帮助到你了就点个赞吧！
Powered By Longer-站在巨人的肩膀上
转载请注明来源：Longer2048的CSDN博客
说明：
最近抽空对网上的资料进行了汇总、简化和整理，并按照时间顺序进行了排序，欢迎大佬留言补充相关信息，我会不定期更新。
记得点赞、收藏哦。
------------------------------------------ Kaggle Competition ------------------------------------------
进行中：
2022.10.08(进行中)：JPX Tokyo Stock Exchange Prediction($63,000/1372 teams)
简述：Explore the Tokyo market with your data science skills.
方案：无；
已完结：
2022/07/20：Ubiquant Market Prediction($100,000/2893 teams)
简述：Make predictions against future market data. 九坤投资。利用机器学习算法对股票未来的收益率进行预测；
数据：包含来自数千项投资的真实匿名历史数据的特征。（传闻数据泄露：允许额外数据，比赛方使用了可以公开获得的Ashare历史数据，特征纬度为300维，包含5年内的训练数据，id作为特征给了出来。有不少选手通过匹配历史走势可以获得很高的分数）
评估：Pearson 相关系数;
方案：[17th];
2022/03/04：G-Research Crypto Forecasting($125,000/1946 teams)
简述：Use your ML expertise to predict real crypto market data. 虚拟货币大赛，用您的机器学习专业知识来预测14种流行加密货币的短期回报。
数据：包含一些加密资产的历史交易信息，例如比特币和以太坊。
评估：Pearson 相关系数;
方案：[18th];
2022/06/11：Optiver Realized Volatility Prediction($100,000/3952 teams)
简述：Apply your data science skills to make financial markets better. 建立模型来预测不同行业数百只股票的短期波动.
数据：与金融市场交易的实际执行相关的股票市场数据，包括订单快照和已执行交易。（传闻数据泄露:有选手发现并使用了时序上的泄露信息，这导致比赛失去了意义）
评估：RMSPE;
模型：LightGBM、深度学习模型；
方案：[1st] - [2nd] - [3rd] - [12th] - [20th] - [23rd] - [32nd] - [37th]；
2021/08/24：Jane Street Market Prediction($100,000/4245 teams)
简述：Test your model against future real market data. 使用的历史数据对潜在的交易机会进行分类。
数据：129维匿名数据；
评估：二分类 * 交易收益；
模型：深度学习自编码器；
方案：[1st] - [3rd] -[23rd] - [39th] - [44th]；
2019/08/06：Two Sigma: Using News to Predict Stock Movements($100,000/2927 teams)
简述：Use news analytics to predict stock price performance.
方案：[7th]；
2017/03/02：Two Sigma Financial Modeling Challenge($100,000/2063 teams)
简述：Can you uncover predictive value in an uncertain world?不确定性的世界中提供异常准确预测。
数据：与金融工具的时变值有关的匿名特征；
评估：R平方回归；
模型：线性模型；
2016/06/27：The Winton Stock Market Challenge($50,000/829 teams)
简述：Join a multi-disciplinary team of research scientists. 鉴于历史股票表现和许多被掩盖的特征，预测日内和日终收益。
数据：股票分钟级别的特征;
评估：加权平均绝对误差；
模型：线性回归；
方案：[Solution Sharing]；
2013/10/02：The Big Data Combine Engineered by BattleFin($18,500/424 teams)
简述：Predict short term movements in stock prices using news and sentiment data provided by RavenPack.
方案：无；
2012/01/09：Algorithmic Trading Challenge($10,000/111 teams)
简述：Develop new models to accurately predict the market response to large trades.预测市场对大宗交易的反应。
数据：使用交易和报价数据（TAQ 数据），来自伦敦证券交易所 (LSE) 的近期交易和报价数据。
评估：RMSE回归；
模型：线性回归、KNN和MLP融合；
方案：[discussion]；
资料：
Jane Street Market Prediction以及Optiver Realized Volatility Prediction最终排名第一的解决方案[zhihu]
Jane Street Market Prediction 冠军方案 经验分享[link]
帮助到你了就点个赞吧！
Powered By Longer-站在巨人的肩膀上
转载请注明来源：Longer2048的CSDN博客