关键词： 因子筛选   Logistic   Adaboost   随机森林  

摘要： 随着经济的发展,人们对于投资的理解也越来越深入。人们开始更加注重更加科学的、合理的投资方式。量化投资以其科学性、速度快及自我学习能力强等的特点,开始逐渐进入人们的视线,并且越来越受到人们的关注。我国资本市场经过20多年的不断发展,已经取得了显著地进步。截止2017年5月,我国A股市场上共有3,223支股票。每只股票又有技术指标,财务指标,成长指标,现金流量指标等一系列指标。每只股票的数据根据时间划分又可划分为年度,月度,日度,分钟,秒等数据。面对如此复杂而又繁多的数据,我们如何利用现有的科学技术找到那些有成长价值或者有持续盈利能力的股票,从而获得超越市场基准的收益,一直是我们苦苦难以解决的问题。本文以优矿平台为基础,以该平台提供的248个因子为研究对象。首先通过利用基于因子IC值的因子筛选方法,基于因子Rank-IC值的因子筛选方法和基于因子贡献度的方法三种方法实现对该平台248个因子的筛选。通过每一种筛选方法,选出那些对股票收益影响较大的因子。再利用量化投资研究中常使用的Logistic方法、Adaboost方法及随机森林三种方法,结合之前筛选出的因子,形成相应投资策略。并将2010-2017年分为股灾前、股灾期间及股灾后三个时间段分析,以全部A股为股票池,以策略Alpha值、Beta值、年化收益率、夏普比率和最大回撤率为策略评价指标,分别研究三种策略的在不同时间段的策略表现。本文经过研究试验最终得出,基于因子贡献度结合随机森林的选股策略表现较好。利用随机森林结合因子贡献度的策略经常用到的因子从一支股票未来盈利能力,大盘的趋势,盈利的质量,成长的潜力等多个方面来研究股票价格的趋势,较为综合的分析了一支股票的表现,具有一定的全面性和合理性。随机森林算法具有运算速度快,预测准确率高,过拟合可能性小,自动降噪等特点比较适合用来分析股票市场的数据。因子贡献度结合随机森林形成的策略也能充分利用二者的优点,产生较为不错的表现。

关键词： 智能配电网   大数据   行业   电量   模型   预测  

摘要： 智能电网的核心技术与应用是电力能量流与信息通信技术的深度结合。随着信息技术高速发展,建设成本大幅降低,导致电网公司数据库内的电力基础数据爆炸性增长,这些数据蕴含着巨大价值,目前,国内外均通过大数据挖掘技术开展了不同程度的智能配用电领域数据研究,期望为建设经济、可靠的智能电网提供支撑。基于配用电大数据的用电行业分类和用电量需求预测建模分析,主要是通过挖掘与分析地区电力客户的用电模式掌控用电群体构成及其用电特性,识别影响用电量的关键因素,对不同行业的用电量进行预测,从而实现客户的精细化管理,提供优质的用电服务。对用电行业进行准确分类是实现客户用电模式识别的重要基础。但是由于对各种影响因素的敏感度不同,导致业务范围相同的企业用电模式也可能不同,所以传统的行业分类方法不能有效地区分不同的用电模式。第二章中通过大数据挖掘方式对东莞地2008年至2015年的各行业用电量数据进行分析,筛选出用电量占比较高30个用电行业,然后采取K均值方法进行聚类分析,依据两个标准对关键用电行业进行选择:第一,该类行业的用电量在全社会总用电量中所占的比例较大;第二,该类行业的用电量波动对全社会总用电量波动的影响较大。最后得到用电量占比最高的10个主要行业,这些行业的用电量达到全社会用电量的80%左右。第三章中通过分类别分尺度寻找预测精度较高、拟合优度较高的预测模型。在对比预测模型的拟合、预测结果的基础上进行筛选,发现不同模型对不同时间段的预测效果,例如受季节性波动影响比较明显的数据不能在灰色系统模型上进行拟合;而样本总量不足和较差质量的数据会导致神经网络模型不能达到满意的精度,所以在进行行业用电量月数据的预算时采用Box-Jenkins模型(ARIMA)就比较合适,而对于年度用电数据或经济类型数据中误差和波动点往往不是行业用电本身的特性造成的,所以对年度数据的预测使用灰色系统模型误差较小。最后尝试了加入相关经济变量,通过将经济变量代入模型可以看出随着与用电相关的经济变量的逐渐加入,预测精度可以得到显著提高。

关键词： 组学方法   功能关联网络   功能注释工具   生物学过程变化   蛋白质相互作用   在线工具   SVM   机器学习方法   人工智能  

摘要： 理解生物生理过程背后的生物学逻辑是生物学研究中一个重要的目标,这样的研究有助于加深我们对生物表型背后生物学机制的了解,进而为我们预测与干预生物表型提供新的研究方向。构建一个质高质量的功能关联网络将有助于实现这一目标。在本研究中,以拟南芥的分子功能相互作用组为背景,我们构建了新一代的拟南芥预测相互作用组资源（predicted Arabidopsis interactome resource,PAIR）这一功能关联网络。随后实现了基于该网络的新一代组学数据分析方法——基因集关联分析（gene set linkage analysis,GSLA）。新一代的 PAIR v5.0 通过整合多种形式的功能关联证据,利用机器学习算法预测了一共335301对拟南芥的基因功能关联。随后,通过与现存的被广泛使用的一系列其他类功能关联网络的对比,我们定量地评估了 PAIRv5.0作为一个功能关联网络的统计学特性。以此网络作为驱动,新一代的GSLA得以对观测到的组学数据变化展开有效的分析。组学数据的变化一般反映在从组学变化中提出的差异表达基因（differential expressed genes,DEGs）上。利用GSLA,生物学研究者可以对这些差异表达基因展开分析,以阐释这些差异表达信息所代表的生物学过程对生物个体施加了怎样的功能影响。GSLA利用现存的生物学概念来分析观测到的组学数据变化。与传统方法不同的是,GSLA不仅通过这些生物学概念来描述组学数据本身,还通过功能关联网络来来拓展我们对于组学数据的认知。该特性使得研究者能通过GSLA形成对组学数据更高层次的理解,找到有助于进一步研究的新线索与新方向。在本论文中,我们利用GSLA展开了对拟南芥种子发育过程中光响应与植物激素响应的研究,并在这两个研究案例种通过比较GSLA与一系列被广泛使用的组学数据分析工具,定量地评估了 GSLA在分析组学数据中所展现出的独特能力,展现了 GSLA如何帮助研究者将宏观的表型变化与微观的分子机制联系在一起,从而更加综合以及系统地理解这些变化对生物体施加的功能影响。最后,我们开发了 PAIR v5.0与GSLA的在线资源,方便他研究者更广泛地使用这一组学数据分析系统。本研究中所涉及到的所有数据与分析工具,均可通http://***/pair 来访问。

关键词： 新股   封住涨停板   分类预测   随机森林   支持向量机  

摘要： 本研究在系统性地综述了国内外量化投资发展状况与机器学习分类算法在量化投资应用研究成果的基础上,着重阐述了 BP神经网络、随机森林、支持向量机三种监督性分类算法的概念与原理,结合2014年年初以来我国A股市场新股上市之后所呈现的连续一字涨停板现象,首创性地将各分类算法应用于预测新股开板后当日能否再次封住涨停板的应用场景中;在界定了具有“IPO后打开一字涨停板当天能够重新封住涨停板”特征的新股样本作为分类预测对象的同时,较为深入地结合了股市基本面分析框架,选择了上市公司的规模、估值、盈利等自身的特质变量以及市场或行业热度及风格转换等不同维度与类型的外部市场变量构建了七个样本输入特征对各分类模型进行了监督性训练及参数优化,筛选出了三种算法在本研究情境下的最优参数模型,构建了一套完整的基于这三个分类预测模型的新股开板后博求再封板的短期交易策略,并对不同参数维度下的新股交易策略进行了样本内回溯测试与样本外模拟交易测试,主要得出了以下几点结论与新股短期交易建议:1.从交易策略的标的选择上看,若不对打开一字涨停板的新股进行一定的过滤而直接对所有新股在打开涨停板后均进行短期追多投机交易,从长期来看是一个大概率会造成净值亏损的交易策略,而若能够有效地筛选出本研究所界定的“在打开涨停板当日能够再次封住涨停板”特征的新股且仅对这部分新股进行短期追多交易,则能够获得较高的收益风险比。2.对于任意新股,买入后不宜持有过长时间,在1-3个交易日内选择股价高点进行择机卖出该新股是较为合理的操作方案。3.三个模型预测表现方面,最优参数下的随机森林对样本内与样本外的预测准确度皆为三者中最高,具有良好的抗过拟合特性。在犯错误预测类型方面,最优参数下的随机森林犯“弃真”错误的概率显著低于支持向量机与BP神经网络,而最优参数下的支持向量机犯“取伪”错误的概率则显著低于随机森林与BP神经网络。4.在本研究构建的7个特征变量中,“开板前所属行业热度”、“开板前所属指数板块热度”以及“招股说明书中的业绩预告”等变量对分类预测的方差贡献度较高,其余变量则相对较低。

关键词： 亚细胞定位   多标记学习   支持向量机   二维小波降噪   标记特征的多标记学习算法  

摘要： 蛋白质组研究的开展是生命科学研究进入后基因组时代的里程碑,也是继基因组研究之后的又一“大数据科学”。蛋白质亚细胞定位预测研究是蛋白质组学的重要内容同时也是生物信息学的热点问题。研究单位点和多位点的蛋白质亚细胞位点信息对研究某些疾病的发病机理、药物设计和发现具有重要意义。围绕蛋白质亚细胞定位的机器学习方法及其应用研究这一主题,本文主要工作如下:1.提出基于PsePSSM-DCCA-LFDA方法的凋亡蛋白质亚细胞定位预测。首先融合伪位置特异性得分矩阵(PsePSSM)和去趋势互相关分析(DCCA coefficient)对蛋白质序列进行特征提取,然后对提取后的特征信息使用局部Fisher判别分析(LFDA)进行降维,最后,将降维后的特征向量输入到支持向量机(SVM)分类器预测凋亡蛋白亚细胞的位置。通过jackknife检验获得令人满意的预测结果,并与其它预测方法进行比较。结果表明,在对于蛋白亚细胞定位预测的研究中,我们的方法在现有的方法中发挥补充作用。2.提出基于PseAAC-PsePSSM-WD方法的凋亡蛋白质亚细胞定位预测。首先融合伪氨基酸组成(PseAAC)和伪位置特异性得分矩阵(PsePSSM)对蛋白质序列进行特征提取,然后对提取后的特征信息进行二维小波降噪,最后,将降噪后的最佳特征向量输入到支持向量机(SVM)分类器预测凋亡蛋白亚细胞的位置。通过jackknife检验获得令人满意的预测结果,并与其它预测方法进行比较。结果表明,本文提出的方法能够显著提高凋亡蛋白质亚细胞定位的预测精度,而且有望用于蛋白质其它属性的预测。3.提出基于DMLDA-LocLIFT方法的多标记蛋白质亚细胞定位预测。首先分别利用伪氨基酸组成、伪位置特异性得分矩阵、分组重量编码、二肽组成和GO信息对蛋白质序列进行特征提取,并将五种算法融合。然后对融合的特征信息进行直接多标记线性判别分析(DMLDA)降维。最后,将降维后的最佳特征向量输入到标记特征的多标记学习算法(LIFT)分类器中预测多位点蛋白亚细胞的位置。通过jackknife检验,与其它预测方法进行比较,对革兰氏阴性菌、革兰氏阳性菌和植物数据集上的预测准确率达到目前最高的预测精度。结果表明,本文提出的DMLDA-LocLIFT模型能够有效的预测多位点蛋白质亚细胞定位。

关键词： 置信机器   置信度机制   置信分类   置信回归   支持向量机   拒绝选项   一类分类   KNN算法  

摘要： 机器学习算法的研究已经取得了很大的进展,并且得到了广泛的应用,但多数机器学习算法只能给出“是”或“不是”、“属于”或“不属于”这类简单的判断,缺少一种置信度机制来说明这种判断的可信度或可靠性有多大。置信机器就是这种带有置信度机制的机器学习方法。置信机器是许多机器学习方法的进一步延伸,它不仅可以像许多机器学习方法做出性能的预测,还可以对预测结果中的定量的质量度量,给出可信性(Credibility)和置信度(Confidence)。目前的置信机器学习算法的研究,往往理论基础深奥,算法复杂,可替代计算的函数很少,且不容易理解与使用。本论文主要对基于可控的置信机器学习方法进行研究,以便找出更简单、更高效、更可靠、更实用的可控置信机器学习方法,主要的研究内容如下:首先对置信机器问题的提出、置信度等问题进行了论述。将置信度机制分为采用整体平均置信度学习方法的置信度机制、贝叶斯学习方法的置信度机制、直推式学习方法的置信度机制、带有拒绝选项学习方法的置信度机制。本学位论文的所有研究就是基于第四种置信度机制,即带有拒绝选项学习方法的置信度机制来实现的。针对二元置信分类问题,提出了一种基于一类分类器的二元置信分类(Tow Class Confidence Classification Based on One Class Classifier,TCCC-OCC)算法。该算法通过对识别样本进行两次学习的结果进行计算与分析,实现了接受域和拒绝域的划分,从而省略了在传统的置信机器学习中必须为每个未知样例进行具体置信度的计算,也省略了设置拒绝域阈值,减少了计算量。同时运用集成学习的方法,对学习结果进行多层学习,进一步提升了识别率。对可控率的置信问题进行了研究,提出了一种基于二元分类器的可控置信分类(Controllable Confidence Classification Based on Tow Class Classification,CCC-TCC)算法。该算法利用支持向量机(SVM)对样本进行学习,然后将学习结果从空间值转化为一维空间的Output Score值。由于SVM输出值Output Score的大小顺序保持了 SVM分类时距离超平面的远近距离顺序,所以可以通过设置阈值来控制置信度和错误率。CCC-TCC算法包括设置总的错分率进行可控置信分类算法、分别设置正负例错分率进行可控置信分类算法、从Score设置输出转换值的百分比进行可控置信分类算法、从错分的Score设置输出转换值的百分比进行可控置信分类算法共4个子算法,并在心脏病和糖尿病等5个数据集上对它们进行了实验验证。对置信回归问题的可控性进行了研究,提出了基于KNN的置信回归(Confidence Regressin Based on k-Nearest Neighbor,CR-KNN)算法。该算法以 KNN算法为工具,将回归学习的结果进行误差判断,实现接受域与拒绝域的划分,从而实现置信回归,并通过设置具体的误差数值的改变,实现了置信回归的可控。最后运用UCI等数据集中的数据进行了验证研究,选取了 Heart、Australian、Colon-Cancer、Pima Indians Diabetes、Liver-Disorders、Bodyfat、Housing、Pyrim、Triazines、Cpusmall等十余个数据集进行了实验研究,与其它相关的算法在相关方面的研究进行了比较。本学位论文提出的TCCC-OCC算法和CCC-TCC算法,以及CR-KNN算法对问题的研究,取得了满意的效果,达到了预期的目的。

关键词： 复杂碳酸盐岩   测井岩性   识别决策树   方法   机器学习方法   苏里格气田  

摘要： 苏里格气田苏东41-33区块具有低孔、低渗透、非均质性强的特点,其奥陶系马家沟组碳酸盐岩储层受多期不同类型构造、沉积等作用,岩性复杂多样,对岩性的准确识别成为研究区开发的重点和难点。近年来,决策树方法作为一种机器学习方法,在地质学领域中的运用越来越受到关注,尤其在岩性预测方面。以测井、录井资料为基础,通过岩性参数特征分析,优选出对岩性较敏感的声波时差、自然伽马、光电吸收截面指数、密度、深侧向电阻率和补偿中子6种测井参数,通过分析这6种测井参数特征,构建基于决策树方法的多分类器,将岩性信息与岩石特征信息融合。与测井、录井资料的对比、分析结果表明,利用决策树方法识别复杂碳酸盐岩岩性的准确率超过80%,且相比朴素贝叶斯方法,其岩性识别的准确率提高了13%。

关键词： 机器学习   图像分类   SVM   深度学习  

摘要： 近年来,随着硬件技术的发展,尤其是GPU计算能力的提升,机器学习方法在图像分类领域取得了一系列的进展,特别是卷积神经网络对于提高图像分类的效果有着显著的作用。综述图像分类的基本概念,以及近机器学习,深度学习方法在图像分类领域的进展和典型模型。

关键词： Electrochemical noise   Recurrence quantification analysis   Linear discriminant analysis   Random forest   Corrosion type identification  

摘要： By use of recurrence quantification analysis (RQA), twelve features were extracted from the electrochemical noise signals generated by three types of corrosion: uniform, pitting and passivation. Machine learning methods, i.e. linear discriminant analysis (LDA) and random forests (RF), were used to identify the different corrosion types from those features. Both models gave satisfactory performance, but the RF model showed better prediction accuracy of 93% than the LDA model (88%). Furthermore, an estimation of the importance of the variables by use of the RF model suggested the RQA variables laminarity (LAM) and determinism (DET) played the most significant role with regard to identification of corrosion types. In addition, the comparison of noise resistance with the resistance obtained from EIS measurement showed that the noise resistance can be used for monitoring corrosion rate variations not only for uniform corrosion and passivation, but also for pitting. (C) 2017 Published by Elsevier Ltd.

关键词： 机器学习   岩相分类   储层预测   测井数据   大数据  

摘要： 对现有测井数据岩相分类的机器学习方法进行归纳总结,并针对大数据岩相分类的相关问题进行探讨。