缠论      缠论是一种择时类的技术理论，借助数学中的形态分类方法和物理中的动力学理论来解释市场走势。以市场走势中的 K 线图为基础，通过包含关系处理后，分辨出走势图中的分型（顶分型和底分型），根据

　　Deep Learning Tutorials-深度学习笔记及代码，介绍最基础的逻辑回归、多层感知器、自动编码器、CNNs、LSTM等深度学习算法。

　　一． 缠论理论体系梳理及精髓解读 1.1 K线包含处理目的：清洗K线数据，识别顶底分型 相邻两K线可能出现包含关系（ 注： K线包含影线，且不分阴阳线）       1.2 分型：对局部高低点的识别（

　　本文以Bremen大学机器学习课程的教程为基础的。总结了使用机器学习解决新问题的一些建议。包括： 可视化数据的方法 选择一个适合当前问题的机器学习方法 鉴别和解决过拟合和欠拟合问题 处理大数据库问题（

　　学术界和实务界对股票收益的预测都比较感兴趣。因素模型一般用一些经济指标作为解释变量来预测股票收益。例如D/P, E/P, B/M等估值比率。这些模型大多数关注的是样本内检验，虽然回归结果显示这些比率对

　　资本资产定价模型（CAPM） CAPM模型由Sharpe等人以Markowitz的资产组合理论为基础进一步发展得到，是将经济学原理应用在金融领域的重要理论成果，几十年来广泛应用于风险投资、公司金融等领

　　RNN简介 RNN 不同于传统神经网络的感知机的最大特征就是跟时间挂上钩，即包含了一个循环的网络，就是下一时间的结果不仅受下一时间的输入的影响，也受上一时间输出的影响，进一步地说就是信息具有持久的影响

　　RNN是一个循环递归网络，因此在t时刻，网络的输出误差不仅与t时刻的隐含状态有关，也与t时刻之前的所有时刻的隐含状态有关。这一特点，正表明RNN相比传统的隐马尔科夫模型的优势是它充分考虑了历史所有时刻

　　RNN是一个图灵完全的模型，便意味着只要设计好RNN的外部存储机制，RNN模型的应用之广泛将远超我们的想象。为了更好地了解时序模型，从这期开始谈谈以RNN为核心的可扩展时序模型的研究状况及应用。 在神

　　1、原理回顾 机器作词是序列建模（以下简称seq2seq）的典型应用，其基本思想就是给定序列A，机器负责产生序列B，并且再将序列B作为输入，机器负责生成序列C...如此循环下去即可生成无限长度的序列。

　　长短期记忆模型LSTM 首先想，为什么RNN的记忆性不够？我们可以把梯度消失问题转换成比较形象的解释，例如可能是输入权重Win没有很好地过滤掉输入噪音，还有可能是输出权重W_out没有很好地输出有用的

　　参照 char-rnn-tensorflow，使用RNN的字符模型，学习并生成古诗。    准备环境 tensorflow   训练 python train.py在使用GPU的情况下，两个小时内即可

　　在上一篇推文中，提到了如何运用序列建模进行机器翻译，机器翻译系统主要包含编码器和解码器，编码器负责将待翻译的句子进行特征表示，而解码器则负责将此特征用另外一种语言表示出来。神经机器翻译模型（Neura

　　数据准备 为了更好地了解**时间序列，让我们来看看如何看图像，其实也不只有两个尺寸（高度和宽度），还有表示颜色的“深度”： 在时间序列的情况下，我们的图像只是一维的（在图上看到的），channels的

　　1.原理概述 序列学习其实是深度学习中的一个应用非常广泛的概念，例如语音识别、语言建模、机器翻译、机器作曲、机器写稿、自动对话、QA系统等都属于序列学习的领域，今天讲讲解如何运用序列建模的思想来构建一