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
自动超参数调优和特征选择，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

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”

了解更多

深度学习与传统机器学习：选择最适合的方法

阅读电子书

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。

了解更多

了解产品

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。

了解更多

了解产品

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。