Matlab数学建模实战应用：案例3 - 投资组合优化-天翼云

前言

投资组合优化是金融工程中的核心问题之一，通过合理分配资金在不同资产之间，可以在控制风险的同时最大化收益。本文将详细介绍一个投资组合优化的完整过程，包括问题分析、模型选择、Matlab代码实现、模型验证和应用。

一、问题分析

投资目标：
- 投资者通常希望通过组合投资来分散风险，同时获得合理回报。常见的目标包括最大化收益、最小化风险或在特定风险水平下最大化收益。
风险控制：
- 分散投资的主要目的是通过持有不同资产，降低单个资产的波动对整体组合的影响。风险控制可以通过方差或标准差等指标来衡量。
资产收益率：
- 每个资产的预期收益率是投资决策的重要依据，可以通过历史数据或金融模型获得。
投资组合策略：
- 投资组合策略包括均值-方差模型（Markowitz模型）、资本资产定价模型（CAPM）等。

二、模型建立

Matlab数学建模实战应用：案例3 - 投资组合优化

三、Matlab代码实现

以下是使用Markowitz模型进行投资组合优化的完整代码示例。

导入数据：
- 假设资产的历史收益率信息存储在文件assets_data.csv中。

    % 读取资产收益率数据
    data = readtable('assets_data.csv');
    returns = data{:,:}; % 假设数据的各列为不同资产的收益率
    num_assets = size(returns, 2);

    % 计算资产的期望收益率和协方差矩阵
    exp_returns = mean(returns);
    cov_matrix = cov(returns);

建立优化模型：
- 使用Markowitz均值-方差模型寻找最优投资组合。

    % 设置优化目标和约束
    target_return = 0.02; % 目标收益率
    Aeq = ones(1, num_assets); % 权重之和为1
    beq = 1;
    lb = zeros(num_assets, 1); % 各资产权重要大于等于0
    ub = ones(num_assets, 1); % 各资产权重要小于等于1

    % 使用quadprog求解二次规划问题
    options = optimoptions('quadprog', 'Display', 'off');
    w = quadprog(cov_matrix, [], -exp_returns, -target_return, Aeq, beq, lb, ub, [], options);

    % 输出最优权重和预期收益、风险
    optimal_return = exp_returns * w;
    optimal_risk = sqrt(w' * cov_matrix * w);
    disp(['Optimal Weights: ', num2str(w')]);
    disp(['Expected Return: ', num2str(optimal_return)]);
    disp(['Expected Risk: ', num2str(optimal_risk)]);

绘制有效前沿（Efficient Frontier）：
- 通过绘制有效前沿，我们可以看到在不同收益率和风险水平下的最优投资组合。

    % 生成不同目标收益率下的有效前沿
    target_returns = linspace(min(exp_returns), max(exp_returns), 50);
    risks = zeros(size(target_returns));
    weights = zeros(num_assets, length(target_returns));

    for i = 1:length(target_returns)
        rt = target_returns(i);
        w = quadprog(cov_matrix, [], -exp_returns, -rt, Aeq, beq, lb, ub, [], options);
        weights(:, i) = w;
        risks(i) = sqrt(w' * cov_matrix * w);
    end

    % 绘制有效前沿
    figure;
    plot(risks, target_returns, 'LineWidth', 2);
    title('Efficient Frontier');
    xlabel('Risk (Standard Deviation)');
    ylabel('Return');
    grid on;

比较不同投资组合策略：
- 通过比较不同的投资组合策略（如等权重策略、风险最小化策略）来评估各策略的优缺点。

    % 等权重策略
    w_eq = ones(num_assets, 1) / num_assets;
    return_eq = exp_returns * w_eq;
    risk_eq = sqrt(w_eq' * cov_matrix * w_eq);

    % 风险最小化策略
    w_min_risk = quadprog(cov_matrix, [], [], [], Aeq, beq, lb, ub, [], options);
    return_min_risk = exp_returns * w_min_risk;
    risk_min_risk = sqrt(w_min_risk' * cov_matrix * w_min_risk);

    % 绘制比较图
    figure;
    plot(risks, target_returns, 'LineWidth', 2);
    hold on;
    scatter(risk_eq, return_eq, 50, 'r', 'filled');
    scatter(risk_min_risk, return_min_risk, 50, 'g', 'filled');
    legend('Efficient Frontier', 'Equal Weight', 'Minimum Risk', 'Location', 'Best');
    title('Comparison of Investment Strategies');
    xlabel('Risk (Standard Deviation)');
    ylabel('Return');
    grid on;

完整代码示例

% 读取资产收益率数据
data = readtable('assets_data.csv');
returns = data{:,:}; % 假设数据的各列为不同资产的收益率
num_assets = size(returns, 2);

% 计算资产的期望收益率和协方差矩阵
exp_returns = mean(returns);
cov_matrix = cov(returns);

% 设置优化目标和约束
target_return = 0.02; % 目标收益率
Aeq = ones(1, num_assets); % 权重之和为1
beq = 1;
lb = zeros(num_assets, 1); % 各资产权重要大于等于0
ub = ones(num_assets, 1); % 各资产权重要小于等于1

% 使用quadprog求解二次规划问题
options = optimoptions('quadprog', 'Display', 'off');
w = quadprog(cov_matrix, [], -exp_returns, -target_return, Aeq, beq, lb, ub, [], options);

% 输出最优权重和预期收益、风险
optimal_return = exp_returns * w;
optimal_risk = sqrt(w' * cov_matrix * w);
disp(['Optimal Weights: ', num2str(w')]);
disp(['Expected Return: ', num2str(optimal_return)]);
disp(['Expected Risk: ', num2str(optimal_risk)]);

% 生成不同目标收益率下的有效前沿
target_returns = linspace(min(exp_returns), max(exp_returns), 50);
risks = zeros(size(target_returns));
weights = zeros(num_assets, length(target_returns));

for i = 1:length(target_returns)
    rt = target_returns(i);
    w = quadprog(cov_matrix, [], -exp_returns, -rt, Aeq, beq, lb, ub, [], options);
    weights(:, i) = w;
    risks(i) = sqrt(w' * cov_matrix * w);
end

% 绘制有效前沿
figure;
plot(risks, target_returns, 'LineWidth', 2);
title('Efficient Frontier');
xlabel('Risk (Standard Deviation)');
ylabel('Return');
grid on;

% 等权重策略
w_eq = ones(num_assets, 1) / num_assets;
return_eq = exp_returns * w_eq;
risk_eq = sqrt(w_eq' * cov_matrix * w_eq);

% 风险最小化策略
w_min_risk = quadprog(cov_matrix, [], [], [], Aeq, beq, lb, ub, [], options);
return_min_risk = exp_returns * w_min_risk;
risk_min_risk = sqrt(w_min_risk' * cov_matrix * w_min_risk);

% 绘制比较图
figure;
plot(risks, target_returns, 'LineWidth', 2);
hold on;
scatter(risk_eq, return_eq, 50, 'r', 'filled');
scatter(risk_min_risk, return_min_risk, 50, 'g', 'filled');
legend('Efficient Frontier', 'Equal Weight', 'Minimum Risk', 'Location', 'Best');
title('Comparison of Investment Strategies');
xlabel('Risk (Standard Deviation)');
ylabel('Return');
grid on;

四、模型验证

投资组合优化模型建立后，需要通过实际数据检验其有效性。以下是模型验证的几个方面：

回测（Backtesting）：
- 回测是通过使用历史数据检验投资策略在过去的表现，从而评估其有效性和稳定性。

    % 从历史数据中取出一部分作为回测数据
    backtest_returns = returns(end-12:end,:); % 假设最近一年（12个月）数据用于回测

    % 根据优化模型得到的权重进行回测
    portfolio_returns = backtest_returns * w;
    portfolio_cumulative_returns = cumprod(1 + portfolio_returns) - 1;

    % 绘制回测结果
    figure;
    plot(1:length(portfolio_cumulative_returns), portfolio_cumulative_returns, 'b', 'LineWidth', 2);
    title('Backtesting Portfolio Cumulative Returns');
    xlabel('Time (months)');
    ylabel('Cumulative Returns');
    grid on;

风险评估：
- 使用夏普比率、最大回撤等指标评估投资组合的风险和收益。

    % 计算夏普比率（假设无风险利率为 0.03）
    risk_free_rate = 0.03 / 12; % 月利率
    excess_returns = portfolio_returns - risk_free_rate;
    sharpe_ratio = mean(excess_returns) / std(excess_returns);

    % 计算最大回撤
    cumulative_returns = cumprod(1 + portfolio_returns) - 1;
    drawdowns = max(max(cumulative_returns) - cumulative_returns);
    max_drawdown = max(drawdowns);

    disp(['Sharpe Ratio: ', num2str(sharpe_ratio)]);
    disp(['Maximum Drawdown: ', num2str(max_drawdown)]);

比较不同回测策略：
- 通过比较等权重策略、风险最小化策略等回测结果对比不同策略的优劣。

    % 根据等权重策略进行回测
    portfolio_returns_eq = backtest_returns * w_eq;
    portfolio_cumulative_returns_eq = cumprod(1 + portfolio_returns_eq) - 1;

    % 根据风险最小化策略进行回测
    portfolio_returns_min_risk = backtest_returns * w_min_risk;
    portfolio_cumulative_returns_min_risk = cumprod(1 + portfolio_returns_min_risk) - 1;

    % 绘制不同策略的回测结果比较
    figure;
    plot(1:length(portfolio_cumulative_returns), portfolio_cumulative_returns, 'b', 'LineWidth', 2);
    hold on;
    plot(1:length(portfolio_cumulative_returns_eq), portfolio_cumulative_returns_eq, 'r--', 'LineWidth', 2);
    plot(1:length(portfolio_cumulative_returns_min_risk), portfolio_cumulative_returns_min_risk, 'g-.', 'LineWidth', 2);
    legend('Optimal Portfolio', 'Equal Weight Portfolio', 'Minimum Risk Portfolio', 'Location', 'Best');
    title('Comparison of Backtesting Cumulative Returns');
    xlabel('Time (months)');
    ylabel('Cumulative Returns');
    grid on;

以下表格总结了模型验证步骤及其示例：

步骤	说明	示例代码
回测	使用历史数据检验投资策略的有效性和稳定性	`backtest_returns = returns(end-12:end,:); portfolio_returns = backtest_returns * w;`
风险评估	使用夏普比率、最大回撤等指标评估投资组合的风险和收益	`sharpe_ratio = mean(excess_returns) / std(excess_returns); max_drawdown = max(drawdowns);`
比较不同回测策略	比较等权重策略、风险最小化策略等回测结果	`plot(1:length(portfolio_cumulative_returns), portfolio_cumulative_returns, 'b');`

五、模型应用

投资组合优化模型的实际应用包括以下几个方面：

投资决策支持：
- 根据优化模型的建议，分配资金到不同资产，形成具体的投资组合策略。

    % 输出最优投资组合权重
    disp('Optimal Portfolio Weights:');
    disp(w);

    % 根据权重分配投资金额（假设总金额为100万元）
    total_investment = 1e6;
    investment_allocation = total_investment * w;
    fprintf('Investment Allocation:\n');
    for i = 1:num_assets
        fprintf('Asset %d: %.2f\n', i, investment_allocation(i));
    end

资产再平衡：
- 随着市场条件的变化，定期调整投资组合，使其始终符合最优比例。

    % 设定再平衡周期（例如每季度）
    rebalance_period = 3; % 每3个月进行一次再平衡
    for t = rebalance_period:rebalance_period:length(prices)
        current_prices = prices(t-rebalance_period+1:t,:);
        current_returns = diff(log(current_prices)); % 计算最新收益率
        current_exp_returns = mean(current_returns);
        current_cov_matrix = cov(current_returns);

        % 使用最新数据重新进行优化
        w = quadprog(current_cov_matrix, [], -current_exp_returns, -target_return, Aeq, beq, lb, ub, [], options);

        % 更新投资组合权重
        disp(['Rebalanced Weights at Time ', num2str(t)]);
        disp(w');
    end

风险监控：
- 持续监控投资组合的风险和波动，并根据市场变化和投资目标进行调整。

    % 每月计算投资组合的实际收益和风险
    for t = 1:length(prices)
        % 计算逐月收益率
        monthly_returns = mean(returns(t,:));
        monthly_risks = std(returns(t,:));

        % 输出月度收益和风险
        fprintf('Month %d: Return = %.4f, Risk = %.4f\n', t, monthly_returns, monthly_risks);

        % 如果风险超出预期范围，采取相应措施
        if monthly_risks > expected_risk_range
            disp('Risk exceeds expected range, consider rebalancing or adjusting strategy.');
        end
    end

以下总结了模型应用的步骤及其示例：

应用场景	说明	示例代码
投资决策支持	根据优化模型的建议，分配资金到不同资产	`investment_allocation = total_investment * w;`
资产再平衡	定期调整投资组合，使其始终符合最优比例	`w = quadprog(current_cov_matrix, [], -current_exp_returns, -target_return, ...);`
风险监控	持续监控投资组合的风险和波动，并根据市场变化进行调整	`fprintf('Month %d: Return = %.4f, Risk = %.4f\n', t, monthly_returns, monthly_risks);`

实例示范：投资组合优化

为了更好地理解上述方法，以下是一个完整的投资组合优化案例。

假设我们有一个投资组合，包括多个资产，其历史收益率数据存储在CSV文件assets_data.csv中。我们的目标是通过Markowitz均值-方差模型来优化投资组合，以在给定的目标收益率下最小化投资风险。

步骤 1：导入数据并计算统计量

% 读取资产收益率数据
data = readtable('assets_data.csv');
returns = data{:,:}; % 假设数据的各列为不同资产的收益率
num_assets = size(returns, 2);

% 计算资产的期望收益率和协方差矩阵
exp_returns = mean(returns);
cov_matrix = cov(returns);

步骤 2：建立优化模型并求解

% 设置优化目标和约束
target_return = 0.02; % 目标收益率
Aeq = ones(1, num_assets); % 权重之和为 1
beq = 1;
lb = zeros(num_assets, 1); % 各资产权重要大于等于 0
ub = ones(num_assets, 1); % 各资产权重要小于等于 1

% 使用 quadprog 求解二次规划问题
options = optimoptions('quadprog', 'Display', 'off');
w = quadprog(cov_matrix, [], -exp_returns, -target_return, Aeq, beq, lb, ub, [], options);

% 输出最优权重和预期收益、风险
optimal_return = exp_returns * w;
optimal_risk = sqrt(w' * cov_matrix * w);
disp(['Optimal Weights: ', num2str(w')]);
disp(['Expected Return: ', num2str(optimal_return)]);
disp(['Expected Risk: ', num2str(optimal_risk)]);

步骤 3：绘制有效前沿（Efficient Frontier）

% 生成不同目标收益率下的有效前沿
target_returns = linspace(min(exp_returns), max(exp_returns), 50);
risks = zeros(size(target_returns));
weights = zeros(num_assets, length(target_returns));

for i = 1:length(target_returns)
    rt = target_returns(i);
    w = quadprog(cov_matrix, [], -exp_returns, -rt, Aeq, beq, lb, ub, [], options);
    weights(:, i) = w;
    risks[i] = sqrt(w' * cov_matrix * w);
end

% 绘制有效前沿
figure;
plot(risks, target_returns, 'LineWidth', 2);
title('Efficient Frontier');
xlabel('Risk (Standard Deviation)');
ylabel('Return');
grid on;

步骤 4：比较不同投资组合策略

% 等权重策略
w_eq = ones(num_assets, 1) / num_assets;
return_eq = exp_returns * w_eq;
risk_eq = sqrt(w_eq' * cov_matrix * w_eq);

% 风险最小化策略
w_min_risk = quadprog(cov_matrix, [], [], [], Aeq, beq, lb, ub, [], options);
return_min_risk = exp_returns * w_min_risk;
risk_min_risk = sqrt(w_min_risk' * cov_matrix * w_min_risk);

% 绘制比较图
figure;
plot(risks, target_returns, 'LineWidth', 2);
hold on;
scatter(risk_eq, return_eq, 50, 'r', 'filled');
scatter(risk_min_risk, return_min_risk, 50, 'g', 'filled');
legend('Efficient Frontier', 'Equal Weight', 'Minimum Risk', 'Location', 'Best');
title('Comparison of Investment Strategies');
xlabel('Risk (Standard Deviation)');
ylabel('Return');
grid on;

步骤 5：回测和风险评估

% 从历史数据中取出一部分作为回测数据
backtest_returns = returns(end-12:end,:); % 假设最近一年（12个月）数据用于回测

% 根据优化模型得到的权重进行回测
portfolio_returns = backtest_returns * w;
portfolio_cumulative_returns = cumprod(1 + portfolio_returns) - 1;

% 绘制回测结果
figure;
plot(1:length(portfolio_cumulative_returns), portfolio_cumulative_returns, 'b', 'LineWidth', 2);
title('Backtesting Portfolio Cumulative Returns');
xlabel('Time (months)');
ylabel('Cumulative Returns');
grid on;

步骤 6：计算夏普比率和最大回撤

% 计算夏普比率（假设无风险利率为 0.03）
risk_free_rate = 0.03 / 12; % 月利率
excess_returns = portfolio_returns - risk_free_rate;
sharpe_ratio = mean(excess_returns) / std(excess_returns);

% 计算最大回撤
cumulative_returns = cumprod(1 + portfolio_returns) - 1;
drawdowns = max(max(cumulative_returns) - cumulative_returns);
max_drawdown = max(drawdowns);

disp(['Sharpe Ratio: ', num2str(sharpe_ratio)]);
disp(['Maximum Drawdown: ', num2str(max_drawdown)]);

步骤 7：应用模型进行投资决策支持和资产再平衡

% 输出最优投资组合权重
disp('Optimal Portfolio Weights:');
disp(w);

% 根据权重分配投资金额（假设总金额为100万元）
total_investment = 1e6;
investment_allocation = total_investment * w;
fprintf('Investment Allocation:\n');
for i = 1:num_assets
    fprintf('Asset %d: %.2f\n', i, investment_allocation(i));
end

% 设定再平衡周期（例如每季度）
rebalance_period = 3; % 每3个月进行一次再平衡
for t = rebalance_period:rebalance_period:length(prices)
    current_prices_plot = prices(t-rebalance_period+1:t,:);
    current_returns = diff(log(current_prices_plot)); % 计算最新收益率
    current_exp_returns = mean(current_returns);
    current_cov_matrix = cov(current_returns);
    
    % 使用最新数据重新进行优化
    w = quadprog(current_cov_matrix, [], -current_exp_returns, -target_return, Aeq, beq, lb, ub, [], options);

    % 更新投资组合权重
    disp(['Rebalanced Weights at Time ', num2str(t)]);
    disp(w');
end

% 持续监控投资组合的风险和波动
for t = 1:length(prices)
    % 计算逐月收益率
    monthly_returns = mean(returns(t,:));
    monthly_risks = std(returns(t,:));
    
    % 输出月度收益和风险
    fprintf('Month %d: Return = %.4f, Risk = %.4f\n', t, monthly_returns, monthly_risks);
    
    % 如果风险超出预期范围，采取相应措施
    % expected_risk_range 是事先定义的风险取值区间
    if monthly_risks > expected_risk_range
        disp('Risk exceeds expected range, consider rebalancing or adjusting strategy.');
    end
end

实例总结

通过上述步骤和实例，我们展示了如何使用Markowitz均值-方差模型进行投资组合优化的全过程，包括模型建立、代码实现、回测、风险评估和实际应用。以下是该实例的总结：

步骤	说明	示例代码
数据导入	从CSV文件中导入资产收益率数据	`data = readtable('assets_data.csv'); returns = data{:,:};`
模型建立	建立Markowitz均值-方差模型，求解模型最优权重	`w = quadprog(cov_matrix, [], -exp_returns, -target_return, Aeq, beq, lb, ub, [], options);`
绘制有效前沿	生成不同目标收益率下的有效前沿	`plot(risks, target_returns, 'LineWidth', 2);`
比较不同策略	比较等权重策略、风险最小化策略	`scatter(risk_eq, return_eq, 50, 'r', 'filled'); scatter(risk_min_risk, return_min_risk, 50, 'g', 'filled');`
回测	使用历史数据检验投资策略的有效性和稳定性	`portfolio_returns = backtest_returns * w;`
风险评估	使用夏普比率、最大回撤等指标评估投资组合的风险和收益	`sharpe_ratio = mean(excess_returns) / std(excess_returns); max_drawdown = max(drawdowns);`
投资决策支持	根据优化模型的建议，分配资金到不同资产并进行定期再平衡	`investment_allocation = total_investment * w;`
风险监控	持续监控投资组合的风险和波动，并根据市场变化进行调整	`fprintf('Month %d: Return = %.4f, Risk = %.4f\n', t, monthly_returns, monthly_risks);`

通过这些方法，我们能够构建一个优化的投资组合，在给定的目标收益率下最小化投资风险。以下是一些关键的策略和应用实例总结：

投资决策支持

计算并输出最优投资组合权重：
- 根据优化结果，分配资金到不同资产。

    % 输出最优投资组合权重
    disp('Optimal Portfolio Weights:');
    disp(w);

    % 根据权重分配投资金额（假设总金额为100万元）
    total_investment = 1e6;
    investment_allocation = total_investment * w;
    fprintf('Investment Allocation:\n');
    for i = 1:num_assets
        fprintf('Asset %d: %.2f\n', i, investment_allocation(i));
    end

资产再平衡

定期调整投资组合：
- 随着市场条件的变化，定期重新优化和调整资产权重，使投资组合始终符合最优策略。

    % 设定再平衡周期（例如每季度）
    rebalance_period = 3; % 每3个月进行一次再平衡
    for t = rebalance_period:rebalance_period:length(prices)
        current_prices_plot = prices(t-rebalance_period+1:t,:);
        current_returns = diff(log(current_prices_plot)); % 计算最新收益率
        current_exp_returns = mean(current_returns);
        current_cov_matrix = cov(current_returns);
        
        % 使用最新数据重新进行优化
        w = quadprog(current_cov_matrix, [], -current_exp_returns, -target_return, Aeq, beq, lb, ub, [], options);

        % 更新投资组合权重
        disp(['Rebalanced Weights at Time ', num2str(t)]);
        disp(w');
    end

风险监控

持续监控投资组合的风险：
- 定期计算并输出投资组合的实际收益和风险，根据市场变化及预测及时调整策略。

    for t = 1:length(prices)
        % 计算逐月收益率
        monthly_returns = mean(returns(t,:));
        monthly_risks = std(returns(t,:));
        
        % 输出月度收益和风险
        fprintf('Month %d: Return = %.4f, Risk = %.4f\n', t, monthly_returns, monthly_risks);
    
        % 如果风险超出预期范围，采取相应措施
        % expected_risk_range 是事先定义的风险取值区间
        if monthly_risks > expected_risk_range
            disp('Risk exceeds expected range, consider rebalancing or adjusting strategy.');
        end
    end

总结

本文详细介绍了投资组合优化的全过程，包括问题分析、模型选择、Matlab代码实现、绘制有效前沿、策略比较、回测、风险评估以及实际应用。通过实例，我们展示了如何使用Markowitz均值-方差模型优化投资组合，并利用Matlab工具进行建模和分析。

活动

应用商城

合作伙伴

开发者

支持与服务

了解天翼云

Matlab数学建模实战应用：案例3 - 投资组合优化

Matlab数学建模实战应用：案例3 - 投资组合优化

前言

一、问题分析

二、模型建立

三、Matlab代码实现

完整代码示例

四、模型验证

五、模型应用

实例示范：投资组合优化

步骤 1：导入数据并计算统计量

步骤 2：建立优化模型并求解

步骤 3：绘制有效前沿（Efficient Frontier）

步骤 4：比较不同投资组合策略

步骤 5：回测和风险评估

步骤 6：计算夏普比率和最大回撤

步骤 7：应用模型进行投资决策支持和资产再平衡

实例总结

投资决策支持

资产再平衡

风险监控

总结

相关文章

mvc模式详解

零信任安全模型和多因素身份验证：提升网络安全的关键一步

允许访问：掌握权限的艺术

AIGC的底层框架和技术模块

AIGC从入门到大神：解锁人工智能生成内容的奥秘

【知识科普】关于领域模型设计的一些思考

基于 Senta 情感分析系统的创新应用与最佳实践

【计算机网络】网络模型及协议

AI模型如何重塑软件开发

深度学习基础案例2--从0到1构建CNN卷积神经网络(以识别CIFR10为例）

作者介绍

最新文章

零信任安全模型和多因素身份验证：提升网络安全的关键一步

允许访问：掌握权限的艺术

AIGC从入门到大神：解锁人工智能生成内容的奥秘

【知识科普】关于领域模型设计的一些思考

深度学习基础案例2--从0到1构建CNN卷积神经网络(以识别CIFR10为例）

详细分析Pytorch中的register_buffer基本知识（附Demo）

热门文章

Django入门：第五章、模型建立与迁移

PyTorch 06： PyTorch保存和加载模型

什么是模型

深度学习从入门到精通——pytorch实现生成手写数字

Matlab数学建模实战应用：案例1 - 股票价格预测

什么是迁移学习

热门标签

相关产品

弹性云主机

天翼云电脑（公众版）

对象存储

云硬盘

随机文章

Django入门：第五章、模型建立与迁移

数学建模系列（1/4）：数学建模简介

深度学习基础案例2--从0到1构建CNN卷积神经网络(以识别CIFR10为例）

PyTorch 06： PyTorch保存和加载模型

允许访问：掌握权限的艺术

DeepLearning——模型压缩剪枝量化