量化金融和风险管理

 

MATLAB 在金融领域机器学习中的应用

揭秘隐藏模式,使用金融数据和另类数据创建预测模型

量化分析师和金融数据科学家使用 MATLAB 开发和部署各种机器学习金融应用,包括算法交易、资产配置、情感分析、信用分析和欺诈检测。MATLAB 为机器学习提供便利,包括:

  • 点击式 App,可用于训练和比较模型
  • 自动超参数调优特征选择,可优化模型性能
  • 支持将同一代码扩展到大数据处理和集群处理
  • 为嵌入式和高性能应用自动生成 C/C++ 或 GPU 代码
  • 各种常用的分类、回归和聚类算法,用于有监督和无监督学习
  • 在大多数统计和机器学习基准测试中,实现比 Python® 和 R 更快的执行速度
面板导航

客户选择奖

MathWorks 荣获 2019 年 5 月 Gartner Peer Insights 数据科学和机器学习平台“客户选择奖”

面板导航

机器学习在金融领域的应用

资产配置

资产配置、机器学习和高性能计算

Aberdeen Standard 探讨如何使用 MATLAB 实现机器学习,以分析金融市场趋势并在 Microsoft Azure 上进行测试。

算法交易

电子书:MATLAB 机器学习

这本小巧简明的电子书将带您了解基础方法。您会发现,机器学习并非遥不可及——无需成为专家,也可轻松入门。

风险管理

机器学习在风险管理中的应用 (2 个视频)

了解如何将机器学习方法应用到风险管理中,包括市场风险、信用风险和运营风险。

探索性数据分析

节省预处理数据的时间。从金融时序到文本,MATLAB 支持各种数据类型,大大缩短预处理数据所需的时间。借助高级函数,您可以轻松同步差异极大的时序、用插值替换离群值、过滤异常值、将原始文本拆分为单词,等等。借助绘图和实时编辑器,您可以快速可视化数据,理解内在趋势并发现数据质量问题。


应用型机器学习

找出最佳机器学习模型。无论您是寻求机器学习入门帮助的初学者,还是希望评估各类模型的专家,我们的分类和回归 App 都能帮助您快速得出结果。您可以使用各种时下热门的分类和回归算法,根据标准指标比较模型,导出较为理想的模型以供进一步分析和集成。如果更喜欢手写代码,您也可以使用模型训练函数内置的超参数优化,以找到模型调优的最佳参数。


多平台部署

将机器学习模型部署到各类平台,包括 C/C++ 代码、CUDA® 代码、企业 IT 系统或云。如需提升性能,您可以从 MATLAB 代码生成独立的 C 代码,创建具有高性能预测速度和较小内存占用量的可部署模型。您还可以将机器学习模型部署到 MATLAB Production Server,以便与 Web、数据库和企业应用集成。


Computational Finance Suite

MATLAB Computational Finance Suite 包含 12 款核心产品,可用于针对风险管理、投资管理、计量经济学、定价和估值、保险以及算法交易等使用场景开发量化应用。