群晖性能调优指南
群晖DSM虽然在易用性方面非常不错，但是系统上的很多机制可以说是非常搓了，我的DS918+，自行添加内存到16G双通道，按理来说，NAS上跑的那点东西，16G内存是完全够用了，但就是这样，群晖也特别喜欢用虚拟内存，导致开机久了，我打开docker控制台，都要等7，8秒 原因就在于，群晖的配置都非常寒酸，那么高的价格只舍得配2G，4G的内存，DSM默认的vm.swappiness值设定为10，内存高的建议修改为1 所以，如果想要提高群晖系统的流畅度，首先就是要加大你的内存，之后修改DSM的vm.swappiness数值 ssh 进群晖，输入如下命令即可，不需要重启（对大部分Linux系统也适用） 目录 临时生效版 永久生效版 添加到群晖计划任务中 添加开机时刷新sysctl.conf 简单说一下vm.swappiness vm.swappiness 优化 相关文章推荐 临时生效版 之前的方法方法，虽说是永久生效，但是群晖并不会读取/etc/sysctl.conf，所以实际上，我们还是要重启后刷新一下sysctl.conf。不如直接开机时就执行修改swappiness的命令，这条命令...
深度学习笔记之约束优化
有时候，在 x 的所有可能值下最大化或最小化一个函数 f(x) 不是我们所希望的。相反，我们可能希望在 x 的某些集合 S 中找 f(x) 的最大值或最小值。这被称为约束优化 (constrained optimization)。在约束优化术语中，集合 S 内的点 x 被称为可行 (feasible) 点。 我们常常希望找到在某种意义上小的解。针对这种情况下的常见方法是强加一个范数约束，如 ∥x∥ ≤ 1。约束优化的一个简单方法是将约束考虑在内后简单地对梯度下降进行修改。如 果我们使用一个小的恒定步长 ϵ，我们可以先取梯度下降的单步结果，然后将结果投影回 S。如果我们使用线搜索，我们只能在步长为 ϵ 范围内搜索可行的新 x 点，或者我们可以将线上的每个点投影到约束区域。如果可能的话，在梯度下降或线搜索前将梯度投影到可行域的切空间会更高效 (Rosen, 1960)。 一个更复杂的方法是设计一个不同的、无约束的优化问题，其解可以转化成原始约束优化问题的解。例如，我们要在 x ∈ R2 中最小化 f(x)，其中 x 约束为具有单位 L2 范数。我们可以关于 θ 最小化 g(θ) = ...
冷门高频股票因子
一些不常见的高频因子，分享给有缘人。 写得比较随意，大致有几块：Order aggressiveness、order book shape、撤单、事件聚集、订单薄韧性、异常挂单、逐笔。一、Order aggressiveness（1）订单侵略性，其实就是挂单的激进程度。假设你是买家，你挂单的价格越高，你就越激进；反过来，你是卖家，你挂单价格越低，你越是激进的卖家。举个例子，买家挂单越接近bid1，越激进；卖家挂单越接近ask1，越激进； （2）订单侵略性，体现了买家/卖家完成交易的迫切程度。通过整个订单薄，我们可以知道所有买家整体的激进程度、和所有卖家整体的激进程度；通过这个，就能构建一系列因子了。此外，买卖aggressiveness的差异，也是一系列因子； （3）一个订单的执行概率和订单薄的厚度、参与者对即将到来的订单的预期有关；买盘越厚，一个潜在的买家下market order的概率更大；这套说法对卖方同样适用；bid ask的厚度体现了看涨和看跌者的相对力量。 （4）不要用静态的思维来看待订单薄，要从动态的角度来分析。订单薄性质的变化，体现了多空力量的动态变化，是未来价格...
test
赢者通吃，何也？
**原因是“网络化效应”（network effects，也称为“网络外部性”）带来了高耸入云的行业标准。**网络化效应是指，一个平台——无论是像安卓这样的技术平台、还是微信这样的社交平台，抑或淘宝这样的社区化市场——用得人越多则价值越大，且以指数级增长。你用了微信，你的朋友会因为你用了微信而开始使用微信，最后你会因为你太多的朋友使用微信而更加离不开微信。这是一个正反馈的闭环。
在传统行业里产品优势就是一切，海尔冰箱牌子响，但如果我能做出其他都一样但省电25%的产品，我就一定能从海尔手里抢到市场份额；但是在TMT的逻辑里，即使我做出了比微信更好的产品，苍天啊有用吗，谁会来用呢。这个产品的唯一用处大概就是可以把它卖给微信。
头部公司通过网络效应主宰了行业标准，失败的竞品自然就被挤出，强者无比升华，弱者无比挣扎。而这种二元化的竞争结果就非常显见，也就是所谓的马太效应，强者恒强，最后市场份额全抓在赢家手上，处于下风的 underdog 们失败率非常之高。
而当我们知道TMT行业—— 1. 经济利润极高； 2. 赢者通吃；——这两个特点之后，Coatue的思路就很容易理解了—— 做多赢家，同时做空同赛道或相似赛道的输家。此时多空交易的关联性极大，做多公司的成功往往意味着脚下有一堆做空公司的尸首。一旦发现赢家，马上寻找同赛道的输家，反之亦然。
Coatue认为分散化的赢家/输家的配对交易是TMT行业最好的投资策略。此二元化策略有三个优点：1. 如果马太效应实现，收益就能做乘法，多仓与空仓都赚钱；2. 在市场整体低迷时对冲下行风险；3. 放大了选股能力对组合回报的影响。
当然这个策略的最大风险也正是对选股能力极为苛求；如果判断失败，行业趋势与你的预期相反，则多空双杀，game over得特别快。比如假设当年你做多了诺基亚，做空了苹果——上帝向人间撒了一把智慧，偏偏只有你打了一把伞——这就是两倍速的死法。
2. Coatue的做多策略
Coatue的多仓一般有30个股票左右，但会聚焦于10个TMT股票，单仓位不超过10%；多仓的持有期一般为两年，核心仓位持有期为三到五年左右。
Coatue投资是遵循基本面分析（fundamental analysis）的，而基本面分析一般分两种，自上而下法（top-down）或自下而上法（bottom-up）。自上而下是指分析时先研究整体宏观经济以及市场，先操心利率啊通胀啊，然后再往下看行业与公司；**而 Coatue的做多策略是自下而上的，也就是专注于公司与行业本身。**当然，在我偏狭的认知里所有的基本面研究都应该是自下而上的，“基”这个字除了gay以外就是“底部”的意思，基本面分析如果不搞自下而上，那就应该叫上面分析。
以自下而上的研究为起点，Coatue在分析公司与行业时会搭建一个基于技术趋势的研究框架，跟随新的技术趋势 ----> 捕捉生活、消费习惯的改变----> 找到新市场 ----> 剖析出新市场的赢家和输家。在TMT行业内去找具有这三个特点的公司：1. 具有巨大TAM（total addressable market，潜在市场）；2.明智的资本配置（capital allocaition）；3. 依托于移动互联网。
当然如果你以个人之力来操盘TMT的策略，是一个高危的行为；原因很简单，你有多自信自己的正确性，万一错了呢，错了就是多空两头杀、透心凉。这是小散的巨大劣势。而Coatue这样的机构为了降低判断错误的风险，每年花8000万美金在投研，雇员中一半是投研人员。这是一种什么精神？8000万美金折5亿人民币，高于上海理工大学2017年的研究经费预算。一个基金每年的研究经费超过一所理工类大学，这就是Coatue 对科研的执着精神，当然你也能理解成对冲基金这个行业真TM会烧钱。
舍得下本钱才能取得独立的自研成果（proprietary research），而不必胁从于三方机构的研究报告人云亦云。
赢者通吃，何也？
**原因是“网络化效应”（network effects，也称为“网络外部性”）带来了高耸入云的行业标准。**网络化效应是指，一个平台——无论是像安卓这样的技术平台、还是微信这样的社交平台，抑或淘宝这样的社区化市场——用得人越多则价值越大，且以指数级增长。你用了微信，你的朋友会因为你用了微信而开始使用微信，最后你会因为你太多的朋友使用微信而更加离不开微信。这是一个正反馈的闭环。
在传统行业里产品优势就是一切，海尔冰箱牌子响，但如果我能做出其他都一样但省电25%的产品，我就一定能从海尔手里抢到市场份额；但是在TMT的逻辑里，即使我做出了比微信更好的产品，苍天啊有用吗，谁会来用呢。这个产品的唯一用处大概就是可以把它卖给微信。
头部公司通过网络效应主宰了行业标准，失败的竞品自然就被挤出，强者无比升华，弱者无比挣扎。而这种二元化的竞争结果就非常显见，也就是所谓的马太效应，强者恒强，最后市场份额全抓在赢家手上，处于下风的 underdog 们失败率非常之高。
而当我们知道TMT行业—— 1. 经济利润极高； 2. 赢者通吃；——这两个特点之后，Coatue的思路就很容易理解了—— 做多赢家，同时做空同赛道或相似赛道的输家。此时多空交易的关联性极大，做多公司的成功往往意味着脚下有一堆做空公司的尸首。一旦发现赢家，马上寻找同赛道的输家，反之亦然。
Coatue认为分散化的赢家/输家的配对交易是TMT行业最好的投资策略。此二元化策略有三个优点：1. 如果马太效应实现，收益就能做乘法，多仓与空仓都赚钱；2. 在市场整体低迷时对冲下行风险；3. 放大了选股能力对组合回报的影响。
当然这个策略的最大风险也正是对选股能力极为苛求；如果判断失败，行业趋势与你的预期相反，则多空双杀，game over得特别快。比如假设当年你做多了诺基亚，做空了苹果——上帝向人间撒了一把智慧，偏偏只有你打了一把伞——这就是两倍速的死法。
2. Coatue的做多策略
Coatue的多仓一般有30个股票左右，但会聚焦于10个TMT股票，单仓位不超过10%；多仓的持有期一般为两年，核心仓位持有期为三到五年左右。
Coatue投资是遵循基本面分析（fundamental analysis）的，而基本面分析一般分两种，自上而下法（top-down）或自下而上法（bottom-up）。自上而下是指分析时先研究整体宏观经济以及市场，先操心利率啊通胀啊，然后再往下看行业与公司；**而 Coatue的做多策略是自下而上的，也就是专注于公司与行业本身。**当然，在我偏狭的认知里所有的基本面研究都应该是自下而上的，“基”这个字除了gay以外就是“底部”的意思，基本面分析如果不搞自下而上，那就应该叫上面分析。
以自下而上的研究为起点，Coatue在分析公司与行业时会搭建一个基于技术趋势的研究框架，跟随新的技术趋势 ----> 捕捉生活、消费习惯的改变----> 找到新市场 ----> 剖析出新市场的赢家和输家。在TMT行业内去找具有这三个特点的公司：1. 具有巨大TAM（total addressable market，潜在市场）；2.明智的资本配置（capital allocaition）；3. 依托于移动互联网。
当然如果你以个人之力来操盘TMT的策略，是一个高危的行为；原因很简单，你有多自信自己的正确性，万一错了呢，错了就是多空两头杀、透心凉。这是小散的巨大劣势。而Coatue这样的机构为了降低判断错误的风险，每年花8000万美金在投研，雇员中一半是投研人员。这是一种什么精神？8000万美金折5亿人民币，高于上海理工大学2017年的研究经费预算。一个基金每年的研究经费超过一所理工类大学，这就是Coatue 对科研的执着精神，当然你也能理解成对冲基金这个行业真TM会烧钱。
舍得下本钱才能取得独立的自研成果（proprietary research），而不必胁从于三方机构的研究报告人云亦云。
群晖性能调优指南
群晖DSM虽然在易用性方面非常不错，但是系统上的很多机制可以说是非常搓了，我的DS918+，自行添加内存到16G双通道，按理来说，NAS上跑的那点东西，16G内存是完全够用了，但就是这样，群晖也特别喜欢用虚拟内存，导致开机久了，我打开docker控制台，都要等7，8秒 原因就在于，群晖的配置都非常寒酸，那么高的价格只舍得配2G，4G的内存，DSM默认的vm.swappiness值设定为10，内存高的建议修改为1 所以，如果想要提高群晖系统的流畅度，首先就是要加大你的内存，之后修改DSM的vm.swappiness数值 ssh 进群晖，输入如下命令即可，不需要重启（对大部分Linux系统也适用） 目录 临时生效版 永久生效版 添加到群晖计划任务中 添加开机时刷新sysctl.conf 简单说一下vm.swappiness vm.swappiness 优化 相关文章推荐 临时生效版 之前的方法方法，虽说是永久生效，但是群晖并不会读取/etc/sysctl.conf，所以实际上，我们还是要重启后刷新一下sysctl.conf。不如直接开机时就执行修改swappiness的命令，这条命令...
深度学习笔记之约束优化
有时候，在 x 的所有可能值下最大化或最小化一个函数 f(x) 不是我们所希望的。相反，我们可能希望在 x 的某些集合 S 中找 f(x) 的最大值或最小值。这被称为约束优化 (constrained optimization)。在约束优化术语中，集合 S 内的点 x 被称为可行 (feasible) 点。 我们常常希望找到在某种意义上小的解。针对这种情况下的常见方法是强加一个范数约束，如 ∥x∥ ≤ 1。约束优化的一个简单方法是将约束考虑在内后简单地对梯度下降进行修改。如 果我们使用一个小的恒定步长 ϵ，我们可以先取梯度下降的单步结果，然后将结果投影回 S。如果我们使用线搜索，我们只能在步长为 ϵ 范围内搜索可行的新 x 点，或者我们可以将线上的每个点投影到约束区域。如果可能的话，在梯度下降或线搜索前将梯度投影到可行域的切空间会更高效 (Rosen, 1960)。 一个更复杂的方法是设计一个不同的、无约束的优化问题，其解可以转化成原始约束优化问题的解。例如，我们要在 x ∈ R2 中最小化 f(x)，其中 x 约束为具有单位 L2 范数。我们可以关于 θ 最小化 g(θ) = ...
冷门高频股票因子
一些不常见的高频因子，分享给有缘人。 写得比较随意，大致有几块：Order aggressiveness、order book shape、撤单、事件聚集、订单薄韧性、异常挂单、逐笔。一、Order aggressiveness（1）订单侵略性，其实就是挂单的激进程度。假设你是买家，你挂单的价格越高，你就越激进；反过来，你是卖家，你挂单价格越低，你越是激进的卖家。举个例子，买家挂单越接近bid1，越激进；卖家挂单越接近ask1，越激进； （2）订单侵略性，体现了买家/卖家完成交易的迫切程度。通过整个订单薄，我们可以知道所有买家整体的激进程度、和所有卖家整体的激进程度；通过这个，就能构建一系列因子了。此外，买卖aggressiveness的差异，也是一系列因子； （3）一个订单的执行概率和订单薄的厚度、参与者对即将到来的订单的预期有关；买盘越厚，一个潜在的买家下market order的概率更大；这套说法对卖方同样适用；bid ask的厚度体现了看涨和看跌者的相对力量。 （4）不要用静态的思维来看待订单薄，要从动态的角度来分析。订单薄性质的变化，体现了多空力量的动态变化，是未来价格...
Share Dialog
Share Dialog
Subscribe to Test
Subscribe to Test
<100 subscribers
<100 subscribers
No activity yet