信达澳银量化多因子基金投资价值分析( 四 )_来源：海通量化团队摘要1.机器学习在量

无监督学习可以被用于识别变量之间的关系。在无监督学习中，对于输入变量，模型并不知道其中的关联和独立变量。在高层次上，无监督学习方法被归为聚类或因素分析。聚类分析基于一些相似性概念将数据集分成较小的组。例如：它可以包含历史数据中高低波动性、经济上升和下降速率或通货膨胀的增减。因素分析旨在识别数据的主要内在规律或确定数据的最佳表示方法。在复杂资产组合中，因素分析将提炼出数据的主驱动力，如动量、价值、进位、波动或流动性。

强化学习可以被用于行动和交易的选择，以最大化收益。强化学习的目标是选择一系列成功的行动以最大化目标（或累积）收益。不同于监督学习（通常只是一步的过程），强化学习模型并不知道每一步的确切行动是什么。

深度学习可以承担起难以定义但易于执行的任务。深度学习特别适合非结构化大数据集的预处理。深度学习模型可以用虚拟财务数据来预测市场修正概率。深度学习方法基于神经网络，在网络中，每个神经元接收来自其他神经元的输入，并计算这些神经元的加权平均值。权重的计算则基于从历史数据中得来的经验。神经网络的特征指标，其中包括成本函数、优化器、初始化方案、激活函数、正则化方案。