1. 定义
2. “降维打击”最初来源于刘慈欣的科幻小说《三体》。在小说中，歌者文明向太阳系掷出了二向箔，将太阳系从三维空间降为二维空间，这是一种毁灭性的攻击方式，几乎使整个太阳系的生命和物质体系崩溃。

3. 在商业和其他领域，“降维打击”这个概念被引申为一种竞争策略。它是指当一个具有高维度竞争优势的企业或个体进入低维度的竞争市场时，利用自身在技术、模式、资源等方面的高级别优势，对低维度的竞争对手造成巨大的冲击，甚至使对方难以招架。

4. 商业中的例子

5. 电商对传统零售的冲击
   • 传统零售主要依赖实体店面来展示和销售商品，其经营维度主要集中在店铺位置、店面装修、库存管理等方面。而电商平台则是在更高的维度进行...

Read more

1. 定义与背景
2. Prioritized Replay（优先经验回放）是一种用于强化学习中经验回放（Experience Replay）的改进技术。在传统的经验回放中，从经验回放缓冲区（buffer）中抽取样本是随机的。然而，在实际学习过程中，不同的经验对于智能体学习的重要性是不同的。

3. Prioritized Replay的目的是根据经验的重要性来有优先级地抽取样本，使得更重要的经验能够被更频繁地用于训练，从而提高学习效率。

4. 优先级的确定

5. 一种常见的方法是根据经验的时间差分误差（Temporal - Difference Error，TD - error）来确定优先级。TD - er...

Read more

1. 定义与背景
2. Double DQN（深度Q网络）是对传统Q - Learning算法的一种改进。在传统的DQN中，由于Q值的估计和更新都基于同一个网络，可能会导致Q值被过度高估，从而产生次优的策略。Double DQN通过解耦动作选择和动作评估的过程，有效地缓解了这个问题。
3. 算法原理
4. 在传统DQN中，Q值的更新公式为：
   • $y_j = r_j+\gamma\max_{a'}Q_{\theta}(s_{j + 1},a';\theta)$，其中$Q_{\theta}(s,a;\theta)$是由参数为$\theta$的神经网络来估计的Q值函数，$r_j$是即时奖励，$\gamma$是折扣因子...

Read more

1. 定义与核心思想
2. Dueling DQN是DQN的另一种改进架构。它的核心思想是将Q - 值函数拆分为状态价值函数（Value function）和优势函数（Advantage function）。状态价值函数$V(s)$表示在状态$s$下的价值，而优势函数$A(s,a)$表示在状态$s$下采取动作$a$相对于其他动作的优势。
3. 其Q - 值函数可以表示为：$Q(s,a)=V(s)+A(s,a)-\frac{1}{|A|}\sum_{a'}A(s,a')$，其中$|A|$是动作空间的大小。这样的分解使得网络能够更独立地学习状态的价值和动作相对于其他动作的优势。
4. 网络架构
5. Dueling D...

Read more

一、定义

Q - Learning是一种基于价值（value - based）的强化学习算法。它的主要目标是学习一个动作 - 价值函数（action - value function），通常用$Q(s,a)$表示。这个函数用于估计在状态$s$下采取动作$a$后可能获得的累积奖励。

在强化学习的环境中，智能体（agent）与环境（environment）进行交互。智能体在环境的每个状态下选择一个动作，环境根据智能体的动作反馈一个奖励信号（reward），并且使智能体转移到下一个状态。Q - Learning算法就是通过不断地这种交互来学习最优的策略（policy），即让智能体知道在每个状态...

Read more

这张图片展示了一个设计思维流程，分为三个主要阶段：理解（Understand）、探索（Explore）和实现（Materialize）。

理解（Understand）阶段

• 同理心（Empathize）：这是设计思维流程的起点，通过这个步骤，设计团队尝试站在用户的角度去感受和理解他们的需求和痛点。图标是一个人形图案，表示关注用户。
• 定义（Define）：在同理心的基础上，设计团队对问题进行明确定义。图标是一个放大镜，表示深入探究和分析问题。

探索（Explore）阶段

• 构思（Ideate）：在问题定义清楚后，团队开始进行头脑风暴，提出各种可能的解决方案。图标是一个灯泡，表示创意和想法...

Read more

• 金融产品
• 股票
• 债
• 货币
• 大宗商品
• 投资方案
• 用户属性刻画
• 理财需求
• 标准化
• 市场分析
• 配置理论
• 再平衡方法
• 牌照方面
• 市场覆盖方面
• 体量方面
• 收益率
• 风险值
• 约束条件
• 恒定混合策略
• 固定比例投资组合保险策略 CPPI
• 投资顾问
• 业务模式
• 数据接口
• 智能分析
• 交易驱动
• 交易接口
• 投资组合
• 电子记账
• Robo-Advisor
• 人性的弱点
• 低门槛
• 低费率
• 透明化
• 便捷化
• 资产配置
• 策略模式
• 风险控制
• 数据驱动
• 决策依据
• 边界意识
• 二八定律
• 反人性
• 博弈
• 选股
• 择时
• 建仓
• 策略
• 财报助手
• 投资研报
• 狭隘化竞争
• 个股收益
• 打新股
• 个股评级评分
• 组合策略 *

Read more

训练一个模型通常包括以下几个步骤，具体流程会根据任务类型（如分类、回归、生成等）和使用的算法（如神经网络、决策树、支持向量机等）有所不同。以下是通用的训练模型步骤：

1. 明确任务和目标

• 确定模型的任务类型（如分类、回归、聚类等）。
• 定义评估指标（如准确率、均方误差、F1分数等）。

2. 数据收集

• 收集与任务相关的数据。
• 确保数据具有代表性和多样性。

3. 数据预处理

• 数据清洗：处理缺失值、异常值、重复数据等。
• 特征工程：提取或构造有用的特征，可能包括：
  • 标准化/归一化
  • 编码分类变量（如One-Hot Encoding）
  • 降维（如PCA）
• 数据分割：将数据分为训练集、...

Read more

分类算法简介

分类算法是机器学习和数据挖掘领域中一类非常重要的算法，其主要目的是根据输入数据的特征，将其划分到不同的类别中。简单来说，就是教会计算机如何像人一样对事物进行归类。

例如，在判断一封电子邮件是正常邮件还是垃圾邮件时，分类算法可以通过分析邮件中的文字内容、发件人信息、邮件主题等特征，做出相应的归类；或者判断一张图片上的动物是猫还是狗，也是基于图像的诸多特征利用分类算法来完成分类。

常见的分类算法类型

• 决策树算法 决策树以树状结构来呈现决策过程，就像是一棵倒立的树，从根节点开始，根据不同的属性条件不断进行分支判断，最终到达叶子节点得出分类结果。例如，要判断一个水果是苹果还是橙...

Read more

Dense与MOE架构的区别与联系

Dense架构:

1. 定义: 全连接层，其中每个神经元与下一层的每个神经元相连。
2. 优点: 能够学习复杂的模式。
3. 缺点: 计算成本高，无 specialization，所有神经元对每个输入都活跃。
4. 适用场景: 适用于较小规模的模型或需要全连接的场景。

MOE（Mixture of Experts）架构:

1. 定义: 包含多个专家网络和一个 gating网络，用于选择处理输入的专家。
2. 优点: 计算效率高，允许专家专精于不同类型的输入，提高可扩展性和性能。
3. 缺点: gating机制增加复杂性，可能产生通信开销，专家利用率不均。
4. 适用场景: 适用于大规模模型，特...

Read more