星星之火,可以燎原!

Thoughts, stories and ideas.

商业分析

元宇宙-本届人类文明的救赎

假定一个社会,之前每个成年人平均每周工作50小时就可以养活这个社会的全部人口。现在生产力和技术提升了,每个成年人平均每周工作10小时就可以养活这个社会的全部人口了,那………, 为什么要设计一个人需要工作那么多时长赚钱才能生存的社会制度, 然后政客得抓破头想方设法创造就业机会? 马克思的《资本论》有答案吗?这正是加拿大、美国、中国和许多国家正在面临的问题。

Ai

quant的全新时代:机器人智能+人类智慧

简单地说,如果我们买入/持有近段时间跑赢大盘指数的股票,那么收益曲线也会跑赢大盘。 如下图是一只近期跑赢大盘的股票,无论是在A、B、C、D点买入,无论买入点是基于基本面、技术面、消息面、X面,无论是根据股评大师们口中的金叉、死叉、OOXX、X叉,无论是打算做长线、短线、X线,在个股跑赢大盘期间,收益曲线都是跑赢大盘指数的🙂。 相反,如果我们买入/持有近段时间跑输大盘指数的股票。。。基本面、技术面、消息面、X面。。。金叉、死叉、OOXX、X叉。。。长线、短线、X线,在个股跑输大盘期间,收益曲线都是跑输大盘指数的🙂。 总的来说 买入/持有近段时间跑赢大盘指数的股票,那么收益曲线也会跑赢大盘; 买入/持有近段时间跑输大盘指数的股票,那么收益曲线也会跑输大盘指数 <- 天呐,这不是21世纪最废的废话了吗??!! 没错,

Ai

弱人工智能否帮助无知小散从市场获利?答案是:甚至能帮助小狗获利

在上一篇 《弱人工智能助力量化交易: 低门槛个人投资者和小机构就能用,并非高盛 摩根的特权》中,因为交易机会过少,而且策略是单向做多,获利并不丰厚。 本次尝试用更短线的策略增加交易机会试试, 下面notebook中使用了rsi震荡指标的单向做多策略,策略逻辑大致是rsi6指标从下方上穿36.88时买入,从上方向下穿越65时卖出,再配合主动止盈 和 暴跌止损的因子。 结果验证了《道氏理论》所指出:“短期的价格波动是随机的”:交易机会是增加20倍不止,但是收益曲线和大盘指数基本同步,在测试集中还跑输了大盘指数。 <- 还赔了点交易佣金和手续费? 也就是说如果请无知的猴子、黑猩猩或者宠物小狗来随机炒股大概也是这种不亏不赚的水平。 如果某同学炒股亏了, 很可能是除了无知之外,还融入了人类的情绪, 比如贪婪和恐惧。 下面看看基于机器学习的 abupy 裁判(UMP) 是如何改善这种“不赚钱”策略的。 ps: 先读《弱人工智能助力量化交易: 低门槛个人投资者和小机构就能用,并非高盛 摩根的特权》 才容易看懂这篇哦。 以下是Jupyter notebook 研究过程:

Ai

弱人工智能助力量化交易: 低门槛个人投资者和小机构就能用,并非高盛 摩根的特权

the question to believe, or not to believe, this is the question. 信, 还是不信,这是个问题。 ------ 鲁迅 (我没说过哦)。 我们经常在书上、网上、电视上看到各路股评大师分享着各类战法,例如跳空缺口大家都听说过吧! 跳空缺口是指股价开盘价高于昨天的最高价或低于昨天的最低价,使K线图出现空档的现象。 普通缺口:特点就是很快被回补,价格在几天之内就会回补 突破缺口:当价格和成交量伴随跳空(向上或者向下)跳出震荡区,则预示着新趋势的形成 衰竭缺口:缺口没有很快回补,走势也反复无常,最终慢慢的回补缺口,预示着市场走势将可能剧烈的反转 信还是不信,这本身就已经是个问题了。 再说,即便是信,比如: 如果上周有一个向上跳空6%的缺口,它是否有支撑力度呢? 如果缺口出现在两个月前呢,还有支撑力度吗? 如果缺口出现在12个月前呢? 或者这个缺口只是跳空了1%呢,

machine learning

一行command搭建机器学习环境,包括 Tensorflow家族, PyTorch家族, Keras, Sklearn和 Jupyter, VS Code, Tensorboard等开发工具

这篇博文的终极目标不是单纯教大家一行command搭建机器学习环境,它的终极目标展示docker的威力,让大家早日离开“解放前”的日子,早日投入docker的环抱。 docker是什么? Docker allows you to package an application with all of its dependencies into a standardised unit for software development. 先演示一行command版 确保docker已经在本地机器安装并处于运行中,然后在控制台执行: docker run -d -p 8080:8080 --name "ml-workspace" -v "${PWD}:/workspace" --env --shm-size 512m --restart always mltooling/

books

一条大路通罗马:机器学习与量化交易重要书籍

这个主题已经有人在github 和 知乎总结过了,但是他们整理出来的资源太多太多了, 就好像你要找一本或者几本关于一个主题的书,有人带你到图书馆前说:“你要找的书都在里面了” 。。。 有意义吗!! 条条大路通罗马,其实很多时候我们只想要一条少走弯路的。 这就是这篇博文存在的意义。 重点   阿布著的《量化交易之路》   python编程基础   Wes McKinney的《Python for Data+Analysis, 2nd Edition》: 有点枯燥和抽象, 没读完,当工具书备查。   数学   机器学习   阿布著的《机器学习之路》   何海群的《零起点 TensorFlow 与量化交易》   交易学   John J. Murphy著、丁圣元 译的《金融市场技术分析》   《海龟法则》   Alexander Elder 的《以交易为生》:学到很多,但书中最后一部分不赞同 -– 作者不知道世界上有一种程序员的生物专门解救重复枯燥的劳作。

machine learning

关于机器学习任务分层降难度的思考

笔者是研究量化交易的,使用标榜机器学习的量化交易框架Abupy。 所以前段时间学习的历程是这样的: 从KNN开始学习基础概念、工具和术语 -> 学习评估指标(ROC曲线、AUC、F1、召回率等) 和模型调试方法 -> 尝试各家学说(逻辑分类、决策树、svm、以及多种模型融合)提高模型评分。 回到Abupy,发现我们只要了解svm,按照一个固定模式(继承一个Python class并实现抽象方法)提供描述特征的class,Abupy框架即可完成训练并用于指导新的的交易。并没有很复杂的东西。 接着学习了DNN + CNN,也是按照: 先熟悉工具(Keras + TensorFlow和Caffe)和术语 -> 学习评估指标和模型调试方法 -> 尝试各家学说提高模型评分 的套路。结果发现DNN + CNN擅长图片等2D、3D数据场景,在量化金融领域暂时找不到用武之地。 目前在研究RNN,在寻找RNN在时间序列数据强大能力是否能服务于量化金融。可能会参考Ernest

work remote

聚合器-work remotely专题

关于远程工作/分布式工作的一切。 重点 一个分布式的办公场地是构建公司最高效的方式 WordPress.com、Jetpack和WooCommerce的母公司Automattic的CEO Matt分享分布式办公的概念和实践经验: 在新的窗口中观看(中英字幕)   gitlab - 一家完全以远程办公存在的公司 看,人家的概念和实践经验。   还有,你正在读的这篇博文所使用的博客系统是ghost,也是一个以远程办公存在的公司 Our virtual headquarters is in Singapore, but we're a fully remote team spread all over the world. Between us, we cover 4 continents, 5 nationalities and 6 languages. All the work we