算法那么多，AI量化交易策略如何选择最佳算法？

常见算法优劣比较

算法没有最好，只有更好。 这个问题的答案取决于许多因素，例如股票市场的条件，数据集的质量和特征工程的有效等。接下来，我们来看看这些算法的优势和劣势：

神经网络：适用于复杂的非线性问题，可以有效地捕捉市场的非线性特征和复杂关系。

决策树：适用于数据量较小、特征维度较少的情况，可以很好地解释模型的决策过程。

随机森林：适用于处理高维度、复杂数据集，具有很好的鲁棒性和准确性。

支持向量机：适用于数据量较小、特征维度较高的情况，可以有效地处理非线性和线性可分问题。

正常情况下，在处理少量的股票量价数据的时候，stockranker排序算法就已经有很好的表现，初步制定策略的时候不妨先考虑从stockranker下手（BigQuant量化交易平台可支持stockranker策略）。

如何选择算法

然而，一般来说，深度学习算法比机器学习算法可能会获得更好的收益和效果。 原因如下：

深度学习算法对于非线性模型的拟合效果更好。在选股策略中，非线性模型更符合实际情况。

深度学习算法可以处理更复杂的数据结构。 对于股票数据，深度学习算法可以更好地挖掘和处理时间序列数据，自然语言处理和图像数据等多种数据结构。

深度学习算法可以进行端到端学习。深度学习算法可以直接从原始数据中进行学习，而不需要进行手动特征工程，这样可以更好地挖掘数据的潜在信息。

但是，在实际场景中，对于某些较为单一的选股条件，或者特征因子，没有经过大量细节优化修正的神经网络模型，效果有可能不及预期。(回测乃至实盘的绩效甚至不如普通的机器学习模型，模型对收益率的可解释性不强，难以验证)

我们来看看一些主流的机器学习算法 对相同的特征因子训练后的收益表现图：

训练集：14-2018年-01-14

测试集: 18-2019-01-10

日频调仓：每天1只股票半仓轮动

StockRanker VS DNN

我们可以看到下面的stockranker回测图，stockranker算法 的回测净值收益达到 1.3 高于 svm算法净值 1.2 。

与此同时，我们同样可以看出在相同的因子和训练数据中，未经过深度调整的DNN神经网络模型表现不佳，回测收益为负数。
StockRanker表现（文末获取源码）

DNN表现

从对比结果上来看:理论上深度学习算法的上限很高，同时下限也很低。如果从稳定性和实用性来讲，我们较多会选用stockranker这样的算法来制作选股策略。

综上所述，深度学习算法可能会获得更好的收益和效果。但是，需要注意的是，深度学习算法的学习过程通常需要较长时间，并且需要更多的计算资源。因此，在实际应用中，需要评估复杂性和可行性，并根据具体情况选择适当的算法。
From：如何给策略选择最佳的算法 - AI量化知识库 ，原地址可以领取源码。