6月，币安推出了几个0手续费交易对，紧接着Dydx交易所也跟进了。

dydx 交易所， 用户交易额的不同，手续费也不同

和币安不同，币安仅仅减免少量几个交易对的手续费。 DYDX则根据用户的交易额的不同，手续费可能是 0% ~ 0.1% 不等。

• 月交易量小于10w U 或者 大于 5000w U的用户是免手续费的；
• 介于10w ~ 5000w 的用户是手续费的主要贡献者。

真的有点类似我们社会的中产阶级，穷人阶级太穷了无法收割，富豪阶级富可敌国，收割不了。

那么0手续费交易(对)值得薅吗？

我们做一下实验。

手续费差之毫厘，收益失之千里

下面是同一个由AI驱动的策略。

按万分之0.5 （0.005%） 手续费计算， 也就是几乎忽略手续费，2022年初至八月底 获得了679.48倍收益 （是679.48倍，不是679.48%，没错！）。

下图按万二五（0.025%）手续费计算，收益只剩 7.03 倍了。

下图按万分之5（0.05%）手续费计算，收益是负的！ -0.28倍！
但是从下方的第二个子图的蓝色点 vs 红色点可以看出，盈利的交易依然多于亏损的交易，只是获利不足以覆盖手续费开支而已。

越是高频的交易策略，对手续费越是敏感

笔者做了一下实验，发现最小K线用到2分钟图（但是不意味着只使用2分钟K线，可能同时也使用了6/8/12/20/25/40/50分钟图，稍后解释）的策略，按一开一平各万分之五（0.05%）手续费计算，2022年至今依然获得 429倍的收益， 但手续费消耗也极大，也就是说，每获得100W收益，就给交易所贡献了大约30W手续费。

实验1

最小周期K线使用15分钟图的策略，2022年获利能达到 14倍， 但是手续费/利润比达到0.1662， 也就是说，每获得100W收益，就给交易所贡献了大约16W手续费。

点此查看详尽的performance report

实验2： 高盈亏比能缓冲手续费开支

最小周期K线使用5分钟图的策略，2022年获利能达到122.8倍， 手续费/利润比达到 0.111， 也就是说，每获得100W收益，就给交易所贡献了大约11W手续费。看起来比实验1更好，但是这个策略的盈亏比可是实验1的3.5倍。

点此查看详尽的performance report

实验3

最小周期K线使用2分钟图的策略，2022年获利能达到428.4倍，手续费/利润比达到 0.298， 也就是说，每获得100W收益，就给交易所贡献了大约29.8W手续费

点此查看详尽的performance report

上面均是没有使用杠杆的结果。 每日的交易次数有点多，因为系统会合成6/8/12/20/25/40/50分钟等不常见的K线，并抓住其中的交易信号。

题外话

没什么好惊奇和质疑的，刚才428倍收益的策略，分散到每一个月份，也就42%~330%而已

上面的实验中，有些策略不到1年就几百倍的收益，系统算错了吧！ 还是用了什么黑科技？

我第一感觉也怀疑系统算错了。

然后我用了PyFolio 、 QuantStats 和 Backstrader自带的analyzer分别做了业绩分析，结果显示一致的。

依然担心它们全部都错了，就又用pandas分析和统计了原始的交割单，再抽查了部分交割单的盈亏和手续费计算，结果显示依然是一致的。

原始交割单

原始的交割单有备份，哪位读者朋友有兴趣再次分析一下， 可以加入 这个Slack Channel 索取， 如果加不了请 点此Telegram联系博主。

欢迎加入“ML与量化”Slack Channel一起探讨学习

上面是开发者/研究人员的Channel， 不想参与研究，只想围观研究成果的读者朋友请加 https://litupme.slack.com/archives/C042YH1C945

至于有没有使用什么黑科技，可以简单的总结为：
如果这部分没看懂，可以先读下方FAQ，然后再回头看

• 1.时序预测模型提供了60%左右的准确率 <- 很平凡对吧？
• 2.仓位优化模型加重了获利较好的交易的仓位，减少了获利一般的交易的仓位，阻止了亏损或者不盈不亏的交易。
• 3.风控模型使用和1类似的预测技术，在暴风雨来临之前就“只平不开”，或者提前退场避险，把最大回撤压到极低。
• 4.按需合成 6/8/12/20/25/40/50分钟的K线图，并监控其中的交易信号提供了更多的交易机会，日均交易次数有时可达16次/日。

更详尽的信息请认真看下方FAQ

Faq

下面部分有很多AI领域的专业术语，没有相关基础的读者可以先看看“AI知识导读”

—— —— —— —— FAQ: —— —— —— ——

• 策略是在什么周期的K线上操作的？
  答：全部周期。传统的交易会在 1分钟、5分钟、10分钟、30分钟、1/2/4/12小时等线图上操作。
  而这个策略会K线图重采样为 2/3/4/6/7/8/9/12/16 …… 40/50分钟图，并抓住其中每一个周期的交易机会。实验证明：单个标的在多个周期的交易机会要比 多个标的在单个 timeframe K线图上的交易机会 要多得多，可能是因为整个币圈的98%的比都是具有协同性（高度相关的），大饼在15分钟图上没有交易机会时，遍历整个市场，通常也没有。
  但可能不会同时使用 51分钟、52分钟、53分钟 这种图， 因为他们太过于类似了，浪费计算资源。

• 策略在满足什么条件下开仓和平仓呢？
  答：并不能用传统的技术指标术语去描述，也不能用硬编程或者数学公式去界定，就像你可以写出程序代码或者数学公式分辨胖子和瘦子，但是“美女”和“非美女”却很难用程序代码或者数学公式来分组。AI模型则可以给颜值打分，前提是，你喂给它足够多的美女图片和得分。
  不否认训练集中也有一些流行的技术指标和新创的指标作为特征，但目前还没有用feature selection去衡量其对模型推导结果的帮助。

• 训练集都包括哪些数据？
  答：单个交易提供的OHLCV数据、多个交易所提供的volume数据、ETH/EVM运作产生的数据（并非由交易所提供）、Gan模型生成的一些未来仿真数据。数据多多益善，就像一个预测天气的模型，最开始可能只有 过去和当前的温度、湿度、风向、风速、紫外线强度、pm2.5等，现在把太阳黑子活跃程度 的数据也扔进去，说不定天气和太阳黑子真的有关系，模型就能获得进步，当然如果他们俩没有啥关联，最坏的结果也只是多耗点CPU 算力而已。

• 用了多长时间的数据作为训练集？ 测试集呢？ 发生数据漂移时是怎么处理的？
  答：非严格来讲最初训练集数据只有2021年上半年的2-6个月的数据， 但是策略中使用的大部分模型是 online training 模型，意味着，当回测K线走到2022-02-22时，各个模型已经用2022-02-21以前的数据训练了自己； 当回测K线走到2022-02-23时，各个模型已经用2022-02-22前的数据训练了自己。和一些用了前两年的数据做训练和测试集，然后期望不用继续更新，就能在今年中表现卓越的模型还是不一样的。
  如果数据只是缓慢地发生了concept drift，上面的机制会很快地学到新的概念；如果极短时间内发生了剧烈的domain drift，寄望于下方2个风控模型起作用。

• 这是CTA趋势策略还是均值回复策略？
  答：不能用传统的目光去归类。这是1个AI驱动的策略，其中有一组时序预测模型负责预测未来几根K线的走势，如果模型推导出来的近期K线往某一个方向走的幅度和概率达到一定的标准（并且这次交易被另外一个多分类模型分到“盈利的”、“不盈不亏的”、“亏损的”中的第1种分类），系统则会顺势开仓。……更像CTA策略。

• 最大仓位是多少？ 最大杠杆呢？
  答：也是由AI决定的。 上面提到 “并且这次交易被另外一个多分类模型分到“盈利的”、“不盈不亏的”、“亏损的”中的第1种分类”只是为了简化易理解的解释，实际上 “盈利的” 这种类别中又分为 “盈利超过100%的”、“盈利50~100%的”、“盈利20~50%的”等等，假定一次交易在准备开仓时被这个分类模型分到比较靠前的类别，则仓位比较重，否则比较轻。杠杆是动态的，被限制为最高不超2倍。

• 最大回撤是多少？ 有没有设定硬止损？
  答：不超6%，没有设硬止损。 风控这块由3个模型起作用：
  第1个是上面的多分类模型，假定一个交易在即将开仓的一瞬间被分类到 “不盈不亏的”或者“亏损的”，则仓位被调整为0。
  第2个模型是一个非常保守的时序预测模型，利用了“狂风大雨来临前夕，总是会有一些征兆，在地球上生活久了的人都懂。金融风暴来临之前也会有征兆”的原理， 模型发现推导出的K线走势和真实走势不接近了，就知道自己不行了，“宁可错过，也不做错”，就知道该跑了。假如传统的乖离率像“假如3小时内平均降雨超过150mm，那么我们就终止运动会，回室内休息（但毕竟也被雨淋了3个小时）”， 那么时序预测模型更像“如果接下来的几个小时不再天晴，那么就不开运动会了”。 传统的指标计算止损法是滞后的，等待亏损发生了再去止损，预测模型努力去躲开风险大于收益的区域。
  第3个模型是一个强化学习模型，目的是让1和2成为好搭档发挥到最优。

长按识别下方二维码可在浏览器中打开阅读。

区块链和NFT通识

1.转到 基础知识和发展史 了解最基础的知识。

solidity与智能合约开发基础

智能合约的开发和部署为什么需要好几种编程语言的工具链配合呢？ 因为用于智能合约开发的Solidity语言是针对EVM（以太虚拟机）打造的，缺乏在Mac/Linix/Win操作系统上的文件读写、 网络访问等等功能，所以需要其它语言和包管理工具（例如JavaScript的NPM或者Python的pip）来完成编译和上链部署。

1.阅读Exploring the Web3 Tech Stack – Full Guide 搞明白公链的选择与开发环境/平台
Web3 tech stack and explore its different layers.

当前有这么流行选择

市场份额

2021版的视频解说：https://www.youtube.com/watch?v=0zoJzQ4U740&list=PLFPZ8ai7J-iRIEdMP_DUZOUCgoALoWli1&index=3&t=14s

2.转到 这里 学习最基础的知识。

3.Moralis Web3 dApp Programming
Moralis官方的入门课程。

不想学solidity？ 可以选择python风格的Vyper！

Vyper是下一代智能合约编程语言，比solidity安全和易于审计。

1.Introduction to Vyper - Vyper Programming Tutorials

NFT开发

像素图

1.像素图批量生成

3种流行的技术选型方向

方向1.原始方案

How to Make an NFT and Render it on the OpenSea Marketplace
演示了NFT开发的原貌（尽管文中只讲到mint与发布的部分）， 需要：

• 用solidity写主体逻辑；
• 用Python脚本来编译 *.sol；
• 用Nodejs and npm来安装各种依赖包。
  开发时在3中语言中跳转甚是伤脑力，但这样好处是：能理解最原始流程和原理，也能控制底层的东西。

视频讲解：

part2： 文字版 | 视频版

方向2. Hardhat

Solidity Tutorial – How to Create NFTs with Hardhat
使用Hardhat这个框架，和上面1相比的好处是：丢掉上面1的Python工具链依赖，开发中只需要与Solidity 和 JavaScript 打交道，头疼减少1/3。 而且，使用Hardhat，在Solidity中可以使用JavaScript的调试和测试工具，方便又神奇得一比。

另一个Hardhat的视频教程：https://morioh.com/p/8d2bead90130

方向3.Moralis

3.1 Ultimate NFT Programming Tutorial - FULL COURSE
这是完整课程。

3.1.1 铸造： How to Launch an NFT Minting Page – Full Walkthrough
Moralis是一个web3集成开发环境（“集成”意味着前端web3.js和区块链开发的工具同时都有提供）。

• is cross-chain interoperable, supporting the most popular programmable blockchains. Thus, you get to create your own minting website on multiple chains.

3.1.2 Lazy 铸造： How to Lazy Mint NFTs
当卖场上的 NFT 有人购买时再即时铸造，好处是可以节省Gas费，而且gas费可以由 creator、buyer、 or the NFT platform其中的一方或者多方按比例承担。

3.2 发行与流通： Building a Cross-Chain NFT Marketplace FULL COURSE

3.3 繁衍： %暂无内容%

3.4 稀缺性： How to Develop an NFT Rarity Ranking dApp

相关工具链

Web3.Storage
存到IPFS和Filecoin

长按下方二维码可在浏览器中阅读

最近看到一篇文章，题“为什么大A股市场容量比期货市场容量大数十数百倍？”。哈哈，因为A股市场的绝对赢家们有多种手段从市场提走资金啊，市场有多少人来送钱，赌·场的owner们就可以通过发新股、定向增发再解禁等方式拿走多少钱。 市场热情高涨，来送钱的人多的时候发新股和解禁就会更频繁一些。市场冷淡时，发新股和解禁就会暂时放缓，对不对？是不是事实？ 而期货市场，赌·场的owner们要从市场提取财富就没有A股中那么多。那么丰富的手段了。

A股的绝对赢家是谁？ A股参与者的财富最终会流向何处？

以上这么多种中国A股绝对赢家中， 你是哪一种呢？

长按识别二维码在浏览器中打开阅读：

AI / ML / DL专业的学生，拿到老师/助教整理好的数据，在colab/notebook上构建模型，爆调一堆参数，模型达标后交完作业/论文就结束了。 在产业界可不这么容易! 首先，数据是野生的raw data； 单机notebook/colab也不足以训练稍大型的模型；模型也需要定期/不定期重新使用新数据训练/调参和重新部署，全靠人工来完成成本可能会高到老板不会同意。

MLOps认为ML是一个循环渐进的过程，每一次循环，模型性能都应该有所提升

学校/实验室里的ML V.S. 产业界的ML

本文介绍如何使用TFX把机器学习项目中数据接入/处理、特性工程、模型训练与评估、模型推导性能验证（速度与能耗是否达标）、多端部署整个流程自动化/工业标准化/规模化的， 带着这个问题思路watch和read文中的视频和链接到教程就能懂（PS.单看本文是不会懂的，需要按顺序看文中的视频和教程，该动手就动动小手）。

网上的教程两极分化，一种是谈天说地，天花乱坠地吹了半天TFX多么多么强大，但却没有演示一个小小例子让读者感受一下用起来是怎么样的； 另一种直接扔了一连串的notebook代码+GCP图形界面+命令行操作，没头没尾没有上下文的，看完也不知道怎么构建第一个Pipeline。所以才有了本文。

很多教程都从TFX本身的架构开始……，其实初学者可以先不懂这块

那么如何在半天的时间里上手TFX MLOps呢？

第一步： 听笔者用平实的语言废话10秒钟

MLOps类似DevOPS，后者将软件开发项目构建、QA、部署自动化；前者将机器学习项目自动化。TFX是Google提供的，用于实现此目标的工具组件。

Kubeflow呢，Kubeflow is an open source ML platform dedicated to making deployments of machine learning (ML) workflows on Kubernetes simple, portable and scalable. Kubeflow Pipelines is part of the Kubeflow platform that enables composition and execution of reproducible workflows on Kubeflow, integrated with experimentation and notebook based experiences. Kubeflow Pipelines services on Kubernetes include:
- the hosted Metadata store,
- container based orchestration engine,
- notebook server,
- and UI to help users develop, run, and manage complex ML pipelines at scale.

第三步中的tfx Pipeline 不一定要跑在Kubeflow上， 其它编排器 Apache Airflow、 Apache Beam也是支持的，但Kubeflow是最简单的方式，可能也是未来发展得最快的（基于Kubernetes和容器看起来又轻量级又强大）。

第二步：看一下视频讲解，从overview的角度了解TFX

1.（可选）简单了解TFX的起源，它要解决的问题，以及应用举例。

2.1 （浅显）How to build an ML pipeline with TFX

2.2 （稍专业） TFX是什么东东？

第三步： 趁热打铁，动手创建第一个极简的tfx.dsl.Pipeline

1.先阅读 Understanding TFX Pipelines 了解相关术语。

2.在colab打开这个notebook，开始动手感受一下整体流程。

这个colab大致步骤为：

• Set Up：
  • ……
  • Set up variables
  • Prepare data
• Create a pipeline：
  • Model training code:
  • Pipeline definition:

一个极简的pipeline:tfx.dsl.Pipeline是下面这样子的，只包含3个components：

• 把数据接入到pipeline的 example_gen: tfx.components.CsvExampleGen ；
• trainer:tfx.components.Trainer ；
• pusher:tfx.components.Pusher 。

pipeline的关键代码是这样的：

def _create_pipeline(pipeline_name: str, pipeline_root: str, data_root: str,
                     module_file: str, serving_model_dir: str,
                     metadata_path: str) -> tfx.dsl.Pipeline:
  """Creates a three component penguin pipeline with TFX."""
  # Brings data into the pipeline.
  example_gen = tfx.components.CsvExampleGen(input_base=data_root)

  # Uses user-provided Python function that trains a model.
  trainer = tfx.components.Trainer(
      module_file=module_file,
      examples=example_gen.outputs['examples'],
      train_args=tfx.proto.TrainArgs(num_steps=100),
      eval_args=tfx.proto.EvalArgs(num_steps=5))

  # Pushes the model to a filesystem destination.
  pusher = tfx.components.Pusher(
      model=trainer.outputs['model'],
      push_destination=tfx.proto.PushDestination(
          filesystem=tfx.proto.PushDestination.Filesystem(
              base_directory=serving_model_dir)))

  # Following three components will be included in the pipeline.
  components = [
      example_gen,
      trainer,
      pusher,
  ]

  return tfx.dsl.Pipeline(
      pipeline_name=pipeline_name,
      pipeline_root=pipeline_root,
      metadata_connection_config=tfx.orchestration.metadata
      .sqlite_metadata_connection_config(metadata_path),
      components=components)


# ---

# 调用上面的 `_create_pipeline` 创建 `pipeline:tfx.dsl.Pipeline`， 
# 使用 LocalDagRunner执行就完成了。
pipeline = _create_pipeline(
      pipeline_name=PIPELINE_NAME,
      pipeline_root=PIPELINE_ROOT,
      data_root=DATA_ROOT,
      module_file=_trainer_module_file,
      serving_model_dir=SERVING_MODEL_DIR,
      metadata_path=METADATA_PATH)

# 这里使用了LocalDagRunner（只是在本地机器执行），但是如果要使用其它的orchestrator来跑，
# 除了下方这行代码需要改之外，其它代码几乎不需要改动。
tfx.orchestration.LocalDagRunner().run(pipeline)

其中传递给上面_create_pipeline()的_trainer_module_file的关键代码是这样的：

# ...
# TFX Trainer will call this function.
def run_fn(fn_args: tfx.components.FnArgs):
  """
  所有的参数都在fn_args一串的，不会东一点，西一点到处散乱。
  """
  
  # 对，这里只要提供 tf.keras.Model就行
  model:tf.keras.Model = _build_keras_model()
  model.fit(
      train_dataset,
      steps_per_epoch=fn_args.train_steps,
      validation_data=eval_dataset,
      validation_steps=fn_args.eval_steps)

  # The result of the training should be saved in `fn_args.serving_model_dir`
  # directory.
  model.save(fn_args.serving_model_dir, save_format='tf')

极简总结： CSV数据 ——> example_gen: tfx.components.CsvExampleGen 生成Tensorflow的数据结构 ——> trainer:tfx.components.Trainer ——> pusher:tfx.components.Pusher 。

上面箭头的这些都是 tfx.component，他们构成了一个pipeline:tfx.dsl.Pipeline，pipeline可以被tfx.orchestration.* 下的runner执行，从而完成了数据接入/处理、模型构建、部署整个流程的自动化。

第四步： 加深理解

当然上面第三步只是一个最简的例子， tfx能做的远不止于此：

• 在数据的接入上，上面极简例子用了tfx.components.CsvExampleGen， 除此之外还有多种ExampleGen来接入不同来源的数据，并对训练集/测试集进行精细的处理。
• 上面极简例子中，数据经过example_gen生成样本之后就到了Trainer。现实使用场景中通常都要经过 StatisticsGen ——> SchemaGen ——> Example Validator ——> Transform这几个component， 其中Transform是负责特征工程的，另外几个是负责数据验证的。
• 上面极简例子中，Trainer生成模型之后，就紧接着Pusher了， 现实使用中是要先通过 Evaluators的推导准确率评估和InfraValidator验证推导效率和能耗达标才能Push。
• 除了上面几点之外， TFX Pipeline是支持自定义component的，如果遇到内置component覆盖不到的场景是可以自己编写自定义component来实现的。例如，笔者所在的量化交易领域，AI模型只为自己的推导准确率等指标负责，但是整个产品（策略）追求的是收益率、夏普比率、盈亏比等金融指标，这些指标通常可以通过把AI模型扔到回测系统做历史回测得到。这种情况就可以通过创建自定义component来负责接收上一个component产生的模型，并扔到回测系统执行历史回测来实现。总之TFX Pipeline给了我们许多可能性。

有了这些认识之后，现在可以阅读 https://www.tensorflow.org/tfx/guide 加深理解。

第五步：Kubeflow登场

这里是一个milestone！ 这里是一个milestone！ 这里是一个milestone！ 刚刚的极简例子中我们还没有使用到Kubeflow， 本文的主场从现在这里开始。

上面讲到的这些可以通过 Kubeflow Pipelines 快速入门 体验。

Kubenetes基础知识在TFX MLOps中的意义是？ 在Kubeflow Pipelines使用过程中你会遇到 dockerfile、镜像、volume等kubenetes中常见的概念，因为Kubeflow就是运行在kubenetes集群之上的。 例如，在Kubeflow中，pipeline component的定义是：A pipeline component is a self-contained set of user code, packaged as a Docker image, that performs one step in the pipeline. For example, a component can be responsible for data preprocessing, data transformation, model training, and so on. 而在其它编排器中，pipeline component的定义又不太一样了。 Google 官方的《MLOps (Machine Learning Operations) Fundamentals》 课程也花了很大篇幅来讲Kubenetes基础知识。

Next

学习MLOps不能只关注工具的使用，MLOps认为ML是一个循环渐进的过程，每一次循环，模型性能都应该有所提升。 项目组应该怎么分析把时间花在那环节（工作项）上最能有效的提升模型性能呢？ 以及许多类似的问题，都可以通过吴恩达大师的 《MLOps Specialization 》课程 找到答案或者启发。

或者来自Google官方的的，较难又好像有点缺乏趣味的《MLOps (Machine Learning Operations) Fundamentals》

长按下方二维码识别可在浏览器中阅读：

本届人类文明的真相 —— 经济篇

scene 1 ：
亚洲-中国经济发展面临的问题是： 产能过剩，内需不足，对吧？
问：怎么会内需不足呢？ 人类的需求可以是无止境的，我还想要游艇，还想要私人飞机呢！ 钱不足才是真相吧？

scene 2：
北美-特鲁多政府给民众直接发钱。 中国网友评论： 不负责行为，会带来通胀！
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。 so社会管理者面临着选择：
- A： 就让每个成年人平均每周工作10小时吧；
- B：让 1/5的成年人每周工作50小时，4/5的人每周工作0小时（失业）；
- C：男人继续工作，女人不用工作，照顾家庭就好；
- D：青年学生“慢就业”，老年人提早退休；
- E： 如果我们不从 A/B中做出选择，非得设法设计出让每个成年人平均每周工作50小时的社会体系，那矛盾就丛生了 ，会有那些矛盾呢？ 这里我们先放一放，后面再解释。

很显然在加拿大和美国这种生产力高和技术先进的国家，只需要部分人每周工作一定时长就足以养活整个社会了，剩下的部分人口悠闲地生活着就好。

那么谁去工作，谁悠闲地生活着呢？ 又面临选择：
- 已经纳税多年的白人等永久居民去工作，客工等其它人悠闲地生活着就好；
- 客工等其它人去工作，已经纳税多年的白人等永久居民悠闲地生活着就好；

很显然特鲁多政府的选择。白人等永久居民失业，加拿大政府还可以印钱拯救一下，客工失业，远在他们祖国的家人可能还等着他们寄钱回去维持生计。

回头看选择C：非得设法设计出让每个成年人平均每周工作50小时的社会体系，那会带来哪些社会矛盾呢？ 可能有：

• 产能过剩，需求不足；
• 政客得抓破头想方设法创造就业机会；
• 就业机会依然不足，人才可能前往这些地方求生存：
  • 俄罗斯的计算机和数学人才找不到工作，只能去当黑客；
  • 中国一些闲人找不到工作，去搞电信*骗之流，社会管理者得开发“国家反X中心APP”，且他们互相博弈消费社会资源；
  • 。。。
• 劳动人口会敌对 促进生产力提升的技术进步， 认为那会挤压就业岗位；
• 社会管理者也会敌对能促进生产力提升的技术进步，例如2020年中国高层反对 社区买菜App 的推广，理由之一：给小贩一些生存空间。从巨头那里多收点税精准发送到小贩的钱包，小贩回归家庭帮年轻人照看孩子促进生育 不就好了？！

这正是加拿大、美国、中国和许多国家正在面临的问题。

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？

好在年轻一代的政治家已经开始意识到真相了， 虽然老一代的还在试图用陈旧的思维……

总统候选人杨安泽已经明白制造业回流美国也只会是“美国机器制造”，距离理解社会矛盾的真相和设计新的社会秩序又近了一步。

在马克龙：现代资本主义已经行不通了中，他指出，在后疫情时代，任何重建都有一个前提，那就是人们必须吸取教训：“经济已再次成为一门道德科学，没有什么比人类本身更宝贵；在疾病大流行、气候问题和一些其他问题面前，人类社会是脆弱的。”

而现代资本主义的终极目标是什么？ “XXX利益最大化” all over the place！ 而这会带来多少问题？

我们想想以下问题：

1：日本只是房价崩塌，又不是房子崩塌，人们的生活却因此变得困难？

2：香港人为什么需要住在这么小小的房子？

3：拯救中国因法拍房破碎的家庭

4：美国高额的债务危机如何化解？

5: 资本收益增长率大于GDP增长率，财富越来越集中到少数人怎么解决？

本届人类文明的出路

觉醒：人工智能在加速人类自己认识本届人类文明的真相

我们看看人工智能可以完成的任务和即将替代的工种。

How about：
找个机器人咖啡师制作咖啡/奶茶，
点击看视频

GoogleX机器人复杂收拾桌子/餐具，
点击看更多详情

和会说话的机器人接待客人，
点击看视频

或者找个Tesla Bot也许能同时做到上面所有？
点击看视频

AI能替代的不仅有体力劳动，还有律师、签证官、设计师、程序员等。
点击查看更多有趣的AI应用举例

当人工智能对就压岗位的挤压到达了极端， 人们就会走上街头，烧几辆汽车，然后选举出能看清真相，和能给出解决方案的领导人。

元宇宙-本届人类文明的救赎

在下一个社会秩序完成构想和走向现实之前， 抓破头想方设法创造就业机会依然是社会的主旋律， 而元宇宙能容纳无尽的就业岗位。

刘慈欣怒怼扎克伯格的元宇宙，是新机会还是资本骗局？3分钟看懂元宇宙是什么？火爆菲律宾的元宇宙概念游戏Axie Infinity啊蟹，帮助120万无业游民！

现实宇宙已经无法容纳炒房大军？ 没关系可以到元宇宙炒嘛：
点击查看视频

一个元宇宙不够炒，copy计算机程式代码多搞几个元宇宙嘛，可以容纳无尽的就业岗位。

在元宇宙里开演唱会
点击查看视频：贾斯丁比伯的首个元宇宙演唱会惊艳全球!

在元宇宙里做电影/影视创作，就不需要那么多采风、布景、化妆、造具
《我们在虚拟现实中相遇》是一部全程在元宇宙里拍摄和制作的电影
《我们在虚拟现实中相遇》的更多文字介绍

在元宇宙里建设宏伟的都会，给拍电影的人取景。
点击查看视频

在元宇宙里讲课上学
点击查看视频介绍

斯坦福大学开设元宇宙课程：知识具象化或将引发教育变革，点击查看视频介绍

在元宇宙里上班
小扎提供了元宇宙里上班的基础设施

全球首个“元宇宙上班”公司《Com2Verse》来了：可在元宇宙进行打卡、开会、演讲！超vrchat 虹宇宙

组织或者参加展会
未来展会正片来袭！网易瑶台沉浸式活动系统融合云+AI技术，打造10000平方真实展馆！

甚至开始现实宇宙的国家领事馆
全球首例！巴巴多斯将在元宇宙平台设立大使馆

马斯克： ……应该星辰大海，……你倒也创造足够的就业机会吸纳掉富余的就业人口啊！

而每一个元宇宙里面都可以有1-n个星辰大海。

元宇宙 + 人工智能 => 泛滥的UGC

元宇宙提供了无节制的一切，让我们在之中……娱乐或者商业活动，缺人怎么办？

Gan技术可以生成无尽的……

无尽的名模
让你蒙圈的虚拟数字人走秀，一大批虚拟模特即将到来！

无尽的虚拟人主播

无尽的一切

Meta AI系统Builder Bot：用语音命令生成VR虚拟世界

无需经验，Promethean AI允许通过语音命令创建VR游戏美术场景

长按下方二维码可在浏览器中阅读：

电影级巨制 搞懂元宇宙看这一条视频就够了

央视对元宇宙虚拟土地的报道（扫描二维码即可观看视频）

元宇宙行业解析 带你了解元宇宙｜Metaverse NFT科技 Web3.0 VR

清华大学：2021 元宇宙研究报告！

facebook的元宇宙 V.S. 冰岛真实宇宙。
笑死了，笑死了。

小Lin说：关于元宇宙，你必须知道的那些事儿｜NFT Metaverse

元宇宙的构成基础

区块链

计算机博士TED演讲：区块链是一场科技革命，WEB3.0是机遇还是挑战?

DeFi

NFT

区块链 | NFT世界观是？

如何创建你的第一个 NFT

IPFS分布式存储技术教你如何存储和维护NFT元数据

DWeb / web3.0

计算机博士TED演讲：区块链是一场科技革命，WEB3.0是机遇还是挑战?

Web3js：以太坊-区块链开发者教程

元宇宙还没来得及消化，web3.0又把我整懵了

了解区块链、元宇宙、Web3之间的关系
Web3.0是互联网的一种新范式；区块链是Web3的技术支撑； Web3是元宇宙的基础设施。

Dweb 协议栈
Dweb 指的是分布式互联网，不再存在中央服务器

以下是web2.0产品的web3.0代替品：

VR

360度 VR 旅行
旧金山一家创业公司推出360度 VR 旅行服务，用户选择一个旧金山的风景点，在指定时间导游会带你去参观。整个过程都是网络进行。

导游使用360摄像机拍摄实时画面，通过 Youtube360 进行直播，用户在家里戴上 VR 眼镜收看直播。整个过程中，导游会提供实时解说，你还可以跟导游对话。这个服务的价格是，每小时39美元到59美元。

人工智能

社区说｜对话机器人技术在元宇宙之虚拟社交/虚拟替身场景下的应用

让你蒙圈的虚拟数字人走秀，一大批虚拟模特即将到来！

点此加入AI研究人员slack群，和大牛们一同交流进步。

未归类

什么是通证经济？

火遍全球的DAO组织是什么怎样运行的？

No Meetings, No Deadlines, No Full-Time Employees

开始参与（普通玩家篇）

什么是元宇宙，目前最主流的元宇宙平台介绍！

2022年3款值得关注的元宇宙沙盒game-Decentraland、The Sandbox等

MetaLand：构建元宇宙，从一砖一瓦开始

一块虚拟土地卖出2700万元，元宇宙平台Decentraland怎么玩？

元宇宙龙头The SandBox介绍：一块土地10万元，如何玩赚？

开始参与（资本篇）

面对元宇宙一脸迷茫无从下手？ 看看核心玩家怎么玩的
Roblox

资讯

经济学家朱嘉明：4分钟讲透 为什么元宇宙能够在2022年成为最大风口？

Meta 开放虚拟世界 Horizon Worlds

1平方cm在元宇宙卖到14万？单价比北京学区房贵多了

继比特币之后，又一行价格开始“疯狂”，一套图可换13套北京房产

韩国首尔市政府发布《元宇宙首尔五年计划》

机器学习的崛起：从材料设计到生物医学、量子计算......再到工业应用

面向计算机架构的机器学习

人工智能十大流行算法，通俗易懂讲明白
线性回归、 逻辑回归、 决策树、朴素贝叶斯、支持向量机（SVM）、……人工神经网络（ANN）

有了这个机器学习画图神器，论文、博客都可以事半功倍了！

画图太丑拿不出手？有人做了套机器学习专用画图模板，还有暗黑模式

“我没有机器学习的学位，却拿到了 DeepMind 研究工程师的 Offer！”

吴恩达给AI领域学生的发展建议

一些前沿研究

Jeff Dean又掀超级智能旋风！谷歌公布下一代AI框架Pathways，全知全能还省电

人工智能是否存在「大统一理论」？
各路大神发表意见。

主动学习（Active Learning）概述及最新研究

TensorFlow 决策森林来啦！

从深度学习到深度森林方法（Python）

谷歌提出最新时序框架--Deep Transformer

综合LSTM、transformer优势，DeepMind强化学习智能体提高数据效率

CVPR 2021 | 不需要标注了？看自监督学习框架如何助力自动驾驶

强化学习vs遗传算法-人工智能在模拟领域的应用

开启生成式视频压缩：谷歌基于GAN来实现，性能与HEVC相当

Jeff Dean长文展望：2021年之后，机器学习领域的五大潜力趋势

2022 年新兴深度学习趋势

【47页综述】牛津大学联合7家单位发布AutoRL综述，还在手动调参吗？你已经落后了

2202年了，“小样本”还值得卷吗？

大型课程

图灵奖得主LeCun亲授，深度学习课程在线发布｜资源

是时候学习机器学习系统设计了！斯坦福CS 329S开课，课件、笔记同步更新

Jupyter笔记本实现，慕尼黑工大220页免费书籍介绍基于物理的深度学习

CMU邢波出任校长的全球首个AI大学，已招收101位学生，你心动了吗？

在家上名校——哈佛MIT等全套CS本科课程，为你备齐了！

TensorFlow 的视频学习资源哪里找，来这里看个够

针对中学生开发的初学者免费AI / ML课程入门

深度学习“四大名著”发布！Python、TensorFlow、机器学习、深度学习四件套（附免费下载）

机器学习入门指南（2021版）

《深度学习500问》正式出版！GitHub星标数超4.2万的火爆之作 | 赠书
集百家所长，凝聚了众多一线科研人员及工程师的经验，可以培养读者发现问题、解决问题、扩展问题等方面的能力，真真正正地称得上一本书入门深度学习！

周志华、李航、邱锡鹏、李沐、Aston Zhang 5位专家指导，机器之心发布ML术语中英对照词表

零散的知识点

小小几张图，把深度学习讲透彻

训练神经网络的技巧总结

深度学习探秘-了解神经网络的分步教程

神经网络的6种基本结构

炼丹侠必知的11大神经网络结构​汇总！
Perceptron、Feed-Forward Network(FNN)、Residual Networks (ResNet)、Recurrent Neural Network (RNN)、Long Short Term Memory Network (LSTM)、Echo State Networks(ESN)、Convolutional Neural Network (CNN)、Deconvolutional Neural Network (DNN)、 Generative Adversarial Network (GAN)、Auto Encoder (AE)、Variational Auto Encoder (VAE)

收藏 | 超生动图解LSTM和GPU

Transformer 架构逐层功能介绍和详细解释

TabTransformer：用于表格数据的Transformer

有史以来最好的图神经网络科普

迁移学习简介

【深度玄学】为何Bert三个Embedding可以相加

机器学习中缺失值处理方法大全（附代码）

为什么独热编码会引起维度诅咒以及避免他的几个办法

类别型特征编码大汇总！

十大重要的时间组合特征！

我们为什么要构建组合特征？

使用神经网络的自动化特征工程

优化器怎么选？一文教你选择适合不同ML项目的优化器

模型泛化不必随机训练，全批量GD媲美SGD，网友：计算成本负担不起

速度堪比Adam，准确率媲美SGD，还能稳定训练GAN：全新优化器成为NeurIPS爆款

8个深度学习中常用的激活函数
Sigmoid、tanH、Softmax、 RELU 线性整流单元、Leaky ReLU、ELU、SELU、Swish、

激活函数其实并不简单：最新的激活函数如何选择？

深度学习各种 Normalization 方法小结

模型融合方法大总结！

• 1. 投票法、
• 2. 平均法、
• 3. 排序法
• 4. Stacking
• 5. Blending

CatBoost, XGBoost, AdaBoost, LightBoost，各种Boost的介绍和对比

神经网络上分的十大学习率衰减策略汇总！
分段常数衰减、指数衰减、自然指数衰减、多项式衰减、倒数衰减、余弦衰减、循环学习率衰减、线性余弦衰减、噪声线性余弦衰减、自定义学习率

如何防止我的模型过拟合？这篇文章给出了6大必备方法

• K-折验证
• 更多数据（包括数据增强）
• 移除特征
• 早停
• 正则化（L1 惩罚的目的是优化权重绝对值的总和，L2 惩罚权重值的平方和）
• Dropout

机器学习算法常用指标总结

评价指标为何如此必要？有哪些设计之道？

数据竞赛之训练集测试集分布检测大法！

竞赛思考：如何用多任务学习提升单任务学习的指标？

【资源推荐】深度学习模型大合集

使用Scikit-Learn pipeline 减少ML项目的代码量并提高可读性

机器学习核心知识点整理分享

强烈推荐！斯坦福讲师出版《机器学习面试》书稿，涵盖200+考点！

数学

微积分、线性代数、概率论，这里有份超详细的ML数学路线图

机器学习中的线性代数入门教程

如何入门线性代数？这里有一份Python线性代数讲义

Meta Learning / Auto ML / Auto DL / FastAI/ No-Code AI

推出 Model Search：寻找最佳 ML 模型的开源平台

推荐这三个超参优化库（附python代码）

Optuna：席卷Kaggle的调参神器，NN和树模型通吃！

【资源推荐】深度学习自动化（神经架构搜索和超参数自动优化）相关资源大列表

AutoML，攻克机器学习中超参调优难题

AutoML大提速，谷歌开源自动化寻找最优ML模型新平台Model Search

使用Fastai中的学习率查找器和渐进式调整大小提高训练效率

案例分享 | No-Code AI：用 ElasticDL 和社区 Keras 模型库实现大量小众预估场景

苹果华人研究员实现无代码深度学习！全自动AI训练平台，只需上传数据集

Auto-Sklearn：通过自动化加速模型开发周期
AutoML是对机器学习管道中的数据预处理、特征预处理、超参数优化、模型选择和评估等任务进行自动化的过程。Auto-Sklearn使用流行的Scikit-Learn机器学习框架自动完成上述任务。下面的图片展示了自动学习的工作原理。

Auto-Sklearn：使用 AutoML 加速你的机器学习模型

Auto-Sklearn使用贝叶斯优化和热启动(元学习)来找到最优的模型管道，并在最后从单个模型管道构建一个集成。让我们检查Auto-Sklearn框架中的不同组件。

可视化/可解释AI

TensorBoard的最全使用教程：看这篇就够了

TensorBoard 的主要功能包括：

• 可视化模型的网络架构
• 跟踪模型指标，如损失和准确性等
• 检查机器学习工作流程中权重、偏差和其他组件的直方图
• 显示非表格数据，包括图像、文本和音频
• 将高维嵌入投影到低维空间

深度学习训练过程可视化（附 Github 源码）

时序可视化新绝技PyCatFlow！

TruEra 开源“TruLens”，一个用于深度学习可解释性的跨框架 Python 库

工程 / 环境 / MLOps

一文全览机器学习建模流程（Python代码）

不可错过！台湾清华大学吴尚鸿教授最新《大规模机器学习》2020教程，附教程地址

吴恩达那场十万人观看的讲座，如今有了专项课程

一文看完吴恩达最新演讲精髓，人工智能部署的三大挑战及解决方案

【视频】吴恩达演讲直指AI落地三大挑战，并提出解决方案

8大理由，让你选择MLflow管理机器学习模型

「炼丹」师的福音！支持AMD GPU，PyTorch 1.8来了！

训练大模型也不怕，轻量级TorchShard库减少GPU内存消耗，API与PyTorch相同

【模型压缩】深度卷积网络的剪枝和加速（含完整代码）

使用torch.package将pytorch模型进行独立打包

分布式机器学习中的拜占庭问题

机器学习模型部署都有哪些坑？剑桥研究者梳理了99篇相关研究

ML Metadata：ML 的版本控制
在编写代码时，您需要追踪代码进行追踪版本控制。那么 ML 的版本控制是什么？如果您正在构建生产 ML 系统，您需要能够回答如下问题：

• 模型是基于哪个数据集进行训练的？
• 使用了哪些超参数？
• 创建此模型时，使用了哪个流水线？
• 创建此模型时，使用了哪个版本的 TensorFlow（和其他库）？
• 是什么导致了此模型失败？
• 上次部署的模型版本是什么？

5分钟搭建强大又好用的深度学习环境

一行命令装下所有「炼丹」工具及依赖项，就靠这个免费软件源了｜教程

按领域的hardcore

计算机视觉

YOLO-v4目标检测、换脸、视频上色全部实时手机端实现，美国东北大学等提出全自动实时移动端AI框架

多动图预警！AI还原古代遗迹，疫情期间带你穿越时空

PIFuHD简介：使用AI从2D图像生成人的3D高分辨率重建

可以提高你的图像识别模型准确率的7个技巧

Python让你成为AI 绘画大师，简直太惊艳了！（附代码））

搜图、裁剪一步到位，有人用YOLOv5和CLIP做了一个找图神器，在线可试用

AI靠什么超越人类修图师？万字长文看懂「美图云修」AI修图解决方案

无需卷积，完全基于Transformer的首个视频理解架构TimeSformer出炉

Gan

41 Creative Tools to Generate AI Art
AI生成图像、视频、人声、文本段落等

时序

量化 | 时间序列分析初学者指南

时间序列预测的五种策略

关于时间竞赛，不得不知的十大模型。

时域卷积网络TCN详解：使用卷积进行序列建模和预测

时间序列竞赛必知的几大神经网络模型

使用TensorFlow和深度混合学习进行时间序列预测

如何在时间序列预测中检测随机游走和白噪声

时序可视化新绝技PyCatFlow！

LSTM 和 TCN 能记住多长时间的依赖关系？

Transformer在时间序列预测中的应用

金融/量化交易

2020年度Top10文章 | 机器学习篇

机器学习应用资产管理系列一：强化学习策略​（附代码）

Two Sigma：通过机器学习识别市场状态

Optiver股票大赛Top2开源！

一文读懂：强化模型如何运用交易？

股票市场交易中的强化学习

DL炒股算法！

异常检测

用深度学习实现异常检测/缺陷检测

10分钟掌握异常检测

图神经网络应用于时间序列异常检测

推荐系统和大数据杀熟

从零开始了解推荐系统全貌

元宇宙

社区说｜对话机器人技术在元宇宙之虚拟社交/虚拟替身场景下的应用

Kaggle

2020 Kaggle 10大竞赛方案汇总

Kaggle Top1% 是如何炼成的！

Kaggle 大神Dan Becker与你分享他的数据科学之旅！

我，14岁初中生，从零开始拿到了Kaggle竞赛冠军

1. kaggle竞赛宝典-竞赛框架篇！

2.1 赛题理解，分析，规划之赛题理解与分析!

2.2 kaggle竞赛宝典-回归相关指标优化!

2.3 kaggle竞赛宝典-二分类相关指标优化！

2.4 kaggle竞赛宝典-多分类相关指标优化！

2.5 数据竞赛规划!

3.1 数据探索分析-全局数据探索分析!

3.2 数据探索分析-单变量数据分析!

3.3 数据探索分析-交叉变量分析篇！

3.4 训练集测试集分布不一致性探索!

4.1 kaggle竞赛宝典-样本筛选篇！

4.2 kaggle竞赛宝典-样本组织篇！

5. 验证策略设计!

6.1. 模型理解、选择--GBDT!

6.2.模型理解、选择--XGBoost！

6.3.模型理解、选择--LightGBM！

6.4.模型理解、选择--CatBoost！

7.1 特征工程--为什么要做特征工程！

7.2 特征工程-无序单无序类别特征特征工程！

7.3 特征工程-有序类别变量&单数值变量特征工程！

7.4 特征工程-单时间变量特征工程！

7.5 特征工程-文本特征工程上篇！

7.6 特征工程-文本特征工程下篇！

7.7 特征工程-图像特征工程上篇！

7.8 特征工程-图像特征工程中篇！

7.9 特征工程-图像特征工程下篇！

7.10 特征工程-我们为什么要构建组合特征？

7.11 特征工程-无序类别特征+无序类别特征!

7.12 特征工程-无序类别特征+有序类别特征！

7.13 特征工程-无序类别特征+数值类别特征！

一些有趣的AI应用举例

总览

Google X的机器人开始打工！进咖啡馆擦桌子：擦的很慢，但我们一直在做

机器人咖啡师来了，口感不输咖啡大师，效率一个顶三

机器人钢管舞

人工智能评估大学申请人

【移民新闻】 好消息‼️ 加拿大签证审批时效将加快🧐使用AI系统审理签证👏🏼AI在签证审理过程中究竟扮演什么样的角色呢？

人工智能合成的音乐

一部手机，万物皆可复制粘贴，这位兼职写代码的设计师将AR玩出了新高度

10秒搞定建筑日夜景转换，还自带中秋月光

DeOldify可以使用完整的真实感渲染为您的黑白照片着色

Chimera Painter：使用 GAN 构建大量风格奇幻的卡牌游戏图像

AI Picture Restorer（AI老照片修复）

有码变高清！连头发都能还原的AI马赛克修复神器出现了

设计师你们还坐的住吗？2021 PS 进入人工智能 P 图时代

一键生成方案，AI能否干翻建筑师？

成为GPT-3的甲方，让它来帮你设计网站

蓝湖「设计图转代码」前端代码一键生成，UI 还原度高达 98%！

程序员失业第一步？斯坦福研究员用AI从编译器反馈中学习改Bug

AlphaCode：AI编程，程序员集体失业？

告别手敲 SQL ？GPT-3 自动帮你写

自动写代码指日可待！Facebook迁移学习新突破，代码补全准确率超50%！

手残党的福利：AI 自动绘画黑科技

This X Does Not Exist： AI 生成的仿真项目，比如不存在的人、车、动物等等不存在的一切

用AI「复活」逝者：「深度怀旧」项目火遍推特，我们也用民国老照片试了下

DALL·E: Creating Images from Text

OpenAI祭出120亿参数魔法模型！从文本合成图像栩栩如生，仿佛拥有人类的语言想象力
例如下面是“鳄梨形状的扶手椅”：

太赞了！英伟达又一突破，输入关键词就可以生成直逼摄影师的大片

没时间看电影追剧？AI 一键让影视变漫画

搜图、裁剪一步到位，有人用YOLOv5和CLIP做了一个找图神器，在线可试用

这个开源项目有点吓人：视频对象移除

MockingBird
只要几秒的原始讲话录音就能克隆该声音的中文语音克隆库

只需 3kbps 就能清晰通话，Google 又一音频神器开源！

微软 TTS（微软最新的机器语音库）

41 Creative Tools to Generate AI Art
更多AI生成图像、视频、人声、文本段落等

事故

AI 事故数据库

点此加入AI研究人员slack群，和大牛们一同交流进步。

长按下方二维码可在浏览器中阅读：

整理和归纳quant这个领域的好文章和大家分享。

认识/全貌

炸了！量化真的这么赚钱吗？不了解别入坑 ！

量化 | Quant是做什么的？有哪几种Quant？Quant的工作领域？

干货| 量化金融经典理论、重要模型、发展简史大全

量化 | 起底量化交易的发展之路

量化交易策略模型的种类有哪些

• 趋势跟随策略
• 均值回复策略
• 技术情绪型策略
• 价值型/收益型策略
• 技术情绪型策略
• 品质型策略

全球顶尖的程序化交易模型汇总

数字货币交易策略大全！

• 技术分析
• 套利
• 做市算法

【量化策略】经典期货量化策略有哪些？
均线、菲阿里四价（期货）、布林线均值回归、网格交易、跨期套利、跨品种套利、海龟交易法、Dual Thrust、R-Breaker、做市商交易、alpha对冲

拆解量化交易模型

量化交易系统设计细节

一文读懂：量化交易策略评价指标

数字货币交易策略大全！

博主作品选集

量化交易的研究方向/门派

• 基本面量化
• 量化套利
• 事件驱动
• 大数据模型：
  • 无神经网络的机器学习
  • 深度学习/神经网络
• 异类指标

量化交易中，从一个想法的提出到实盘运行
大致要经历以下阶段：

（文章未写完）量化交易系统都由哪些逻辑与功能模块构成？

首先是框架/核心库/公共组件这块：

如果公司只是使用自有资金投资和交易，可能需要查看、业绩汇总/报表和实现必要时紧急干预交易的系统，我们称之为交易管理系统（Tms，Trade Management System）；如果公司要面对C端用户/投资人（这里指散户和大客户投资人，不是股权投资人），可能需要客户与资产管理系统（CATM，Client & Asset Management System）。

把框架/核心库/公共组件和管理系统独立开来是为了做到资源重用和低耦合。
资源重用表现在，无论是研究人员做策略研究， 还是系统开发人员做系统开发，他们都可以复用框架/核心库/公共组件，避免重复造轮子。
低耦合表现在，管理系统 和 框架/核心库/公共组件 可以独立演进和版本升级，万一出了问题不会互相影响。

量化公司的技术团队都需要哪些方面的人才，以及为什么需要？

通常他们都有量化交易系统，有系统的地方就需要有架构师做架构设计与规划，所以首先需要架构师。

首先由解决方案架构师根据种种因素（公司的实际需求、财力和技术实力）分析，确定这个系统是组建内部团队研发、外包、购买还是找个开源方案凑合使用。

如果最终确定组建内部团队研发自有知识产权的系统，那就到了系统架构师做架构设计了。上面文章《量化交易系统都由哪些逻辑与功能模块构成？》 就是一个经典的架构设计方案。

接下来就是系统的开发。

完成后， 策略研究人员就可以基于这些成果研究策略了（详见下方文章），交易员也可以在这些系统上跑实盘策略。

给程序员和数据分析师的5分钟极速入坑量化交易课程
看看量化交易主体——策略研究工作大致长啥样的。

Together, let us seize the moment | 出发吧
主要介绍量化交易和 计算机系、数学系、金融系、人工智能系的交集，以及量化交易带来的机会和前景。
Ps1. AI人才负责构建模型，模型通常还得整合到上方的量化交易系统中才能跑实盘
Ps2. 上方文章 《量化公司的技术团队都需要哪些方面的人才，以及为什么需要？》 中的“策略研究/机器学习/深度学习类”可以看出AI研究方向包括哪些

基础知识学习

想从事量化，到底应该学习哪些知识？

量化交易初学者10本必备书籍（附下载链接）

YYDS！大赛证书+带薪实习机会+15万现金奖励 全国大学生量化交易赛开始报名！

分享

2021『量化圈』年度最佳论文出炉（附下载）

量化 | CTA策略正在度过最艰难的岁月

2021CTA策略新趋势！

量化 | 如何搭建统计套利以及均值回归策略

一文读懂：Gamma Scalping策略如何赚钱？

图解正反马丁格尔策略

α、β收益及其策略构建

收藏！海外顶级分析师教你5大指标判断牛熊

黄奇帆：金融的本质（透彻好懂）

交易基础——基本面分析

商品基本面分析框架vs资金的逻辑与手法

从量化到高频交易，不可不读的五本书

交易 | 《以交易为生》作者亚历山大·埃尔德的期货股票秘密武器：价格通道

交易 | 知名女明星竟是"交易大神"，17岁夺交易冠军，12个月盈利率高达1000%

交易 | 交易13年，从均线到周期理论，我总结了这10大高胜率策略,看看哪个最适合你！

资深金融交易大佬20年心血总结，每一条都是实战精华...

在算法交易中最应避免的10个错误

G-Research：量化研究员面试『真题』

从其它行业转行过来

从量化菜鸟到大佬！看量化交易工作者的一天是如何度过的？
先看看（吃瓜）再确定要不要转。

交易 | 8大理由，告诉你为什么人人都应该学会做交易

找到适合你的职业——非科班交易员的逆袭之路

知识、实践、证书！小白如何迈入金融世界！

量化 | 干货整理 成为量化分析师的入门书单

519的爆仓惊魂！我花10万美金买的教训
交易有风险，入圈请谨慎。

From 基本面/价投

价值投资理念的恶果：美一价投基金经理自杀（扫描而二维码可观看视频）

量化 | 专职奶爸的投资自白：用了15年发现，我不适合价投，适合量化投资

From IT

博主作品选集

量化 | 从工程师到量化金融-如何进行过渡

职分享：如何从Engineer转到Quant？

和其它领域/学科

和机器学习

2020年度Top10文章 | 机器学习篇

机器学习应用资产管理系列一：强化学习策略​（附代码）

Two Sigma：通过机器学习识别市场状态

Optiver股票大赛Top2开源！

一文读懂：强化模型如何运用交易？

股票市场交易中的强化学习

DL炒股算法！

技术：如何设计真正有效的AI交易系统?

和数学

【麻省理工公开课】数学在金融中的应用

关于考证

证书 | 最全金融类证书指南，帮你选择最利于求职的

金融证书 | 揭露！金融证书明码标价！附2021年报价！

金融行业12个含金量高的证书盘点，你更喜欢哪一个？

证书 | 拥有这几个证书，在金融行业真的可以“为所欲为”！

CFA持证人能赚多少钱？

求职 | 考CFA有用, 是本世纪最大的谎言

CFA持证人能赚多少钱？

证书 | CPA报考科目搭配技巧！（建议收藏）

长按下方二维码可在浏览器中阅读：

架构与AI

跨阶秘籍！从传统架构师到AI架构师，你差这辆百度「直通车」
Jeff Dean不也是架构出身的嘛。

从零开始了解推荐系统全貌
而像这种系统的架构设计，很显然就需要运营分析、机器学习、架构设计等至少3方面知识。

是时候学习机器学习系统设计了！斯坦福CS 329S开课，课件、笔记同步更新

面向计算机架构的机器学习

编程/开发也要懂的架构设计知识

分布式事务的七种解决方案

天天写业务代码，如何成为技术大牛？

软件工程必看——10条你最容易忽视的经典法则

简直牛逼，那些对软件开发人员有用的定律、理论、原则和模式

设计模式

23 种设计模式的通俗解释，虽然有点污，但是秒懂

架构

软件架构到底是要解决什么问题？

什么是架构及架构的本质？

架构师究竟比高级开发厉害在哪？

中国优秀的架构师是不是出现了严重断层？

微软：软件工程基本原则检查表

【超赞】技术架构的战略和战术原则

大规模业务技术架构设计战略与战术（架构师必看）

• 战略层设计原则:
  • 1.1 合适原则
  • 1.2 简单原则
  • 1.3 演化原则
• 战术层设计原则:
  • 2.1 高并发原则
  • 2.2 高可用原则
  • 2.3 业务设计原则

我做系统架构的一些原则

应用架构之道：分离业务逻辑和技术细节

• 典型应用架构:
  • 1. 分层架构
  • 2. CQS(Command Query Separation，命令查询分离)
  • 3. 六边形架构
  • 4. 洋葱圈架构
• COLA 应用架构: 作者主推（COLA 开源地址：https://github.com/alibaba/COLA）
  • 1. 分层设计
  • 2. 扩展设计
  • 3. 规范设计
  • 4. COLA 架构总览：
       

六种常见系统架构 - 基础篇

1. 单库单应用架构：最简单的，可能大家都见过
2. 内容分发架构：目前用的比较多
3. 读写分离架构：对于大并发的查询、业务
4. 微服务架构：适用于复杂的业务模式的拆解
5. 多级缓存架构：可以把缓存玩的很好
6. 分库分表架构：解决单体数据库瓶颈

四种软件架构概述

• 一、单体架构
• 二、分布式应用
• 三、微服务架构
• 四、Serverless架构

程序员必知的7种软件架构模式
主要有下面这7种架构模式：

1. 分层架构
2. 多层架构
3. 管道 - 过滤器架构
4. 客户端 - 服务器架构
5. 模型 - 视图 - 控制器架构
6. 事件驱动架构
7. 微服务架构

硬核！10个常见的软件架构模式

• 分层模式:
  • Presentation layer 表示层（也就是UI层）
  • Application layer 应用层（也就是服务层）
  • Business logic layer 业务逻辑层（也就是领域层）
  • Data access layer 数据访问层（也就是数据持久层）
• 客户端-服务器模式
• 主从模式
• 管道过滤模式
• Broker模式
• P2P模式
• 事物总线模式
• MVC模式
• 黑板模式:
  • 黑板—— 一个结构化的全局内存，包含解决方案领域的对象
  • 知识源——具有自身含义的专业模块
  • 控制组件——选择、配置和执行模块
• 解释器模式

五分钟理解软件架构模式

「领域驱动设计」DDD,六边形架构，洋葱架构，整洁架构，CQRS的整合架构

关于架构设计的易变性，应该如何理解呢？

企业架构 | 中台是什么？

中台反思：技术中台设计架构

从零开始学架构（四）需求分析

从零开始学架构（六）架构细化和架构视图

系统架构设计师32小时通关笔记：五、软件开发生命周期基础知识
常见软件生命周期模型阶段分为以下阶段：可行性分析阶段 -> 需求分析阶段 -> 软件设计阶段 -> 软件测试阶段 -> 软件运行和维护阶

• 软件开发生命周期模型：
  • 瀑布模型
  • 迭代式模型
  • 快速原型模型
  • 螺旋模型
  • 敏捷开发
  • 极限编程
  • 统一软件开发过程RUP（Rational Unified Process）

如何画好架构图

阿里技术专家：一文教你高效画出技术架构图
架构图分类：场景视图、逻辑视图、物理视图、处理流程视图和开发视图。
画图方法要掌握：语境图(System Context Diagram)、容器图(Container Diagram)、组件图(Component Diagram)、类图(Code/Class Diagram)

从零开始搭建公司后台技术栈，这套架构绝了...

作为技术负责人，如何从0搭建公司后端技术栈
相对于web2.0应用来说， 包括 4 个层面的内容：

• 语言：用了哪些开发语言，如：C++/Java/Go/PHP/Python/Ruby 等等；
• 组件：用了哪些组件，如：MQ 组件，数据库组件等等；
• 流程：怎样的流程和规范，如：开发流程，项目流程，发布流程，监控告警流程，代码规范等等；
• 系统：系统化建设，上面的流程需要有系统来保证，如：规范发布流程的发布系统，代码管理系统等等；

搞懂异地多活，看这篇就够了

一些细分领域的实战举例

电商供应链系统的DDD架构设计实战

深度长文，秒杀系统的架构分析与实战

电商支付架构设计（全）

支付运营平台架构设计

Uber系统架构设计

从零开始了解推荐系统全貌
而像这种系统的架构设计，很显然就需要运营分析、机器学习、架构设计等至少3方面知识。

微服务

一文读懂微服务架构规划，真yyds！

一张图看懂微服务架构路线

微服务的设计模式

微服务架构设计中的设计模式、原则及最佳实践

这12张手绘图，让我彻底搞懂了微服务架构！

微服务体系中的分层设计和领域划分！

4 种主流的 API 架构风格对比

The right way to turn off your old APIs

设计原则：接口隔离原则(ISP)

Linkedin 工程团队专门写给新人的 SRE （站点可靠性工程）教程
介绍了一个 DevOps 工程师需要掌握的各种基础知识。

微服务之Kubernetes专题

Kubernetes: The Documentary | 中文字幕完整版
介绍Kubernetes 项目起源以及很多背后故事的记录片，点击图片观看英文原版

MLOps：Dockers 、 Kubernetes 的基础知识和要点

Kubernetes常用术语

Kubernetes 的这些核心资源原理，你一定要了解

K8s kubectl 常用命令总结（建议收藏）

两个助你高效编写 Kubernetes YAML 文件的神技

6 张超漂亮又实用的 Kubernetes 架构图

成为K8S专家必修之路

60道常见的 Kubernetes 面试题总结

23个Kubernetes高频面试题汇总

必须知道的 Kubernetes 设计模式 Top 10

Kubernetes 集群规划之规模与节点大小

k8s两种部署架构，你们是哪一种？

Kubernetes 多租户（第 1 部分）

K8S安全配置最佳实践

使用Kubernetes，一个人如何支撑起创业公司运作？

牛逼，一个人竟然可以做这么多事

kubernetes创始人教你如何实现可靠的零停机升级

K8s 高可用集群搭建，来自B站、大疆、网易的最佳实践 和 Google的Site Reliability Engineering (SRE)学院

浅析 Kubernetes 多集群的几种方案

如何部署具有内置灾难恢复功能的跨云 Kubernetes 集群

12个Kubernetes最佳安全加固指南

K8s中使用cert-manager申请免费的Https证书

Kubernetes 部署微服务利器 Helm

Serverless架构

Deploy your side-projects at scale for basically nothing - Google Cloud Run

架构与量化交易

有系统的地方就有架构设计，量化交易系统也如此。

量化交易系统设计细节

书籍：量化工程师必读！自我提升的6本书
原来做量化也是要读《大话设计模式》的啊😮

更多

什么是 Web 3.0?

走进 Web3

元宇宙还没来得及消化，web3.0又把我整懵了

了解区块链、元宇宙、Web3之间的关系
Web3.0是互联网的一种新范式；区块链是Web3的技术支撑； Web3是元宇宙的基础设施。

Web3js：以太坊-区块链开发者教程

编程需要多少数学？

Top 10 GitHub best practices for developers ： github 最佳实践

Git使用教程：最详细、最傻瓜、最浅显、真正手把手教！(建议收藏)

Git 最佳范例

Gitless ：a simple version control system built on top of Git

谷歌的技术文档写作指南

如何撰写技术文档

数据库设计的10个最佳实践

数据库迁移有什么技巧？|分享强大的database迁移和同步工具

让程序员崩溃的 8 个瞬间，太难了！

累死累活的业务前端该如何突围？

推荐一大批在线工具

个人开发者福音：免费 API 列表大全！

迄今为止程序员写过的最大Bug：亏损30亿、致6人死亡，甚至差点毁灭世界

上面都是笔者收集的资料（平常看过的文章），也许能给大家大致展现架构研究的范畴大致是怎样的。

最后唠嗑两句：本以为把工作中心转移到“AI技术量化交易中的应用”后，日常工作内容对架构知识的要求会降低，现实和经历让我发现，其实也没有降低多少。

扫描或者长按识别下方二维码可在浏览器中阅读：

"VsCode! But in a browser tab"

"VsCode! But in a browser tab"

what can everybody [in the team] do what with "VSCode Cloud IDE for Teams", and how is that possible?

Imagine that we have Kubernetes admin, Team Leader(s), Developers/DevOps in a team.

Developers/DevOps

Open a new VSCode Cloud IDE window by clicking the link which your team leader sent to you, enter a password and start coding whithin your web browser tab. The language environment, git, vscode extensions, command line tools and project dependencies such as Redis, MySQL has been set up and well config-ed for you.

Team Leader

Open a new VSCode Cloud IDE window by clicking the link that Kubernetes admin sent to you, provider your team members a consistent dev environment by editing some dockerfiles and docker-compose.yaml files. And sent them the link.

Kubernetes Admin

Deploye the system using helm or kubectl, and send the link to team leader(s). Duplicate a new one in seconds.

getting started

Here is an example in action.

Kubernetes Admin: Deploye the system using helm or kubectl

Knowledge of these field/tools are required for Kubernetes Admin:

• Docker.
• Kubernetes, Kubectl.
• (optional)Helm.
• Code-sever (which powers this application)

Using Helm

Steps:

clone the code from https://github.com/comeUpWithItLater/vscode-cloud-ide-for-teams. edit the values.yaml within the /helm-chart dir, and change the following config(s) accordingly.

# will be used to generate links than open the vscode-cloud-ide window.
url-tmpl: https://<host>/<team-name>/<username>/<environment>

# which you need to ceate manually upon installation.
tls-secret-name:  tls-for-vscode-cloud-ide 

# will be used to generate links than open the vscode-cloud-ide window.
host: vscode-cloud-ide.your-domain.io

# name of the team who will be using this helm install 
team-name: team-001a

# the default storage class which will be used to provision pv/pvc,  need to be ceated upon installation.  
defult-storage-class: local-storage.

# port that  code-server listen to
code-server-port: 8080

and then hit helm install *** . Note down the link(which will be printed after the installation is done) and send it to team leader. One link per team or team leader.

Using Kubectl

Hard to present with a few paragraphs. Maybe wait for the video tutorial.

@todo: video tutorials here.

Team Leaders: config dev environment for your team members just by editing some dockerfiles and docker-compose.yaml files

Knowledge of these field/tools are required for team leaders:

• Docker.
• Kubernetes, Kubectl.
• Code-sever (which powers this application)
• Knowledge of toolchain and programming language(s) that your team is using.

(optional) walk through these steps to get to know how Code-sever works b4 going ahead.

• click the the link that Kubernetes Admin sent to you, exec docker run -p 33066:80 phpmyadmin in the terminal of your current vscode-cloud-ide window.
• wait a few seconds, and make sure the new container is ready by exec docker ps , then fire a curl localhost:33066 command and check the respond result from the phpmyadmin container.
• or you might install a postcode (postman in vscode) extension by clicking the extension icon on the left nav of your vscode-cloud-ide window, and inspect the result from localhost:33066 using postcode.
• try accessing phpmyadmin in your local browser tab by following instructions in https://coder.com/docs/code-server/latest/guide#accessing-web-services

Plus your Docker and Kubernetes skills, now you've possessed enough knowledge to create dev environment for your team members in VSCode Cloud IDE for Teams.

for teams that already using containerized dev environment

Let's say that you want to create a python 3.9 environment for your team members.

There is an example named python-example under the example dir of https://gitee.com/comeUpWithItLater/vscode-cloud-ide-for-teams . let's inspect the dockerfile and docker-compose.yaml a bit, just to get a sense of how it work.

# ...

# install code-server
RUN curl -fsSL https://code-server.dev/install.sh | sh

# install vscode extensions that your team member might use.
# plz note that they can also intall more later
RUN code-server --install-extension ms-python.python

# you can always change this here or with `services.<name-of-your-service>.command` yaml node in docker-compose.yml
CMD code-server --bind-addr   0.0.0.0:8080  <your project root or /root/vscode-workspace by default>

#...

the docker-compose.yaml looks like this.

version: '3'

services:
  # redis:
  # mysql
  # rambitmq 
  # and etc...
  # .....
  python-example:
    image: 
      build:
        context: ./
    command: ["code-server", "--bind-addr", "0.0.0.0:8080", "/usr/src/projec-num-001/"]
    environment:
      tz: Asia/Shanghai
    ports:
      # port for code-server
      - 32080:8080
      # ports for your app 
      - 32081:8081
      # ...
    volumes:
      # project 001 for team 001 and user 01a25
      ./project-num-001/team-001-user-01a25:/usr/src/projec-num-001
      # dir to shared across your teams/project/corporation 
      ./project-num-001/project-shared:/mnt/shared/project-shared:ro
      ./project-num-001/team-shared:/mnt/shared/team-shared:ro
      ../corporation-shared:/mnt/shared/corporation-shared:ro
      

exec docker-compose up -d, following https://coder.com/docs/code-server/latest/guide#accessing-web-services and shared the link to your team member(s).

FAQ

Q: Is it possible remove team leader(s) role and have the Kubernetes Admin set up environments for team members?
A: Yes, it's technically possible. But you wonldn't be able to replicate environments and organise your work with docker-compose.

for teams not yet using containerized dev environment

Walk through https://code.visualstudio.com/docs/remote/containers#_quick-start-try-a-development-container
first, then the step is identical to the above section.

Developers/DevOps: just start coding

messed up?

Ask your team leader to reset your evn by exec docker-compose down && docker-compose up -d within your project dir.

Deferences with other solutions?

I'm not sure. but plz consider:

VSCode Cloud IDE for Teams是部署在Kubernetes集群的VSCode云IDE，只需要Kubernetes管理员花几分钟部署，即可为数十乃至数千人的团队成员提供一致的，或者有差别的VSCode开发环境， 且新增少量团队成员时无需扩容服务器。 团队成员在有网络和web浏览器的手机、平板、pc打开一个链接，输入密码，即可开始码代码。使用体验和桌面版VSCode高度相似。

从team leader和developer的角度看，在web浏览器使用vscode-cloud-ide-for-teams是这样的，点击图片可查看大图

从team leader和developer的角度看，在web浏览器使用vscode-cloud-ide-for-teams是这样的，点击图片可查看大图

Why we need/want that?

• 方便企业的全球员工在任何有网络的地方开始coding工作，只需要在有web浏览器的手机、平板、pc，打开一个链接，输入密码，即可开始工作，连简单的配置和最少的时间都不需要。手机+蓝牙键盘+AR/VR/MR眼镜，效率不输在办公室使用desktop/laptop，搭配可以虚拟5个大屏幕的联想ThinkReality A3眼镜生产力满满。轻松应对疫情期间随时随地都可能降临的隔离。
• 项目代码、文档等一切都保存在服务器，既方便管理员统一备份，也防止各种资料散落在员工的办公室电脑甚至个人电脑上。
• 团队成员之间的workspace可以localhost内网相通（当然也可以设置不相通），方便联合调试。
• 团队成员之间的workspace共享文件就像本地磁盘一样快，因为共享的路径只是一个volume。
• 借助强悍的服务器，项目构建速度比desktop/laptop 快多了。
• 把VSCode Cloud IDE for Teams搭建在网速快的国家，项目构建速度比在本地快多了，在各种包依赖多的项目尤为明显。
• 出差可以不用背沉重的电脑，有手机+蓝牙键盘+AR眼镜即可。或者只背一个省电长续航的轻便的电脑/平板即可。
• 只要有手机+蓝牙键盘+AR眼镜，在上下班的班车上就可以方便地处理工作了。日积月累，这就是许多的work hours。
• 使用你熟悉的docker和docker-compose.yml，快速为新的团队成员duplicate和其他团队成员一致的或者不一致的VSCode Cloud IDE开发环境。
• 远程协助made easy! 把密码和url发给同伴/同事即可。但要记得远程协助结束后改一下密码。
• 利用强大的Kubernetes可以快速为新团队duplicate一套VSCode Cloud IDE for Teams，或者让多个团队共享一套VSCode Cloud IDE for Teams也可以。
• Team leaders always has clues what everybody's dev environments looks like.

what can everybody [in the team] do what with "VSCode Cloud IDE for Teams", and how is that possible?

Imagine that we have Kubernetes admin, Team Leader(s), Developers/DevOps in a team.

Developers/DevOps

Open a new VSCode Cloud IDE window by clicking the link which your team leader sent to you, enter a password and start coding whithin your web browser tab. The language environment, git, vscode extensions, command line tools and project dependencies such as Redis, MySQL has been set up and well config-ed for you.

Team Leader

Open a new VSCode Cloud IDE window by clicking the link that Kubernetes admin sent to you, provider your team members a consistent dev environment by editing some dockerfiles and docker-compose.yaml files. And sent them the link.

Kubernetes Admin

Deploye the system using helm or kubectl, and send the link to team leader(s). Duplicate a new one in seconds.

getting started

Here is an example in action.

Kubernetes Admin: Deploye the system using helm or kubectl

Knowledge of these field/tools are required for Kubernetes Admin:

• Docker.
• Kubernetes, Kubectl.
• (optional)Helm.
• Code-sever (which powers this application)

Using Helm

Steps:

clone the code from https://github.com/comeUpWithItLater/vscode-cloud-ide-for-teams. edit the values.yaml within the /helm-chart dir, and change the following config(s) accordingly.

# will be used to generate links than open the vscode-cloud-ide window.
url-tmpl: https://<host>/<team-name>/<username>/<environment>

# which you need to ceate manually upon installation.
tls-secret-name:  tls-for-vscode-cloud-ide 

# will be used to generate links than open the vscode-cloud-ide window.
host: vscode-cloud-ide.your-domain.io

# name of the team who will be using this helm install 
team-name: team-001a

# the default storage class which will be used to provision pv/pvc,  need to be ceated upon installation.  
defult-storage-class: local-storage.

# port that  code-server listen to
code-server-port: 8080

and then hit helm install *** . Note down the link(which will be printed after the installation is done) and send it to team leader. One link per team or team leader.

Using Kubectl

Hard to present with a few paragraphs. Maybe wait for the video tutorial.

@todo: video tutorials here.

Team Leaders: config dev environment for your team members just by editing some dockerfiles and docker-compose.yaml files

Knowledge of these field/tools are required for team leaders:

• Docker.
• Kubernetes, Kubectl.
• Code-sever (which powers this application)
• Knowledge of toolchain and programming language(s) that your team is using.

(optional) walk through these steps to get to know how Code-sever works b4 going ahead.

• click the the link that Kubernetes Admin sent to you, exec docker run -p 33066:80 phpmyadmin in the terminal of your current vscode-cloud-ide window.
• wait a few seconds, and make sure the new container is ready by exec docker ps , then fire a curl localhost:33066 command and check the respond result from the phpmyadmin container.
• or you might install a postcode (postman in vscode) extension by clicking the extension icon on the left nav of your vscode-cloud-ide window, and inspect the result from localhost:33066 using postcode.
• try accessing phpmyadmin in your local browser tab by following instructions in https://coder.com/docs/code-server/latest/guide#accessing-web-services

Plus your Docker and Kubernetes skills, now you've possessed enough knowledge to create dev environment for your team members in VSCode Cloud IDE for Teams.

for teams that already using containerized dev environment

Let's say that you want to create a python 3.9 environment for your team members.

There is an example named python-example under the example dir of https://gitee.com/comeUpWithItLater/vscode-cloud-ide-for-teams . let's inspect the dockerfile and docker-compose.yaml a bit, just to get a sense of how it work.

# ...

# install code-server
RUN curl -fsSL https://code-server.dev/install.sh | sh

# install vscode extensions that your team member might use.
# plz note that they can also intall more later
RUN code-server --install-extension ms-python.python

# you can always change this here or with `services.<name-of-your-service>.command` yaml node in docker-compose.yml
CMD code-server --bind-addr   0.0.0.0:8080  <your project root or /root/vscode-workspace by default>

#...

the docker-compose.yaml looks like this.

version: '3'

services:
  # redis:
  # mysql
  # rambitmq 
  # and etc...
  # .....
  python-example:
    image: 
      build:
        context: ./
    command: ["code-server", "--bind-addr", "0.0.0.0:8080", "/usr/src/projec-num-001/"]
    environment:
      tz: Asia/Shanghai
    ports:
      # port for code-server
      - 32080:8080
      # ports for your app 
      - 32081:8081
      # ...
    volumes:
      # project 001 for team 001 and user 01a25
      ./project-num-001/team-001-user-01a25:/usr/src/projec-num-001
      # dir to shared across your teams/project/corporation 
      ./project-num-001/project-shared:/mnt/shared/project-shared:ro
      ./project-num-001/team-shared:/mnt/shared/team-shared:ro
      ../corporation-shared:/mnt/shared/corporation-shared:ro
      

exec docker-compose up -d, following https://coder.com/docs/code-server/latest/guide#accessing-web-services and shared the link to your team member(s).

FAQ

Q: Is it possible remove team leader(s) role and have the Kubernetes Admin set up environments for team members?
A: Yes, it's technically possible. But you wonldn't be able to replicate environments and organise your work with docker-compose.

for teams not yet using containerized dev environment

Walk through https://code.visualstudio.com/docs/remote/containers#_quick-start-try-a-development-container
first, then the step is identical to the above section.

Developers/DevOps: just start coding

messed up?

Ask your team leader to reset your evn by exec docker-compose down && docker-compose up -d within your project dir.

Deferences with other solutions?

I'm not sure. but plz consider:

什么是量化交易

都有哪些研究方向/门派

常常社交媒体上看到类似上面信息刺激着我们的神经，想花点钱屯点垃圾币给自己留下几条暴富的后路，亦或加入短期的投机参与财富盛宴或者冒险。 但又不知道从哪里下手？不知道从哪里可以学习到相关的知识？ 不知道从哪里获得相关的工具？

What is Cryptocurrency?

这一部分笔者用最简单的白话文给大家介绍什么是加密货币。

At the very beginning

小明在北美留学，新学期伊始，想让在国内的妈妈汇一笔钱用于学费等开支。小明的妈妈拿起手机打开数字货币钱包app，输入小明的钱包地址、金额、选择智能链/传输链和矿工费，点“发送”，几秒钟至10分钟内小明就能收到这笔钱了。不用走*联汇款，矿工费也比*联汇款的手续费低得多。

一家美国公司给一家印度公司支付一笔“IT外包开发费”时也可以用同样的办法支付，几秒钟至10分钟内到账，不用走SWIFT系统，不用承受高昂的手续费和好几天的等待。

那么这些数字资产转是怎么转过去的？ 注意刚刚的矿工费， 这相当于银行汇款的手续费， 是支付给处理这些数字资产转移的矿机/电脑的owner的。 这就是所谓的挖矿。人人都可以参与挖矿，为资产的转移提供服务并得到相应的报酬，不像开银行，只有某些阶级才能得牌照/审批并从中获利。

这就是早期的一个区块链应用——数字货币和挖矿。

ETH时代

随着智能合约等概念被V神提出，可以把整个以太坊网络当作一台巨型的计算机（EVM），并在EVM上建立各种应用，包括金融应用、社交应用、游戏应用等等。这些应用通常被称之为DAPP（decentralized app，去中心化应用）。 和我们常见的中心化应用相比，DAPP不容易被少数人垄断和独裁控制。

这个时代，人人都可以参与挖矿，为这些DAPP应用提供算力/存储服务并得到相应的报酬。

EOS时代 / 天网雏形

上面ETH时代提出的DAPP由于带来了不少与众不同的新概念，不容易被主流中心化app开发者学习和使用，少有神作出现。

EOS时代采用我们熟知的 CPU、内存、存储等概念……， 不知道某天是否会有人工智能利用上这个网络的算力，然后……， 天网降临。

NFT和元宇宙时代

基础知识和发展史

这一部分的资料主要是给大家建立币圈的基本认识，无论是否有计划参与到后面的应用开发、投机或者投资，多一点谈资也是好事。 而对于想加入应用开发、币圈投机/投资的读者，了解事物的底层原理才能让我们在外面的世界潮起潮落时，内心依然____。

0.CGTN简短的视频介绍加密币

1.油管 《十五分鐘略懂區塊鏈技術：比特幣、以太坊及相關 Dapp, DeFi 應用》

2.B站《区块链革命》

3.《OKEx区块链60讲》 用最简单朴素的语言讲述了区块链的基础知识和一些历史故事。

4.《区块链之新》 共6集，可能是目前最有深度币圈纪录片，上面《OKEx区块链60讲》提到的很多币圈人物也会在这片陆续登场现身说法。

5.BBC出品的《比特币：钱的终结》

6.鱼池丢了8000多的ETH 矿池一哥“神鱼”毛世行怒做CoBo钱包

深入了解

给专业人士的。

1.知名大学的区块链和加密币课程。

开发

程序员才是最了解其底层原理的物种。

0.How to Become a Blockchain Engineer
从入门到……的终极教程。

1.《至今为止最好的区块链教程都在这里了》

2.《精通以太坊——开发智能合约和去中心化应用》

正统金融学基础

加密币也算是一种金融衍生品，与加密币相关的投资/投机也离不开基础金融知识。

1.《什么是远期合约和期货合约？》
2.《什么是永续期货合约？》

投资与投机交易

1.币安的《从这里入坑》 ，或者点此查看pdf版（不需要科学上网）
2.币安的 《新手必读﹕加密货币交易全攻略》，或者点此查看pdf版（不需要科学上网）
3.中心化交易所的 《币安初学者指南》 ，Or去中心化交易所DYDX的 《从这里入坑》
4.《币安合约交易终极指南》
5.《数字货币衍生品Q&A》

无论是手工操作炒币还是量化/程序化/自动化交易，上面1-5的知识可能都是必须的， 而下面6-9是量化/程序化/自动化交易该了解的。

6.发明者的《数字货币量化交易课程》 。 发明者是一个比较知名的量化交易实盘托管平台。

7.在你踏入实盘交易之前得先研究策略，笔者的博客文章《量化交易中，从一个想法的提出到实盘运行》展示了策略研究工作是什么样子的。

8.人工智能可能是量化交易行业的制高点，笔者的博客文章 《Together, 让我们把握AI时代的机遇》 值得一读。

9.想要把加密币投资/投机当作career？ 到这里看看相关公司的岗位招聘是什么样的。

自测题

上面的资料可能并不完全覆盖以下的问题，但是以下问题如果不能答对90%以上，入坑还得谨慎。

• 当币圈人说“给我转1000U”中的“U”是指什么？
• 代码“BTCUSDT”看起来是币本位合约还是U本位合约？
• 何为主流币？ 何为垃圾币？ 有哪些主流币？
• 何为中心化交易所？ 何为去中心化交易所？ 你知道的有哪些知名的交易所？

• 有人给你发了个链接说是xxx交易所app，可以入金在上面炒币，但是你并不认识这个交易所，这时你相信这个交易所是安全的还是不信呢？
• 冷钱包、热钱包、硬件钱包都有什么区别？ 都有哪些知名的钱包？
• 币安的《防钓鱼等安全自测题》
• …… 列表继续丰富中。

长按二维码可选择在浏览器中阅读：

某公司的培训教材脱敏版， 主要介绍交易策略研究的流程。

在新的窗口中打开