jeffliu123的博客

在财务报表里面，比如资产负债表是有很多科目的，比如一家公司有很多的资产，也有很多的负债和所有者权益，我们是不太可能把所有的这些资产项目、负债项目和所有者权益项目都一下弄清楚的。我们要把最重要的问题要弄懂，什么是资产负债表里面最重要的项目呢？可以从下面两种角度来看。

很多朋友习惯了同花顺、大智慧等看盘软件，经常问到筹码分布如何计算。说起来筹码分布的理论在庄股时代堪称是一个划时代产品，虽然历经level2数据、资金流统计、拆单算法与反拆单算法等新型技术的变革，庄股时代也逐渐淡出市场，但其背后的市场逻辑仍然具备一定的参考意义。本篇就以BigQuant平台为基础，复现经典筹码理论的基础变量计算，为因子挖掘提供更多参考特征。

本文介绍了如何计算因子风险暴露的内容。

所谓股票的技术分析，是相对于基本面分析而言的。基本分析法着重于对一般经济情况以及各个公司的经营管理状况、行业动态等因素进行分析，以此来研究股票的价值，衡量股价的高低。而技术分析则是透过图表或技术指标的记录，研究市场过去及现在的行为反应，以推测未来价格的变动趋势。其依据的技术指标的主要内容是由股价、成交量或涨跌指数等数据计算而得的，技术分析只关心证券市场本身的变化，而不考虑会对其产生某种影响的经济方面、政治方面的等各种外部的因素。talib的简称是，主要功能是计算股价的技术分析指标。

趋势跟踪策略是只需需顺势而为的策略，即在价格上涨时买入，在价格开始下跌时卖出。在趋势跟踪策略中，人们的目标不是预测或预测，而只是关注市场上的任何新兴趋势。

公司的基本面因素一直具备滞后性，令基本面的量化出现巨大困难。而从上市公司的基本面因素来看，一般只有每个季度的公布期才会有财务指标的更新，而这种财务指标的滞后性对股票表现是否有影响呢？如何去规避基本面滞后产生的风险呢？下面我们将重点介绍量化交易在公司基本面分析上的应用，即平时常说的。

在平台上可以快速开发股票传统策略和股票AI策略，今天拿市值因子来练手，看看两个策略在2015-01-01到2016-12-31这两年时间各自的收益风险情形。市值因子是国内股票市场能够带来超额收益的alpha因子，已经被验证为长期有效的因子，也是广大私募基金常用的因子之一，传统的选股策略的股票组合大多在市值因子上有很大的风险暴露。。。AI市值策略是通过策略生成器构建策略，采用StockRanker排序模型基于市值因子做预测选股，即AI市值策略只有一个特征：市值。

本文以双均线策略为例，描述如何在策略平台上，开发一个传统的趋势跟踪策略，以更好地理解。双均线策略的策略思想是：当短期均线上穿长期均线时，形成金叉，此时买入股票。当短期均线下穿长期均线时，形成死叉，此时卖出股票。研究表明，双均线系统虽然简单，但只要严格执行，也能长期盈利。

用趋动云GPU线上跑AI项目实践-部署DragGan模型

算法专为量化而生，核心思想是排序学习和梯度提升树。如下图这个模型有20棵决策树组成，每棵决策树最多有30个叶节点。给定一个样本，每个决策树会对样本打分（分数为样本根据判定条件到达的叶节点的值）；最后的分数是所有决策树打分的总和。决策树的结构、判定条件和叶节点的分数等等都是由算法在训练数据上学习出来的。将测试集数据喂给训练好的决策树，则可得到测试集数据数据在该模型上的分数，再根据分数形成股票排序、回归、分类预测，指导后续的买入卖出。BigQuant交易引擎把每一个K线当做一个事件。

从本文开始，按照AI策略开发的完整流程（共七步），上手在BigQuant平台上快速构建AI策略。

1）进入用户工作台，在当前空间处选择注册时系统自动生成的空间（其他空间无免费算力）；2）点击，选择，创建新项目；3）填写项目名称及项目描述；镜像和数据集选择如下；4）点击，其余无需填写，右下角，系统弹出的提示，单击，项目创建成功。找到最右侧-->按照下图进行选择运行初始化中，约5~10分钟，当右侧的和不再是灰色时，表明工具注入成功。此时便可以在此开发环境中通过工具进行模型调优，详情参见下一步。

该部分以为例，学习如何直接通过平台提供的开发环境调用GPU资源1）进入趋动云用户工作台，在当前空间处选择注册时系统自动生成的空间（其他空间无免费算力）；2）填写项目名称及项目描述；3）添加镜像：选择含 TensorFlow 2.x 框架的官方镜像即可；4）添加绑定数据集：选择公开数据集，DogsVsCats。5）其余无需填写，点击右下角，系统弹出的提示，单击，项目创建成功。单击上传文件图标将获取的 DogsVsCats.py 文件上传至项目中。单击右上角的，进入页填写开发环境的初始化配置单击。

选择预训练模型，点击公开，选择不要葱姜蒜上传的这个ChtaGLM3-6B模型。都选完之后，点击右下角的创建，代码选择暂不上传。待会直接clone代码。创建好账号之后，进入自己的空间，点击右上角的创建项目。镜像选择pytorch2.0.1，python3.9。给项目起一个你喜欢的名称，选择本地代码。

在这个项目中，将创建一个卷积神经网络，使用Waymo的数据集来检测和分类物体。您将获得一个城市环境图像数据集，其中包含带标注的骑自行车者、行人和车辆。首先，执行广泛的数据分析，包括标签分布的计算，样本图像的显示，并检查对象遮挡。来自Waymo数据集的夜间图像示例，带有针对车辆和行人的标注使用此分析决定哪些增强对该项目有意义；然后，训练一个神经网络来检测和分类对象。使用TensorBoard监控训练，并决定何时结束。最后，尝试使用不同的超参数来提高模型的性能。

将关于经典路径规划算法的知识应用到KUKA项目1)由于迷宫是未知的，必须执行“边走边搜索”技术。使用地图维度，可以用矩阵形式表示迷宫。从开始的姿势开始搜索，识别一个单元格是空闲的还是被占用的，在搜索的时候更新矩阵，直到达到目标姿势。2)定义一组可以在迷宫中移动的角度。要更新矩阵中单元格的状态(已占用或空闲)，可以更改夹持器的方向角度，并检查是否能够以每个预定义的角度向单元格移动。如果任何预定义的角度返回有效响应，单元格将被更新为空闲。相反，如果所有预定义的角度返回无效响应，则单元格将被更新为已占用

机器人学习-路径规划实验（一）---8.A*:真实世界地图（Real-World Map）附map.txt：

KUKA（库卡）路径规划项目在这个项目中，给定一个迷宫的开始和目标状态,实现一个路径规划算法来搜索路径，然后在迷宫中的6自由度工业机器人的帮助下，将物体从起点移动到目标状态。

这个项目的下一个任务是选择两个不同的目标，根据目标确定方向，以测试机器人达到的能力。我们将这些目标称为取货区和卸货区区域。该部分仅用于测试目的，以确保机器人能够在自主命令它向这些位置移动之前，可到达这些位置。我们将使用ROS导航堆栈，它基于Dijkstra's-统一代价搜索算法（Uniform Cost Search algorithm）的一种变体，来规划机器人从起点到目标位置的轨迹。ROS导航堆栈允许机器人在遇到障碍时重新规划新的轨迹，从而避免其路径上的任何障碍。在使用AMCL进行定位时，已经使用过这