機器學習
機器學習或深度學習的技術分享
遞迴特徵消除法：從雜訊中挑出最精簡量化因子組合
量化交易中候選因子眾多，全數納入模型恐導致過度擬合。本文介紹遞迴特徵消除法（RFE），透過反覆訓練模型並剔除最不重要特徵，以模型自身重要性評估為依據，留下最精簡有效組合。內容涵蓋運作步驟、在因子篩選中的價值，以及基礎模型選擇與計算成本等實務注意事項。
Voltima Quant2026/08/18
深度學習防止過擬合：早期停止技巧與停止條件設定策略
本文深入探討深度學習中的早期停止技術，說明其原理、驗證集誤差轉折點判斷，以及耐心參數、改善門檻等停止條件設定策略，幫助模型避免過擬合並提升泛化能力。
Voltima Quant2026/07/29
ML量化業界現況：GBDT非線性優勢與實戰心得
探討機器學習量化中因子與收益的非線性關係，解釋GBDT為何在截面預測上優於線性模型與深度學習，並分享業界實戰心法：特徵工程、時間切分、集成方法、市場漂移及交易成本控制。頭部量化私募主力模型多為LightGBM變體，真正的差異化在於因子庫廣度與數據質量。
Voltima Quant2026/07/10
可微分排序：讓排序學習與深度學習無縫整合的關鍵技術
探討可微分排序如何解決排序不可微問題，使排序指標直接作為損失函數，與深度學習框架完美整合。比較其與LambdaMART的優劣，介紹軟排序與神經排序實現方法，並分析實戰中的計算成本與交易成本挑戰及應對策略。
Voltima Quant2026/07/07
ResNLS：融合CNN與LSTM的非線性因子建模新框架
本文介紹ResNLS混合架構，結合CNN、殘差連接與LSTM，用於擬合因子與收益間的非線性關係。解析其設計邏輯、殘差連接的初始化技巧、LSTM的時序建模能力，並討論模型在市場切換、流動性不足等極端情境下的失效條件與實作挑戰。提出注意力機制、市場狀態條件輸入、排名損失等延伸方向，強調深度學習應作為非線性殘差修正器的務實定
Voltima Quant2026/07/04