玄元投资胡平：人工智能在基本面假设中的应用

之中，左至右的更为重要性性早已逼近。这与人们在生活之中对语法的思维相符，即codice_的角化左至右推移有时候不冲击提问，但在投资者之中，文档的左至右意味著十分更为重要。

所示所示表也很更为重要性，比如所示建模（GNN）是基于邻居裂解的，典型CNN的角化裂解。加速研读是一个引起爱好的层面，因为在投资者之中，有时候是先透过预期，然后再进一步做对政府，而加速研读可以将预期和对政府电磁场在独自一人。尽管是否均须要这样做还均需再进一步进一步研究成果，但确实有一些基于加速研读的报告透过了格以外再进一步进一步。

月底里，让我们谈一谈作用于式认知科学基本概念（AIGC），我个人对这特别比较喜欢，因为我并不认为本能与电脑的差异在于电脑很难透过早先思维，不仅仅是阐述和论述，还很难作用于早先的概要。

好的，我们简要地回顾了这一点，现在让我们再进一步争辩一下二阶投资者基本概念的协作。首先，让我们争辩预期基本概念，因为在近期所投资者方之中，大众化观点是将预期和对政府解能量守恒。这仅仅只要很难很好地透过预期，对政府就相对于有趣。例如，如果可以正确地预期一只股票的升幅和波动，那么对政府就是去重仓转售它，这是一种朴素的简而言之。

另以外，我们可以依靠本能的逻辑上学问，将一些精确的可认知的片段精细建模，而不是直接用到尾端到尾端的手段协作大基本概念。

因此，看看讲的人工神经网络也可以或者说均须要带入一些本能的逻辑上学问，尤其是在工商业研读特别，尽管尾端到尾端不具备优势，但你一直可以通过精细化内部设计，去不致协作更为简单的基本概念，比如可以将护航转化成小块，让有所不同的基本概念处理手段有所不同的护航。在IT技术的发展之中，许多革命性基本概念的内部设计比如ResNet，也以外应运而生了本能的逻辑上精确，将护航拆掉分别为已克服和尚未克服的两以外。这些都是本能学问在其之中极为更为重要性帮助作用的例证，因此并非纯粹尾端到尾端。这种简而言之在主动二阶层面和表象投资者层面都存在。

月底里，让我们争辩认知科学和基本面二阶的相结合。在匹配尾端，我们可以通过最底层业务范围所示表和二阶基本概念预期营业收入，然后基于这一文档再进一步进一步预期股价。实质上，这与前所面提到的方法十分相近。在输出尾端，更为重要原因是选项一个适当的预期周期性。有所不同的的机构意味著有有所不同的均需求，例如的大意味著未能付诸每天大量调仓，而私募意味著可以。因此，预期周期性意味著在一天、三天、五天，或者在的大之中意味著为五天、十天、二十天等。这种选项与对政府手段密切就其。

此以外，匹配尾端也存在社会性。尽管金融的机构投资者商品之中y尾端的所示表相对于较不及，但x尾端的所示表型式却十分丰富。在匹配尾端（X尾端），X_t可以亦然基本面所示表的时间序列。X的型式可以是一个标量、一个向量、一个早期向量，也可以是经过区块的向量。区块的处理手段可以有数之中性化处理手段，通过人工神经网络手段透过的区块等。此以外，X还可以是格以外简单的所示表，比如所示形（image）或所示所示表（graph）。

举个例证，所示形跟股民是怎么链接起来的？有人并不认为时序所示表没法替代K直通所示。但是表象投资者老板格以外愿检视所示表而不是时序所示表。这也让CNN等技术更加感兴趣。表象投资者老板在做对政府前所有时候会检视的公司的K直通季度，而不是时序所示表或Excel一栏。这种所示像统计分析在投资者之出处其两样，一以外因为它本质上实在感兴趣，一以外是因为他人并不认为它感兴趣，从而带入Benchmark，典型期权订价大家都皈依到BS基本概念一样。

另以外，人们曾选项用到AI作用于样本以补足样本不足的原因。这有数用到GAN和VAE等技术。然而，我反对这种方法，因为股民所示表不具备极较低的信噪比，直接文档十分诡异，未能有趣通过研读历史记录样本来获取。作用于的楼市难以差异于真实与盗用，其之中一个意味著包含Alpha而另一个没有人。因此，作用于直接的楼市所示表一直是一个不具备启发性的原因。

这是我在工作之中分享的实质技术的发展概要。在电子产品选项上，我们让买家自主立即宏观、之禅法、密切相关等方向的营业收入来源不明，对应的是仅有商品选股，指增，之中性等有所不同电子产品，比如买家一切都是宏观之禅法密切相关的买都要花掉，那可以固定式仅有商品选股；如果买家只一切都是挣密切相关的买，那就固定式之中性；一切都是挣宏观和密切相关的买，那就选用指增。

在表象和二阶的博弈之中，我们合作眼见一个获胜，即ETF。ETF通过大量资金拷贝指数，改变商品订价机制，对破纪录显现出过关斩将。未来，我们将眼见ETF作为一个合作的即使如此，无论是表象还是二阶。感谢大家。

。

闹肚子拉稀吃什么药
上火了嗓子疼吃什么药好得快
鼻窦炎怎么能治好
喉咙痛吃中药有用吗
盐酸坦洛新缓释片和必坦哪个见效快