华西证券-机器学习择时系列（1-5）

华西证券-机器学习择时系列之一：逻辑回归模型市场择时策略

华西证券-机器学习择时系列之二：小样本机器学习技术实现指数择时

华西证券-机器学习择时系列之三：LSTM模型市场择时策略

（PDF打包，7.4M )

华西证券-机器学习择时系列之四：基于卷积神经网络模型的市场择时策略（2022.12新增）

华西证券-机器学习研究系列之五：机器学习策略的可解释性分析（2022.12新增）

小样本学习（Few-Shot Learning，FSL）是一种新颖的机器学习方法，在过去两年中流行起来，它旨在从少量的标记数据中学习。深度神经网络在大数据上取得了骄人的成绩, 但在仅有少量样本时表现得不尽如人意，而在很多实际情况中，数据难以取样或大量累积。为了解决该问题, 小样本学习被越来越多的研究者所关注。这一节，我们主要介绍小样本的基本理论，包含小样本学习的定义和方法。

1.1.小样本学习的定义

随着大数据时代的到来，深度学习模型已经在图像分类、文本分类等任务中取得了先进成果。一般来讲，深度学习的成功可以归结于三个关键因素：强大的计算资源、复杂的神经网络和大规模数据集。但是，由于诸如隐私，安全性或数据的高标签成本等一系列因素，许多现实的应用场景（例如在医学，军事和金融领域）没有条件获取足够的带标签的训练样本，或者需要消耗大量的时间和人力对无标签数据进行标注。面对这类问题，一个专门的机
器学习分支—小样本学习应运而生。计算机程序基于与任务 T 相关的经验 E 进行学习，使用度量指标 P 得到改进。基于此，小样本学习定义为：小样本学习是一类机器学习问题，其经验 E 中仅包含有限数量的监督信息。总结起来，机器学习就是从数据中学习，从而使完成任务的表现越来越好。小样本学习是具有有限监督数据的机器学习。

1.2.小样本学习在证券择时场景下的应用