u9平台在他各方面的表现都不错表现怎么样，尤其是信誉这方面
点击联系发帖人
时间：2018-08-19 09:32
&figure&&img src=&https://pic2.zhimg.com/v2-4f4ce2b3493acdadf5abe_b.jpg& data-rawwidth=&1200& data-rawheight=&652& class=&origin_image zh-lightbox-thumb& width=&1200& data-original=&https://pic2.zhimg.com/v2-4f4ce2b3493acdadf5abe_r.jpg&&&/figure&&p&如需详细了解的朋友请私信我或者发送邮件至guodong&a href=&https://link.zhihu.com/?target=http%3A//xueqiu.com/n/eastmoney& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&@eastmoney&/a&.com 索取详细介绍资料&/p&&p&&br&&/p&&p&索引——&br&&/p&&p&一、Choice数据量化接口版本介绍&/p&&p&二、Choice数据量化接口特色&/p&&p&三、Choice数据量化接口基本功能&/p&&p&四、Choice数据量化接口特色功能&/p&&p&五、Choice数据量化接口指标手册使用说明&/p&&p&&br&&/p&&h2&&b&一、Choice数据量化接口版本介绍&/b&&/h2&&p&
Choice数据量化接口，能够以函数调用的形式提供丰富的基本面，财务，历史行情等数据内容，可支持用户进行数据分析及策略挖掘，目前提供的版本包括&b&Windows环境下的Matlab、C++、C# 、Python2.x&/b&和&b&Python3.x&/b&以及&b&在Linux环境下的C++、Python2.x&/b&和&b&Python3.x版本。&/b&&/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//updates.jg.eastmoney.com/Choice/EMQuantAPI/EMQuantAPI.zip& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&最新版接口下载&/a&&/p&&p&? 新增组合信息查询函数pquery&/p&&p&? 新增组合交易导入函数porder&/p&&p&? csqsnapshot函数和csq函数（pushtype=1）支持涨跌，涨跌幅字段 &/p&&p&? cps函数条件参数新增日期类型识别，条件表达式参数支持识别日期区间&/p&&p&? 优化激活工具获取图片验证码问题&/p&&p&? 优化接口中localtime函数的调用冲突问题&/p&&p&? 接口Windows版本新支持Windows xp和Windows server 2003运行环境&/p&&p&? 新增组合函数错误码&/p&&p&? 其他优化及 bug 修复&/p&&p&&br&&/p&&p&&br&&/p&&p&量化接口升级内容详见链接：&a href=&https://link.zhihu.com/?target=http%3A//choiceclub.jg.eastmoney.com/%3F/article/4690& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&量化接口升级公告&/a&；&/p&&p&&br&&/p&&h2&&b&二、Choice数据量化接口特色&/b&&/h2&&p&&b&Choice数据量化接口的特色表现在3个方面：&/b&&/p&&p&&b&
1. Choice数据的海量数据支持&/b&&/p&&p&&b&
2. 多种接口全面贴合用户需求&/b&&/p&&p&&b&
3. 专业工具便捷操作&/b&&/p&&p&
首先是拥有着 Choice金融终端提供的近100亿条权威数据支持，全面涵盖了包括股票、债券、期货、期权、基金等多个金融市场数据。其次贴合用户需求，提供多个操作环境下的多种编程语言接口，从公司到个人用户均可选择符合公司程序、个人编程习惯的语言来提取数据。第三是量化接口对数据进行了有效封装，作为专业工具，接口体积小，安装简便。&/p&&p&&br&&/p&&h2&&b&三、Choice数据量化接口基本功能&/b&&/h2&&p&
量化接口的基本功能是通过&b&函数调用&/b&的方法实现的。&/p&&p&
接口主要由21个函数组成，包括&b&登陆退出函数、工具函数、数据函数&/b&和&b&功能函数&/b&，根据接口的编程语言不同，&b&部分还设有回调和配置函数&/b&，如&b&C++接口&/b&。&/p&&p&&br&&/p&&p&
1. 登陆、退出函数：start、stop&/p&&p&
2. 工具函数：geterrstring、releasedata、setserverlistdir、setproxy、manualactivate&/p&&p&
3. 数据函数：csd、css、csc、csq、csqsnapshot、cst、ctr、cps、pquery、porder&/p&&p&
4. 功能函数：csqcancel、tradedates、sector、getdate&/p&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&登录、退出函数：&/b&&/p&&p&
start：接口登录函数，令牌登录，首次登录新设备需用绑定手机号的接口账号激活登录。&/p&&p&
stop：接口退出函数&/p&&p&&b&工具函数：&/b&&/p&&p&
geterrstring函数：主要是对提取、编译、分析数据时出现的错误类型进行判定的函数，根据错误代码可得到相应的报错逻辑&/p&&p&
releasedata函数：是实现内存释放的函数。&/p&&p&
setserverlistdir函数：设置SeverList.json文件存放目录&/p&&p&
setproxy: 设置网络代理函数&/p&&p&
manualactivate:本函数可独立使用，无需调用start。本函数适用于无界面运行环境（如远程linux）或无法运行LoginActivator程序的情况，激活成功后将通过邮件获得的激活文件&userInfo&放到&ServerList.json&同级目录，再调用start登录&/p&&p&&br&&/p&&p&&b&数据函数：&/b&&/p&&p&
csd序列函数：主要是来调用各个证券的日频历史行情序列数据&/p&&p&
css截面函数：可调用各个证券品种的基本资料，以及财务、估值方面的数据&/p&&p&
csc历史分钟K线函数:可调用沪深股票近三年的分钟K线数据&/p&&p&
csq实时订阅推送函数:提供各个证券品种的实时数据订阅推送&/p&&p&
csqsnapshot实时数据函数:提供各个证券品种的实时数据&/p&&p&&br&&/p&&p&
ctr报表函数:能提供专题报表数据&/p&&p&
cps条件选股函数:提供条件选股服务&/p&&p&
pquery组合账户关系查询函数：提供组合账户信息相关数据&/p&&p&
porder组合批量下单函数：提供组合批量下单功能&/p&&p&&br&&/p&&p&&b&
功能函数：&/b&&/p&&p&
csqcancel取消订阅函数：取消特定证券的数据订阅&/p&&p&
tradedates获取区间交易日函数：可得一段时间内的交易日期数据&/p&&p&
sector获取板块成分函数：以东财命名代码下的各个板块下证券的全部代码信息&/p&&p&
getdate偏移N天的交易日函数：实现用户对于特定日期前溯和后推N天的交易日期的获得&/p&&h2&&b&四、Choice数据量化接口特色功能&/b&&/h2&&p&&b&
量化接口的特色功能主要表现在以下8个方面:&/b&&/p&&p&&b&
1.一键提取海量数据&/b&&/p&&p&
◆各个市场：股票、基金、债券、期货、指数、期权、外汇&/p&&p&
◆各种指标：行情、基本资料、估值、技术指标等&/p&&p&
◆跨越时间：单日、几周、上月、数年&/p&&p&&br&&/p&&p&&b&
2.个性化设置量化策略&/b&&/p&&p&
EmQuantAPI封装的数据作为dll和h文件，&b&用户可在对应编程语言下将其作为数据库&/b&，编译和二次加工，轻松定制自身量化方案。&/p&&p&
如:&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-0ad9a38efe8e6fb434a627_b.jpg& data-rawwidth=&640& data-rawheight=&604& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-0ad9a38efe8e6fb434a627_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&h2&&b&↓↓↓↓↓↓↓↓↓↓↓↓↓↓&/b&&/h2&&figure&&img src=&https://pic1.zhimg.com/v2-deaf208ac4d068d621ad8_b.jpg& data-rawwidth=&640& data-rawheight=&568& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic1.zhimg.com/v2-deaf208ac4d068d621ad8_r.jpg&&&/figure&&p&&br&&/p&&p&&b&
3.多项参数准确反映市场&/b&&/p&&p&&b&使用的每一项指标都涉及了多个参数&/b&，如DMA平均线差拥有8个参数，包括代码、交易日期、短期周期、长期周期、周期、DMA指标选项、复权方式、计算周期等，严格控制了指标取值范围，使得指标更符合用户要求。&/p&&p&
图示为DMA平均线差参数：&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-3daf581c795a5bdcfd45c_b.jpg& data-rawwidth=&553& data-rawheight=&438& class=&origin_image zh-lightbox-thumb& width=&553& data-original=&https://pic2.zhimg.com/v2-3daf581c795a5bdcfd45c_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&
4.海量指标提供选择&/b&&/p&&p&
接口附带的&b&指标手册提供几千个证券相关指标及其参数&/b&，并附带简要说明，方便用户自行提取其中的数据信息。&/p&&p&
图示为指标手册：&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-97316dd7aab452ce33b3eda_b.jpg& data-rawwidth=&532& data-rawheight=&444& class=&origin_image zh-lightbox-thumb& width=&532& data-original=&https://pic2.zhimg.com/v2-97316dd7aab452ce33b3eda_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&
5.高频数据满足投资分析&/b&&/p&&p&&b&提供历史分钟K线数据&/b&，全面为用户提供证券的技术分析数据支持，为投资组合研究提供基础资料：&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-0b99983fcac06faa0ff88dd_b.jpg& data-rawwidth=&510& data-rawheight=&349& class=&origin_image zh-lightbox-thumb& width=&510& data-original=&https://pic2.zhimg.com/v2-0b99983fcac06faa0ff88dd_r.jpg&&&/figure&&p&&b&历史分钟K线数据&/b&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&
6.行情数据推送&/b&&/p&&p&
接口推送各类证券的实时数据订阅服务，及时有效反馈市场：&/p&&p&&br&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-b8d1de708f30247cbe40f70a_b.jpg& data-rawwidth=&714& data-rawheight=&526& class=&origin_image zh-lightbox-thumb& width=&714& data-original=&https://pic1.zhimg.com/v2-b8d1de708f30247cbe40f70a_r.jpg&&&/figure&&p&&br&&/p&&p&&b&
7.专题报表高效分析数据&/b&&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-28ed2c38dd87bc38ac278_b.jpg& data-rawwidth=&1342& data-rawheight=&641& class=&origin_image zh-lightbox-thumb& width=&1342& data-original=&https://pic4.zhimg.com/v2-28ed2c38dd87bc38ac278_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&b&
8.设置条件快速选股&/b&&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-538aec684f9_b.jpg& data-rawwidth=&848& data-rawheight=&320& class=&origin_image zh-lightbox-thumb& width=&848& data-original=&https://pic2.zhimg.com/v2-538aec684f9_r.jpg&&&/figure&&p&&br&&/p&&p&&b&
9.友好的用户指导&/b&&/p&&p&&b&四种编程语言接口都附带了指标手册、接口使用手册&/b&，在接口内部也提供了用户帮助：&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-87be4e5b5a2dc_b.jpg& data-rawwidth=&682& data-rawheight=&320& class=&origin_image zh-lightbox-thumb& width=&682& data-original=&https://pic2.zhimg.com/v2-87be4e5b5a2dc_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-9f031a2740e30dab317d1cb_b.jpg& data-rawwidth=&640& data-rawheight=&486& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/v2-9f031a2740e30dab317d1cb_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-7ba49ab1a5c_b.jpg& data-rawwidth=&640& data-rawheight=&461& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/v2-7ba49ab1a5c_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-01c21abaf73d0f73bb7a8ca25b59254b_b.jpg& data-rawwidth=&640& data-rawheight=&407& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-01c21abaf73d0f73bb7a8ca25b59254b_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-5ef426a584bbcdfadda5bd_b.jpg& data-rawwidth=&640& data-rawheight=&515& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic3.zhimg.com/v2-5ef426a584bbcdfadda5bd_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&h2&&b&五、Choice数据量化接口指标手册使用说明&/b&&/h2&&p&&b&
1.确定需要的函数和指标:&/b&&/p&&p&①&b&如需要证券的日频历史行情序列数据&/b&，就去找指标手册下css下的对应的证券种类的相关指标，需要一段时间内的财务指标和行情指标就去找csd下的指标，需要历史分钟K线的找csc，需要实时行情的找csq&/p&&p&②&b&不清楚指标处于何处&/b&，可以在指标手册左部寻找对应指标，列出主题中如果有多张表包含该指标，转到收藏夹可看到对应的表处于什么函数指标位置下，是否是自己需要的指标。&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-e497bfdd0ef542eae10e54_b.jpg& data-rawwidth=&640& data-rawheight=&550& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-e497bfdd0ef542eae10e54_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-c65d504395ddc7dedb4a5c_b.jpg& data-rawwidth=&637& data-rawheight=&411& class=&origin_image zh-lightbox-thumb& width=&637& data-original=&https://pic3.zhimg.com/v2-c65d504395ddc7dedb4a5c_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&b&
2. 确定指标的参数:&/b&&/p&&p&&br&&/p&&p&
每个指标可取出对应的英文名称，右侧是所有的参数名称，需要在调用参数时补齐，下方是参数取值说明，部分参数设定了默认值，若在可选参数中没有选定，会选择&b&默认&/b&。&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-427a0bbf8bbd4fc963021bbbb6d7164a_b.jpg& data-rawwidth=&644& data-rawheight=&396& class=&origin_image zh-lightbox-thumb& width=&644& data-original=&https://pic4.zhimg.com/v2-427a0bbf8bbd4fc963021bbbb6d7164a_r.jpg&&&/figure&&p&&br&&/p&&p&如需详细了解的朋友请私信我或者发送邮件至guodong&a href=&https://link.zhihu.com/?target=http%3A//xueqiu.com/n/eastmoney& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&@eastmoney&/a&.com 索取详细介绍资料&/p&
如需详细了解的朋友请私信我或者发送邮件至guodong.com 索取详细介绍资料 索引—— 一、Choice数据量化接口版本介绍二、Choice数据量化接口特色三、Choice数据量化接口基本功能四、Choice数据量化接口特色功能五、Choice数据量化接口指标手册使用…
【先占坑，持续更新ing】&br&&br&更多干货，可以关注微信公众号&b&【金融入场券】&br&&br&----------开始-------------------------------------------------&br&&/b&Wind使用经验一年，我说说一些目前我经常用到的功能，首先你得有个Wind账户，这个你们自己百度吧~&br&&br&最近对比了一下Wind（万得资讯旗下）和Choice金融终端（东方财富旗下），两者界面惊人的相似，你熟悉其中一个软件，另一个都不用花时间研究了~&br&&br&拿到一个软件，先要干什么？当然是导入股票池啊！如果你做行研实习的话，都要做日报/周报，你关注的行业有几十个公司标的，这个你要经常关注的~&br&&br&----------------------------------------------------&br&以下格式说明：&br&【】内为快捷键，加粗的是名称，之后的是说明&br&&br&Wind的经常使用的功能：&br&&b&【F9】深度资料&br&&/b&上市公司的基本信息，财务数据，日常公告，股东资料，股东资料都在这里；&br&&br&&b&【EDE】数据浏览器&br&&/b&如何导出多个公司的财务数据，譬如主营业务收入，归母净利润，PE/PB 值，资产负债率等等比率指标呢？&br&神马？？……你还从年报里一个一个摘，不好意思，手已残（亲身经历，血泪教训）&br&进入数据浏览器，一次性搞定。&br&&br&&b&【NA】公告栏目&br&&/b&做日报，周报都得从这个里面摘，不多说。&br&&br&&b&【EDB】经济数据库&br&&/b&上市公司财务数据有EDE，而上市公司的一些经营数据就要靠这个了，每个高速的客流量，每个航空公司的客运量货运量，宏观的GDP/CPI，汇率指标都在这里。&br&&br&我就不上图了，更多干货，请关注微信公众号【金融入场券】——&br&我们是金融界的窗口，这里有你想了解的金融圈信息，我们还会给你一张门票，可以直达简历站，office站……金融站……请带上你的门票，跟我们一起上车吧~&br&&br&&p&&a href=&//link.zhihu.com/?target=http%3A//weixin.qq.com/r/iDgXD27ECTN2rSps922a& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&weixin.qq.com/r/iDgXD27&/span&&span class=&invisible&&ECTN2rSps922a&/span&&span class=&ellipsis&&&/span&&/a& (二维码自动识别)&/p&
【先占坑，持续更新ing】 更多干货，可以关注微信公众号【金融入场券】 ----------开始------------------------------------------------- Wind使用经验一年，我说说一些目前我经常用到的功能，首先你得有个Wind账户，这个你们自己百度吧~ 最近对比了一下W…
&figure&&img src=&https://pic3.zhimg.com/v2-6a884afb5aca50c47944c7_b.jpg& data-rawwidth=&1494& data-rawheight=&889& class=&origin_image zh-lightbox-thumb& width=&1494& data-original=&https://pic3.zhimg.com/v2-6a884afb5aca50c47944c7_r.jpg&&&/figure&&blockquote&子曰：我这些年走过最有用的路，是套路。(财务分析)多点套路，少点弯路&/blockquote&&p&系列文章组织结构&/p&&blockquote&&b&结构分析、基础分析&/b& 本篇&br&经营分析&br&杜邦分析&br&风险评估&br&对比分析&br&敏感性测算&/blockquote&&p&&b&你为什么要看财务报表？&/b& &/p&&p&可能很多人都会说，当然是看公司有没有挣钱，有没有诓骗投资者。这其实都没有错，不过还不够。最基本的东西，比如公司最值钱的资产是CBD那栋大楼，还是城市郊区的产线？最大的成本是原材料还是请客户别喝嫖赌(误)，你知道吗？ &br&当然，财务报表不可能都告诉你，但是我们可以借助财务报表及其附注，了解到公司哪些东西更值钱，以及它是不是真的这么值钱。&/p&&p&&b&一、企业的资产结构&/b& &/p&&p&资产负债表是财务报表里面最为重要的一张了。通过查看企业的资产结构，我们至少可以了解以下几点&/p&&blockquote&1) 轻资产还是重资产 &br&2) 值钱的资产 &br&3) 长期挂账的某些资产&/blockquote&&p&&b&1.1. 轻资产与重资产&/b& &/p&&p&其实很多人，包括我自己，对重资产的概念都有偏见。以前我们眼中的重资产企业，都是有很多厂房啊、设备等等的企业。私以为这是一种很不全面的概括。如果重资产企业就是设备与厂房较多的企业，那土豆优酷乐视这些是轻资产还是重资产？如果是轻资产，那每年一大笔的CapEx是什么？所以我觉得，所谓的重资产企业，应该是需要持续大笔投入资金的企业，换句话说：也就是&b&固定资产、无形资产、长期待摊费用&/b&占比很高的企业(比方说超出30%)&/p&&p&这样一来，轻资产企业的特征就呼之欲出了：&b&轻资产企业所提供服务(产品)之成本，可近似等于其变动成本(或者称为浮动成本)&/b&&/p&&p&企业风险：1)一般情况下，轻资产企业应该也是轻债务的。如果债务很重的话，可能发生资金链风险。2)经营风险，比如供应链上的风险(供货、回款之类)。3)盲目扩张&/p&&p&TIPS: 原则上，重资产企业和轻资产企业并没有可比性，如果你非要比，可以用PFCF(价格/自由现金流，也有叫市现率的)来标示企业的相对估值(因为轻资产企业没有，或者极少存在资本性开支，而PFCF已经考虑并去除了资本性开支的影响)。这个PFCF相对于常用的PE，区别在于FCF考虑了企业经营性资产(主要是应收、存货等)对企业利润的占用。FCF=OCF-CapEx+Int=EBIT-cNWC&/p&&p&&b&1.2. 核心资产&/b& &/p&&p&一般来说，要确认标的公司核心资产有三个层面。1)从经营实体层面，&b&参考公司年报：主要参股/控股子公司信息&/b&；2)从财务层面，&b&可以查看公司各科目占总资产比例&/b&；3)从公司提供的产品或者服务层面，&b&该信息一般在管理层讨论与分析(mda)以及公司业务概要章节找到&/b&，这里只说财务上的核心资产。&/p&&p&通过以下表格，就可以查看上市公司重要资产账面价值及其所占总资产比例。 &/p&&figure&&img src=&https://pic2.zhimg.com/v2-4e8da75bccfba268ba26afb_b.jpg& data-rawwidth=&1411& data-rawheight=&911& class=&origin_image zh-lightbox-thumb& width=&1411& data-original=&https://pic2.zhimg.com/v2-4e8da75bccfba268ba26afb_r.jpg&&&/figure&&p&然后，我们可以针对资产特征，看它是否值不值这么多钱。 见本文&b&附后、常见会计科目分析方法&/b&&/p&&p&&b&针对资产项我们可以做一个敏感性测算，看资产价值损失多少会引起利润的大幅变动(比如变动10%)，这样可以针对性的分析，关于敏感性分析，后面可能会稍微说一下&/b&&/p&&p&指标：
&/p&&p&&b&PPE=(固定资产+无形资产+长期待摊费用)/总资产&/b& &/p&&p&&b&经营性资产=(应收账款+应收票据+预付账款+存货+其他应收款)/总资产&/b&&/p&&p&&b&投资性资产=(交易性金融资产+可供出售金融资产+长期股权投资+持有至到期投资+投资性房地产)/总资产&/b&&/p&&p&一般来说：轻资产企业经营性资产比例较高、重资产企业PPE比例较高，控股公司、投资性公司投资性资产比例较高。&/p&&p&&b&关于资产效率，比较直接的方法就是，将企业营业收入/企业主要资产，并看其变动即可。&/b&&/p&&p&&b&二、企业的资本结构&/b& &/p&&p&了解完资产端，来看负债和权益端，通过企业的负债、权益结构，我们可以了解到：&/p&&blockquote&1) 短期有息债务/长期有息债务 &br&2) 短期无息负债 &br&3) 有息债务/无息债务/股东权益&/blockquote&&p&负债和权益结构主要看公司经营的激进程度。另外，不同的业务对应出不同的负债结构，比如一些需要重资产运作，建设周期长，回报率低，通过自有资金(股东权益)无法满足，必须依靠债务融资经营的业务，我们就可以看到较高的有息债务。&/p&&p&指标：
&/p&&p&&b&有息债务=(短期借款+其他流动负债+一年内到期的非流动负债+应付债券+长期借款)/总资产&/b& &/p&&p&&b&股东权益=所有者权益/总资产&/b& &/p&&p&&b&无息负债=(应付账款+应付票据+预收账款+其他应付款)/总资产&/b& &/p&&p&&b&运营资金(经调整)=经营性资产-经营性负债&/b&&/p&&p&特别说下营运资金，营运资金的增加会影响企业经营性现金流量，代表本期营业收入中，赊销比例、对下游授信增加或者上游现金支付、预付比例增加。&/p&&p&如果你是一名财务总监，也许会根据一家公司的业务对这家公司采用什么样的资本结构进行精打细算，比方说公司缺多少钱，多少通过股权融资，多少通过债权融资等。不过作为普通投资者的我们，就不用操心这么多了。只需要看其融资成本就可以了。债权投资人看债务成本(&b&利息支出/有息债务&/b&)，股权投资人看净资产收益率，资金效率看投入资本回报率(ROIC)。投资安全性参考：风险评估篇。&/p&&p&&b&三、企业的收入结构&/b&&/p&&blockquote&1) 非经常性损益 &br&2) 投资收益 &br&3) 销售收入&/blockquote&&p&非经常性损益：非经营活动产生的损益，一般情况下，这种收益比例不宜太高。这个科目需要查看收益明细，以确认是不是持续性的。并通过敏感性测试看缺少该项收益时对利润的影响。&/p&&p&投资收益：通投资性资产获取的收益，这个与资产负债表的投资性资产结合起来看。投资性资产多的，投资收益多点就没什么关系了&/p&&p&销售收入(营业收入)：企业通过正常经营取得的收入，这个虽然在财务方面没什么可说的，但是建议看下年报里披露的业务构成，看它的核心竞争力及真正的市场在哪里。&/p&&p&&b&四、企业的成本构成&/b& &/p&&p&两种口径：主营业务成本+三项费用、固定+可变成本。 &/p&&p&一般前者用于查看企业最花钱的地方在哪个环节，后者主要用于做敏感性测算。成本构成： &/p&&figure&&img src=&https://pic4.zhimg.com/v2-2f566ef22db95e29f9c36_b.jpg& data-rawwidth=&1450& data-rawheight=&442& class=&origin_image zh-lightbox-thumb& width=&1450& data-original=&https://pic4.zhimg.com/v2-2f566ef22db95e29f9c36_r.jpg&&&/figure&&p&固定、浮动成本表&/p&&figure&&img src=&https://pic3.zhimg.com/v2-189df9e7d6b996a83a0cf82ba8d37708_b.jpg& data-rawwidth=&1433& data-rawheight=&338& class=&origin_image zh-lightbox-thumb& width=&1433& data-original=&https://pic3.zhimg.com/v2-189df9e7d6b996a83a0cf82ba8d37708_r.jpg&&&/figure&&p&----本篇结束----&/p&&p&&b&附后、常见会计科目分析方法&/b&&/p&&p&1) 应收账款&/p&&p&看集中度，看关联性，看账期及账龄 &/p&&p&一般来说，B2B的应收款要多一些，比如经营一些专用仪器的公司应收款可能集中度比较高；而关联性就是看有没有高级管理人员或者董事等控制的公司；至于账龄和账期，如果采用保守策略，可对超出账期一段时间后就进行高比率的计提。 &/p&&p&2) 存货&/p&&p&看结构、周转期、库龄、保值期&/p&&p&3) 其他应收款&/p&&p&看关联性，集中度 &/p&&p&针对集中度较高(就是大笔应收款集中在少数几个单位身上)的并且存在关联关系的要特别注意，而如果是借给员工的出差费这些就不用太在意，反正迟早转成费用的。&/p&&p&4) 其他流动资产&/p&&p&迄今为止还没遇到，一般为理财产品，一些奇奇怪怪的短期投资等。&/p&&p&5) 无形资产&/p&&p&看来源、类别&/p&&p&无形资产一般来说，来源如果是购置的都比较靠谱(有购买票据、资金流水、审计的到)，来源是自建或者自己开发的就要小心。比较硬的无形资产是&b&土地使用权、特许经营权等&/b&，对无形资产的价值衡量还可以看其摊销办法，不合理的摊销办法可能会导致其实际价值与账面价值相去甚远。 &/p&&p&6) 商誉&/p&&p&商誉为并购时产生，按照会计准则，商誉的价值需要在年度末进行减值测试，但是对于普通投资者来说，由于测试方法不透明，这里很容易被挖坑，减不减值都由上市公司说了算。这里我有一个方法参考。假设该部分商誉是由并购阿尔法公司产生的，那么我们可以以&b&并购阿尔法时支付的对价/阿尔法公司的净利润，或者净资产&/b&，并看它的变化情况。也就是将阿尔法公司视为一个上市公司，如果出现有利变化，则其PB/PE因有所下降。则可以不提减值。&/p&&p&7) 长期股权投资&/p&&p&如果一个公司大部分都是长期股权投资，那说明这个公司其实是一个投资性的公司。评估这个科目的价值简单办法由两个: &b&投资收益/长期股权投资&/b&，&b&看核算科目的变动情况&/b&，一般来说，如果企业一项投资性资产核算科目变了(一般调整为可供出售金融资产)，那说明企业可能准备卖掉这项资产了，这是你就可以以&b&该资产的账面价值-该资产的取得成本&/b&算一下可能卖多少钱了。 &/p&&p&8) 可供出售金融资产&/p&&p&这个科目真心比较牛，资产价格上涨可以产生利润(卖掉)，资产价格跌了，只要不卖就不会产生亏损，如果企业本项资产较多的话，可以看下该项资产账面价值与取得价格的差值。其实这个科目对企业利润和净资产的潜在影响是相对比较容易确定的，因为这个科目很多资产多是上市公司股权，既是上市公司，去查他区间内价格变动就成了。如果不是上市公司，就只能看企业过往投资业绩了。 &/p&&p&9) 固定资产&/p&&p&这个科目没什么好说的，作为重资产企业的一个重要科目，主要还是看折旧方法。折旧方法的不同可能会对企业利润产生明显影响。&/p&&p&10) 在建工程&/p&&p&在建工程由于不创造价值(常规情况下)，因此理论上是越低越好的。大额的在建工程在账上不动的情况要注意。 &/p&&p&11) 长期待摊费用&/p&&p&除非商业模式决定，该科目正常情况下不会很大，该科目一般也是看产生原因。一般为租金、门面装修费之类的。&/p&&blockquote&后记：结构分析主要用于帮助我们确认分析的重点在哪里(这一篇算是我认为最为重要的一篇，所以写写停停，写了有二十多天了吧)，如果连报表结构都没看就去分析一通，比如一个企业应收账款只占总资产1%，分析应收账款周转率就毫无意义。除此之外，结构分析还有助于帮助我们理解企业的业务模型，风险点等。&/blockquote&&p&警告：本篇文章是依据笔者个人对财务报表及报表科目作用综合理解而成，可能有别于大家熟悉的财务分析方法，请务必在对公司及会计的理解基础上谨慎批判看待，万一你的理解出现了偏差………………，我也不会负责的。&/p&&p&冯晓天/&/p&
子曰：我这些年走过最有用的路，是套路。(财务分析)多点套路，少点弯路系列文章组织结构结构分析、基础分析 本篇 经营分析 杜邦分析 风险评估 对比分析 敏感性测算你为什么要看财务报表？ 可能很多人都会说，当然是看公司有没有挣钱，有没有诓骗投资者。这…
谢邀。这是个很有意思的问题。我从2009年读了一本谈数据挖掘的书《Collective Intelligence》后开始思考如何利用文本数据（新闻）来做一些能够获利于市场的策略。当时我还在国内，主要也在关注A股，当时有发现题主所说的问题（比如噪音太多，内幕消息太多）；后来今年开始，我开始系统研究如何在美国进行开发这方面的策略，我想我可以说一下中美两边市场对于新闻反应的不同。&br&&br&首先需要说明，我已经没有在A股交易长达3年，也许很多情况变了。所以希望各位能与时俱进的看待我的观点。&br&&br&先分解题目，首先我们只讨论公开的新闻，所以我不认为在公开新闻中出现的消息可以称为内幕消息，内幕消息——从某种层面来说，就是提前流出的公开消息。现在假设在中美两个市场，我们都获得的是真实的、公开的新闻，那么我们可以从两个角度来看待中美市场的不同：作用时间和作用效果。&br&&br&1. 新闻的作用效果：我想中国有点经验的老股民，或者喜欢看国内各种投资书籍的人应该看到过一句话叫做“利空过后是利好，利好过后是利空”，简单来说，就是出一个利好的消息，对应的股票很可能会跌，而出一个利空消息，对应的股票反而会涨。首先我一定要强调如果在美国，这是个bullshit的结论，但是在中国，各位技术流大神给出了一个看似合理的解释：“盈满必亏，亏极则盈”，就是利好到极致了那就要跌了——或利空到尽头就要涨了。各位是不是感受到了道家思想的光辉？至少我之前有这样的感受，但现在，我综合在美国的经验，我发现这绝对是个坑——因为在美国，一般一个利好对应就是涨，利空对应的就是跌。中国为什么是反的？——因为新闻的作用时间是负的——在你知道以前效果就发生了——所有该发生的波动都发生了——必然要反向运行。&br&&br&2. 新闻的作用时间：好，引到了这里，你就会知道中国的新闻作用效果是负的了，而美国通常是正的——也就是新闻出现后对应的涨幅、跌幅才出现。我就说最近的例子，TESLA第二季度，投行的预期收益是-0.2，而真实业绩公布时间是8月7日纽交所收盘后，8月7日TSLA全天一直再跌，然后8月7号收盘后公布业绩，是正0.2元每股，于是第二天高开。如果在中国，按照我的经验，必然是8月7号已经涨到头了，然后公布业绩后开始跌——因为获利者需要出货了。这方面的例子很多的，最近的FB也有类似的情况。&br&&br&看到这里，大家没必要怨天尤人抱怨社会，这些都是没用的，你要在这个市场玩，就要遵守市场的规矩，所有去妖魔化庄家之类都是自我安慰-——大家都是人，凭什么人家要送钱给你？适应环境再图改变才是正确的做法。不如想想这样一个环境下，如果你要在中国做事件驱动（Event-Driven）的研究，该如何进行。&br&&br&一起回到本源，什么是Event-Driven Research/Trading？我理解的事件驱动研究的始祖是有效市场理论的提出人——Eugene Fama。当时60年代，现在金融博士界无人不知的CRSP数据库还刚草创，芝加哥Booth商学院的副院长James Lorie正为如何推广它一筹莫展，然后找Fama用这个数据写篇论文——这情节倒是和国内某景点找导演拍个电影无比类似。Fama当时写了篇很有意思的文章——股票拆分对于未来股价的影响。比如万科十送十了，那么未来股价在一定时期内会如何走呢？这篇文章从论证方法到论点都是上品，也奠定了事件驱动研究的基本框架——1. 定义事件，2. 定义作用时间，3. 用可靠地统计方法确定作用效果（有效、无效、不显著？）。&br&&br&既然如此，那就算中国新闻的作用时间是负的，新闻的作用效果是反的，无他，研究尔。如果你得到统计上显著的结果，就算非常Counter-Intuitive（反常识），那你也可以采用。既然做事件驱动，就安安心心你做一个Empiricist（实证主义者）。把实证的理论完美结合——那还是交给祖国下一代吧。&br&&br&另外，请记住我讨论的前提——新闻为真。如何保证前提成立？这超过了我的能力范畴——如果有好方法记得告诉我。
谢邀。这是个很有意思的问题。我从2009年读了一本谈数据挖掘的书《Collective Intelligence》后开始思考如何利用文本数据（新闻）来做一些能够获利于市场的策略。当时我还在国内，主要也在关注A股，当时有发现题主所说的问题（比如噪音太多，内幕消息太多）…
&p&&b&为大家带来社区一个多因子策略，适合入门进行观看哦。&/b&&/p&&h2&1.初始股票池：沪深300&/h2&&div class=&highlight&&&pre&&code class=&language-python3&&&span&&/span&&span class=&n&&context&/span&&span class=&o&&.&/span&&span class=&n&&stocks_set&/span& &span class=&o&&=&/span& &span class=&n&&index_components&/span&&span class=&p&&(&/span&&span class=&s1&&'000300.XSHG'&/span&&span class=&p&&)&/span&
&/code&&/pre&&/div&&h2&2.初始化因子：&/h2&&div class=&highlight&&&pre&&code class=&language-python3&&&span&&/span&&span class=&n&&context&/span&&span class=&o&&.&/span&&span class=&n&&facs&/span& &span class=&o&&=&/span& &span class=&p&&[&/span&&span class=&s1&&'pe'&/span&&span class=&p&&,&/span&&span class=&s1&&'pb'&/span&&span class=&p&&,&/span&&span class=&s1&&'市现率'&/span&&span class=&p&&,&/span&&span class=&s1&&'市销率'&/span&&span class=&p&&,&/span&&span class=&s1&&'peg'&/span&&span class=&p&&,&/span&&span class=&s1&&'btm'&/span&&span class=&p&&,&/span& &span class=&s1&&'roe'&/span&&span class=&p&&,&/span&&span class=&s1&&'roa'&/span&&span class=&p&&,&/span&&span class=&s1&&'净资产收益增长率'&/span&&span class=&p&&,&/span&&span class=&s1&&'基本每股收益增长率'&/span&&span class=&p&&,&/span&&span class=&s1&&'营业总收入增长率'&/span&&span class=&p&&,&/span&&span class=&s1&&'股利'&/span&&span class=&p&&,&/span&&span class=&s1&&'权益乘数'&/span&&span class=&p&&,&/span&&span class=&s1&&'销售净利率'&/span&&span class=&p&&,&/span&&span class=&s1&&'市值'&/span&&span class=&p&&,&/span&&span class=&s1&&'产权比率'&/span&&span class=&p&&,&/span&&span class=&s1&&'总资产周转率'&/span&&span class=&p&&,&/span&&span class=&s1&&'波动'&/span&&span class=&p&&,&/span&&span class=&s1&&'动量'&/span&&span class=&p&&,&/span&&span class=&s1&&'beta'&/span&&span class=&p&&]&/span&
&/code&&/pre&&/div&&p&这里一共选择了20个因子，实际上是从‘成长’，‘估值’，‘市场因子’三个方面选择的，当然20个普通的财务因子不可能在任何时候都可以覆盖到可以表达股票的全部情况，而且因子贡献度会衰退，所以不同的年份应该对因子有调整。&/p&&h2&3.根据日期获得数据：&/h2&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&def get_data(context,date):
factors1 = ['pe','pb','市现率','市销率','peg','book_value_per_share','roe','roa','净资产收益增长率','基本每股收益增长率','营业总收入增长率','股利','权益乘数','销售净利率','市值','产权比率','总资产周转率']
q = query(
fundamentals.eod_derivative_indicator.pe_ratio,
fundamentals.eod_derivative_indicator.pb_ratio,
fundamentals.eod_derivative_indicator.pcf_ratio,
fundamentals.eod_derivative_indicator.ps_ratio,
fundamentals.eod_derivative_indicator.peg_ratio,
fundamentals.financial_indicator.book_value_per_share,
fundamentals.financial_indicator.return_on_equity,#净资产收益率
fundamentals.financial_indicator.return_on_asset,#roa
fundamentals.financial_indicator.inc_return_on_equity,# '净资产收益率(摊薄)(同比增长率)'
fundamentals.financial_indicator.inc_earnings_per_share,
#基本每股收益(同比增长率)
fundamentals.financial_indicator.inc_revenue,
#营业总收入(同比增长率)
fundamentals.financial_indicator.dividend_per_share,
fundamentals.financial_indicator.du_equity_multiplier,#权益乘数(杜邦分析)
# fundamentals.financial_indicator.inc_earnings_per_share,#基本每股收益(同比增长率)
fundamentals.financial_indicator.net_profit_margin,
#销售净利率
fundamentals.eod_derivative_indicator.market_cap,#市值
fundamentals.financial_indicator.debt_to_equity_ratio,#产权比率
fundamentals.financial_indicator.total_asset_turnover#总资产周转率
fundamentals.income_statement.stockcode.in_(context.stocks_set)
fundamentals_df = get_fundamentals(q,date)
# print(fundamentals_df)
fundamentals_df = fundamentals_df.T
fundamentals_df.columns=factors1
ser_volatility = volatility(context)
ser_momentum = momentum(context)
betas = beta_value(context)
df = pd.concat([ser_volatility,ser_momentum,betas],axis=1)
df.columns =['波动','动量','beta']
df = pd.concat([df,fundamentals_df],axis=1)
# print(df)
price = []
for st in df.index:
price.append(history_bars(st, 1, '1d', ['close'],include_now=True)[0][0])
df['price'] = Series(price,index = context.stocks_set)
df['btm'] = df['book_value_per_share']/df['price']
df = df[context.facs]
for col in df.columns:
df[col] = winsorize_series(df[col])
df_sec_data = pd.concat([df,context.ser_sec],axis=1)
for fac in context.facs[:]:
f = (df_sec_data.groupby(0)[fac]).apply(standardize_series)
df_sec_data[fac] = f
return df_sec_data
def single_volatility(stock):
price=history_bars(stock,30,'1d','close')
daily_return=(price[1:]-price[:-1])/price[:-1]
return np.std(daily_return)
def volatility(context):#波动率
value=list(map(single_volatility,context.stocks_set))
return Series(value,index=context.stocks_set)
def single_pricemomentum(stock):
price=history_bars(stock,30,'1d','close')
return (price[-1]-price[0])/price[0]
def momentum(context):#动量
value=list(map(single_pricemomentum,context.stocks_set))
return Series(value,index=context.stocks_set)
def single_beta(stock):
price=history_bars(stock,30,'1d','close')
benchmarks_price=history_bars('000300.XSHG',30,'1d','close')
if len(price) == len(benchmarks_price):
return np.corrcoef(price,benchmarks_price)[0,1]
minsize = min(len(price),len(benchmarks_price))
return np.corrcoef(price[:minsize],benchmarks_price[:minsize])[0,1]
def beta_value(context):#贝塔
value=list(map(single_beta,context.stocks_set))
return Series(value,index=context.stocks_set)
&/code&&/pre&&/div&&p&这里计算beta，动量，波动的方式参照了&a href=&https://link.zhihu.com/?target=https%3A//www.ricequant.com/community/topic/3239/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《&/a&&a href=&https://link.zhihu.com/?target=https%3A//www.ricequant.com/community/topic/3239%3Futm_source%3Dzhihu& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&瑞银A股多因子研究(下)之多因子打分模型&/a&&a href=&https://link.zhihu.com/?target=https%3A//www.ricequant.com/community/topic/3239/%3Futm_source%3Dzhihu& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&》&/a&&/p&&p&其中：&/p&&div class=&highlight&&&pre&&code class=&language-python3&&&span&&/span&&span class=&n&&standardize_series&/span&&span class=&err&&：&/span&&span class=&n&&是标准化&/span&&span class=&err&&，&/span&&span class=&n&&争取除去板块之间的差异&/span&&span class=&err&&，&/span&&span class=&n&&处理之后因子的较小值不是集中在某板块&/span&&span class=&err&&，&/span&&span class=&n&&而是分散到各个板块因子值较小的股票&/span&
&/code&&/pre&&/div&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&winsorize_series：异常值处理
&/code&&/pre&&/div&&h2&4.因子IC(信息系数)计算：&/h2&&p&这次跟之前相比用 spearmanr代替了pearson，因为收益率与因子值不存在明显的线性关系，用秩相关会合适些。&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&def get_currentIC(context,date):
# print(&get_currentIC&)
date_list = context.date_list
# 上一个日期
lst_date1 = date_list[date_list.index(date)-1]
# 上2个日期
lst_date2 = date_list[date_list.index(date)-2]
fd22 = get_data(context,lst_date2)
all_returns = context.all_returns
# 获得上2个日期到上1个日期之间的收益
lst_returns = all_returns[lst_date1]
IC = pd.DataFrame()
for fac in context.facs:
facs_data = fd22[fac]
_ic = st.spearmanr(facs_data,lst_returns)[0]
IC[fac] = np.array([_ic])
&/code&&/pre&&/div&&p&其中date_list是每个星期五交易日，用来计算涨跌的&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&def get_date_list(start_date,end_date):
dates = get_trading_dates(start_date, end_date)
d1 = end_date.strftime('%Y-%m-%d')
date_list=[]
for date in dates[::-1]:
if (date.weekday() == 4) and (str(d1)!=str(date.strftime('%Y-%m-%d'))):
date_list.append(date.strftime('%Y-%m-%d'))
if len(date_list)&11:
date_list.sort(reverse=False)
return date_list
&/code&&/pre&&/div&&p&涨跌的计算方式：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&def count_reven(stocks,s_date,e_date):
df_cn = get_price(stocks,start_date=s_date,end_date=e_date)['ClosingPx']
df_cn = df_cn.T
day0 = Series(df_cn.ix[0])
day1 = Series(df_cn.ix[-1])
rets = day1/day0-1
return rets
&/code&&/pre&&/div&&p&将date_list的涨跌用all_returns（dataframe）存储。&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&for i in range(len(context.date_list)-1):
# 计算从date_list[i]到date_list[i+1]的收益
rets = count_reven(context.stocks_set,context.date_list[i],context.date_list[i+1])
df_all_reven[context.date_list[i+1]] = rets
df_all_reven = DataFrame(df_all_reven)
context.all_returns = df_all_reven
&/code&&/pre&&/div&&h2&5、因子权重的计算&&因子筛选&/h2&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-18f6ecdbaf93a_b.jpg& data-rawwidth=&649& data-rawheight=&367& class=&origin_image zh-lightbox-thumb& width=&649& data-original=&https://pic2.zhimg.com/v2-18f6ecdbaf93a_r.jpg&&&/figure&&p&这种权重计算方式参照《安信证券－多因子系列报告之一》&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&def get_bestweight(currentdate,context):
dates = context.date_list[-N:]
# print(dates)
#取前8期日期
IC = pd.DataFrame()
for i in range(N):
ic = get_currentIC(context,dates[i])
#计算每个日期的IC值
IC = pd.concat([IC,ic],axis=0)
mean_IC = IC.mean()
std_IC = IC.std()
ser_fac = mean_IC/std_IC
ser_fac = ser_fac.abs()
ser_fac = ser_fac.sort_values(ascending = False)
context.eff_facs = ser_fac.index[:3]
IC = IC[context.eff_facs]
IC =IC.dropna(axis=1)
eff_facs = IC.columns
mat = np.mat(IC.cov())
#按照公式计算最优权重
mat = nlg.inv(mat)
weight = mat*np.mat(IC.mean()).reshape(len(mat),1)
weight = np.array(weight.reshape(len(weight),))[0]
weight = Series(weight,index = eff_facs)
return weight
&/code&&/pre&&/div&&p&上面包括了权重计算和筛选因子的方法；筛选因子的方法是将前8期的因子平均IC除以IC的标准差，取绝对值大的三个。&/p&&h2&6、给股票打分：&/h2&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&def get_stocks(context,bar_dict):
date = context.now.strftime('%Y-%m-%d')
df = get_data(context,date)
weights = context.weights
df1 = DataFrame()
for fac in context.eff_facs:
y = df[fac].replace(['NaN',np.nan],0)
x = pd.cut(y.rank(method='first'),10, labels=np.arange(10))
df1 = pd.concat([df1,x],axis=1)
index= weights.index
df1 = df1[index]
x = np.dot(df1, np.array(weights))
sto = df1.index
stocks = Series(x,index=sto)
stocks = stocks.sort_values(ascending=False)
return list(stocks[:5].index)
&/code&&/pre&&/div&&p&将股票根据因子值划分成10组，乘上对应权重，累加得到前五个股票每周交易。&/p&&p&每周第一个交易日交易，实际上财务因子每周应该不会有太大变化，所以理论上一周调仓一次应该够了，下单的权重按照股票排名分配。&/p&&p&每天加上&a href=&https://link.zhihu.com/?target=https%3A//www.ricequant.com/community/topic/3822& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&回撤止损&/a&。&/p&&p&&br&&/p&&p&&b&&a href=&https://link.zhihu.com/?target=https%3A//www.ricequant.com/community/topic/3777%3Futm_source%3Dzhihu& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&一键克隆策略&/a&&/b&&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-cea47dbc94cdab8cb3e4a3bb19690f9c_b.jpg& data-rawwidth=&793& data-rawheight=&433& class=&origin_image zh-lightbox-thumb& width=&793& data-original=&https://pic2.zhimg.com/v2-cea47dbc94cdab8cb3e4a3bb19690f9c_r.jpg&&&/figure&&p&&/p&&p&&/p&
为大家带来社区一个多因子策略，适合入门进行观看哦。1.初始股票池：沪深300context.stocks_set = index_components('000300.XSHG')2.初始化因子：context.facs = ['pe','pb','市现率','市销率','peg','btm', 'roe','roa','净资产收益增长率','基本每股收益…
&figure&&img src=&https://pic1.zhimg.com/v2-795ae912f327fe948b020_b.jpg& data-rawwidth=&1920& data-rawheight=&1280& class=&origin_image zh-lightbox-thumb& width=&1920& data-original=&https://pic1.zhimg.com/v2-795ae912f327fe948b020_r.jpg&&&/figure&&blockquote&在如今深度学习大爆发的时代，相关的硬件平台也在百花齐放，既有英伟达和谷歌这样的科技巨头，也有地平线机器人和 Graphcore 等创业公司——它们都各自提出了自己的解决方案。近日，多家公司的技术顾问 Matt Hurd 在其博客上发表了一篇全面评点各种神经网络硬件平台的长文。&/blockquote&&p&&br&&/p&&p&这是我几周前做的一个传统的 90 年代风格的性别识别神经网络的很好的隐藏节点。&/p&&p&&br&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-72c1a28ea29c915da62e24fc1a6a2914_b.jpg& data-rawwidth=&338& data-rawheight=&455& class=&content_image& width=&338&&&/figure&&p&一个简单的性别识别器网络中的 90 年代风格的隐藏节点图像&/p&&p&&br&&/p&&p&我的硕士项目是一种类似级联相关（cascade correlation）的神经网络 Multi-rate Optimising Order Statistic Equaliser（MOOSE：多速率优化顺序统计均衡器），可用于日内的 Bund（国库债券产品）交易。MOOSE 曾经是为获取高速的 LEO 卫星信号（McCaw 的 Teledesic）而设计的一点成果，后来在从 LIFFE 迁移到 DTB 时将目标转向了 Bund。作为一家投资银行的职业交易员，我可以购买很好的工具。我有那时候世界上最快的计算机：一个 IBM MicroChannel dual Pentium Pro 200MHz 处理器外加带有几 MB RAM 的 SCSI。在 1994 年那会儿，将 800,000 个数据点输入到我的 C++ stream/dag 处理器中看上去就像是黑魔法。有限差分方法让我可以做许多 O(1) 增量线性回归这样的运算，以获得 1000 倍的加速。那时候这看起来已经很好了。现在，你的手机都能嘲笑我的大方向。&/p&&p&&br&&/p&&p&那时候，在神经网络领域有很多研究。倒不是说它有过人的生产力，只是因为有用。读到 Lindsay Fortado 和 Robin Wigglesworth 的 FT 文章《Machine learning set to shake up equity hedge funds》中 Eric Schmidt 关于机器学习和交易的看法，还真有点让人高兴：&/p&&p&&br&&/p&&blockquote&Eric Schmidt 是谷歌母公司 Alphabet 的执行董事长，他上周对一众对冲基金经理说他相信在 50 年内，所有交易都会有计算机解读数据和市场信号。&br&「我期待出现在交易方面做机器学习的创业公司，看看我描述的这种模式识别能否比数据分析专家的传统线性回归算法做得更好。」他补充说，「我这个行业内的许多人都认为这注定将成为一种新的交易形式。」&/blockquote&&p&&br&&/p&&p&老朋友 Eric，我在 90 年代早期就已经算是迟到了，你真是有点后知后觉。&/p&&p&&br&&/p&&p&好吧，现在情况已经不同了。我喜欢思考它，并喜欢将神经网络的这次新复兴称为感知时代（The Age of Perception）。这并不是智能，只是擅长模式而已。它仍然无力应对语言歧义。它还要一些时间才能理解基本的价值和概念，从而形成深刻的金融理解。&/p&&p&&br&&/p&&p&深度学习既被夸大了，也被低估了。这不是智能，但会有助于帮我们实现智能。一些人将其夸大为将会给我们带来替代人的类人机器的人工智能突破。我们仍然还受困于常识以及用于推理的简单文本中的歧义。我们还有很长的路要走。相对简单的规划算法和启发式方法以及基于神奇的深度学习的视觉、声音、文本、雷达等等的感知能力将会带来深刻的影响，就像是每个人和他们的狗现在理解的那样。所以我叫它「感知时代」。就好像是我们口袋里的超级计算机突然有了眼睛，并且快速适应了真实世界所带来的闪光性致盲。&/p&&p&&br&&/p&&p&深度学习将会带来巨大的影响，并且将会改变这颗行星上全人类的生活方式。但我们低估了其对我们的危险。不，我们不会和能激起或挑战我们最深刻的思想的深度图灵对话者约会——还不会。这将不可避免地到来，但在可见的未来里还不可见。借助语音、文本和 Watson 那样的数据库的智能代理可以实现非常先进的 Eliza，但不会更先进了。自动化运输、食物生产、建筑、协助家事将会极大地改变人们的生活方式和不动产的价值。&/p&&p&&br&&/p&&p&除了这些泛泛之谈，本文的目的是收集一些关于芯片的思想见解——它们驱动着当前的神经网络革命。其中很多见解都不是最为激动人心的，但这对我来说是一个有用的锻炼。&/p&&p&&br&&/p&&p&&b&神经网络硬件&/b&&/p&&p&&br&&/p&&p&与 20 年前相比，今天的神经处理方法并没有很大不同。深度更多的是一个品牌，而不是一项差异。激活函数已经得到了简化，以更好地适配硬件。主要的成功之处在于我们有了更多数据，对如何初始化权重、处理许多层、并行化和提升鲁棒性也有了更好的理解，其中要用到像是 dropout 这样的技术。1980 年的 Neocognitron 架构与今天的深度学习器或 CNN 并没有显著差异，但 Yann LeCun 让它具备了学习能力。&/p&&p&&br&&/p&&p&在 90 年代那会儿也有很多神经硬件平台，比如 CNAPS（1990），它带有 64 个处理单元和 256kB 内存，可以在 8/16 位条件下达到 1.6 GCPS 的速度（CPS 是指每秒连接次数/ connections per second）或在 1 位条件下达到 12.8 GCPS 的速度。你可以在《神经硬件概述（Overview of neural hardware）》[Heemskerk, 1995, draft] 中读到 Synapse-1、CNAPS、SNAP、CNS Connectionist Supercomputer、Hitachi WSI、My-Neupower、LNeuro 1.0、UTAK1、GNU（通用神经单元/General Neural Unit）Implementation、UCL、Mantra 1、Biologically-Inspired Emulator、INPG Architecture、BACHUS 和 ZISC036。&/p&&p&&br&&/p&&p&阅读地址：&a href=&https://link.zhihu.com/?target=https%3A//pdfs.semanticscholar.org/86f87dac2b14a8fb9069.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&pdfs.semanticscholar.org&/span&&span class=&invisible&&/86f87dac2b14a8fb9069.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&&br&&/p&&p&好吧，东西还真多，但实际上还排除了软件和加速器板/CPU 组合，比如 ANZA plus、SAIC SIGMA-1、NT6000、Balboa 860 协处理器、Ni1000 识别加速器硬件（英特尔）、IBM NEP、NBC、Neuro Turbo I、Neuro Turbo II、WISARD、Mark II & IV、Sandy/8、GCN（索尼）、Topsi、BSP400（400 微处理器）、DREAM Machine、RAP、COKOS、REMAP、通用并行神经计算机（General Purpose Parallel Neurocomputer）、TI NETSIM 和 GeNet。另外还有一些模拟和混合模拟的实现，包括英特尔的电气式可训练模拟神经网络（801770NX）。你懂我要表达的意思了，那时候的东西还真是多。&/p&&p&&br&&/p&&p&这在 1994 年迎来了一次爆发：&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-07a3cb4b2a8e2b71afd9a_b.jpg& data-rawwidth=&640& data-rawheight=&601& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-07a3cb4b2a8e2b71afd9a_r.jpg&&&/figure&&p&&br&&/p&&p&乐观的摩尔定律告诉我们，TeraCPS 即将实现：&/p&&p&&br&&/p&&blockquote&「未来十年，微电子很可能将继续主导神经网络实现的领域。如果进展和过去进步得一样快，那就意味着神经计算机的性能将会增长大约 2 个数量级。因此，神经计算机将会接近 TeraCPS（10^12 CPS）的性能。由 100 万个节点（每个节点有大约 1000 个输入）组成的网络可以达到大脑的计算速度（100-1000 Hz）。这将能为实验合理巨大的网络提供良好的机会。」&/blockquote&&p&&br&&/p&&p&由于 Minsky 和 Papert 对隐藏层的不正确简单概括，打击了 Rosenblatt 的感知器梦想并最终导致了他不幸的死亡，神经网络研究遭遇了第一个冬天，研究资金被残酷地撤销了。1995 年，又出现了另一次神经网络冬天，尽管那时候我其实并不知道。作为温水锅里的一只青蛙，我没有注意到正在加热。第二个冬天的主要原因是缺乏激动人心的进展，让人们普遍感到无聊了。&/p&&p&&br&&/p&&p&到了 2012 年，多亏了 Geoffrey Hinton 的冬季生存技能，多伦多大学基于 AlexNet 开发的 SuperVision 在 ImageNet 处理上实现了极大的提升，第二个神经网络冬天也由此终结了。之后谷歌的 LeNet Inception 模型在 2014 年打破了它的记录。所以据我估计，感知时代始于 2012 年。将它记在你的日历里面吧，五年已经过去了。&/p&&p&&br&&/p&&p&谷歌在几千台普通机器上进行了出色的并行 CPU 有损更新研究。吴恩达教授和他的朋友们让数十台 GPU 就能完成数千台 CPU 的工作，从而让规模化成为了可能。因此，我们从需要很好的资助的神经处理前景中解放了出来。好吧，或多或少吧，现在最先进的网络有时候需要数千台 GPU 或专用芯片。&/p&&p&&br&&/p&&p&更多数据和更多处理能力是其中的关键。让我们进入本文的重点，列出一些感知时代大数据之战中的一些关键平台：&/p&&p&&br&&/p&&p&&b&英伟达的 GPU&/b&&/p&&p&&br&&/p&&p&这一家是很难被战胜的。来自大型视频处理市场的收益驱动着巨大的规模经济。新款英伟达 V100 带有一种新的 Tensor Core 架构，速度可达 15 TFlops（单精度/SP）或 120 TFlops（浮点精度，其中带有 FP16 的乘法和 FP32 的累加或加法，非常适合机器学习）。英伟达在它们的 DGX-1 中装入了 8 块计算卡，速度可达 960 Tensor TFlops.&/p&&p&&br&&/p&&p&&b&AMD 的 GPU&/b&&/p&&p&&br&&/p&&p&在机器学习领域，AMD 一直是英伟达的追赶者。即将发布的 AMD Radeon Instinct MI25 有希望达到 12.3 TFlops（SP）或 24.6 TFlops（FP16）。如果你把英伟达的 Tensor Core 也算进来，则 AMD 完全无力竞争。英伟达设备的带宽 900GB/s 也是 AMD 484GB/s 的两倍。&/p&&p&&br&&/p&&p&&b&谷歌的 TPU&/b&&/p&&p&&br&&/p&&p&谷歌原来的 TPU 相比于 GPU 有很大的领先，并帮助 DeepMind 的 AlphaGo 赢得了与李世石的围棋大战。据描述，原来的 700 MHz TPU 有 95 TFlops 的 8 位计算能力或 23 TFlops 的 16 位计算能力，同时功耗仅有 40W。这可比当时的 GPU 快得多，但现在落后于英伟达的 V100；但在单位功耗的计算能力上，TPU 并没落后。据称新的 TPU2 是一款带有 4 块芯片的 TPU 设备，速度可达到 180 TFlops 左右。每块芯片的性能都翻倍了，达到了 45 TFlops 的 16 位计算能力。你可以看到与英伟达 V100 的差距正在变小。你没法买到 TPU 或 TPU2。谷歌正在通过它们的云提供这些 TPU 服务，包含 64 台设备的 TPU pod 速度高达 11.5 PetaFlops。TPU2 上巨大的散热片说明了一些原因，但市场正在发生变化——从单独的设备转向了设备的组合以及将这些组合以云的形式提供。&/p&&p&&br&&/p&&p&&b&Wave Computing&/b&&/p&&p&&br&&/p&&p&Wave 之父澳洲人 CTO Chris Nicol 博士的成果斐然，领导开发了 Wave 的 Compute Appliance 中的异步数据流处理器（asynchronous data flow processor）。几年前，Metamako 的创始人 Charles Thomas 在加州简单介绍了我和 Chris 认识。他们俩都曾在 NICTA 研究过无时钟异步。这两人都很出色。&/p&&p&&br&&/p&&p&我不确定 Wave 的设备最早是不是针对机器学习设计的，但在他们的 3RU appliance 上运行 TensorFlow 的速度可以达到 2.9 PetaOPS/s，这实在了不起。Wave 将他们的处理器称为 DPU，一个 appliance 有 16 个 DPU。Wave 使用了他们称之为粗粒度可重构阵列（CGRA：Coarse Grained Reconfigurable Array）的处理元素。我还不清楚 2.9 PetaOPS/s 的速度对应多少位宽。根据他们的白皮书，其 ALU 可以执行 1 位、8 位、16 位和 32 位计算：&/p&&p&&br&&/p&&p&「算术单元是分区的。它们可以并行执行 8 位运算（完美适用于 DNN 推理）以及 16 位和 32 位运算（或以上的任何组合）。也可以执行一些 64 位运算，而且可以使用软件扩展到任意精度。」&/p&&p&&br&&/p&&p&关于其 appliance 中的 16 个 DPU，还有一些额外的信息：&/p&&p&&br&&/p&&p&「Wave Computing DPU 是一种包含了 16384 PE 的 SoC，它们被配置成了一个 32×32 集群的 CGRA。它包含了 4 个 HMC（Hybrid Memory Cube）第二代接口、一个 PCIe 第三代 16 通道接口和一个用于 SoC 资源管理的嵌入式 32 位 RISC 微控制器。这款 Wave DPU 可以在没有主机 CPU 时自动执行。」&/p&&p&&br&&/p&&p&对于 TensoFlow 指令：&/p&&p&&br&&/p&&p&「Wave DNN Library 团队为 TensorFlow 等工作流程中所使用的常见 DNN 函数创建了预编译的可重新定位的 kernel。它们可以被组合到 Agent 中并且可以被实例化成机器，以构建大型的张量数据流图和 DNN kernel。」&/p&&p&&br&&/p&&p&「……一个可与 TensorFlow、CNTK、Caffe 和 MXNet 等机器学习工作流程交互的 session 管理器，可作为用于训练和推理的工作器过程（worker process）。这些工作流程可为工作器过程提供张量的数据流图。在运行时，Wave 的 session 管理器会分析数据流图并将这些软件智能体放置到 DPU 芯片中，然后将它们连接起来以构建数据流图。这些软件智能体会被分配用于输入缓冲和本地存储的全局内存区域。CGRA kernel 的静态本质和分布式的内存架构可以让一个性能模型准确估计智能体的延迟。session 管理器可使用该性能模型来在智能体之间插入 FIFO 缓冲，这有助于 DPU 中通信和计算的重叠。这个可变智能体支持穿过整个图的数据流的软件流程，从而可以进一步增加并发性和性能。这个 session 管理器可以监控数据流图运行时的性能（通过监控卡顿、缓冲区下溢出和/或上溢出），并且可以动态地调节 FIFO 缓冲区的大小以实现吞吐量的最大化。在附加了 DPU 的处理器中，有一个分布式运行时管理系统会在运行时安装和卸载数据流图的一些部分，从而平衡计算和内存的使用量。这种在数据流计算机中的数据流图上的运行时重新配置还是有史以来第一次。」&/p&&p&&br&&/p&&p&是的，我也觉得非常酷。这个平台的惊人之处是它在架构方面比 FPGA 更加粗粒度，因此灵活性更低，但却很可能表现更好。非常有意思。&/p&&p&&br&&/p&&p&&b&KnuEdge 的 KnuPath&/b&&/p&&p&&br&&/p&&p&在 2016 年 6 月时我在 Twitter 上谈过 KnuPath。那以后他们的产品页面却失踪了。我不确定他们要把那 1 亿美元如何用到他们的 MIMD 架构上。那时候他们向我这样描述的：每个 ASIC 中有 256 个微型 DSP（即 tDSP）核以及一个 ARM 控制器，适用于 35W 包络中的稀疏矩阵处理。&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-a0a7cfc905b4e1c4c1d94e15eae678e0_b.jpg& data-rawwidth=&640& data-rawheight=&366& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic3.zhimg.com/v2-a0a7cfc905b4e1c4c1d94e15eae678e0_r.jpg&&&/figure&&p&它的性能未知，但他们把自己的芯片与一款当时的英伟达芯片进行了比较，那时候他们说实现了 2.5 倍的性能。我们知道英伟达现在凭借 Tensor 内核已经提速了十倍以上，所以 KnuEdge 还要努力才能跟上节奏。MIMD 或 DSP 方法必须要得到非常好的效果才能在这一领域占据一席之地。时间会给我们答案。&/p&&p&&br&&/p&&p&&b&英特尔的 Nervana&/b&&/p&&p&&br&&/p&&p&Nervana Systems 曾经除了开发他们的 Nervana Engine ASIC，还开发着一种 GPU/软件方法，后来英特尔收购了这家公司。性能比较方面还不清楚。英特尔也在规划通过一个 Knights Crest 项目将其集成到 Phi 平台中。NextPlatform 认为其 2017 年在 28nm 节点上的目标是在某个位宽的运算速度达到 55 TOPS/s。英特尔还安排一个 NervanaCon，将在 12 月份举办，所以那时候我们也许将能看到他们的第一批成果。&/p&&p&&br&&/p&&p&&b&地平线机器人&/b&&/p&&p&&br&&/p&&p&这家中国创业公司正在研发一种大脑处理单元（BPU：Brain Processing Unit）。余凯博士是正规军出身，他曾是百度深度学习研究院的负责人。今年早些时候，一段 YouTube 视频演示了基于 Arria 10 FPGA 的 BPU 仿真：&a href=&https://link.zhihu.com/?target=https%3A//youtu.be/GI9U9lUFaDo%25E3%E7%259B%25AE%25E5%E5%%25E4%25BA%258E%25E8%25BF%%25B8%%25B9%25B3%25E5%258F%25B0%25E7%259A%%2585%25AC%25E5%25BC%%25B6%%2581%25AF%25E8%25BF%%25BE%%25B0%%& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&https://youtu.be/GI9U9lUFaDo。目前关于这一平台的公开消息还很少。&/a&&/p&&p&&br&&/p&&p&&b&Eyeriss&/b&&/p&&p&&br&&/p&&p&Eyeriss 是 MIT 的一个项目，开发出了一款具有出色原始性能表现的 64nm ASIC。在 AlexNet 上，这款芯片的速度大约是英伟达 TK1 的一半。其优势在于借助于其行固定（row stationary）方法，仅需要一个 278mW 的可重新配置加速器就能实现这样中规中矩的性能。赞。&/p&&p&&br&&/p&&p&&b&Graphcore&/b&&/p&&p&&br&&/p&&p&去年 Graphcore 拿到了 3000 万美元的 A 轮融资，以开发他们的智能处理单元（IPU： Intelligence Processing Unit）。他们的网站还缺少细节，只是给出了一些亮眼的事实，比如多于 14000 个独立的处理器线程和大于 100 倍的内存带宽。根据 NextPlatform 报道的零星信息，其在一块芯片上具有多于 1000 个真实内核，并且采用了定制的互连方式。它的 PCIe 板具有一个 16 个处理器的元件。听起来似乎是数据流。抛开公关的言论，这个团队确实有很强的背景，而且投资者也不并不傻，所以就拭目以待吧。&/p&&p&&br&&/p&&p&&b&Tenstorrent&/b&&/p&&p&&br&&/p&&p&Tenstorrent 是加拿大多伦多的一家小创业公司，它宣称在深度学习的效率上实现了一个数量级的提升，和大多数公司一样，还没有什么公开的细节，但该公司入选了 Cognitive 300 榜单。&/p&&p&&br&&/p&&p&&b&Cerebras&/b&&/p&&p&&br&&/p&&p&Cerebras 值得一提，因为它得到了 Benchmark 的支持，而且其创始人是 SeaMicro 的 CEO。它似乎已经融资 2500 万美元了，而且仍然处于隐身模式。&/p&&p&&br&&/p&&p&&b&Thinci&/b&&/p&&p&&br&&/p&&p&Thinci 正在美国萨克拉门托开发视觉处理器，并且在印度也有员工。他们宣称即将推出他们的第一款硅芯片 Thinci-tc500，而且已经开始进行标准评测和赢得客户了。但除了「一切都并行处理」之外，我们所知甚少。&/p&&p&&br&&/p&&p&&b&Koniku&/b&&/p&&p&&br&&/p&&p&Koniku 的网站正在倒计时，现在还有 20 几天。我已经等不及了。他们没有融到多少钱，而看过它们在福布斯上的这个视频之后（&a href=&https://link.zhihu.com/?target=https%3A//goo.gl/VA1PJx%25EF%25BC%2589%25EF%25BC%258C%25E4%25BD%25A0%25E5%25BE%%258F%25AF%25E8%2583%25BD%25E4%25B9%259F%25E4%25B8%258D%25E5%25BE%%25B8%258D%25E7%259B%25B8%25E4%25BF%25A1%25E4%25BB%%25BB%25AC%25EF%25BC%258C%25E4%25BD%%25BD%25A0%25E4%25B9%259F%25E6%%25E6%25B3%%25A2%%E7%25A9%25B6%25E7%25AB%259F%25E4%25BC%259A%25E5%25A6%%25BD%%E5%%25E7%%25E7%E7%%25E7%25BB%%E8%2582%25AF%25E5%25AE%259A%25E6%2598%25AF%25E4%25B8%258D%25E4%25B8%%25A0%25B7%25E7%259A%%E5%2590%25AC%25E8%25B5%25B7%25E6%259D%25A5%25E5%25B0%25B1%25E5%E6%2598%25AF%25E4%25B8%%25B8%25AA%25E7%25A7%%25A0%%25A1%25B9%25E7%259B%25AE%25EF%25BC%258C%25E4%25BD%%25BB%%25BB%25AC%25E8%25BF%%25A0%25B7%25E8%25AF%25B4%25EF%25BC%259A& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&https://goo.gl/VA1PJx），你很可能也不得不相信他们，但你也无法预料究竟会如何。利用生物细胞肯定是不一样的。听起来就像是一个科研项目，但他们这样说：&/a&&/p&&p&&br&&/p&&blockquote&「我们是一个企业。我们不是一个科研项目。」下周将在维也纳的 Pioneers Festival 上发表演讲的 Agabi 这样说，「今天有些需求是硅所不能满足的，而我们可以通过我们的系统提供。」&br&&br&Koniku 提供的核心是所谓的神经元壳（neuron-shell），这家创业公司称其内部可以控制神经元彼此通信的方式，加上一种正在申请专利的电极，就可以在神经元上读写信息。所有这些都可以装在一个 iPad 大小的设备里，他们还希望能在 2018 年之前将其减小到一枚五美分硬币大小。&/blockquote&&p&&br&&/p&&p&&b&Adapteva&/b&&/p&&p&&br&&/p&&p&Adapteva 是我最喜欢的一家小技术公司，正如你在之前文章《Adapteva tapes out Epiphany-V：一款 1024 核 64 位 RISC 处理器》：&a href=&https://link.zhihu.com/?target=https%3A//goo.gl/6ZH7JP%25E3%E5%258E%25BB%25E5%25B9%25B4%25E5%25B9%25B4%25E5%25BA%%& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&https://goo.gl/6ZH7JP。去年年底时&/a& Andreas Olofsson 拿出了他的 1024 核芯片，我们都等着看它的性能表现。Epiphany-V 有用于深度学习的新指令，我们必须要看看这种带有 64MB 片上内存的更少内存控制器的设计是否具有合适的扩展能力。Andrea 的设计和构建的出色效率可能能让我们真正负担得起这种芯片，所以让我们希望它有良好的表现吧。&/p&&p&&br&&/p&&p&&b&Knowm&/b&&/p&&p&&br&&/p&&p&Known 研究的是 Anti-Hebbian and Hebbian（AHaH）可塑性和忆阻器。这里有篇覆盖这一主题的论文《AHaH 计算：从 Metastable Switches 到 Attractors 到机器学》：&a href=&https://link.zhihu.com/?target=https%3A//doi.org/10.1371/journal.pone.E3%E8%25BF%%25AF%25B9%25E6%E6%259D%25A5%25E8%25AF%25B4%25E6%259C%%%25E5%25A4%25AA%25E9%25AB%%25BA%25A7%25E4%25BA%%E7%25AE%%258D%%259C%258B%25E4%25BA%%259C%258B%25EF%25BC%258C%25E6%E7%259C%258B%25E4%25B8%258D%25E5%2587%25BA%25E8%25BF%%25A1%25B9%25E6%258A%%259C%25AF%25E5%E8%%25E8%25A8%%25B9%25B1%25E8%25AF%25AD%25E7%259A%%258C%25BA%25E5%2588%25AB%25EF%25BC%258C%25E4%25BD%%259C%258B%25E8%25B5%25B7%25E6%259D%25A5%25E7%25A1%25AE%25E5%25AE%259E%25E7%25A7%%25AD%25A6%25E5%%25E9%E5%258D%%25B6%25B3%25E3%E6%E9%259C%%25A6%%25BA%25B2%25E7%259C%25BC%25E7%259C%258B%25E5%%25E6%E8%2583%25BD%25E7%259B%25B8%25E4%25BF%25A1%25E3%E7%25A5%259E%25E7%25BB%258F%25E5%25BF%%2598%25BB%25E5%25BC%258F%25E5%25A4%%E5%%25EF%25BC%2588neuromemristive& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&https://doi.org/10.1371/journal.pone.0085175。这对我来说有点太高级了。简单看了看，我看不出这项技术和胡言乱语的区别，但看起来确实科学味道十足。我需要亲眼看到才能相信。神经忆阻式处理器（neuromemristive&/a& processor）的思想是很有趣的。我早上确实需要一个好的流行术语。&/p&&p&&br&&/p&&p&&b&Mythic&/b&&/p&&p&&br&&/p&&p&Mythic 的一款电池驱动的神经芯片具有低 50 倍的功耗。目前还看不到太多真正的细节。这款芯片大约纽扣大小，但大多数芯片不都这样吗？&/p&&p&&br&&/p&&blockquote&「Mythic 的平台能在纽扣大小的芯片上提供桌面 GPU 的性能。」&/blockquote&&p&&br&&/p&&p&也许这又是一款适合无人机和手机的芯片，很可能被用在手机中，也可能被排除在外。&/p&&p&&br&&/p&&p&&b&高通&/b&&/p&&p&&br&&/p&&p&手机显然是机器学习硬件的一大用武之地。我们希望能够识别狗的品种、花朵、树叶、癌症痣、翻译标识、理解口语等等。我们口袋里的超级计算机愿意用上它能得到的所有帮助，以便能迈入感知时代。高通一直以来都在鼓捣机器学习，推出了 Zeroth SDK 和 Snapdragon 神经处理引擎（NPE）。这种 NPE 显然在高通所用的 Hexagon DSP 上效果良好。&/p&&p&&br&&/p&&p&Hexagon DSP 已经远远不止是一个非常广泛的并行平台了，Yann LeCun 已经证实高通和 Facebook 正在合作开发一种更好的方法，参见 Wired 的文章《业界 | 谷歌 TPU 之后还有高通，人工智能芯片竞赛已经展开》：&/p&&p&&br&&/p&&blockquote&「最近，高通已经开始制造执行神经网络的专用芯片，这条消息来自 LeCun，因为 Facebook 正帮助高通开发机器学习相关技术，所以他对高通的计划很了解；高通技术副总裁 Jeff Gehlhaar 证实了这个项目，他说：『在原型设计和开发方面，我们还有很长的路要走。』」&/blockquote&&p&&br&&/p&&p&也许我们很快就会看到 Kryo CPU、Adreno GPU、Hexagon DSP 和 Hexagon Vector Extensions 之外的其它东西。对于这一领域的创业公司来说，和高通的机器学习竞争将会艰难无比。&/p&&p&&br&&/p&&p&&b&Pezy-SC 和 Pezy-SC2&/b&&/p&&p&&br&&/p&&p&这两者是 Pezy 开发的 1024 核和 2048 核处理器。Pezy-SC 1024 核芯片可以驱动 2015 年 Green500 超级计算机榜单的前三名的系统。Pezy-SC2 是现在已经开始提供的后续芯片，我在 6 月份也做过关于它的演讲，但相关细节还很少，不过仍然很吸引人：&/p&&p&&br&&/p&&blockquote&「PEZY-SC2 HPC Brick：单个机箱中有 32 个带有 64GB DDR4 DIMM（2.1 PetaFLOPS（DP））的 Pezy-SC2 模块卡，速度可达 6.4 Tb/s.」&/blockquote&&p&&br&&/p&&p&不知道 2048 个 MIMD MIPS Warrior 64 位核的机器能做到什么？在 6 月份的 2017 年 Green500 榜单中，一个英伟达 P100 系统拿到了头把交椅，而排名第 7 的是一个 Pezy-SC2 系统。所以看起来这款芯片还活着，但相关细节却很少。Motoaki Saito（齊藤元章）当然值得一看。&/p&&p&&br&&/p&&p&&b&Kalray&/b&&/p&&p&&br&&/p&&p&尽管做了很多承诺，但 Kalray 的芯片还没有超过 256 核，我在 2015 年的一篇文章就谈到：&a href=&https://link.zhihu.com/?target=https%3A//goo.gl/pxqn7Z%25E3%Kalray& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&https://goo.gl/pxqn7Z。Kalray&/a& 宣传自己的产品说是适合嵌入式自动驾驶汽车应用，但我觉得其目前产品架构的形式并不是一种完美的 CNN 平台。Kalray 有一个 Kalray Neural Network（KaNN）软件包并且宣称有比 GPU 更好的效率，在芯片上能实现高达 1 TFlop/s 的速度。&/p&&p&&br&&/p&&p&随着即将到来的产品更新，Kalray 的神经网络财富可能还会提升，就在这个月 Kalray 完成了新一轮 2600 万美元的融资。他们新的 Coolidge 处理器预计将在 2018 年年中上市，它会带有 80 或 160 个核，另外还有 80 或 160 个为视觉和深度学习优化的协处理器。&/p&&p&&br&&/p&&p&这在他们的多于 1000 核的方法上有了很大的改变，而我认为这是最明智的。&/p&&p&&br&&/p&&p&&b&IBM TrueNorth&/b&&/p&&p&&br&&/p&&p&TrueNorth 是 IBM 的神经形态 CMOS ASIC，是与 DARPA 的 StNAPSE 项目一起开发的。&/p&&p&&br&&/p&&p&这是一种单个芯片设计上的多核处理器网络，具有 4096 个核，每个核模拟 256 个可编程的硅「神经元」，总共就超过了 100 万个神经元。另外，每个神经元还有 256 个可编程的「突触」，信号可以在这些突触之间传递。因此，可编程突触的总是超过了 2.68 亿（2^28）。在基本构建模块方面，它的晶体管数量为 54 亿。因为存储、计算和通信都是在这 4096 个神经突触核中各自处理的，所以 TrueNorth 避开了冯·诺依曼架构的瓶颈，而且能效非常高，功耗为 70 mW，大约是传统微处理器的功率密度的万分之一（来自维基百科）。&/p&&p&&br&&/p&&p&IBM 之前还在批评脉冲神经网络（spiking neural network）无法适配深度学习，现在 IBM 开发了一种在 TureNorth 上运行 CNN 的新算法。&/p&&p&&br&&/p&&p&这些神经元不会在每个周期内都放电，脉冲神经网络中的神经元必须逐渐积累它们的电势，然后才能放电……深度学习专家普遍认为脉冲神经网络在深度学习上没有效率——至少和卷积神经网络比起来是这样。Facebook 人工智能研究院主任和深度学习先驱 Yann LeCun 曾经批评过 IBM 的 TureNorth 芯片，因为它主要支持脉冲神经网络……&/p&&p&&br&&/p&&blockquote&……这种神经形态芯片不会太激动人心，因为它们注重的脉冲神经网络在深度学习领域并不受欢迎。&/blockquote&&p&&br&&/p&&p&为了让 TrueNorth 芯片很好地契合深度学习，IBM 不得不开发了一种新算法，让卷积神经网络可以在这款神经形态计算硬件上很好地运行。这种组合方法实现了 IBM 所谓的「接近当前最佳」的分类准确度，实验涉及了视觉和语音挑战赛方面的 8 个数据集。在最好的情况下，它们的准确度达到了 65% 到 97%。&/p&&p&&br&&/p&&p&当只使用一块 TrueNorth 芯片时，它只在这 8 个数据集中的 1 个数据集上超越了当前最佳的准确度。但如果使用多达 8 块芯片，IBM 的研究者可以极大提升这款硬件在深度学习挑战上的准确度。这使 TureNorth 可以在其中 3 个数据集上媲美或超越当前最佳的准确度。&/p&&p&&br&&/p&&p&这个 TureNorth 测试也做到了每秒处理 1200 到 2600 视频帧。这意味着单个 TureNorth 芯片就能实时检测来自多达 100 个同时工作的相机的数据的模式……（来自 IEEE Spectrum）&/p&&p&&br&&/p&&p&TrueNorth 的功率效率非常出色，所以非常值得考虑。&/p&&p&&br&&/p&&p&Brainchip 的脉冲神经元自适应处理器（SNAP：Spiking Neuron Adaptive Processor）&/p&&p&&br&&/p&&p&SNAP 不能做深度学习，这只是一个源于好奇心的项目，还没有实际落地成 CNN 工程解决方案，至少现在还没有。如果你想探索这条路，IBM 的随机相变神经元（stochastic phase-change neurons）似乎更有意思。&/p&&p&&br&&/p&&p&&b&苹果的神经引擎（Neural Engine）&/b&&/p&&p&&br&&/p&&p&到底会不会有？彭博社报道称这会是一款次级处理器，但没有什么细节信息。对苹果来说，这不仅是一个重要领域，而且也有助于与高通的竞争。&/p&&p&&br&&/p&&p&&b&其它&/b&&/p&&p&&br&&/p&&p&1. 寒武纪（Cambricon）——中国科学院在芯片上投入的 140 万美元。它是一个用于神经网络的指令集架构，具有数据级的并行、自定义向量/矩阵指令、片上 scratchpad memory。宣称速度是 x86 CPU 的 91 倍，是 K40M 的 3 倍，且峰值功率仅有 1%，即 1.695W。参阅这两篇论文：&/p&&p&Cambricon-X：一个用于稀疏神经网络的加速器： &a href=&https://link.zhihu.com/?target=http%3A//cslt.riit.tsinghua.edu.cn/mediawiki/images/f/f1/Cambricon-X.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&cslt.riit.tsinghua.edu.cn&/span&&span class=&invisible&&/mediawiki/images/f/f1/Cambricon-X.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&Cambricon：一个用于神经网络的指令集架构 s：&a href=&https://link.zhihu.com/?target=http%3A//dl.acm.org/citation.cfm%3Fid%3D3001179& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Cambricon&/a&&/p&&p&2. 前谷歌员工创立的 Groq Inc.，也许是另一种 TPU？&/p&&p&3. Aimotive：&a href=&https://link.zhihu.com/?target=https%3A//aimotive.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&AImotive&/a&&/p&&p&4. Deep Vision 正在开发用于深度学习的低功耗芯片，也许这两篇创始人的论文能提供一点线索：&/p&&p&Convolution Engine: Balancing Efficiency & Flexibility in Specialized Computing [2013]：&a href=&https://link.zhihu.com/?target=http%3A//csl.stanford.edu/%7Echristos/publications/2013.convolution.isca.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&csl.stanford.edu/~chris&/span&&span class=&invisible&&tos/publications/2013.convolution.isca.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&Convolution Engine: Balancing Efficiency and Flexibility in Specialized Computing [2015]：&a href=&https://link.zhihu.com/?target=http%3A//csl.stanford.edu/%7Echristos/publications/2015.convolution_engine.cacm.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&csl.stanford.edu/~chris&/span&&span class=&invisible&&tos/publications/2015.convolution_engine.cacm.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&5. DeepScale &/p&&p&6. Reduced Energy Microsystems 正在开发用于 CNN 推理的低功耗异步芯片。据 TechCrunch 报道，REM 是 Y Combinator 第一个 ASIC 领域的风险投资。&/p&&p&7. Leapmind 也很忙。&/p&&p&&br&&/p&&p&&b&FPGA&/b&&/p&&p&&br&&/p&&p&微软已经站队 FPGA 了。Wired 这篇文章说得很好：《深度 |《连线》长文揭秘微软 Project Catapult：人工智能时代押注 FPGA》。&/p&&p&&br&&/p&&p&「Bing 占据着世界上 20% 的桌面搜索市场和 6% 的移动手机市场，在 Bing 上，这个芯片能帮助 Bing 适应新品种的人工智能：深度神经网络。」&/p&&p&&br&&/p&&p&我对这种方法也有些兴趣。赛灵思和英特尔（收购了 Altera）的 FPGA 是很强大的引擎。赛灵思自然宣称他们的 FPGA 是对 INT8 最好的，他们的一份白皮书里面包含了下面的幻灯片：&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-cd181f6c0d1e5c617cf63d4_b.jpg& data-rawwidth=&640& data-rawheight=&473& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/v2-cd181f6c0d1e5c617cf63d4_r.jpg&&&/figure&&p&&br&&/p&&p&这两家供应商都很支持使用他们的 FPGA 做机器学习：&/p&&p&&br&&/p&&p&Xilinx - Acceleration Zone：&a href=&https://link.zhihu.com/?target=https%3A//goo.gl/KheG5W& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Acceleration Zone&/a&&/p&&p&Intel FPGA OpenCL（&a href=&https://link.zhihu.com/?target=https%3A//goo.gl/S62fMA%25EF%25BC%%C& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&https://goo.gl/S62fMA）和&/a& Solutions（&a href=&https://link.zhihu.com/?target=https%3A//goo.gl/zkYyXB%25EF%25BC%2589& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&https://goo.gl/zkYyXB）&/a&&/p&&p&&br&&/p&&p&尽管 FPGA 单位功耗的性能是很出色的，但这些供应商的更大型的芯片的售价却长时间以来都高得吓人。赛灵思的 VU9P 在 Avnet 上的售价超过 5 万美元。&/p&&p&&br&&/p&&p&寻找价格和能力之间的平衡点是 FPGA 的主要难题。&/p&&p&&br&&/p&&p&FPGA 方法的一大优势是可以用来制定}
Choice数据量化接口，能够以函数调用的形式提供丰富的基本面，财务，历史行情等数据内容，可支持用户进行数据分析及策略挖掘，目前提供的版本包括&b&Windows环境下的Matlab、C++、C# 、Python2.x&/b&和&b&Python3.x&/b&以及&b&在Linux环境下的C++、Python2.x&/b&和&b&Python3.x版本。&/b&&/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//updates.jg.eastmoney.com/Choice/EMQuantAPI/EMQuantAPI.zip& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&最新版接口下载&/a&&/p&&p&? 新增组合信息查询函数pquery&/p&&p&? 新增组合交易导入函数porder&/p&&p&? csqsnapshot函数和csq函数（pushtype=1）支持涨跌，涨跌幅字段 &/p&&p&? cps函数条件参数新增日期类型识别，条件表达式参数支持识别日期区间&/p&&p&? 优化激活工具获取图片验证码问题&/p&&p&? 优化接口中localtime函数的调用冲突问题&/p&&p&? 接口Windows版本新支持Windows xp和Windows server 2003运行环境&/p&&p&? 新增组合函数错误码&/p&&p&? 其他优化及 bug 修复&/p&&p&&br&&/p&&p&&br&&/p&&p&量化接口升级内容详见链接：&a href=&https://link.zhihu.com/?target=http%3A//choiceclub.jg.eastmoney.com/%3F/article/4690& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&量化接口升级公告&/a&；&/p&&p&&br&&/p&&h2&&b&二、Choice数据量化接口特色&/b&&/h2&&p&&b&Choice数据量化接口的特色表现在3个方面：&/b&&/p&&p&&b&
1. Choice数据的海量数据支持&/b&&/p&&p&&b&
2. 多种接口全面贴合用户需求&/b&&/p&&p&&b&
3. 专业工具便捷操作&/b&&/p&&p&
首先是拥有着 Choice金融终端提供的近100亿条权威数据支持，全面涵盖了包括股票、债券、期货、期权、基金等多个金融市场数据。其次贴合用户需求，提供多个操作环境下的多种编程语言接口，从公司到个人用户均可选择符合公司程序、个人编程习惯的语言来提取数据。第三是量化接口对数据进行了有效封装，作为专业工具，接口体积小，安装简便。&/p&&p&&br&&/p&&h2&&b&三、Choice数据量化接口基本功能&/b&&/h2&&p&
量化接口的基本功能是通过&b&函数调用&/b&的方法实现的。&/p&&p&
接口主要由21个函数组成，包括&b&登陆退出函数、工具函数、数据函数&/b&和&b&功能函数&/b&，根据接口的编程语言不同，&b&部分还设有回调和配置函数&/b&，如&b&C++接口&/b&。&/p&&p&&br&&/p&&p&
1. 登陆、退出函数：start、stop&/p&&p&
2. 工具函数：geterrstring、releasedata、setserverlistdir、setproxy、manualactivate&/p&&p&
3. 数据函数：csd、css、csc、csq、csqsnapshot、cst、ctr、cps、pquery、porder&/p&&p&
4. 功能函数：csqcancel、tradedates、sector、getdate&/p&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&登录、退出函数：&/b&&/p&&p&
start：接口登录函数，令牌登录，首次登录新设备需用绑定手机号的接口账号激活登录。&/p&&p&
stop：接口退出函数&/p&&p&&b&工具函数：&/b&&/p&&p&
geterrstring函数：主要是对提取、编译、分析数据时出现的错误类型进行判定的函数，根据错误代码可得到相应的报错逻辑&/p&&p&
releasedata函数：是实现内存释放的函数。&/p&&p&
setserverlistdir函数：设置SeverList.json文件存放目录&/p&&p&
setproxy: 设置网络代理函数&/p&&p&
manualactivate:本函数可独立使用，无需调用start。本函数适用于无界面运行环境（如远程linux）或无法运行LoginActivator程序的情况，激活成功后将通过邮件获得的激活文件&userInfo&放到&ServerList.json&同级目录，再调用start登录&/p&&p&&br&&/p&&p&&b&数据函数：&/b&&/p&&p&
csd序列函数：主要是来调用各个证券的日频历史行情序列数据&/p&&p&
css截面函数：可调用各个证券品种的基本资料，以及财务、估值方面的数据&/p&&p&
csc历史分钟K线函数:可调用沪深股票近三年的分钟K线数据&/p&&p&
csq实时订阅推送函数:提供各个证券品种的实时数据订阅推送&/p&&p&
csqsnapshot实时数据函数:提供各个证券品种的实时数据&/p&&p&&br&&/p&&p&
ctr报表函数:能提供专题报表数据&/p&&p&
cps条件选股函数:提供条件选股服务&/p&&p&
pquery组合账户关系查询函数：提供组合账户信息相关数据&/p&&p&
porder组合批量下单函数：提供组合批量下单功能&/p&&p&&br&&/p&&p&&b&
功能函数：&/b&&/p&&p&
csqcancel取消订阅函数：取消特定证券的数据订阅&/p&&p&
tradedates获取区间交易日函数：可得一段时间内的交易日期数据&/p&&p&
sector获取板块成分函数：以东财命名代码下的各个板块下证券的全部代码信息&/p&&p&
getdate偏移N天的交易日函数：实现用户对于特定日期前溯和后推N天的交易日期的获得&/p&&h2&&b&四、Choice数据量化接口特色功能&/b&&/h2&&p&&b&
量化接口的特色功能主要表现在以下8个方面:&/b&&/p&&p&&b&
1.一键提取海量数据&/b&&/p&&p&
◆各个市场：股票、基金、债券、期货、指数、期权、外汇&/p&&p&
◆各种指标：行情、基本资料、估值、技术指标等&/p&&p&
◆跨越时间：单日、几周、上月、数年&/p&&p&&br&&/p&&p&&b&
2.个性化设置量化策略&/b&&/p&&p&
EmQuantAPI封装的数据作为dll和h文件，&b&用户可在对应编程语言下将其作为数据库&/b&，编译和二次加工，轻松定制自身量化方案。&/p&&p&
如:&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-0ad9a38efe8e6fb434a627_b.jpg& data-rawwidth=&640& data-rawheight=&604& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-0ad9a38efe8e6fb434a627_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&h2&&b&↓↓↓↓↓↓↓↓↓↓↓↓↓↓&/b&&/h2&&figure&&img src=&https://pic1.zhimg.com/v2-deaf208ac4d068d621ad8_b.jpg& data-rawwidth=&640& data-rawheight=&568& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic1.zhimg.com/v2-deaf208ac4d068d621ad8_r.jpg&&&/figure&&p&&br&&/p&&p&&b&
3.多项参数准确反映市场&/b&&/p&&p&&b&使用的每一项指标都涉及了多个参数&/b&，如DMA平均线差拥有8个参数，包括代码、交易日期、短期周期、长期周期、周期、DMA指标选项、复权方式、计算周期等，严格控制了指标取值范围，使得指标更符合用户要求。&/p&&p&
图示为DMA平均线差参数：&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-3daf581c795a5bdcfd45c_b.jpg& data-rawwidth=&553& data-rawheight=&438& class=&origin_image zh-lightbox-thumb& width=&553& data-original=&https://pic2.zhimg.com/v2-3daf581c795a5bdcfd45c_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&
4.海量指标提供选择&/b&&/p&&p&
接口附带的&b&指标手册提供几千个证券相关指标及其参数&/b&，并附带简要说明，方便用户自行提取其中的数据信息。&/p&&p&
图示为指标手册：&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-97316dd7aab452ce33b3eda_b.jpg& data-rawwidth=&532& data-rawheight=&444& class=&origin_image zh-lightbox-thumb& width=&532& data-original=&https://pic2.zhimg.com/v2-97316dd7aab452ce33b3eda_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&
5.高频数据满足投资分析&/b&&/p&&p&&b&提供历史分钟K线数据&/b&，全面为用户提供证券的技术分析数据支持，为投资组合研究提供基础资料：&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-0b99983fcac06faa0ff88dd_b.jpg& data-rawwidth=&510& data-rawheight=&349& class=&origin_image zh-lightbox-thumb& width=&510& data-original=&https://pic2.zhimg.com/v2-0b99983fcac06faa0ff88dd_r.jpg&&&/figure&&p&&b&历史分钟K线数据&/b&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&
6.行情数据推送&/b&&/p&&p&
接口推送各类证券的实时数据订阅服务，及时有效反馈市场：&/p&&p&&br&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-b8d1de708f30247cbe40f70a_b.jpg& data-rawwidth=&714& data-rawheight=&526& class=&origin_image zh-lightbox-thumb& width=&714& data-original=&https://pic1.zhimg.com/v2-b8d1de708f30247cbe40f70a_r.jpg&&&/figure&&p&&br&&/p&&p&&b&
7.专题报表高效分析数据&/b&&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-28ed2c38dd87bc38ac278_b.jpg& data-rawwidth=&1342& data-rawheight=&641& class=&origin_image zh-lightbox-thumb& width=&1342& data-original=&https://pic4.zhimg.com/v2-28ed2c38dd87bc38ac278_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&b&
8.设置条件快速选股&/b&&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-538aec684f9_b.jpg& data-rawwidth=&848& data-rawheight=&320& class=&origin_image zh-lightbox-thumb& width=&848& data-original=&https://pic2.zhimg.com/v2-538aec684f9_r.jpg&&&/figure&&p&&br&&/p&&p&&b&
9.友好的用户指导&/b&&/p&&p&&b&四种编程语言接口都附带了指标手册、接口使用手册&/b&，在接口内部也提供了用户帮助：&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-87be4e5b5a2dc_b.jpg& data-rawwidth=&682& data-rawheight=&320& class=&origin_image zh-lightbox-thumb& width=&682& data-original=&https://pic2.zhimg.com/v2-87be4e5b5a2dc_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-9f031a2740e30dab317d1cb_b.jpg& data-rawwidth=&640& data-rawheight=&486& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/v2-9f031a2740e30dab317d1cb_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-7ba49ab1a5c_b.jpg& data-rawwidth=&640& data-rawheight=&461& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/v2-7ba49ab1a5c_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-01c21abaf73d0f73bb7a8ca25b59254b_b.jpg& data-rawwidth=&640& data-rawheight=&407& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-01c21abaf73d0f73bb7a8ca25b59254b_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-5ef426a584bbcdfadda5bd_b.jpg& data-rawwidth=&640& data-rawheight=&515& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic3.zhimg.com/v2-5ef426a584bbcdfadda5bd_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&h2&&b&五、Choice数据量化接口指标手册使用说明&/b&&/h2&&p&&b&
1.确定需要的函数和指标:&/b&&/p&&p&①&b&如需要证券的日频历史行情序列数据&/b&，就去找指标手册下css下的对应的证券种类的相关指标，需要一段时间内的财务指标和行情指标就去找csd下的指标，需要历史分钟K线的找csc，需要实时行情的找csq&/p&&p&②&b&不清楚指标处于何处&/b&，可以在指标手册左部寻找对应指标，列出主题中如果有多张表包含该指标，转到收藏夹可看到对应的表处于什么函数指标位置下，是否是自己需要的指标。&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-e497bfdd0ef542eae10e54_b.jpg& data-rawwidth=&640& data-rawheight=&550& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-e497bfdd0ef542eae10e54_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-c65d504395ddc7dedb4a5c_b.jpg& data-rawwidth=&637& data-rawheight=&411& class=&origin_image zh-lightbox-thumb& width=&637& data-original=&https://pic3.zhimg.com/v2-c65d504395ddc7dedb4a5c_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&b&
2. 确定指标的参数:&/b&&/p&&p&&br&&/p&&p&
每个指标可取出对应的英文名称，右侧是所有的参数名称，需要在调用参数时补齐，下方是参数取值说明，部分参数设定了默认值，若在可选参数中没有选定，会选择&b&默认&/b&。&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-427a0bbf8bbd4fc963021bbbb6d7164a_b.jpg& data-rawwidth=&644& data-rawheight=&396& class=&origin_image zh-lightbox-thumb& width=&644& data-original=&https://pic4.zhimg.com/v2-427a0bbf8bbd4fc963021bbbb6d7164a_r.jpg&&&/figure&&p&&br&&/p&&p&如需详细了解的朋友请私信我或者发送邮件至guodong&a href=&https://link.zhihu.com/?target=http%3A//xueqiu.com/n/eastmoney& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&@eastmoney&/a&.com 索取详细介绍资料&/p&
如需详细了解的朋友请私信我或者发送邮件至guodong.com 索取详细介绍资料 索引—— 一、Choice数据量化接口版本介绍二、Choice数据量化接口特色三、Choice数据量化接口基本功能四、Choice数据量化接口特色功能五、Choice数据量化接口指标手册使用…
【先占坑，持续更新ing】&br&&br&更多干货，可以关注微信公众号&b&【金融入场券】&br&&br&----------开始-------------------------------------------------&br&&/b&Wind使用经验一年，我说说一些目前我经常用到的功能，首先你得有个Wind账户，这个你们自己百度吧~&br&&br&最近对比了一下Wind（万得资讯旗下）和Choice金融终端（东方财富旗下），两者界面惊人的相似，你熟悉其中一个软件，另一个都不用花时间研究了~&br&&br&拿到一个软件，先要干什么？当然是导入股票池啊！如果你做行研实习的话，都要做日报/周报，你关注的行业有几十个公司标的，这个你要经常关注的~&br&&br&----------------------------------------------------&br&以下格式说明：&br&【】内为快捷键，加粗的是名称，之后的是说明&br&&br&Wind的经常使用的功能：&br&&b&【F9】深度资料&br&&/b&上市公司的基本信息，财务数据，日常公告，股东资料，股东资料都在这里；&br&&br&&b&【EDE】数据浏览器&br&&/b&如何导出多个公司的财务数据，譬如主营业务收入，归母净利润，PE/PB 值，资产负债率等等比率指标呢？&br&神马？？……你还从年报里一个一个摘，不好意思，手已残（亲身经历，血泪教训）&br&进入数据浏览器，一次性搞定。&br&&br&&b&【NA】公告栏目&br&&/b&做日报，周报都得从这个里面摘，不多说。&br&&br&&b&【EDB】经济数据库&br&&/b&上市公司财务数据有EDE，而上市公司的一些经营数据就要靠这个了，每个高速的客流量，每个航空公司的客运量货运量，宏观的GDP/CPI，汇率指标都在这里。&br&&br&我就不上图了，更多干货，请关注微信公众号【金融入场券】——&br&我们是金融界的窗口，这里有你想了解的金融圈信息，我们还会给你一张门票，可以直达简历站，office站……金融站……请带上你的门票，跟我们一起上车吧~&br&&br&&p&&a href=&//link.zhihu.com/?target=http%3A//weixin.qq.com/r/iDgXD27ECTN2rSps922a& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&weixin.qq.com/r/iDgXD27&/span&&span class=&invisible&&ECTN2rSps922a&/span&&span class=&ellipsis&&&/span&&/a& (二维码自动识别)&/p&
【先占坑，持续更新ing】 更多干货，可以关注微信公众号【金融入场券】 ----------开始------------------------------------------------- Wind使用经验一年，我说说一些目前我经常用到的功能，首先你得有个Wind账户，这个你们自己百度吧~ 最近对比了一下W…
&figure&&img src=&https://pic3.zhimg.com/v2-6a884afb5aca50c47944c7_b.jpg& data-rawwidth=&1494& data-rawheight=&889& class=&origin_image zh-lightbox-thumb& width=&1494& data-original=&https://pic3.zhimg.com/v2-6a884afb5aca50c47944c7_r.jpg&&&/figure&&blockquote&子曰：我这些年走过最有用的路，是套路。(财务分析)多点套路，少点弯路&/blockquote&&p&系列文章组织结构&/p&&blockquote&&b&结构分析、基础分析&/b& 本篇&br&经营分析&br&杜邦分析&br&风险评估&br&对比分析&br&敏感性测算&/blockquote&&p&&b&你为什么要看财务报表？&/b& &/p&&p&可能很多人都会说，当然是看公司有没有挣钱，有没有诓骗投资者。这其实都没有错，不过还不够。最基本的东西，比如公司最值钱的资产是CBD那栋大楼，还是城市郊区的产线？最大的成本是原材料还是请客户别喝嫖赌(误)，你知道吗？ &br&当然，财务报表不可能都告诉你，但是我们可以借助财务报表及其附注，了解到公司哪些东西更值钱，以及它是不是真的这么值钱。&/p&&p&&b&一、企业的资产结构&/b& &/p&&p&资产负债表是财务报表里面最为重要的一张了。通过查看企业的资产结构，我们至少可以了解以下几点&/p&&blockquote&1) 轻资产还是重资产 &br&2) 值钱的资产 &br&3) 长期挂账的某些资产&/blockquote&&p&&b&1.1. 轻资产与重资产&/b& &/p&&p&其实很多人，包括我自己，对重资产的概念都有偏见。以前我们眼中的重资产企业，都是有很多厂房啊、设备等等的企业。私以为这是一种很不全面的概括。如果重资产企业就是设备与厂房较多的企业，那土豆优酷乐视这些是轻资产还是重资产？如果是轻资产，那每年一大笔的CapEx是什么？所以我觉得，所谓的重资产企业，应该是需要持续大笔投入资金的企业，换句话说：也就是&b&固定资产、无形资产、长期待摊费用&/b&占比很高的企业(比方说超出30%)&/p&&p&这样一来，轻资产企业的特征就呼之欲出了：&b&轻资产企业所提供服务(产品)之成本，可近似等于其变动成本(或者称为浮动成本)&/b&&/p&&p&企业风险：1)一般情况下，轻资产企业应该也是轻债务的。如果债务很重的话，可能发生资金链风险。2)经营风险，比如供应链上的风险(供货、回款之类)。3)盲目扩张&/p&&p&TIPS: 原则上，重资产企业和轻资产企业并没有可比性，如果你非要比，可以用PFCF(价格/自由现金流，也有叫市现率的)来标示企业的相对估值(因为轻资产企业没有，或者极少存在资本性开支，而PFCF已经考虑并去除了资本性开支的影响)。这个PFCF相对于常用的PE，区别在于FCF考虑了企业经营性资产(主要是应收、存货等)对企业利润的占用。FCF=OCF-CapEx+Int=EBIT-cNWC&/p&&p&&b&1.2. 核心资产&/b& &/p&&p&一般来说，要确认标的公司核心资产有三个层面。1)从经营实体层面，&b&参考公司年报：主要参股/控股子公司信息&/b&；2)从财务层面，&b&可以查看公司各科目占总资产比例&/b&；3)从公司提供的产品或者服务层面，&b&该信息一般在管理层讨论与分析(mda)以及公司业务概要章节找到&/b&，这里只说财务上的核心资产。&/p&&p&通过以下表格，就可以查看上市公司重要资产账面价值及其所占总资产比例。 &/p&&figure&&img src=&https://pic2.zhimg.com/v2-4e8da75bccfba268ba26afb_b.jpg& data-rawwidth=&1411& data-rawheight=&911& class=&origin_image zh-lightbox-thumb& width=&1411& data-original=&https://pic2.zhimg.com/v2-4e8da75bccfba268ba26afb_r.jpg&&&/figure&&p&然后，我们可以针对资产特征，看它是否值不值这么多钱。 见本文&b&附后、常见会计科目分析方法&/b&&/p&&p&&b&针对资产项我们可以做一个敏感性测算，看资产价值损失多少会引起利润的大幅变动(比如变动10%)，这样可以针对性的分析，关于敏感性分析，后面可能会稍微说一下&/b&&/p&&p&指标：
&/p&&p&&b&PPE=(固定资产+无形资产+长期待摊费用)/总资产&/b& &/p&&p&&b&经营性资产=(应收账款+应收票据+预付账款+存货+其他应收款)/总资产&/b&&/p&&p&&b&投资性资产=(交易性金融资产+可供出售金融资产+长期股权投资+持有至到期投资+投资性房地产)/总资产&/b&&/p&&p&一般来说：轻资产企业经营性资产比例较高、重资产企业PPE比例较高，控股公司、投资性公司投资性资产比例较高。&/p&&p&&b&关于资产效率，比较直接的方法就是，将企业营业收入/企业主要资产，并看其变动即可。&/b&&/p&&p&&b&二、企业的资本结构&/b& &/p&&p&了解完资产端，来看负债和权益端，通过企业的负债、权益结构，我们可以了解到：&/p&&blockquote&1) 短期有息债务/长期有息债务 &br&2) 短期无息负债 &br&3) 有息债务/无息债务/股东权益&/blockquote&&p&负债和权益结构主要看公司经营的激进程度。另外，不同的业务对应出不同的负债结构，比如一些需要重资产运作，建设周期长，回报率低，通过自有资金(股东权益)无法满足，必须依靠债务融资经营的业务，我们就可以看到较高的有息债务。&/p&&p&指标：
&/p&&p&&b&有息债务=(短期借款+其他流动负债+一年内到期的非流动负债+应付债券+长期借款)/总资产&/b& &/p&&p&&b&股东权益=所有者权益/总资产&/b& &/p&&p&&b&无息负债=(应付账款+应付票据+预收账款+其他应付款)/总资产&/b& &/p&&p&&b&运营资金(经调整)=经营性资产-经营性负债&/b&&/p&&p&特别说下营运资金，营运资金的增加会影响企业经营性现金流量，代表本期营业收入中，赊销比例、对下游授信增加或者上游现金支付、预付比例增加。&/p&&p&如果你是一名财务总监，也许会根据一家公司的业务对这家公司采用什么样的资本结构进行精打细算，比方说公司缺多少钱，多少通过股权融资，多少通过债权融资等。不过作为普通投资者的我们，就不用操心这么多了。只需要看其融资成本就可以了。债权投资人看债务成本(&b&利息支出/有息债务&/b&)，股权投资人看净资产收益率，资金效率看投入资本回报率(ROIC)。投资安全性参考：风险评估篇。&/p&&p&&b&三、企业的收入结构&/b&&/p&&blockquote&1) 非经常性损益 &br&2) 投资收益 &br&3) 销售收入&/blockquote&&p&非经常性损益：非经营活动产生的损益，一般情况下，这种收益比例不宜太高。这个科目需要查看收益明细，以确认是不是持续性的。并通过敏感性测试看缺少该项收益时对利润的影响。&/p&&p&投资收益：通投资性资产获取的收益，这个与资产负债表的投资性资产结合起来看。投资性资产多的，投资收益多点就没什么关系了&/p&&p&销售收入(营业收入)：企业通过正常经营取得的收入，这个虽然在财务方面没什么可说的，但是建议看下年报里披露的业务构成，看它的核心竞争力及真正的市场在哪里。&/p&&p&&b&四、企业的成本构成&/b& &/p&&p&两种口径：主营业务成本+三项费用、固定+可变成本。 &/p&&p&一般前者用于查看企业最花钱的地方在哪个环节，后者主要用于做敏感性测算。成本构成： &/p&&figure&&img src=&https://pic4.zhimg.com/v2-2f566ef22db95e29f9c36_b.jpg& data-rawwidth=&1450& data-rawheight=&442& class=&origin_image zh-lightbox-thumb& width=&1450& data-original=&https://pic4.zhimg.com/v2-2f566ef22db95e29f9c36_r.jpg&&&/figure&&p&固定、浮动成本表&/p&&figure&&img src=&https://pic3.zhimg.com/v2-189df9e7d6b996a83a0cf82ba8d37708_b.jpg& data-rawwidth=&1433& data-rawheight=&338& class=&origin_image zh-lightbox-thumb& width=&1433& data-original=&https://pic3.zhimg.com/v2-189df9e7d6b996a83a0cf82ba8d37708_r.jpg&&&/figure&&p&----本篇结束----&/p&&p&&b&附后、常见会计科目分析方法&/b&&/p&&p&1) 应收账款&/p&&p&看集中度，看关联性，看账期及账龄 &/p&&p&一般来说，B2B的应收款要多一些，比如经营一些专用仪器的公司应收款可能集中度比较高；而关联性就是看有没有高级管理人员或者董事等控制的公司；至于账龄和账期，如果采用保守策略，可对超出账期一段时间后就进行高比率的计提。 &/p&&p&2) 存货&/p&&p&看结构、周转期、库龄、保值期&/p&&p&3) 其他应收款&/p&&p&看关联性，集中度 &/p&&p&针对集中度较高(就是大笔应收款集中在少数几个单位身上)的并且存在关联关系的要特别注意，而如果是借给员工的出差费这些就不用太在意，反正迟早转成费用的。&/p&&p&4) 其他流动资产&/p&&p&迄今为止还没遇到，一般为理财产品，一些奇奇怪怪的短期投资等。&/p&&p&5) 无形资产&/p&&p&看来源、类别&/p&&p&无形资产一般来说，来源如果是购置的都比较靠谱(有购买票据、资金流水、审计的到)，来源是自建或者自己开发的就要小心。比较硬的无形资产是&b&土地使用权、特许经营权等&/b&，对无形资产的价值衡量还可以看其摊销办法，不合理的摊销办法可能会导致其实际价值与账面价值相去甚远。 &/p&&p&6) 商誉&/p&&p&商誉为并购时产生，按照会计准则，商誉的价值需要在年度末进行减值测试，但是对于普通投资者来说，由于测试方法不透明，这里很容易被挖坑，减不减值都由上市公司说了算。这里我有一个方法参考。假设该部分商誉是由并购阿尔法公司产生的，那么我们可以以&b&并购阿尔法时支付的对价/阿尔法公司的净利润，或者净资产&/b&，并看它的变化情况。也就是将阿尔法公司视为一个上市公司，如果出现有利变化，则其PB/PE因有所下降。则可以不提减值。&/p&&p&7) 长期股权投资&/p&&p&如果一个公司大部分都是长期股权投资，那说明这个公司其实是一个投资性的公司。评估这个科目的价值简单办法由两个: &b&投资收益/长期股权投资&/b&，&b&看核算科目的变动情况&/b&，一般来说，如果企业一项投资性资产核算科目变了(一般调整为可供出售金融资产)，那说明企业可能准备卖掉这项资产了，这是你就可以以&b&该资产的账面价值-该资产的取得成本&/b&算一下可能卖多少钱了。 &/p&&p&8) 可供出售金融资产&/p&&p&这个科目真心比较牛，资产价格上涨可以产生利润(卖掉)，资产价格跌了，只要不卖就不会产生亏损，如果企业本项资产较多的话，可以看下该项资产账面价值与取得价格的差值。其实这个科目对企业利润和净资产的潜在影响是相对比较容易确定的，因为这个科目很多资产多是上市公司股权，既是上市公司，去查他区间内价格变动就成了。如果不是上市公司，就只能看企业过往投资业绩了。 &/p&&p&9) 固定资产&/p&&p&这个科目没什么好说的，作为重资产企业的一个重要科目，主要还是看折旧方法。折旧方法的不同可能会对企业利润产生明显影响。&/p&&p&10) 在建工程&/p&&p&在建工程由于不创造价值(常规情况下)，因此理论上是越低越好的。大额的在建工程在账上不动的情况要注意。 &/p&&p&11) 长期待摊费用&/p&&p&除非商业模式决定，该科目正常情况下不会很大，该科目一般也是看产生原因。一般为租金、门面装修费之类的。&/p&&blockquote&后记：结构分析主要用于帮助我们确认分析的重点在哪里(这一篇算是我认为最为重要的一篇，所以写写停停，写了有二十多天了吧)，如果连报表结构都没看就去分析一通，比如一个企业应收账款只占总资产1%，分析应收账款周转率就毫无意义。除此之外，结构分析还有助于帮助我们理解企业的业务模型，风险点等。&/blockquote&&p&警告：本篇文章是依据笔者个人对财务报表及报表科目作用综合理解而成，可能有别于大家熟悉的财务分析方法，请务必在对公司及会计的理解基础上谨慎批判看待，万一你的理解出现了偏差………………，我也不会负责的。&/p&&p&冯晓天/&/p&
子曰：我这些年走过最有用的路，是套路。(财务分析)多点套路，少点弯路系列文章组织结构结构分析、基础分析 本篇 经营分析 杜邦分析 风险评估 对比分析 敏感性测算你为什么要看财务报表？ 可能很多人都会说，当然是看公司有没有挣钱，有没有诓骗投资者。这…
谢邀。这是个很有意思的问题。我从2009年读了一本谈数据挖掘的书《Collective Intelligence》后开始思考如何利用文本数据（新闻）来做一些能够获利于市场的策略。当时我还在国内，主要也在关注A股，当时有发现题主所说的问题（比如噪音太多，内幕消息太多）；后来今年开始，我开始系统研究如何在美国进行开发这方面的策略，我想我可以说一下中美两边市场对于新闻反应的不同。&br&&br&首先需要说明，我已经没有在A股交易长达3年，也许很多情况变了。所以希望各位能与时俱进的看待我的观点。&br&&br&先分解题目，首先我们只讨论公开的新闻，所以我不认为在公开新闻中出现的消息可以称为内幕消息，内幕消息——从某种层面来说，就是提前流出的公开消息。现在假设在中美两个市场，我们都获得的是真实的、公开的新闻，那么我们可以从两个角度来看待中美市场的不同：作用时间和作用效果。&br&&br&1. 新闻的作用效果：我想中国有点经验的老股民，或者喜欢看国内各种投资书籍的人应该看到过一句话叫做“利空过后是利好，利好过后是利空”，简单来说，就是出一个利好的消息，对应的股票很可能会跌，而出一个利空消息，对应的股票反而会涨。首先我一定要强调如果在美国，这是个bullshit的结论，但是在中国，各位技术流大神给出了一个看似合理的解释：“盈满必亏，亏极则盈”，就是利好到极致了那就要跌了——或利空到尽头就要涨了。各位是不是感受到了道家思想的光辉？至少我之前有这样的感受，但现在，我综合在美国的经验，我发现这绝对是个坑——因为在美国，一般一个利好对应就是涨，利空对应的就是跌。中国为什么是反的？——因为新闻的作用时间是负的——在你知道以前效果就发生了——所有该发生的波动都发生了——必然要反向运行。&br&&br&2. 新闻的作用时间：好，引到了这里，你就会知道中国的新闻作用效果是负的了，而美国通常是正的——也就是新闻出现后对应的涨幅、跌幅才出现。我就说最近的例子，TESLA第二季度，投行的预期收益是-0.2，而真实业绩公布时间是8月7日纽交所收盘后，8月7日TSLA全天一直再跌，然后8月7号收盘后公布业绩，是正0.2元每股，于是第二天高开。如果在中国，按照我的经验，必然是8月7号已经涨到头了，然后公布业绩后开始跌——因为获利者需要出货了。这方面的例子很多的，最近的FB也有类似的情况。&br&&br&看到这里，大家没必要怨天尤人抱怨社会，这些都是没用的，你要在这个市场玩，就要遵守市场的规矩，所有去妖魔化庄家之类都是自我安慰-——大家都是人，凭什么人家要送钱给你？适应环境再图改变才是正确的做法。不如想想这样一个环境下，如果你要在中国做事件驱动（Event-Driven）的研究，该如何进行。&br&&br&一起回到本源，什么是Event-Driven Research/Trading？我理解的事件驱动研究的始祖是有效市场理论的提出人——Eugene Fama。当时60年代，现在金融博士界无人不知的CRSP数据库还刚草创，芝加哥Booth商学院的副院长James Lorie正为如何推广它一筹莫展，然后找Fama用这个数据写篇论文——这情节倒是和国内某景点找导演拍个电影无比类似。Fama当时写了篇很有意思的文章——股票拆分对于未来股价的影响。比如万科十送十了，那么未来股价在一定时期内会如何走呢？这篇文章从论证方法到论点都是上品，也奠定了事件驱动研究的基本框架——1. 定义事件，2. 定义作用时间，3. 用可靠地统计方法确定作用效果（有效、无效、不显著？）。&br&&br&既然如此，那就算中国新闻的作用时间是负的，新闻的作用效果是反的，无他，研究尔。如果你得到统计上显著的结果，就算非常Counter-Intuitive（反常识），那你也可以采用。既然做事件驱动，就安安心心你做一个Empiricist（实证主义者）。把实证的理论完美结合——那还是交给祖国下一代吧。&br&&br&另外，请记住我讨论的前提——新闻为真。如何保证前提成立？这超过了我的能力范畴——如果有好方法记得告诉我。
谢邀。这是个很有意思的问题。我从2009年读了一本谈数据挖掘的书《Collective Intelligence》后开始思考如何利用文本数据（新闻）来做一些能够获利于市场的策略。当时我还在国内，主要也在关注A股，当时有发现题主所说的问题（比如噪音太多，内幕消息太多）…
&p&&b&为大家带来社区一个多因子策略，适合入门进行观看哦。&/b&&/p&&h2&1.初始股票池：沪深300&/h2&&div class=&highlight&&&pre&&code class=&language-python3&&&span&&/span&&span class=&n&&context&/span&&span class=&o&&.&/span&&span class=&n&&stocks_set&/span& &span class=&o&&=&/span& &span class=&n&&index_components&/span&&span class=&p&&(&/span&&span class=&s1&&'000300.XSHG'&/span&&span class=&p&&)&/span&
&/code&&/pre&&/div&&h2&2.初始化因子：&/h2&&div class=&highlight&&&pre&&code class=&language-python3&&&span&&/span&&span class=&n&&context&/span&&span class=&o&&.&/span&&span class=&n&&facs&/span& &span class=&o&&=&/span& &span class=&p&&[&/span&&span class=&s1&&'pe'&/span&&span class=&p&&,&/span&&span class=&s1&&'pb'&/span&&span class=&p&&,&/span&&span class=&s1&&'市现率'&/span&&span class=&p&&,&/span&&span class=&s1&&'市销率'&/span&&span class=&p&&,&/span&&span class=&s1&&'peg'&/span&&span class=&p&&,&/span&&span class=&s1&&'btm'&/span&&span class=&p&&,&/span& &span class=&s1&&'roe'&/span&&span class=&p&&,&/span&&span class=&s1&&'roa'&/span&&span class=&p&&,&/span&&span class=&s1&&'净资产收益增长率'&/span&&span class=&p&&,&/span&&span class=&s1&&'基本每股收益增长率'&/span&&span class=&p&&,&/span&&span class=&s1&&'营业总收入增长率'&/span&&span class=&p&&,&/span&&span class=&s1&&'股利'&/span&&span class=&p&&,&/span&&span class=&s1&&'权益乘数'&/span&&span class=&p&&,&/span&&span class=&s1&&'销售净利率'&/span&&span class=&p&&,&/span&&span class=&s1&&'市值'&/span&&span class=&p&&,&/span&&span class=&s1&&'产权比率'&/span&&span class=&p&&,&/span&&span class=&s1&&'总资产周转率'&/span&&span class=&p&&,&/span&&span class=&s1&&'波动'&/span&&span class=&p&&,&/span&&span class=&s1&&'动量'&/span&&span class=&p&&,&/span&&span class=&s1&&'beta'&/span&&span class=&p&&]&/span&
&/code&&/pre&&/div&&p&这里一共选择了20个因子，实际上是从‘成长’，‘估值’，‘市场因子’三个方面选择的，当然20个普通的财务因子不可能在任何时候都可以覆盖到可以表达股票的全部情况，而且因子贡献度会衰退，所以不同的年份应该对因子有调整。&/p&&h2&3.根据日期获得数据：&/h2&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&def get_data(context,date):
factors1 = ['pe','pb','市现率','市销率','peg','book_value_per_share','roe','roa','净资产收益增长率','基本每股收益增长率','营业总收入增长率','股利','权益乘数','销售净利率','市值','产权比率','总资产周转率']
q = query(
fundamentals.eod_derivative_indicator.pe_ratio,
fundamentals.eod_derivative_indicator.pb_ratio,
fundamentals.eod_derivative_indicator.pcf_ratio,
fundamentals.eod_derivative_indicator.ps_ratio,
fundamentals.eod_derivative_indicator.peg_ratio,
fundamentals.financial_indicator.book_value_per_share,
fundamentals.financial_indicator.return_on_equity,#净资产收益率
fundamentals.financial_indicator.return_on_asset,#roa
fundamentals.financial_indicator.inc_return_on_equity,# '净资产收益率(摊薄)(同比增长率)'
fundamentals.financial_indicator.inc_earnings_per_share,
#基本每股收益(同比增长率)
fundamentals.financial_indicator.inc_revenue,
#营业总收入(同比增长率)
fundamentals.financial_indicator.dividend_per_share,
fundamentals.financial_indicator.du_equity_multiplier,#权益乘数(杜邦分析)
# fundamentals.financial_indicator.inc_earnings_per_share,#基本每股收益(同比增长率)
fundamentals.financial_indicator.net_profit_margin,
#销售净利率
fundamentals.eod_derivative_indicator.market_cap,#市值
fundamentals.financial_indicator.debt_to_equity_ratio,#产权比率
fundamentals.financial_indicator.total_asset_turnover#总资产周转率
fundamentals.income_statement.stockcode.in_(context.stocks_set)
fundamentals_df = get_fundamentals(q,date)
# print(fundamentals_df)
fundamentals_df = fundamentals_df.T
fundamentals_df.columns=factors1
ser_volatility = volatility(context)
ser_momentum = momentum(context)
betas = beta_value(context)
df = pd.concat([ser_volatility,ser_momentum,betas],axis=1)
df.columns =['波动','动量','beta']
df = pd.concat([df,fundamentals_df],axis=1)
# print(df)
price = []
for st in df.index:
price.append(history_bars(st, 1, '1d', ['close'],include_now=True)[0][0])
df['price'] = Series(price,index = context.stocks_set)
df['btm'] = df['book_value_per_share']/df['price']
df = df[context.facs]
for col in df.columns:
df[col] = winsorize_series(df[col])
df_sec_data = pd.concat([df,context.ser_sec],axis=1)
for fac in context.facs[:]:
f = (df_sec_data.groupby(0)[fac]).apply(standardize_series)
df_sec_data[fac] = f
return df_sec_data
def single_volatility(stock):
price=history_bars(stock,30,'1d','close')
daily_return=(price[1:]-price[:-1])/price[:-1]
return np.std(daily_return)
def volatility(context):#波动率
value=list(map(single_volatility,context.stocks_set))
return Series(value,index=context.stocks_set)
def single_pricemomentum(stock):
price=history_bars(stock,30,'1d','close')
return (price[-1]-price[0])/price[0]
def momentum(context):#动量
value=list(map(single_pricemomentum,context.stocks_set))
return Series(value,index=context.stocks_set)
def single_beta(stock):
price=history_bars(stock,30,'1d','close')
benchmarks_price=history_bars('000300.XSHG',30,'1d','close')
if len(price) == len(benchmarks_price):
return np.corrcoef(price,benchmarks_price)[0,1]
minsize = min(len(price),len(benchmarks_price))
return np.corrcoef(price[:minsize],benchmarks_price[:minsize])[0,1]
def beta_value(context):#贝塔
value=list(map(single_beta,context.stocks_set))
return Series(value,index=context.stocks_set)
&/code&&/pre&&/div&&p&这里计算beta，动量，波动的方式参照了&a href=&https://link.zhihu.com/?target=https%3A//www.ricequant.com/community/topic/3239/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《&/a&&a href=&https://link.zhihu.com/?target=https%3A//www.ricequant.com/community/topic/3239%3Futm_source%3Dzhihu& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&瑞银A股多因子研究(下)之多因子打分模型&/a&&a href=&https://link.zhihu.com/?target=https%3A//www.ricequant.com/community/topic/3239/%3Futm_source%3Dzhihu& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&》&/a&&/p&&p&其中：&/p&&div class=&highlight&&&pre&&code class=&language-python3&&&span&&/span&&span class=&n&&standardize_series&/span&&span class=&err&&：&/span&&span class=&n&&是标准化&/span&&span class=&err&&，&/span&&span class=&n&&争取除去板块之间的差异&/span&&span class=&err&&，&/span&&span class=&n&&处理之后因子的较小值不是集中在某板块&/span&&span class=&err&&，&/span&&span class=&n&&而是分散到各个板块因子值较小的股票&/span&
&/code&&/pre&&/div&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&winsorize_series：异常值处理
&/code&&/pre&&/div&&h2&4.因子IC(信息系数)计算：&/h2&&p&这次跟之前相比用 spearmanr代替了pearson，因为收益率与因子值不存在明显的线性关系，用秩相关会合适些。&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&def get_currentIC(context,date):
# print(&get_currentIC&)
date_list = context.date_list
# 上一个日期
lst_date1 = date_list[date_list.index(date)-1]
# 上2个日期
lst_date2 = date_list[date_list.index(date)-2]
fd22 = get_data(context,lst_date2)
all_returns = context.all_returns
# 获得上2个日期到上1个日期之间的收益
lst_returns = all_returns[lst_date1]
IC = pd.DataFrame()
for fac in context.facs:
facs_data = fd22[fac]
_ic = st.spearmanr(facs_data,lst_returns)[0]
IC[fac] = np.array([_ic])
&/code&&/pre&&/div&&p&其中date_list是每个星期五交易日，用来计算涨跌的&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&def get_date_list(start_date,end_date):
dates = get_trading_dates(start_date, end_date)
d1 = end_date.strftime('%Y-%m-%d')
date_list=[]
for date in dates[::-1]:
if (date.weekday() == 4) and (str(d1)!=str(date.strftime('%Y-%m-%d'))):
date_list.append(date.strftime('%Y-%m-%d'))
if len(date_list)&11:
date_list.sort(reverse=False)
return date_list
&/code&&/pre&&/div&&p&涨跌的计算方式：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&def count_reven(stocks,s_date,e_date):
df_cn = get_price(stocks,start_date=s_date,end_date=e_date)['ClosingPx']
df_cn = df_cn.T
day0 = Series(df_cn.ix[0])
day1 = Series(df_cn.ix[-1])
rets = day1/day0-1
return rets
&/code&&/pre&&/div&&p&将date_list的涨跌用all_returns（dataframe）存储。&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&for i in range(len(context.date_list)-1):
# 计算从date_list[i]到date_list[i+1]的收益
rets = count_reven(context.stocks_set,context.date_list[i],context.date_list[i+1])
df_all_reven[context.date_list[i+1]] = rets
df_all_reven = DataFrame(df_all_reven)
context.all_returns = df_all_reven
&/code&&/pre&&/div&&h2&5、因子权重的计算&&因子筛选&/h2&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-18f6ecdbaf93a_b.jpg& data-rawwidth=&649& data-rawheight=&367& class=&origin_image zh-lightbox-thumb& width=&649& data-original=&https://pic2.zhimg.com/v2-18f6ecdbaf93a_r.jpg&&&/figure&&p&这种权重计算方式参照《安信证券－多因子系列报告之一》&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&def get_bestweight(currentdate,context):
dates = context.date_list[-N:]
# print(dates)
#取前8期日期
IC = pd.DataFrame()
for i in range(N):
ic = get_currentIC(context,dates[i])
#计算每个日期的IC值
IC = pd.concat([IC,ic],axis=0)
mean_IC = IC.mean()
std_IC = IC.std()
ser_fac = mean_IC/std_IC
ser_fac = ser_fac.abs()
ser_fac = ser_fac.sort_values(ascending = False)
context.eff_facs = ser_fac.index[:3]
IC = IC[context.eff_facs]
IC =IC.dropna(axis=1)
eff_facs = IC.columns
mat = np.mat(IC.cov())
#按照公式计算最优权重
mat = nlg.inv(mat)
weight = mat*np.mat(IC.mean()).reshape(len(mat),1)
weight = np.array(weight.reshape(len(weight),))[0]
weight = Series(weight,index = eff_facs)
return weight
&/code&&/pre&&/div&&p&上面包括了权重计算和筛选因子的方法；筛选因子的方法是将前8期的因子平均IC除以IC的标准差，取绝对值大的三个。&/p&&h2&6、给股票打分：&/h2&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&def get_stocks(context,bar_dict):
date = context.now.strftime('%Y-%m-%d')
df = get_data(context,date)
weights = context.weights
df1 = DataFrame()
for fac in context.eff_facs:
y = df[fac].replace(['NaN',np.nan],0)
x = pd.cut(y.rank(method='first'),10, labels=np.arange(10))
df1 = pd.concat([df1,x],axis=1)
index= weights.index
df1 = df1[index]
x = np.dot(df1, np.array(weights))
sto = df1.index
stocks = Series(x,index=sto)
stocks = stocks.sort_values(ascending=False)
return list(stocks[:5].index)
&/code&&/pre&&/div&&p&将股票根据因子值划分成10组，乘上对应权重，累加得到前五个股票每周交易。&/p&&p&每周第一个交易日交易，实际上财务因子每周应该不会有太大变化，所以理论上一周调仓一次应该够了，下单的权重按照股票排名分配。&/p&&p&每天加上&a href=&https://link.zhihu.com/?target=https%3A//www.ricequant.com/community/topic/3822& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&回撤止损&/a&。&/p&&p&&br&&/p&&p&&b&&a href=&https://link.zhihu.com/?target=https%3A//www.ricequant.com/community/topic/3777%3Futm_source%3Dzhihu& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&一键克隆策略&/a&&/b&&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-cea47dbc94cdab8cb3e4a3bb19690f9c_b.jpg& data-rawwidth=&793& data-rawheight=&433& class=&origin_image zh-lightbox-thumb& width=&793& data-original=&https://pic2.zhimg.com/v2-cea47dbc94cdab8cb3e4a3bb19690f9c_r.jpg&&&/figure&&p&&/p&&p&&/p&
为大家带来社区一个多因子策略，适合入门进行观看哦。1.初始股票池：沪深300context.stocks_set = index_components('000300.XSHG')2.初始化因子：context.facs = ['pe','pb','市现率','市销率','peg','btm', 'roe','roa','净资产收益增长率','基本每股收益…
&figure&&img src=&https://pic1.zhimg.com/v2-795ae912f327fe948b020_b.jpg& data-rawwidth=&1920& data-rawheight=&1280& class=&origin_image zh-lightbox-thumb& width=&1920& data-original=&https://pic1.zhimg.com/v2-795ae912f327fe948b020_r.jpg&&&/figure&&blockquote&在如今深度学习大爆发的时代，相关的硬件平台也在百花齐放，既有英伟达和谷歌这样的科技巨头，也有地平线机器人和 Graphcore 等创业公司——它们都各自提出了自己的解决方案。近日，多家公司的技术顾问 Matt Hurd 在其博客上发表了一篇全面评点各种神经网络硬件平台的长文。&/blockquote&&p&&br&&/p&&p&这是我几周前做的一个传统的 90 年代风格的性别识别神经网络的很好的隐藏节点。&/p&&p&&br&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-72c1a28ea29c915da62e24fc1a6a2914_b.jpg& data-rawwidth=&338& data-rawheight=&455& class=&content_image& width=&338&&&/figure&&p&一个简单的性别识别器网络中的 90 年代风格的隐藏节点图像&/p&&p&&br&&/p&&p&我的硕士项目是一种类似级联相关（cascade correlation）的神经网络 Multi-rate Optimising Order Statistic Equaliser（MOOSE：多速率优化顺序统计均衡器），可用于日内的 Bund（国库债券产品）交易。MOOSE 曾经是为获取高速的 LEO 卫星信号（McCaw 的 Teledesic）而设计的一点成果，后来在从 LIFFE 迁移到 DTB 时将目标转向了 Bund。作为一家投资银行的职业交易员，我可以购买很好的工具。我有那时候世界上最快的计算机：一个 IBM MicroChannel dual Pentium Pro 200MHz 处理器外加带有几 MB RAM 的 SCSI。在 1994 年那会儿，将 800,000 个数据点输入到我的 C++ stream/dag 处理器中看上去就像是黑魔法。有限差分方法让我可以做许多 O(1) 增量线性回归这样的运算，以获得 1000 倍的加速。那时候这看起来已经很好了。现在，你的手机都能嘲笑我的大方向。&/p&&p&&br&&/p&&p&那时候，在神经网络领域有很多研究。倒不是说它有过人的生产力，只是因为有用。读到 Lindsay Fortado 和 Robin Wigglesworth 的 FT 文章《Machine learning set to shake up equity hedge funds》中 Eric Schmidt 关于机器学习和交易的看法，还真有点让人高兴：&/p&&p&&br&&/p&&blockquote&Eric Schmidt 是谷歌母公司 Alphabet 的执行董事长，他上周对一众对冲基金经理说他相信在 50 年内，所有交易都会有计算机解读数据和市场信号。&br&「我期待出现在交易方面做机器学习的创业公司，看看我描述的这种模式识别能否比数据分析专家的传统线性回归算法做得更好。」他补充说，「我这个行业内的许多人都认为这注定将成为一种新的交易形式。」&/blockquote&&p&&br&&/p&&p&老朋友 Eric，我在 90 年代早期就已经算是迟到了，你真是有点后知后觉。&/p&&p&&br&&/p&&p&好吧，现在情况已经不同了。我喜欢思考它，并喜欢将神经网络的这次新复兴称为感知时代（The Age of Perception）。这并不是智能，只是擅长模式而已。它仍然无力应对语言歧义。它还要一些时间才能理解基本的价值和概念，从而形成深刻的金融理解。&/p&&p&&br&&/p&&p&深度学习既被夸大了，也被低估了。这不是智能，但会有助于帮我们实现智能。一些人将其夸大为将会给我们带来替代人的类人机器的人工智能突破。我们仍然还受困于常识以及用于推理的简单文本中的歧义。我们还有很长的路要走。相对简单的规划算法和启发式方法以及基于神奇的深度学习的视觉、声音、文本、雷达等等的感知能力将会带来深刻的影响，就像是每个人和他们的狗现在理解的那样。所以我叫它「感知时代」。就好像是我们口袋里的超级计算机突然有了眼睛，并且快速适应了真实世界所带来的闪光性致盲。&/p&&p&&br&&/p&&p&深度学习将会带来巨大的影响，并且将会改变这颗行星上全人类的生活方式。但我们低估了其对我们的危险。不，我们不会和能激起或挑战我们最深刻的思想的深度图灵对话者约会——还不会。这将不可避免地到来，但在可见的未来里还不可见。借助语音、文本和 Watson 那样的数据库的智能代理可以实现非常先进的 Eliza，但不会更先进了。自动化运输、食物生产、建筑、协助家事将会极大地改变人们的生活方式和不动产的价值。&/p&&p&&br&&/p&&p&除了这些泛泛之谈，本文的目的是收集一些关于芯片的思想见解——它们驱动着当前的神经网络革命。其中很多见解都不是最为激动人心的，但这对我来说是一个有用的锻炼。&/p&&p&&br&&/p&&p&&b&神经网络硬件&/b&&/p&&p&&br&&/p&&p&与 20 年前相比，今天的神经处理方法并没有很大不同。深度更多的是一个品牌，而不是一项差异。激活函数已经得到了简化，以更好地适配硬件。主要的成功之处在于我们有了更多数据，对如何初始化权重、处理许多层、并行化和提升鲁棒性也有了更好的理解，其中要用到像是 dropout 这样的技术。1980 年的 Neocognitron 架构与今天的深度学习器或 CNN 并没有显著差异，但 Yann LeCun 让它具备了学习能力。&/p&&p&&br&&/p&&p&在 90 年代那会儿也有很多神经硬件平台，比如 CNAPS（1990），它带有 64 个处理单元和 256kB 内存，可以在 8/16 位条件下达到 1.6 GCPS 的速度（CPS 是指每秒连接次数/ connections per second）或在 1 位条件下达到 12.8 GCPS 的速度。你可以在《神经硬件概述（Overview of neural hardware）》[Heemskerk, 1995, draft] 中读到 Synapse-1、CNAPS、SNAP、CNS Connectionist Supercomputer、Hitachi WSI、My-Neupower、LNeuro 1.0、UTAK1、GNU（通用神经单元/General Neural Unit）Implementation、UCL、Mantra 1、Biologically-Inspired Emulator、INPG Architecture、BACHUS 和 ZISC036。&/p&&p&&br&&/p&&p&阅读地址：&a href=&https://link.zhihu.com/?target=https%3A//pdfs.semanticscholar.org/86f87dac2b14a8fb9069.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&pdfs.semanticscholar.org&/span&&span class=&invisible&&/86f87dac2b14a8fb9069.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&&br&&/p&&p&好吧，东西还真多，但实际上还排除了软件和加速器板/CPU 组合，比如 ANZA plus、SAIC SIGMA-1、NT6000、Balboa 860 协处理器、Ni1000 识别加速器硬件（英特尔）、IBM NEP、NBC、Neuro Turbo I、Neuro Turbo II、WISARD、Mark II & IV、Sandy/8、GCN（索尼）、Topsi、BSP400（400 微处理器）、DREAM Machine、RAP、COKOS、REMAP、通用并行神经计算机（General Purpose Parallel Neurocomputer）、TI NETSIM 和 GeNet。另外还有一些模拟和混合模拟的实现，包括英特尔的电气式可训练模拟神经网络（801770NX）。你懂我要表达的意思了，那时候的东西还真是多。&/p&&p&&br&&/p&&p&这在 1994 年迎来了一次爆发：&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-07a3cb4b2a8e2b71afd9a_b.jpg& data-rawwidth=&640& data-rawheight=&601& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-07a3cb4b2a8e2b71afd9a_r.jpg&&&/figure&&p&&br&&/p&&p&乐观的摩尔定律告诉我们，TeraCPS 即将实现：&/p&&p&&br&&/p&&blockquote&「未来十年，微电子很可能将继续主导神经网络实现的领域。如果进展和过去进步得一样快，那就意味着神经计算机的性能将会增长大约 2 个数量级。因此，神经计算机将会接近 TeraCPS（10^12 CPS）的性能。由 100 万个节点（每个节点有大约 1000 个输入）组成的网络可以达到大脑的计算速度（100-1000 Hz）。这将能为实验合理巨大的网络提供良好的机会。」&/blockquote&&p&&br&&/p&&p&由于 Minsky 和 Papert 对隐藏层的不正确简单概括，打击了 Rosenblatt 的感知器梦想并最终导致了他不幸的死亡，神经网络研究遭遇了第一个冬天，研究资金被残酷地撤销了。1995 年，又出现了另一次神经网络冬天，尽管那时候我其实并不知道。作为温水锅里的一只青蛙，我没有注意到正在加热。第二个冬天的主要原因是缺乏激动人心的进展，让人们普遍感到无聊了。&/p&&p&&br&&/p&&p&到了 2012 年，多亏了 Geoffrey Hinton 的冬季生存技能，多伦多大学基于 AlexNet 开发的 SuperVision 在 ImageNet 处理上实现了极大的提升，第二个神经网络冬天也由此终结了。之后谷歌的 LeNet Inception 模型在 2014 年打破了它的记录。所以据我估计，感知时代始于 2012 年。将它记在你的日历里面吧，五年已经过去了。&/p&&p&&br&&/p&&p&谷歌在几千台普通机器上进行了出色的并行 CPU 有损更新研究。吴恩达教授和他的朋友们让数十台 GPU 就能完成数千台 CPU 的工作，从而让规模化成为了可能。因此，我们从需要很好的资助的神经处理前景中解放了出来。好吧，或多或少吧，现在最先进的网络有时候需要数千台 GPU 或专用芯片。&/p&&p&&br&&/p&&p&更多数据和更多处理能力是其中的关键。让我们进入本文的重点，列出一些感知时代大数据之战中的一些关键平台：&/p&&p&&br&&/p&&p&&b&英伟达的 GPU&/b&&/p&&p&&br&&/p&&p&这一家是很难被战胜的。来自大型视频处理市场的收益驱动着巨大的规模经济。新款英伟达 V100 带有一种新的 Tensor Core 架构，速度可达 15 TFlops（单精度/SP）或 120 TFlops（浮点精度，其中带有 FP16 的乘法和 FP32 的累加或加法，非常适合机器学习）。英伟达在它们的 DGX-1 中装入了 8 块计算卡，速度可达 960 Tensor TFlops.&/p&&p&&br&&/p&&p&&b&AMD 的 GPU&/b&&/p&&p&&br&&/p&&p&在机器学习领域，AMD 一直是英伟达的追赶者。即将发布的 AMD Radeon Instinct MI25 有希望达到 12.3 TFlops（SP）或 24.6 TFlops（FP16）。如果你把英伟达的 Tensor Core 也算进来，则 AMD 完全无力竞争。英伟达设备的带宽 900GB/s 也是 AMD 484GB/s 的两倍。&/p&&p&&br&&/p&&p&&b&谷歌的 TPU&/b&&/p&&p&&br&&/p&&p&谷歌原来的 TPU 相比于 GPU 有很大的领先，并帮助 DeepMind 的 AlphaGo 赢得了与李世石的围棋大战。据描述，原来的 700 MHz TPU 有 95 TFlops 的 8 位计算能力或 23 TFlops 的 16 位计算能力，同时功耗仅有 40W。这可比当时的 GPU 快得多，但现在落后于英伟达的 V100；但在单位功耗的计算能力上，TPU 并没落后。据称新的 TPU2 是一款带有 4 块芯片的 TPU 设备，速度可达到 180 TFlops 左右。每块芯片的性能都翻倍了，达到了 45 TFlops 的 16 位计算能力。你可以看到与英伟达 V100 的差距正在变小。你没法买到 TPU 或 TPU2。谷歌正在通过它们的云提供这些 TPU 服务，包含 64 台设备的 TPU pod 速度高达 11.5 PetaFlops。TPU2 上巨大的散热片说明了一些原因，但市场正在发生变化——从单独的设备转向了设备的组合以及将这些组合以云的形式提供。&/p&&p&&br&&/p&&p&&b&Wave Computing&/b&&/p&&p&&br&&/p&&p&Wave 之父澳洲人 CTO Chris Nicol 博士的成果斐然，领导开发了 Wave 的 Compute Appliance 中的异步数据流处理器（asynchronous data flow processor）。几年前，Metamako 的创始人 Charles Thomas 在加州简单介绍了我和 Chris 认识。他们俩都曾在 NICTA 研究过无时钟异步。这两人都很出色。&/p&&p&&br&&/p&&p&我不确定 Wave 的设备最早是不是针对机器学习设计的，但在他们的 3RU appliance 上运行 TensorFlow 的速度可以达到 2.9 PetaOPS/s，这实在了不起。Wave 将他们的处理器称为 DPU，一个 appliance 有 16 个 DPU。Wave 使用了他们称之为粗粒度可重构阵列（CGRA：Coarse Grained Reconfigurable Array）的处理元素。我还不清楚 2.9 PetaOPS/s 的速度对应多少位宽。根据他们的白皮书，其 ALU 可以执行 1 位、8 位、16 位和 32 位计算：&/p&&p&&br&&/p&&p&「算术单元是分区的。它们可以并行执行 8 位运算（完美适用于 DNN 推理）以及 16 位和 32 位运算（或以上的任何组合）。也可以执行一些 64 位运算，而且可以使用软件扩展到任意精度。」&/p&&p&&br&&/p&&p&关于其 appliance 中的 16 个 DPU，还有一些额外的信息：&/p&&p&&br&&/p&&p&「Wave Computing DPU 是一种包含了 16384 PE 的 SoC，它们被配置成了一个 32×32 集群的 CGRA。它包含了 4 个 HMC（Hybrid Memory Cube）第二代接口、一个 PCIe 第三代 16 通道接口和一个用于 SoC 资源管理的嵌入式 32 位 RISC 微控制器。这款 Wave DPU 可以在没有主机 CPU 时自动执行。」&/p&&p&&br&&/p&&p&对于 TensoFlow 指令：&/p&&p&&br&&/p&&p&「Wave DNN Library 团队为 TensorFlow 等工作流程中所使用的常见 DNN 函数创建了预编译的可重新定位的 kernel。它们可以被组合到 Agent 中并且可以被实例化成机器，以构建大型的张量数据流图和 DNN kernel。」&/p&&p&&br&&/p&&p&「……一个可与 TensorFlow、CNTK、Caffe 和 MXNet 等机器学习工作流程交互的 session 管理器，可作为用于训练和推理的工作器过程（worker process）。这些工作流程可为工作器过程提供张量的数据流图。在运行时，Wave 的 session 管理器会分析数据流图并将这些软件智能体放置到 DPU 芯片中，然后将它们连接起来以构建数据流图。这些软件智能体会被分配用于输入缓冲和本地存储的全局内存区域。CGRA kernel 的静态本质和分布式的内存架构可以让一个性能模型准确估计智能体的延迟。session 管理器可使用该性能模型来在智能体之间插入 FIFO 缓冲，这有助于 DPU 中通信和计算的重叠。这个可变智能体支持穿过整个图的数据流的软件流程，从而可以进一步增加并发性和性能。这个 session 管理器可以监控数据流图运行时的性能（通过监控卡顿、缓冲区下溢出和/或上溢出），并且可以动态地调节 FIFO 缓冲区的大小以实现吞吐量的最大化。在附加了 DPU 的处理器中，有一个分布式运行时管理系统会在运行时安装和卸载数据流图的一些部分，从而平衡计算和内存的使用量。这种在数据流计算机中的数据流图上的运行时重新配置还是有史以来第一次。」&/p&&p&&br&&/p&&p&是的，我也觉得非常酷。这个平台的惊人之处是它在架构方面比 FPGA 更加粗粒度，因此灵活性更低，但却很可能表现更好。非常有意思。&/p&&p&&br&&/p&&p&&b&KnuEdge 的 KnuPath&/b&&/p&&p&&br&&/p&&p&在 2016 年 6 月时我在 Twitter 上谈过 KnuPath。那以后他们的产品页面却失踪了。我不确定他们要把那 1 亿美元如何用到他们的 MIMD 架构上。那时候他们向我这样描述的：每个 ASIC 中有 256 个微型 DSP（即 tDSP）核以及一个 ARM 控制器，适用于 35W 包络中的稀疏矩阵处理。&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-a0a7cfc905b4e1c4c1d94e15eae678e0_b.jpg& data-rawwidth=&640& data-rawheight=&366& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic3.zhimg.com/v2-a0a7cfc905b4e1c4c1d94e15eae678e0_r.jpg&&&/figure&&p&它的性能未知，但他们把自己的芯片与一款当时的英伟达芯片进行了比较，那时候他们说实现了 2.5 倍的性能。我们知道英伟达现在凭借 Tensor 内核已经提速了十倍以上，所以 KnuEdge 还要努力才能跟上节奏。MIMD 或 DSP 方法必须要得到非常好的效果才能在这一领域占据一席之地。时间会给我们答案。&/p&&p&&br&&/p&&p&&b&英特尔的 Nervana&/b&&/p&&p&&br&&/p&&p&Nervana Systems 曾经除了开发他们的 Nervana Engine ASIC，还开发着一种 GPU/软件方法，后来英特尔收购了这家公司。性能比较方面还不清楚。英特尔也在规划通过一个 Knights Crest 项目将其集成到 Phi 平台中。NextPlatform 认为其 2017 年在 28nm 节点上的目标是在某个位宽的运算速度达到 55 TOPS/s。英特尔还安排一个 NervanaCon，将在 12 月份举办，所以那时候我们也许将能看到他们的第一批成果。&/p&&p&&br&&/p&&p&&b&地平线机器人&/b&&/p&&p&&br&&/p&&p&这家中国创业公司正在研发一种大脑处理单元（BPU：Brain Processing Unit）。余凯博士是正规军出身，他曾是百度深度学习研究院的负责人。今年早些时候，一段 YouTube 视频演示了基于 Arria 10 FPGA 的 BPU 仿真：&a href=&https://link.zhihu.com/?target=https%3A//youtu.be/GI9U9lUFaDo%25E3%E7%259B%25AE%25E5%E5%%25E4%25BA%258E%25E8%25BF%%25B8%%25B9%25B3%25E5%258F%25B0%25E7%259A%%2585%25AC%25E5%25BC%%25B6%%2581%25AF%25E8%25BF%%25BE%%25B0%%& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&https://youtu.be/GI9U9lUFaDo。目前关于这一平台的公开消息还很少。&/a&&/p&&p&&br&&/p&&p&&b&Eyeriss&/b&&/p&&p&&br&&/p&&p&Eyeriss 是 MIT 的一个项目，开发出了一款具有出色原始性能表现的 64nm ASIC。在 AlexNet 上，这款芯片的速度大约是英伟达 TK1 的一半。其优势在于借助于其行固定（row stationary）方法，仅需要一个 278mW 的可重新配置加速器就能实现这样中规中矩的性能。赞。&/p&&p&&br&&/p&&p&&b&Graphcore&/b&&/p&&p&&br&&/p&&p&去年 Graphcore 拿到了 3000 万美元的 A 轮融资，以开发他们的智能处理单元（IPU： Intelligence Processing Unit）。他们的网站还缺少细节，只是给出了一些亮眼的事实，比如多于 14000 个独立的处理器线程和大于 100 倍的内存带宽。根据 NextPlatform 报道的零星信息，其在一块芯片上具有多于 1000 个真实内核，并且采用了定制的互连方式。它的 PCIe 板具有一个 16 个处理器的元件。听起来似乎是数据流。抛开公关的言论，这个团队确实有很强的背景，而且投资者也不并不傻，所以就拭目以待吧。&/p&&p&&br&&/p&&p&&b&Tenstorrent&/b&&/p&&p&&br&&/p&&p&Tenstorrent 是加拿大多伦多的一家小创业公司，它宣称在深度学习的效率上实现了一个数量级的提升，和大多数公司一样，还没有什么公开的细节，但该公司入选了 Cognitive 300 榜单。&/p&&p&&br&&/p&&p&&b&Cerebras&/b&&/p&&p&&br&&/p&&p&Cerebras 值得一提，因为它得到了 Benchmark 的支持，而且其创始人是 SeaMicro 的 CEO。它似乎已经融资 2500 万美元了，而且仍然处于隐身模式。&/p&&p&&br&&/p&&p&&b&Thinci&/b&&/p&&p&&br&&/p&&p&Thinci 正在美国萨克拉门托开发视觉处理器，并且在印度也有员工。他们宣称即将推出他们的第一款硅芯片 Thinci-tc500，而且已经开始进行标准评测和赢得客户了。但除了「一切都并行处理」之外，我们所知甚少。&/p&&p&&br&&/p&&p&&b&Koniku&/b&&/p&&p&&br&&/p&&p&Koniku 的网站正在倒计时，现在还有 20 几天。我已经等不及了。他们没有融到多少钱，而看过它们在福布斯上的这个视频之后（&a href=&https://link.zhihu.com/?target=https%3A//goo.gl/VA1PJx%25EF%25BC%2589%25EF%25BC%258C%25E4%25BD%25A0%25E5%25BE%%258F%25AF%25E8%2583%25BD%25E4%25B9%259F%25E4%25B8%258D%25E5%25BE%%25B8%258D%25E7%259B%25B8%25E4%25BF%25A1%25E4%25BB%%25BB%25AC%25EF%25BC%258C%25E4%25BD%%25BD%25A0%25E4%25B9%259F%25E6%%25E6%25B3%%25A2%%E7%25A9%25B6%25E7%25AB%259F%25E4%25BC%259A%25E5%25A6%%25BD%%E5%%25E7%%25E7%E7%%25E7%25BB%%E8%2582%25AF%25E5%25AE%259A%25E6%2598%25AF%25E4%25B8%258D%25E4%25B8%%25A0%25B7%25E7%259A%%E5%2590%25AC%25E8%25B5%25B7%25E6%259D%25A5%25E5%25B0%25B1%25E5%E6%2598%25AF%25E4%25B8%%25B8%25AA%25E7%25A7%%25A0%%25A1%25B9%25E7%259B%25AE%25EF%25BC%258C%25E4%25BD%%25BB%%25BB%25AC%25E8%25BF%%25A0%25B7%25E8%25AF%25B4%25EF%25BC%259A& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&https://goo.gl/VA1PJx），你很可能也不得不相信他们，但你也无法预料究竟会如何。利用生物细胞肯定是不一样的。听起来就像是一个科研项目，但他们这样说：&/a&&/p&&p&&br&&/p&&blockquote&「我们是一个企业。我们不是一个科研项目。」下周将在维也纳的 Pioneers Festival 上发表演讲的 Agabi 这样说，「今天有些需求是硅所不能满足的，而我们可以通过我们的系统提供。」&br&&br&Koniku 提供的核心是所谓的神经元壳（neuron-shell），这家创业公司称其内部可以控制神经元彼此通信的方式，加上一种正在申请专利的电极，就可以在神经元上读写信息。所有这些都可以装在一个 iPad 大小的设备里，他们还希望能在 2018 年之前将其减小到一枚五美分硬币大小。&/blockquote&&p&&br&&/p&&p&&b&Adapteva&/b&&/p&&p&&br&&/p&&p&Adapteva 是我最喜欢的一家小技术公司，正如你在之前文章《Adapteva tapes out Epiphany-V：一款 1024 核 64 位 RISC 处理器》：&a href=&https://link.zhihu.com/?target=https%3A//goo.gl/6ZH7JP%25E3%E5%258E%25BB%25E5%25B9%25B4%25E5%25B9%25B4%25E5%25BA%%& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&https://goo.gl/6ZH7JP。去年年底时&/a& Andreas Olofsson 拿出了他的 1024 核芯片，我们都等着看它的性能表现。Epiphany-V 有用于深度学习的新指令，我们必须要看看这种带有 64MB 片上内存的更少内存控制器的设计是否具有合适的扩展能力。Andrea 的设计和构建的出色效率可能能让我们真正负担得起这种芯片，所以让我们希望它有良好的表现吧。&/p&&p&&br&&/p&&p&&b&Knowm&/b&&/p&&p&&br&&/p&&p&Known 研究的是 Anti-Hebbian and Hebbian（AHaH）可塑性和忆阻器。这里有篇覆盖这一主题的论文《AHaH 计算：从 Metastable Switches 到 Attractors 到机器学》：&a href=&https://link.zhihu.com/?target=https%3A//doi.org/10.1371/journal.pone.E3%E8%25BF%%25AF%25B9%25E6%E6%259D%25A5%25E8%25AF%25B4%25E6%259C%%%25E5%25A4%25AA%25E9%25AB%%25BA%25A7%25E4%25BA%%E7%25AE%%258D%%259C%258B%25E4%25BA%%259C%258B%25EF%25BC%258C%25E6%E7%259C%258B%25E4%25B8%258D%25E5%2587%25BA%25E8%25BF%%25A1%25B9%25E6%258A%%259C%25AF%25E5%E8%%25E8%25A8%%25B9%25B1%25E8%25AF%25AD%25E7%259A%%258C%25BA%25E5%2588%25AB%25EF%25BC%258C%25E4%25BD%%259C%258B%25E8%25B5%25B7%25E6%259D%25A5%25E7%25A1%25AE%25E5%25AE%259E%25E7%25A7%%25AD%25A6%25E5%%25E9%E5%258D%%25B6%25B3%25E3%E6%E9%259C%%25A6%%25BA%25B2%25E7%259C%25BC%25E7%259C%258B%25E5%%25E6%E8%2583%25BD%25E7%259B%25B8%25E4%25BF%25A1%25E3%E7%25A5%259E%25E7%25BB%258F%25E5%25BF%%2598%25BB%25E5%25BC%258F%25E5%25A4%%E5%%25EF%25BC%2588neuromemristive& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&https://doi.org/10.1371/journal.pone.0085175。这对我来说有点太高级了。简单看了看，我看不出这项技术和胡言乱语的区别，但看起来确实科学味道十足。我需要亲眼看到才能相信。神经忆阻式处理器（neuromemristive&/a& processor）的思想是很有趣的。我早上确实需要一个好的流行术语。&/p&&p&&br&&/p&&p&&b&Mythic&/b&&/p&&p&&br&&/p&&p&Mythic 的一款电池驱动的神经芯片具有低 50 倍的功耗。目前还看不到太多真正的细节。这款芯片大约纽扣大小，但大多数芯片不都这样吗？&/p&&p&&br&&/p&&blockquote&「Mythic 的平台能在纽扣大小的芯片上提供桌面 GPU 的性能。」&/blockquote&&p&&br&&/p&&p&也许这又是一款适合无人机和手机的芯片，很可能被用在手机中，也可能被排除在外。&/p&&p&&br&&/p&&p&&b&高通&/b&&/p&&p&&br&&/p&&p&手机显然是机器学习硬件的一大用武之地。我们希望能够识别狗的品种、花朵、树叶、癌症痣、翻译标识、理解口语等等。我们口袋里的超级计算机愿意用上它能得到的所有帮助，以便能迈入感知时代。高通一直以来都在鼓捣机器学习，推出了 Zeroth SDK 和 Snapdragon 神经处理引擎（NPE）。这种 NPE 显然在高通所用的 Hexagon DSP 上效果良好。&/p&&p&&br&&/p&&p&Hexagon DSP 已经远远不止是一个非常广泛的并行平台了，Yann LeCun 已经证实高通和 Facebook 正在合作开发一种更好的方法，参见 Wired 的文章《业界 | 谷歌 TPU 之后还有高通，人工智能芯片竞赛已经展开》：&/p&&p&&br&&/p&&blockquote&「最近，高通已经开始制造执行神经网络的专用芯片，这条消息来自 LeCun，因为 Facebook 正帮助高通开发机器学习相关技术，所以他对高通的计划很了解；高通技术副总裁 Jeff Gehlhaar 证实了这个项目，他说：『在原型设计和开发方面，我们还有很长的路要走。』」&/blockquote&&p&&br&&/p&&p&也许我们很快就会看到 Kryo CPU、Adreno GPU、Hexagon DSP 和 Hexagon Vector Extensions 之外的其它东西。对于这一领域的创业公司来说，和高通的机器学习竞争将会艰难无比。&/p&&p&&br&&/p&&p&&b&Pezy-SC 和 Pezy-SC2&/b&&/p&&p&&br&&/p&&p&这两者是 Pezy 开发的 1024 核和 2048 核处理器。Pezy-SC 1024 核芯片可以驱动 2015 年 Green500 超级计算机榜单的前三名的系统。Pezy-SC2 是现在已经开始提供的后续芯片，我在 6 月份也做过关于它的演讲，但相关细节还很少，不过仍然很吸引人：&/p&&p&&br&&/p&&blockquote&「PEZY-SC2 HPC Brick：单个机箱中有 32 个带有 64GB DDR4 DIMM（2.1 PetaFLOPS（DP））的 Pezy-SC2 模块卡，速度可达 6.4 Tb/s.」&/blockquote&&p&&br&&/p&&p&不知道 2048 个 MIMD MIPS Warrior 64 位核的机器能做到什么？在 6 月份的 2017 年 Green500 榜单中，一个英伟达 P100 系统拿到了头把交椅，而排名第 7 的是一个 Pezy-SC2 系统。所以看起来这款芯片还活着，但相关细节却很少。Motoaki Saito（齊藤元章）当然值得一看。&/p&&p&&br&&/p&&p&&b&Kalray&/b&&/p&&p&&br&&/p&&p&尽管做了很多承诺，但 Kalray 的芯片还没有超过 256 核，我在 2015 年的一篇文章就谈到：&a href=&https://link.zhihu.com/?target=https%3A//goo.gl/pxqn7Z%25E3%Kalray& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&https://goo.gl/pxqn7Z。Kalray&/a& 宣传自己的产品说是适合嵌入式自动驾驶汽车应用，但我觉得其目前产品架构的形式并不是一种完美的 CNN 平台。Kalray 有一个 Kalray Neural Network（KaNN）软件包并且宣称有比 GPU 更好的效率，在芯片上能实现高达 1 TFlop/s 的速度。&/p&&p&&br&&/p&&p&随着即将到来的产品更新，Kalray 的神经网络财富可能还会提升，就在这个月 Kalray 完成了新一轮 2600 万美元的融资。他们新的 Coolidge 处理器预计将在 2018 年年中上市，它会带有 80 或 160 个核，另外还有 80 或 160 个为视觉和深度学习优化的协处理器。&/p&&p&&br&&/p&&p&这在他们的多于 1000 核的方法上有了很大的改变，而我认为这是最明智的。&/p&&p&&br&&/p&&p&&b&IBM TrueNorth&/b&&/p&&p&&br&&/p&&p&TrueNorth 是 IBM 的神经形态 CMOS ASIC，是与 DARPA 的 StNAPSE 项目一起开发的。&/p&&p&&br&&/p&&p&这是一种单个芯片设计上的多核处理器网络，具有 4096 个核，每个核模拟 256 个可编程的硅「神经元」，总共就超过了 100 万个神经元。另外，每个神经元还有 256 个可编程的「突触」，信号可以在这些突触之间传递。因此，可编程突触的总是超过了 2.68 亿（2^28）。在基本构建模块方面，它的晶体管数量为 54 亿。因为存储、计算和通信都是在这 4096 个神经突触核中各自处理的，所以 TrueNorth 避开了冯·诺依曼架构的瓶颈，而且能效非常高，功耗为 70 mW，大约是传统微处理器的功率密度的万分之一（来自维基百科）。&/p&&p&&br&&/p&&p&IBM 之前还在批评脉冲神经网络（spiking neural network）无法适配深度学习，现在 IBM 开发了一种在 TureNorth 上运行 CNN 的新算法。&/p&&p&&br&&/p&&p&这些神经元不会在每个周期内都放电，脉冲神经网络中的神经元必须逐渐积累它们的电势，然后才能放电……深度学习专家普遍认为脉冲神经网络在深度学习上没有效率——至少和卷积神经网络比起来是这样。Facebook 人工智能研究院主任和深度学习先驱 Yann LeCun 曾经批评过 IBM 的 TureNorth 芯片，因为它主要支持脉冲神经网络……&/p&&p&&br&&/p&&blockquote&……这种神经形态芯片不会太激动人心，因为它们注重的脉冲神经网络在深度学习领域并不受欢迎。&/blockquote&&p&&br&&/p&&p&为了让 TrueNorth 芯片很好地契合深度学习，IBM 不得不开发了一种新算法，让卷积神经网络可以在这款神经形态计算硬件上很好地运行。这种组合方法实现了 IBM 所谓的「接近当前最佳」的分类准确度，实验涉及了视觉和语音挑战赛方面的 8 个数据集。在最好的情况下，它们的准确度达到了 65% 到 97%。&/p&&p&&br&&/p&&p&当只使用一块 TrueNorth 芯片时，它只在这 8 个数据集中的 1 个数据集上超越了当前最佳的准确度。但如果使用多达 8 块芯片，IBM 的研究者可以极大提升这款硬件在深度学习挑战上的准确度。这使 TureNorth 可以在其中 3 个数据集上媲美或超越当前最佳的准确度。&/p&&p&&br&&/p&&p&这个 TureNorth 测试也做到了每秒处理 1200 到 2600 视频帧。这意味着单个 TureNorth 芯片就能实时检测来自多达 100 个同时工作的相机的数据的模式……（来自 IEEE Spectrum）&/p&&p&&br&&/p&&p&TrueNorth 的功率效率非常出色，所以非常值得考虑。&/p&&p&&br&&/p&&p&Brainchip 的脉冲神经元自适应处理器（SNAP：Spiking Neuron Adaptive Processor）&/p&&p&&br&&/p&&p&SNAP 不能做深度学习，这只是一个源于好奇心的项目，还没有实际落地成 CNN 工程解决方案，至少现在还没有。如果你想探索这条路，IBM 的随机相变神经元（stochastic phase-change neurons）似乎更有意思。&/p&&p&&br&&/p&&p&&b&苹果的神经引擎（Neural Engine）&/b&&/p&&p&&br&&/p&&p&到底会不会有？彭博社报道称这会是一款次级处理器，但没有什么细节信息。对苹果来说，这不仅是一个重要领域，而且也有助于与高通的竞争。&/p&&p&&br&&/p&&p&&b&其它&/b&&/p&&p&&br&&/p&&p&1. 寒武纪（Cambricon）——中国科学院在芯片上投入的 140 万美元。它是一个用于神经网络的指令集架构，具有数据级的并行、自定义向量/矩阵指令、片上 scratchpad memory。宣称速度是 x86 CPU 的 91 倍，是 K40M 的 3 倍，且峰值功率仅有 1%，即 1.695W。参阅这两篇论文：&/p&&p&Cambricon-X：一个用于稀疏神经网络的加速器： &a href=&https://link.zhihu.com/?target=http%3A//cslt.riit.tsinghua.edu.cn/mediawiki/images/f/f1/Cambricon-X.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&cslt.riit.tsinghua.edu.cn&/span&&span class=&invisible&&/mediawiki/images/f/f1/Cambricon-X.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&Cambricon：一个用于神经网络的指令集架构 s：&a href=&https://link.zhihu.com/?target=http%3A//dl.acm.org/citation.cfm%3Fid%3D3001179& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Cambricon&/a&&/p&&p&2. 前谷歌员工创立的 Groq Inc.，也许是另一种 TPU？&/p&&p&3. Aimotive：&a href=&https://link.zhihu.com/?target=https%3A//aimotive.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&AImotive&/a&&/p&&p&4. Deep Vision 正在开发用于深度学习的低功耗芯片，也许这两篇创始人的论文能提供一点线索：&/p&&p&Convolution Engine: Balancing Efficiency & Flexibility in Specialized Computing [2013]：&a href=&https://link.zhihu.com/?target=http%3A//csl.stanford.edu/%7Echristos/publications/2013.convolution.isca.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&csl.stanford.edu/~chris&/span&&span class=&invisible&&tos/publications/2013.convolution.isca.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&Convolution Engine: Balancing Efficiency and Flexibility in Specialized Computing [2015]：&a href=&https://link.zhihu.com/?target=http%3A//csl.stanford.edu/%7Echristos/publications/2015.convolution_engine.cacm.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&csl.stanford.edu/~chris&/span&&span class=&invisible&&tos/publications/2015.convolution_engine.cacm.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&5. DeepScale &/p&&p&6. Reduced Energy Microsystems 正在开发用于 CNN 推理的低功耗异步芯片。据 TechCrunch 报道，REM 是 Y Combinator 第一个 ASIC 领域的风险投资。&/p&&p&7. Leapmind 也很忙。&/p&&p&&br&&/p&&p&&b&FPGA&/b&&/p&&p&&br&&/p&&p&微软已经站队 FPGA 了。Wired 这篇文章说得很好：《深度 |《连线》长文揭秘微软 Project Catapult：人工智能时代押注 FPGA》。&/p&&p&&br&&/p&&p&「Bing 占据着世界上 20% 的桌面搜索市场和 6% 的移动手机市场，在 Bing 上，这个芯片能帮助 Bing 适应新品种的人工智能：深度神经网络。」&/p&&p&&br&&/p&&p&我对这种方法也有些兴趣。赛灵思和英特尔（收购了 Altera）的 FPGA 是很强大的引擎。赛灵思自然宣称他们的 FPGA 是对 INT8 最好的，他们的一份白皮书里面包含了下面的幻灯片：&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-cd181f6c0d1e5c617cf63d4_b.jpg& data-rawwidth=&640& data-rawheight=&473& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/v2-cd181f6c0d1e5c617cf63d4_r.jpg&&&/figure&&p&&br&&/p&&p&这两家供应商都很支持使用他们的 FPGA 做机器学习：&/p&&p&&br&&/p&&p&Xilinx - Acceleration Zone：&a href=&https://link.zhihu.com/?target=https%3A//goo.gl/KheG5W& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Acceleration Zone&/a&&/p&&p&Intel FPGA OpenCL（&a href=&https://link.zhihu.com/?target=https%3A//goo.gl/S62fMA%25EF%25BC%%C& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&https://goo.gl/S62fMA）和&/a& Solutions（&a href=&https://link.zhihu.com/?target=https%3A//goo.gl/zkYyXB%25EF%25BC%2589& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&https://goo.gl/zkYyXB）&/a&&/p&&p&&br&&/p&&p&尽管 FPGA 单位功耗的性能是很出色的，但这些供应商的更大型的芯片的售价却长时间以来都高得吓人。赛灵思的 VU9P 在 Avnet 上的售价超过 5 万美元。&/p&&p&&br&&/p&&p&寻找价格和能力之间的平衡点是 FPGA 的主要难题。&/p&&p&&br&&/p&&p&FPGA 方法的一大优势是可以用来制定}
我要回帖
更多关于 学生各方面表现 的文章
更多推荐
- ·叫什么给自己取个名字？
- ·按照西周时的规定,周天子可以享用九鼎,这种情况反应了什么反映了西周什么的各种活动问题_百度知 ...
- ·谁有免费不用注册VIP会员的免费音频转换mp3的软件软件？
- ·大学生创业参加创新创业大赛的意义大赛对我有何意义？
- ·我的征信报告能办征信有问题能办理信用卡吗吗？
- ·全国全自动养鸡一万只成本设备哪里做的比较专业？
- ·哑舍6下载小说下载txt全文txt全本下载
- ·二房税是交一次还是以后年年买一手房要交哪些税呀
- ·风控严格的股票配资首选银屯不在线平台是哪个？
- ·炒股2018配资炒股平台排名平台什么好？
- ·什么样的炒股成都资生网配资可靠吗靠谱？
- ·国科基金转换收费如何转
- ·谁有奇葩说的联系方式式说一个
- ·正规网上股票配资平台台需要注意什么？
- ·请问这个u9平台是真的吗不是虚假的，是不是都骗人的？
- ·求助，谁知道宁波荣安学校分数线这个厂的详细地址
- ·☆美国有哪些美国的商科和金融类的研究生的收费大学？
- ·什么样的资生网配资炒股靠谱吗股票靠谱
- ·请问一下，我家房子在小县城的房子值得买吗郊区边上，很有可能会被拆迁掉，不知道什么时候的事，边上有块空地我想修房子
- ·u9平台在他各方面的表现都不错表现怎么样，尤其是信誉这方面
- ·指南针炒股软件靠谱吗哪个是靠谱的？
- ·u9平台是不是那些被掺杂水分还自以为是的爱意了很多水分，是不是都骗人的？
- ·旧房产证换新房产证和新不动产权证各自加名字的区别，你又真的
- ·经济一般敢不敢经济不好生二胎的后果
- ·300477合纵科技技分红怎么计算
- ·十大全铝家具定制与小米实体店有现货吗购买现货有什么不同
- ·约爱爱app手机app怎么样呢？好不好用？
- ·GS4换GS8空调滤芯芯清洗空调多少钱
- ·苹果id退款被拉黑怎么查拉黑
- ·6500左右的笔记本电脑学生用的，软件工程专业学生笔记本需要电脑制图，求推荐。
- ·小米pro小米笔记本pro屏幕刷新率电脑屏幕突然变成了这个样子 是怎么回事
- ·我手机这几天有别人用我有人用我的手机号买东西西然后给我发验证码，
- ·你好，我想问你的魅族语音助手怎么不行号送出去了吗，没送出去的话能送给我嘛。。。。我是魅族语音助手怎么不行手机，最近想入坑！！
- ·HOMEDES1GN37——55平板电视台式座架安装步骤多少钱一个。
- ·金立手机在哪里看流量使用情况遇到这总情况怎么办？
