用于金融机器学习的MATLAB

发现隐藏的模式,并利用财务和替代数据创建预测模型

宽客和金融数据科学家使用MATLAB®开发和部署金融领域的各种机器学习应用,包括算法交易、资产配置、情绪分析、信用分析和欺诈检测。用MATLAB使机器学习变得容易:

  • 单击应用培训和比较模型
  • 自动hyperparameter调优特征选择优化模型性能
  • 能够使用相同的代码大规模处理大数据和集群
  • 自动生成C/ c++或GPU代码用于嵌入式和高性能应用程序
  • 所有流行的分类、回归和聚类算法用于监督学习和非监督学习
  • 更快的执行比Python®和R在大多数统计和机器学习基准上
面板的导航

客户的选择

MathWorks命名为2019年5月Gartner数据科学同行洞察客户的选择和机器学习平台

机器学习应用在金融领域

资产配置

阿伯丁标准讨论使用MATLAB进行机器学习,分析金融市场趋势,并对微软进行测试®Azure™。

算法交易

这个简短的电子书是你的基本技术指南。你会发现机器学习在你的掌握之中——你不需要成为一个专家就可以开始。

风险管理

学习如何将机器学习技术应用于风险管理,包括市场风险、信用风险和操作风险。

探索性数据分析

用更少的时间预处理数据。从金融时间序列到文本,MATLAB数据类型显著减少了数据预处理所需的时间。高级函数可以方便地同步不同的时间序列,用插值值替换异常值,过滤异常,将原始文本分割成单词,等等。快速地理解趋势和可视化数据识别与情节和现场编辑数据质量问题。


应用机器学习

找到最好的机器学习模型。无论你是一个希望帮助你开始机器学习的初学者,还是一个希望评估许多不同类型模型的专家,分类和回归应用程序都能提供快速的结果。从各种最流行的分类和回归算法中进行选择,基于标准度量标准比较模型,并导出有前景的模型以进行进一步分析和集成。如果写代码更符合你的风格,你可以使用hyperparameter优化,这是建在模型训练函数,找到最好的参数优化模型。


多平台部署

在任何地方部署机器学习模型,包括C/ c++代码,CUDA®代码,企业IT系统,或者云。当性能很重要时,您可以从MATLAB代码生成独立的C代码,以创建具有高性能预测速度和较小内存占用的可部署模型。您还可以将机器学习模型部署到MATLAB Production Server™,以便与web、数据库和企业应用程序集成。


计算金融套件

MATLAB计算金融套件是一组12个基本产品,使您能够开发用于风险管理、投资管理、计量经济学、定价和估值、保险和算法交易的定量应下载188bet金宝搏用程序。