quant

　　这一部分分三个主题进行讲解，主要为后面的模块、包、第三方库的概念补充一些相关的内容。 1. 路径(Path) ： 　　相对路径和绝对路径。 　　举例1：我们先导入一个os库（模块）来观察一下路径 import os # 绝对路径 print(os.path.abspath(".")) # 表示当前所处的文件夹的绝对路径 print(os.path.abspath("..")) # 表示当前所处的文件夹上一级文件夹的绝对路径 # 返回值： # F:\QUANT\练习 # F:\QUANT # 相对路径： open('aaa.txt') open('/data/bbb.txt') 　　其实从这里我们就一定很好理解了，绝对路径就是完整的一个路径表示方式，相对路径就是相对于绝对路径而言的路径。 　　在这里其实我们发现我们已经用了import os这样一个模块的导入，这是后面要讲的内容，其实我们在之前的学习中用到了这种模式我们记住这个模式，然后用这个模块给的方法对路径进行详细的学习一下。 　　备注："." 点，这个概念在面向对象的学习中非常的重要。可以点方法可以点属性，何为方法属性我们在第三篇会进行讲解，在这里记录我们.是点一个动作出来即可。 　　 　　举例2：获取操作系统的类型： # 获取操作系统的类型 nt--windows， posix--Linux、Unix, MAC OS X

# -*- coding: utf-8 -*-import pandas as pdimport tushare as tsfrom sqlalchemy import create_engineengine = create_engine('mysql://root:123456@127.0.0.1/quant?charset=utf8')quant_top_inst = pd.read_sql('select * from quant_top_inst',engine)quant_top_inst.drop_duplicates(keep='last',inplace=True)quant_top_inst.to_sql('quant_top_inst',engine,if_exists='append',index=False) 来源： https://www.cnblogs.com/Iceredtea/p/12199436.html

因为tensorflow2.0版本对比tensorflow1.0版本变化较大，所支持的量化方式方法都有所改变，所以重新写一篇文档记录。 先附上官方文档： https://www.tensorflow.org/lite/performance/post_training_quantization?hl=en 因为tf2.0已经不更新aware-quantization，所以这篇文章重点简述Post-training quantization。如果要了解aware-quantization，最好把版本更新退回至1.6版本。具体使用文档可看我另一篇文档： https://blog.csdn.net/qq_16564093/article/details/78996563 先介绍下Post-training quantization，Post-training quantization是在损失一点精度的情况下，使模型的大小得到缩小，同时，在CPU，硬件上的运行速度也得到相应的提高。 Post-training quantization可分为以下三种方式： 先简单分别介绍一下： weight quantization: 将模型weight从float转换成8bits，在计算过程中依然使用float进行运算，而为了加快速度，对于某些activation ops，使用8bits进行激活

量化 Q uantit ative 量化，一个横跨多个学科领域的工作。已经在不同场合，听了无数次的三座大山： 较好的数学功底 、 编程技能 、 金融知识 。 你觉得你会编程就很容易上手量化吗？ 你认为交易策略开发完了就没有价值了吗？ 那你了解交易策略有多少种吗？ ・・・ 所有的一切都要经过你一步一步的努力。 入行 Quant You Must Know! Quant 的职位主要集中在投资银行、对冲基金、商业银行和金融机构。负责的主要工作根据职位也有很大区别，比较有代表性的包括 Pricing、Model Validation、Research、Develop and Risk Management ，分别负责衍生品定价模型的建立和应用、模型验证、模型研究、程序开发和风险管理。 最近几年，很多跨专业的朋友（计算机、生物、物理、通信等专业）也想在量化的领域展示一下自己的抱负。 像计算机、物理等专业有自身的优势，做Quant不能一辈子当开发吧。得全面发展。 大家可能觉得搞量化的人就是整天和大量数据打交道，用一行行代码写出复杂的模型，然后没完没了地Run，在回测和优化中挣扎，沉浸在数学和统计海洋里的一群人。 实际上，这只是表面现象。虽然每个搞量化的人必须会写代码，也必须具备扎实的数学功底，在开发策略的过程中，的确需要分析大量数据，不断做回测和优化，但是，