与输出的线性关系，点集的线性可分；树模型可以很好的捕捉输入与输出的非线性关系，和线性模型相辅相成。一些改进的随

更新时间：2022-08-31 01:53

监督学习的方法介绍及金融领域应用实例-长江证券-20170727

摘要

机器学习系列报告

本系列报告试图系统全面性的介绍各种不同的机器学习方法，并且结合具体的在投资研究领域应用实例、交易策略及code示例，说明其应用情景和实现方法。机器学习的方法可以分为以下几类：监督学习、无监督学习、深度学习及其他机器学习方法（例如强化学习），对应到具体的模型上数量则更是繁多，目前大部分机器学习模型并未广泛的应用在投研领域，因此本系列主要偏重于在投研领域有应用潜力的模型及方法。此篇将以介绍监督学习方法为主

监督学习模型之回归类模型及其应用

与普通线性回归不同，监督学习中的惩罚回归模型和非参数回归，可以分别用于处理输入变量中存在大量线性相关性关系

更新时间：2022-08-31 01:52