米筐科技旗下的米筐量化平台是一个专注于量化投资的平台，以下是其主要使用步骤和相关介绍：

注册与登录

• 注册账号：访问平台官网，点击“注册”按钮，按照提示填写相关信息完成注册，通常需要提供手机号码或电子邮箱等联系方式。
• 登录平台：使用注册的账号和密码登录米筐量化平台。

熟悉平台环境

• 了解界面布局：登录后，花时间熟悉平台的界面布局，包括菜单栏、工具栏、工作区等，以便快速找到所需功能模块。
• 查看文档与教程：深入研读平台提供的官方文档，如用户手册、API 文档等，同时参考平台提供的教程、案例等学习资源，掌握平台的基本操作和量化投资的相关知识。

策略开发

• 选择编程语言：米筐量化平台支持Py...

Read more

迅投为金融领域提供全面服务，涵盖交易、行情、算法、风控等多方面，具有以下特点：

1. 一站式服务

   • 为交易者提供一站式交易、行情、算法、风控系统服务，支持7X24小时仿真交易、远程策略调试和策略分享等投研服务。
   • 专注于为金融投资机构和投资者提供集产品设计、研发与运营为一体的一站式服务，致力于打造专业、便捷、智能的交易软件和管理系统。

2. 产品众多且配置灵活

   • PB系统：纯内存架构易扩展，支持全市场业务，具备全方位风险管理。
   • QMT系统：支持多策略多语言编写、极速策略交易、智能算法交易、组合篮子交易、合规风险监控和多重策略加密。
   • FOF系统：提供基金评价筛选、投资组合分析、绩效归因分析、产...

Read more

1. SGAN（Stacked Generative Adversarial Networks）定义

2. SGAN是一种生成对抗网络（GAN）的架构变体。它主要的特点是采用堆叠（Stacked）的方式构建生成器和判别器，通过多层次的结构来生成更复杂的样本或对数据进行更精细的处理。

3. 结构和工作原理

4. 多层生成器结构
   • SGAN的生成器由多个层次组成。例如，在图像生成任务中，每一层可能负责生成图像的不同层次细节。最底层可能生成一些基本的纹理或简单的形状，随着层次的上升，逐渐添加更复杂的细节，如物体的轮廓、颜色的变化等。这种分层生成的方式类似于构建一个多层的神经网络，通过逐步的变换将输入的噪声向量...

Read more

1. WGAN（Wasserstein GAN）简介
2. WGAN是生成对抗网络（GAN）的一种改进版本。传统GAN在训练过程中存在一些问题，如训练不稳定、生成样本质量不高以及模式崩溃（生成器只能生成有限的几种模式）等。WGAN通过引入Wasserstein距离（推土机距离）作为生成器和判别器之间的损失函数，有效地缓解了这些问题。

3. 它的核心思想是使用Wasserstein距离来衡量生成数据分布和真实数据分布之间的差异，从而使生成器能够更好地学习到真实数据的分布特征。

4. WGAN的结构与原理

5. 判别器（Critic）的变化
   • 在传统GAN中，判别器是一个二分类器，输出样本是来自真实数据还是生成数...

Read more

1. 定义
2. Wasserstein距离，也被称为“推土机距离”（Earth - Mover's Distance，EMD），用于衡量两个概率分布之间的距离。从直观上来说，它可以被理解为将一个概率分布转换为另一个概率分布所需要的最小“工作量”。对于两个概率分布(P)和(Q)，假设存在一个联合分布(\gamma(x,y))，其边缘分布分别是(P)和(Q)，那么(Wasserstein)距离（以(p = 1)为例）定义为(W_1(P,Q)=\inf_{\gamma \in \Pi(P,Q)}\sum_{x,y}\vert x - y\vert\gamma(x,y))，其中(\Pi(P,Q))是所有...

Read more

1. 定义
2. JS divergence（Jensen - Shannon divergence）即詹森 - 香农散度，是一种衡量两个概率分布之间相似性的度量方法。它基于信息论中的KL散度（Kullback - Leibler divergence）构建。对于两个概率分布(P)和(Q)，首先定义(M=\frac{1}{2}(P + Q))，那么JS散度的计算公式为(JSD(P||Q)= \frac{1}{2}KL(P||M)+\frac{1}{2}KL(Q||M))，其中(KL)散度(KL(A||B)=\sum_{x}A(x)\log\frac{A(x)}{B(x)})（在离散情况下）。本质上...

Read more

浓缩版

从不可能出发，解锁颠覆式创新密码

一、颠覆式创新的真正内涵

• 周鸿祎的解读：使事物更易、更廉价，低端颠覆高端，微小创新叠加促成质变
• 与马云观点的契合：淘宝发展历经“看不见、看不起、看不懂、来不及”阶段，契合颠覆式创新过程

二、颠覆式创新缘何从不可能开始

• 初期易被忽视：新模式起初渺小不起眼，如淘宝 C2C 模式初期被高端品牌忽视
• 发展中遭轻视：发展中虽获关注但被轻视，同行难以理解其创新逻辑，如淘宝融巨资后仍被部分同行误判
• 需要量变积累：漫长积累微小创新元素，达一定程度引发质变，如微信等互联网产品功能迭代与用户积累

三、不同视角下的颠覆式创新

• 持续性改善与颠覆式创新对比：持续...

Read more

1. 定义
2. 正态分布（Normal Distribution），也称为高斯分布（Gaussian Distribution），是一种非常重要的概率分布。它的概率密度函数是一个钟形曲线，其数学表达式为：(f(x)=\frac{1}{\sigma\sqrt{2\pi}}e^{-\frac{(x - \mu)^{2}}{2\sigma^{2}}})，其中(\mu)是均值（mean），它决定了分布的中心位置；(\sigma)是标准差（standard deviation），它决定了分布的宽度或者说离散程度。当(x = \mu)时，函数取得最大值，曲线关于(x=\mu)对称。
3. 特征
4. 对称性：正态分布的...

Read more

BigGAN 概述

1. 定义与背景 BigGAN 是生成对抗网络（GAN）领域中具有重要影响力的一种架构，旨在生成高分辨率、高质量且多样化的图像。它建立在传统 GAN 的基础之上，通过一系列创新的设计和改进来克服以往 GAN 在生成大规模、逼真图像时面临的诸多难题，比如生成图像的质量有限、容易出现模式崩溃（生成图像种类单一）以及难以控制生成内容等问题。

2. 核心目标 其核心目标是能够根据给定的随机噪声向量以及可选的类别条件信息，生成出与真实图像在视觉上高度相似、细节丰富并且具有丰富多样性的图像，涵盖人脸、动物、风景等各类常见的图像类别，在图像生成任务中展现出强大的性能，为众多需要高质量图...

Read more

一、Progressive GAN（渐进式生成对抗网络）概述

1. 定义与背景
2. Progressive GAN是生成对抗网络（GAN）的一种高级变体。GAN主要由生成器（Generator）和判别器（Discriminator）组成，通过两者的对抗训练来生成数据。而Progressive GAN在GAN的基础上，创新性地采用了渐进式的训练方法，以生成更高质量的图像等数据。

3. 传统GAN在生成高分辨率图像时会面临一些问题，比如训练不稳定、生成的图像质量不高（容易出现模糊、细节缺失等情况）。Progressive GAN的出现就是为了解决这些问题，它能够生成具有丰富细节、高分辨率的图像，例如生成...

Read more