工作的思考与总结(资源更新)

2 篇文章 0 订阅
2 篇文章 0 订阅

我去年八月份研究生毕业后开始了新的人生征途,到一家还不错的国企工作,之所以说这个企业不错,自然不是说的工资待遇了,而是说的行业不错,算是高端制造业吧,初入职场,我并没有把薪水看的太重要,最看重的是工作平台,和接触的同事。在工作的这一年里,我对这个社会的认知的确发生了很大变化,自然也就包括对投资、理财和个人价值方面的认知的变化啦。下面简单谈谈我这一年来的思考。我的思考主要有以下几个方面,

  • 核心   思想:     依旧未变,坚信年轻的我们投资自己才是收益的最大化;
  • 周   期   论:     经济周期、专业周期、资本周期直接影响着我们每一代人;
  • 闲钱   配置:    细说以下最近半年来的理财思路;
  • 能力的思考:   主要介绍一下这一年我的择业观、能力观的变化;

01 核心思想

我一直坚信的理论就是:“技多不压身”,这句话是小时候爷爷奶奶经常挂在嘴边的,当时理解的意思是就是多学点东西,然而活了小30年之后,再细品这句话,却发现了其中的深意。 技艺不单单是指“手艺”,更多的是应该是种能力。具备了某些能力后,生活的压力、生存的压力自然就压不倒你啦。

投资年轻的自己才能实现收益的最大化,我想从以下几个方面阐述一下:

1.投资自己的身体

身体是革命的本钱,投资自己的身体,拥有健康的身体、养成良好的生活习惯,才是我们能获得收益的前提,我们身边有很多人都是赚了大钱,丢了小命,这样的生活自然不是收益最大化的;

2.投资自己的思想

说实话两个月前的我还并没有认识到这个问题,那时候的我一直在拼命学习者IT行业的编程语言、人工智能中的各种算法、自动驾驶中的各种开源算法,当时的我就是那个行业热钱多,我就想进那个行业,也没有考虑过我的能力和兴趣(说实话,我也不知道自己的兴趣),整个人就是处在一种焦躁中,后来我静下心来分析,发现自己的问题并不单单是因为能力不行、技术不好,水平不够,更多的是因为没有自己的思考,对职业的思考,对工作的思考、对个人认知水平的思考。虽然现在的我依然没有太多自己的思想,但是我现在努力用文字记录下来我的思考,这篇文章中的很多观点,都是我最近的思考。关于投资自己的思想,让自己更能认清自己、找到自己的价值和意义,大家有什么建议可以留言交流。 我目前的做法主要有,用文字记录自己的所思所感,读了一些国内的作家的文章等。

3.投资自己的能力

现在微信等各种平台上有很多培训课程,我感觉挺好的,比如我今天刚看到一个公众号上的广告,是python编程课程的,说是可以提高办公效率。对于这类广告我一点也不反对,我虽然没有上个类似的培训班,但是我也自学了python一两个月,用python写过一些简单的算法,比如决策树、随机森林啥的。python在我的工作中的确帮了我大忙,我现在的工作和编程根本不搭边,以前处理计算结果(主要是将计算结果从计算软件中手动导入excel分析,但是数据量非常大),以前没有用python的时候,仅数据导入的excel就要一天时间,一天下来头晕眼花,后来我实在受不了,就开始研究计算软件输出结果能否导出,发现只能导出json格式,看到这个内心窃喜,就用python写了个程序,10秒中搞定。上面的这个例子只是个因子,想告诉大家学一些小的技术,的确可以提高不少办公效率。

投资自己的能力我认为主要有以下几个方面:

办公技能  :office 、比如office下的ppt、word、excel里面的小技巧还是很多;

认知能力   : 理性的认识生活,认识自己以及周围的人,接纳自己的缺点与不足,不要过分苛责自己,对自己要有较为明确的定位;

总结与发现能够总结自己的生活,或喜或悲,或平凡或稀奇,成功的经验,失败的教训等,这些点点滴滴不就是我们平凡生活的意义嘛;金融圈里的人经常                     用一个词叫 “复盘”,意思是总结一下自己一天交易下的的得失,那些因素影响了自己的交易决定,我想我们也需要复盘自己的人生。自不断总结                     中发现生活的美好,应该会找到一个更加通透的自己。


02 周期论

我国改革开放后才开始慢慢融入全球经济,直到02年加入WTO后,世界经济的冷热才和我们这个时代的每一个人息息相关。融入了世界经济的浪潮中,感受潮起潮落,是新时代给我们的最大的挑战。目前世界经济还是以市场经济为主体,自然涉及到市场调节机制,就会存在供求关系不对等,信息不对等,这样就产生了供求关系的周期性,这种周期性经过多年累加,最终引起世界经济的周期性。

下面我将从经济周期资本周期专业周期三个角度介绍周期理论。

经济周期:经济周期受到制造业、金融业的交互影响,共同产生,美国的制造业空心化,就是资本逐利的结果,也就是金融业碾压制造的一个表现;

资本周期:资本周期和制造业周期是一步的,一般都是互补的;

专业周期:我们选专业、工作行业是严重收到经济周期和资本周期的影响的,这就是是热钱出现的后,大家为什么都挤破头进去,还是雷军那句话,站在风口上,猪也会飞起来,道理是一样的。

这部分需要大量的时间整理资料,目前先简单介绍一下,后面我会不定时更新这一部分,也算是自己读书的一个记录吧

03 闲钱配置

工作一年来,自己的确有了点小积蓄,但是很少很少积蓄的那种,去年下半年,全身心投入到工作上,对理财方面没有太多关注,基本处于远离状态;

今年以来,我尝试对自己的小小积蓄进行分类投资,因为不想把花太多经历在理财上(前面说了,更想锻炼自己的能力),所以只是选了几支股票型基金做定投处理。还有就是没有会把工资的一部分购买收益率还不错的货币基金。

因为有很多读者不太了解基金,所以我就先科普一下:

基金分为很多种大致分为一下:

  • 股票型基金

  • 债券型基金

  • 货币型基金

  • 混合型基金等

风险程度货币最低,股票最高;

1.定投股票型基金 :

   我每天定投了一支股票型基金,经历过19年几轮起起伏伏,目前的收益率还可以 ,持有收益率为13%,相对而已还算不错。

2.每月都会购买20%工资的 货币性基金,稳定低收益,就图个安心,收益率的确低的可怜,只有0.84%,竟然和活期存款利率(0.35%)差不多,心痛。
 

后面我要调整策略了,将购买货币基金的钱,一般转为活期存款,一般用于股票型基金;

关于股票型基金的选择 大家可以加我微信(dream_taolan),我们一块探讨,一块学习,我会一个月给大家推荐一支收益相对来说比较可观的基金(当然了投资有风险,入行需谨慎)。 [对于基金,我也算有过很长一段时间的操作了,可以帮大家少踩一些坑]

和大家分享一下学习资料:

清华MBA 肖星《财务分析与决策》

某商学院课程(价值3000+)(自学完了,帮助大家建立合理的理财观念)

某微信大牛金融思维训练营(目前价格5000+)(我完全学习完了,的确讲的很棒,我的金融启蒙,算是从这门课开始的吧,很赞)

python量化金融课程(给致力于转行金融的人)

CPA(全套课程+笔记+课件+视频)给致力于靠注册会计师的小伙伴

python机器学习课程

深度学习课程

逻辑英语

NLP人工智能课程(全套)

视觉slam高翔(很牛的课程,给致力于转行slam的伙伴)

微信公众号运营教程(完整)

 

 上面的资料,大家如有需要,可以私信我。

 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值