昨日阅读2.5小时，累计阅读21小时

昨天阅读5小时，共阅读1636

昨日阅读1小时，累计阅读528小时

阅读1小时，累计阅读16.5小时

昨日阅读2小时，累计阅读421小时。

1.今天你阅读到的有价值的全文内容链接
人工智能可利用的数据有哪些？http://ai.ofweek.com/news/2018-04/ART-201713-8470-30221990.html

2.今天你阅读到的有价值的内容段落摘录
云计算平台可将获取数据在“天端”进行计算，“它还可以调用其他计算节点，根据任务需求合理配置计算节点，进行智能计算”。
“空中飞艇或飞机捕捉到的地球表面空间信息也可以加入进来。”在李德仁的构想中，该系统能够处理星地协同数据，进行跨越天际的大数据挖掘、计算和判断，而且能够实现不超过分钟级别延时的实时“智能”。
通过软件或是在地面训练好的神经网络模型，在轨实时执行一些智能任务，例如智能目标检测识别、智能云判读、基于强化学习的智能姿态控制等。”赵军锁说，这是全新的尝试，虽然距离成熟的“天脑”还差得远，但它是通过商业化的模式，推动传统卫星向智能卫星演化迈出第一步。

3.今天你阅读到的有价值信息的自我思考点评感想
不断进化的技术,不断覆盖的网络和智能节点和应用新高度。人工智能也在寻找自已的使用场景.不仅仅是平面,更含有空间的含义，用多个卫星的协作体现了智能的融合。很快就是计算无处不在。

4.昨日你阅读的时间量
0.5小时

5.你参与活动至今的总时间量
18.5小时

昨日阅读2小时，累计阅读30小时

昨日阅读1小时，累计时间3小时

昨日阅读1小时，累计时间3小时

昨日阅读1小时，累计时间3小时

DAY #18

1.主题
RICEQUANT量化大课堂
https://www.*/community/topic/761
https://www.bilibili.com/video/av4135505/

2。摘要
量化学习路线图：
python——>pandas——>api

简单复习一下pandas的数据类型：
pandas 是基于 Numpy 构建的，让以 Numpy 为中心的应用变得更加简单。
pandas主要包括三类数据结构，分别是：
Series：一维数组，与Numpy中的一维array类似。二者与Python基本的数据结构List也很相近，其区别是：List中的元素可以是不同的数据类型，而Array和Series中则只允许存储相同的数据类型，这样可以更有效的使用内存，提高运算效率。
DataFrame：二维的表格型数据结构。很多功能与R中的data.frame类似。可以将DataFrame理解为Series的容器。
Panel ：三维的数组，可以理解为DataFrame的容器

Series
由一组数据（各种Numpy数据类型），以及一组与之相关的标签数据（即索引）组成。仅由一组数据即可产生最简单的Series，可以通过传递一个list对象来创建一个Seriess

DataFrame
DataFrame是一个表格型的数据结构，它含有一组有序的列，每一列的数据结构都是相同的，而不同的列之间则可以是不同的数据结构（数值、字符、布尔值等）。或者以数据库进行类比，DataFrame中的每一行是一个记录，名称为Index的一个元素，而每一列则为一个字段，是这个记录的一个属性。DataFrame既有行索引也有列索引，可以被看做由Series组成的字典（共用同一个索引）。

量化金融的作用：
①.节约研究时间——>利用计算机快速处理海量数据
②.降低主观判断的失误率——>用历史回测验证假设

RICEQUAN平台策略的4个组成部分即4个方法：
init ——>编写任何的初始化配置
before_trading ——>每天策略交易开始前被调用，当天只会被调用一次
handle_bar ——>编写主要算法，策略具体逻辑可在该方法内实现，包括交易信号的产生、订单的创建等。你选择的证券的数据更新将会触发此段逻辑
after_trading ——>在每天交易结束后被调用，当天只会被调用一次

context参数——>它是一个Python Dictionary，储存策略自定义参数、设置、仓位、投资组合信息的全局变量，属性通过点标记（”.”）获取

bar对象——>它是一个字典，包含了每次数据更新的时候所有属性的值，比如说开盘价 (open)， 收盘价 (close)等值。
position对象——>仓位函数
portfolio对象——>投资组合函数

update_universe - 更新股票池
update_universe(order_book_id)
该方法用于更新现在关注的证券的集合（e.g.：股票池）。PS：会在下一个bar事件触发时候产生（新的关注的股票池更新）效果。并且update_universe会是覆盖（overwrite）的操作而不是在已有的股票池的基础上进行增量添加。

plot - 画图
plot(series_name, value)
plot函数可以将时间序列的数据传给页面进行绘图，结果是以时间为横轴，value为纵轴的曲线。

层层调用：
context ——> portfolio ——> position

回测的收益/风险评定标准：
Beta ——> 主要是衡量策略相对于大盘的系统风险性。比较降低策略的beta值有几种方法，1）在策略中加入对冲部分 2）在只能做单边的情况下，增加股票数量，选择相关性较低的一篮子股票。
最大回撤和波动率 ——> 这两个数据主要是体现策略的风险性。过大的最大回撤，通常要考虑策略的可行性，增加止损或者其他有效的仓位控制方式。
夏普比率 ——> 是一种考虑风险因素之后的调整收益率 。夏普指数越高，相当于每多承担一份风险，获得的额外收益越高。
       
如何优化策略：
①.优化参数——>指标参数
②.市场选择——>单独选择牛市或熊市，而非整个时间段

3.心得感悟
在ricequant平台做量化策略，首先要熟悉的知识框架：
①.要熟悉一个完整的策略要四个组成部分，但只有 init 和 handle_bar 是必须写入的，其余两个before_trading和after_trading是可选项；
②.要熟悉context的各种属性，设置好全局变量以供调用，比如仓位position、投资组合portfolio、交易费用commission等；
③.要熟悉几个对象：bar + position + portfolio + order
④.要熟悉可用的数据类型：财务数据 + 技术指标 + 第三方模块调用的新闻报道数据

宏观视角出发，整体路线图在手，路上收拾零碎的芝麻粒就知道放在哪个盒子里了！！

4.时间统计
昨日阅读5小时，累计490小时

昨日1小時
累積28小時

重返论坛，一切都是崭新的。昨日阅读2小时，累计阅读2小时。

昨日阅读2小时，累计阅读5.5小时
天呐，昨天的回帖居然被置顶了
昨天继续阅读《好好学习》剩下的案例部分
首先这本书给我的感觉还是很震撼的，毕竟有很多理论第一次接触，而且的确有点拨迷雾的作用。”洗脑“很重要。
再来说说细节，其实所谓“临界知识，底层思维”，我觉得作者没有解释清楚，这两个词应该是作者原创吧
文中说，所谓临界知识，其实是要我们去学习一些硬科学，如数学、物理学等等，经济学、心理学等要谨慎使用
这话真的没错，但作者的很多案例都是用了经济学、心理学。。。
总的来说还是推荐，此书最大的作用就是告诉你，要有系统、体系、逻辑的构建自己的知识，
至于用不用作者推荐的方法、知识等等，个人选择

昨天阅读2小时，累计阅读73小时

昨日阅读1小时，累计阅读14小时

昨日阅读2小时，累计阅读100小时。

昨天未看视频，总结知识点，完成一科的预习。

今日阅读1小时，累计阅读1小时

昨天阅读2小时，累计阅读361小时。

昨日阅读1小时   累计阅读168小时

昨日阅读2小时，累计阅读156小时

昨日阅读1小时，累计阅读145小时

昨日阅读1小时，累计阅读113小时。

昨日阅读0.5小时，累计阅读220小时

今天学习和阅读约5小时，累计阅读225小时。
学习和投资心得：
好股票的判断中，PEG指标侧重于公司的成长性，透过公式PEG=市盈率/净利润增速可以发现：分母“净利润增速“是影响PEG指标的核心，但”净利润增速“是一个预期值，说白了我通过我的研究可以给出一家公司50%的净利润增速，他通过他的研究可以给出同样这家公司70%的净利润增速，就好比不同券商给出同一家公司的净利润增速往往相差很大，而且当下你无法判断谁是最接近准确值的，原因一是本身这是一种有条件的”猜测“，原因二是上市公司给出的报告中”净利润增速“ 本身可以通过合法合规的会计手段调节。这种预测的不确定性是PEG指标的最大的问题。

今天读了2.5小时，累计80.5小时

昨日阅读1小时，累计阅读57小时

昨日阅读1小时，累积阅读41小时

日读0.5小时      累计39小时