风险评估

https://bigquant.com/experimentshare/aebcf1f1697647c59110b3fb078767a7

\

摘要

怎样正确地看待元宇宙这一新事物？

客观来说，元宇宙同时兼具进步性与退步性，其进步性在于人的感官体验维度增加，退步的地方在于便携性与性价比，只有当进步性远超退步性的时候，元宇宙才能发展顺遂。

为什么不管多难也要发展元宇宙？

互联网陷入了内卷化的负向循环，不同形态的内容，其分发、商业化的逻辑走向高度一致，在内容载体、用户体验、传播、场景、交互等方面都进入瓶颈期；当前的互联网已经不能称之为先进生产力，互联网的内容形态对用户的吸引力明显下挫，剧本杀、盲盒等成为争夺用户时长与可支配收入的强势对手盘；元宇宙增加用户体验的维度，孕育出的新内容形态有望具备“碾压式”的

论文原名

Modeling the Momentum Spillover Effect for Stock Prediction via Attribute-Driven Graph Attention Networks

论文作者

Rui Cheng, Qing Li

引言

在金融领域，上市公司的动量溢出效应是公认的。只有少数研究预测了一家公司在其相关公司方面的趋势。试点工作的一个常见策略是采用具有一些预定义牢固关系的图卷积网络 (GCN)。然而，动量溢出是通过各种公司关系传播的，其中的桥梁重要性随时间而变化。限制几个预定义的关系不可避免地会产生噪音，从而误导股票预

研报标题：ImageNet Classification with Deep Convolutional Neural Networks

研报作者：Alex Krizhevsky、Ilya Sutskever 、Geoffrey E. Hinton

简介

CNN 领域的经典之作， 作者训练了一个面向数量为 1.2 百万的高分辨率的图像数据集ImageNet， 图像的种类为1000 种的深度卷积神经网络。并在图像识别的benchmark数据集上取得了卓越的成绩。

和之间的LeNet还是有着异曲同工之妙。这里涉及到 category 种类多的因素，该网络考虑了多通道卷积操作， 卷积操

7月30日Meetup 模板案例：

策略案例

https://bigquant.com/experimentshare/b83f6a9c950a43a595d41f1d911dcaca

\

作者：Robbie Allen
编译：BigQuant

早在21世纪初，我在编写关于网络和编程的书的时候，我就发现，互联网是一个很好的资源，但是它还不完善。 那时，博客已开始流行。但是YouTube还不是很普遍，同样Quora，Twitter和播客用户也很少。十年过后，我一直在潜心钻研人工智能和机器学习，局面发生了翻天覆地的变化。互联网上现在有非常丰富的资源——当你要寻找选择你想要的资源时，你很难抉择你应该从哪里开始（和停止）！

![微信图片_20180306160704|690x277](/community/uploads/default/original/2X/5/

\

1. 什么是Softmax

Softmax要解决这样一个问题：我有一个向量，想用数学方法把向量中的所有元素归一化为一个概率分布。也就是说，该向量中的元素在[0,1]范围内，且所有元素的和为1。

Softmax就是这个数学方法，本质上是一个函数。

假设我们有一个k维向量z，我们想把它转换为一个k维向量 ，使其所有元素的范围是[0,1]且所有元素的和为1，函数表达式是：

![softmax(x)_i = \frac {e^{x_i}

基于Scikit-learn的向量化回测框架


回测是个老掉牙的问题了，开源社区也有不少优秀的回测框架，如zipline、backtrader等，那我们为什么要放弃他们而选择造轮子再设计一套

导语

回归、分类和排序是我们经常遇到的问题场景。本文主要介绍如何实现回归和分类两类问题的模型构建。

首先我们明确一下算法在机器学习中的地位。一般来说，机器学习有三个要素： 数据、算法和模型 。

• 数据 是场景的描述，包括输入和输出。
• 算法 是得到模型的过程，狭义上说，特指机器学习算法，如传统线性回归、树和支持向量机以及深度学习； 广义上说，从输入数据到最终确定模型输出的所有过程，即建模流程都可以看作算法，如分类、回归模型，搜索最优参数算法。

下面我们来举两个例子，看看回归和分类问题的应用场景有什么不同。

回归模型

![](/wik

一、背景介绍

  《Attention Is All You Need》是一篇Google提出的将Attention思想发挥到极致的论文。这篇论文中提出一个全新的模型，叫 Transformer，抛弃了以往深度学习任务里面使用到的 CNN 和 RNN ，来做机器翻译的任务。Bert就是基于Transformer构建的，这个模型广泛应用于NLP领域，例如机器翻译，问答系统，文本摘要和语音识别等等方向。本文根据论文[《Attention Is All You Need》](https://arxiv.org/abs/1