Python 量化投资最简入门


量化投资就是利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程。量化投资的优势在于提高了我们分析的广度和深度,通过历史回测获取概率优势,同时自动交易过程可以规避人性中的诸多弱点。随着大数据和人工智能的发展,量化投资将成为市场的主流投资工具,并且将与传统的基本面分析和技术分析深度结合。

maxresdefault.jpg

许多量化投资入门教程通常教授用 Python 通过爬虫从网络接口爬取股票数据,用 matplotlib 绘制 K 线和均线,基于 Numpy+Pandas+Matplotlib 进行数据分析,并用 sklearn 库的机器学习方法预测股票后市价格(如《基于股票大数据分析的Python入门实战》),但我们从 Python 使用现成数据源入手。以下主要介绍新浪财经的金融数据源,以及在 Python 中使用数据 API 和独立数据库的简要步骤。


深度学习的主流框架:TensorFlow和Pytorch


深度学习是 AI 和机器学习的一个分支,其使用多层人工神经网络精准完成物体检测、语音识别、语言翻译等任务。深度学习与传统机器学习技术的区别在于,前者可以自动从图像、视频或文本等数据中学习表征,无需引入手写代码规则或人类的领域知识。其高度灵活的架构可以直接从原始数据中学习,获得更多数据后,其预测准确度也将随之提升。AI 领域近期的许多突破创新都应归功于深度学习,例如 Google DeepMind 的 AlphaGo、自动驾驶汽车、智能语音助手等。(NVIDIA

deep-learning-evolution.png

主流的三大深度学习框架》一文简要介绍了TensorFlow、PyTorch 和 MXNet,不过,由于 TensorFlow 和Pytorch 占据了深度学习的半壁江山,本文再再综述一下。


综述:人工智能在麻醉学中的应用及展望


人工智能(artificial intelligence, AI)自1956年诞生以来已经取得了长足的发展,作为计算机科学的前沿学科,被认为是21世纪三大尖端技术之一,受到了各国政府的重视。传统的AI,人输入的是规则,输出的是答案,而机器学习(machine learning, ML),人输入的是数据和从这些数据中预期得到的答案,系统输出的是规则,将这些规则应用于新的数据,并使计算机自动生成答案。机器学习需要3个要素:输入数据、预期输出、衡量方法,其中衡量方法指计算算法的输出和我们预期输出的差距。衡量结果是一种反馈信号,用来调整算法。从3个要素的角度来看,麻醉学是比较适合机器学习的,因为它具有很多可以作为输入的数据,如BIS、近似熵、多尺度熵等都可以用来评估麻醉深度,血压、心率和血容量等可以用来评估患者的身体情况,医师的诊断可以作为预期输出。

artificial-intelligence-and-anaesthesia-5-1024.jpg

AI在麻醉上的应用是多种多样的,基本覆盖了临床麻醉的全过程。从术前对患者的风险预测并做出预案,给患者进行麻醉及镇静、镇痛、肌松,术中突发情况下的急救复苏,术后对患者的复苏催醒、远期随访,围手术期对患者身体情况进行的监测和相应处理等都有AI的应用,AI在麻醉学上的应用主要包括围手术期不良事件监测、自动评估麻醉深度、麻醉药物自动给药系统及自动超声图像处理等方面。对于麻醉医师来说,了解AI的最新发展,掌握如何高效、安全地利用AI是至关重要的。本文将对AI在麻醉上应用的相关研究进行综述。


星洲:只要有数据,就需要数据科学


迈入网络时代,数据增长迅速,几乎每个网络平台或机构都在收集数据,以从中找出解决问题的方案或洞悉未来趋势,并应用在各个领域,如商业、医疗、生产等,进而也产生了新的相关职业,就像数据科学家。

e857c2b9-2990-41db-8457-dc4e104dab9b6e8d7a7a-9239-4b0a-ab45-3cf7c635c2c9.jpg

究竟数据的用处是什么?为什么数据变得越来越重要?而数据科学家的工作职责又是什么?不妨通过本期〈教育导航〉来了解数据科学的潜力。


模仿大脑:下一代计算机


引言

在过去几年中,人工智能算法取得了巨大的进步。它在我们日常生活中的应用越来越普遍,经常被用于分析文本或图片的内容,理解语音指令,并且效率常常比人类还高。2016年,AlphaGo算法在围棋比赛中击败了来自韩国的世界冠军李世石,而在10年前,没有一个专家预见它能取得这样的成就。但是,为了达到让人瞩目的表现,这些算法需要消耗大量的电能,远远超过我们的大脑完成同类任务所需的能量。举例来说,BERT是一种处理人类语言的人工智能算法,它的训练过程需要消耗数千千瓦时的电能。这相当于人类大脑运行6年耗费的能量。在能耗层面上,大脑的记忆、计算和学习过程比计算机要高效得多。我们有没有可能从大脑中获得启发,制造出表现更出色的设备?

5.png

答案是肯定的,我们或许可以利用电子的自旋做到这一点。