关键词： 量化投资策略   机器学习方法   定价因子   个股特征  

摘要： 量化投资本质上是通过对金融数据建模来预测股票或期货等金融产品的收益。基于机器学习的量化投资依然面临着诸多挑战,市场竞争加剧有降低了某些策略的效率。尽管如此,技术进步和数据获取能力的提升,尤其是近两年人工智能发展迅速,仍然使得该领域还具有巨大潜力。将机器学习应用于量化投资,不仅为投资提供了新的研究思路和建模方法,还有助于投资者更准确地预测股价,从而降低投资风险并提高收益。本文主要研究通过机器学习模型如何选择预期收益高,风险低的股票。研究过程如下:(1)下载沪深300成分股股票日频数据,对股票进行筛选并构建一系列的异象因子,预处理异象因子,使其符合机器学习模型输入要求。(2)构建机器学习模型网络模型,为了更充分利用样本数据,我们通过滚动方式将样本分为80%的训练集和20%的测试集用于模型训练。(3)紧接着我们将梯度提升树与支持向量机等六个机器学习模型与Ols模型全部进行评估比较,并发现前馈神经网络的评价指标优于其他六个模型。(4)模型优化,然后我们进一步讨论了第一层全连接层、激活函数、第二层全连接层、输出层以及优化器对前馈神经网络预测结果的影响并就行调参对模型进行相应优化。(5)建立投资策略根据前馈神经网络预测结果去构建具体的投资策略,并分析投资策略的收益。表现出色,多头策略和空头策略投资年化收益分别达到了70.62%、76.67%。(6)为进一步探讨前馈神经网络模型的有效性,构建基于前馈神经网络模型的沪深300选股策略,并通过总收益、夏普比率、年化收益率等指标来评估策略的表现与模型的有效性。研究结果表明,机器学习模型在量化投资中的有效性优于传统分析方法,特别是前馈神经网络。这些模型的适应性和学习能力是它们能够与市场变化同步、持续提供投资洞察的关键。研究结论认为,机器学习模型在量化投资中显示出较大的潜力和优势,能够识别出传统方法无法覆盖的复杂市场趋势和投资机会。投资者能更有效地管理风险、捕捉投资机会,从而可能提高投资回报。运用机器学习技术进行投资分析,是提升投资决策质量和盈利潜力的一种有效手段。

关键词： 机器学习   中医药   算法模型   人工智能   大数据   深度学习  

摘要： 随着信息技术的快速发展及数字化时代的到来，数字化技术在多个中医药研究领域，如中药质量控制、数据挖掘、新药发现、处方配伍优化以及中医临床诊断等方面发挥重要作用。机器学习（ML）、深度学习（DL）等数字化技术的应用可优化中医药研究设计、降低临床研究时间成本、将临床研究与基础研究有机结合，提高临床研究质量和效率，为中医药现代化研究的科学性、客观性、规范性提供了保障。因此，完善多种数据资源、实现多种数字化技术交叉结合使用、优化算法和模型是中医药未来发展的必然趋势。对近年来ML在中医药研究领域中的应用进展进行梳理，分析说明聚类、支持向量机（SVM）和深度学习（DL）等ML方法在中药药性、中药配伍、中药毒性分析、中药药效研究、中药制药过程工艺优化、中药饮片质量等级分类、中医药临床用药规律挖掘、中医药治疗原理及药效机制解析等研究中的具体应用。旨在探索ML在中医药研究中的应用趋势，并对其应用前景进行展望。

关键词： 热工学   机器学习方法   课程教学   改革  

摘要： 随着人工智能和数据科学的迅速发展，机器学习方法在各个领域中均展现出巨大的潜力。在热工学教学中，机器学习的适当引入可以帮助学生更好地理解课程内热力学和传热学方向的关键理论，提高他们解决问题的能力和创新思维。本文将介绍机器学习方法在热工学中的应用前景，并探讨如何在具体的课程知识点中引入机器学习的内容，以提高学生的学习效果和促进热工学的教学改革。

关键词： 乳腺癌   HER2表达状态   乳腺X线摄影   超声   机器学习  

摘要： 目的 基于乳腺X线及超声双模态影像特征构建多分类机器学习模型，术前预测乳腺癌患者的人类表皮生长因子受体2(HER2)表达状态。方法 搜集符合纳排标准的632例女性乳腺癌患者，其中HER2不表达141例、低表达311例、高表达180例。提取研究对象全视野数字化乳腺X线摄影(FFDM)、数字乳腺断层摄影(DBT)以及乳腺超声(US)图像上乳腺癌病灶的影像学征象。在完成数据预处理后，基于五种机器学习算法构建乳腺癌HER2表达状态的三分类预测模型。采用五折交叉验证训练机器学习模型，计算三分类模型的总体准确率、精确率、查全率、F1-score、受试者工作特征曲线(ROC)曲线下面积(AUC)值。通过Bootstrap法比较模型间AUC值，筛选出分类性能最优的三分类模型。采用SHAP方法评估每个特征对模型预测HER2表达状态的重要性。结果 在测试集上，随机森林(RF)模型对HER2表达状态的三分类性能最优，宏平均AUC为0.723,微平均AUC为0.783,总体准确率为57.4%,宏平均召回率为53.0%。SHAP分析结果表明，影响RF模型输出最重要的五个全局特征依次为X线观察到的钙化、舒张压、细线样或线样分支状钙化、US测量的病灶最大径、CA153。结论 基于乳腺X线及超声双模态影像特征的机器学习多分类模型可以实现乳腺癌患者HER2表达状态的术前预测，结合SHAP方法可以提高机器学习模型的可解释性。

关键词： 可调控热膨胀系数   零膨胀焊接接头   数字图像相关方法   机器学习方法   有限元模拟  

摘要： 绝大部分固体材料都遵循“热胀冷缩”的普遍规律,这是由于势能曲线的不对称性导致原子的平均间距随温度升高而变大。这一规律在实际应用中会导致零部件受热产生形变,尤其是在对尺寸稳定性有极其严格要求的光学仪器结构部件中,温度变化引起的形状变化会显著损害这些部件的功能和可靠性。因此,开发具有可调控热膨胀系数(Coefficient of Thermal Expansion,CTE)的材料和结构变得至关重要。 本研究借助真空电子束焊接技术制备具有冷/热状态下良好尺寸稳定性和可调节热膨胀系数的Ti6Al4V-Ti22Nb焊接接头,旨在缓解因热膨胀行为产生的不利影响。通过焊接工艺连接不同材料时,整个焊接构件上会形成具有不同微观结构的区域。为全面评估焊接接头的局部微观组织和力学性能,采用微观组织分析、显微硬度测试、力学拉伸实验以及数字图像相关技术(Digital Image Correlation,DIC)等方法进行分析。利用DIC技术构建热应变测试系统,测量308.15-373.15 K温度范围内Ti6Al4V-Ti22Nb焊件和Al6061板的全场热应变数据。计算和分析焊接接头的整体热膨胀系数,评估热影响区对整体和局部热膨胀性能的影响。借助有限元模拟方法构建Ti6Al4V-Ti22Nb双面焊接接头结构模型,对变温实验过程进行数值分析,结合现有实验结果对焊接接头的膨胀性能进行研究。通过使用机器学习方法构建回归模型,预测总长300 mm内焊接接头的热膨胀系数与左右基底金属长度比的关系。 研究结果表明,焊接接头中不同区域的晶粒度存在显著差异,其中显微硬度最低值出现在靠近Ti22Nb母材一侧热影响区。在拉伸测试中,应变集中于此区域且局部应变极值达到0.629,并最终在此区域发生断裂失效。断口的主要特征为韧窝断裂和部分沿晶断裂。有限元模拟显示,随着接头总长度的增加,零膨胀(Zero Thermal Expansion,ZTE)焊接接头对应的左右母材长度比收敛于2.93,在300 mm长度的接头中约为2.91,这表明超过300 mm的Ti6Al4V-Ti22Nb焊接接头受热影响区影响较小。上述结果为理解焊接接头的性能特征提供深入的见解。Ti6Al4V-Ti22Nb焊接接头可调节的热膨胀性能有效地解决精密仪器热变形不可控的难题,为推进工程结构安全领域的发展奠定坚实的理论基础。