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。
w.z. • 10 min read
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，
w.z. • 10 min read
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：
w.z. • 2 min read
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，
w.z. • 6 min read
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/
w.z. • 5 min read
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。
w.z. • 2 min read
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
w.z. • 3 min read
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
w.z. • 1 min read