ML Lecture 9-1- Tips for Training DNN

這一次的課程介紹許多讓類神經網路表現更好的手法

• 改變激發函數
• 改變參數更新的演算法
• early stopping
• 正則化
• dropout

SVM、決策樹這種超參數比較少的模型跟NN有些不同，訓練NN時會先評估training set上的結果，再檢視testing set上的表現，因為參數那麼多訓練很難一次到位。如果training結果好，但是testing反而不好，就是overfitting了。

ML Lecture 8-1: “Hello world” of deep learning 學習筆記

1. Why Keras, not Tensorflow ?

Tensorflow是一個深度學習框架，非常flexible，你可以想成一個微分器，所以學起來是有一些難度的。

相較之下，Keras提供友好且直觀的interface來應用深度學習，但是也有足夠的彈性讓創造自己的NN架構，就好像是疊積木一樣。

殖利率、PEG、PE策略簡易回測

本文是作者個人學習紀錄，不保證資料正確性，也無關股票推薦。

策略架構

以下簡單回顧一下我們所要回測的策略：每年5月15日根據當天股價與第一季公告財報，找出一檔符合下述三個條件股票買進。

1. 預估現金股息殖利率4%以上
2. TTM PE在15以下、TTM PEG在1以下（但是要大於0）
3. 第一季公布EPS年增率成長。

找到估值便宜、殖利率高、獲利有成長的公司，是這個策略的主要核心，也符合選股的基本邏輯：買好公司、好價位。

Pandas 學習筆記（一）concat與merge

前言

筆者平常比較習慣熟悉R的操作，不過近日覺得scikit learn真的太好用了，想要逐漸將開發重心慢慢轉往python。但是這件事不太可能一蹴可幾，將R語言裡平常慣用的數據清洗手法，思考怎麼在python實現，這可能是比較好的做法。

雖然不能百分百完全移植，因為不同語言有不同的架構思維，但是基本的功能應是可行的。

我們想實現類似R的幾種功能，以下將紀錄R與python對應的實現方式

• rbind
• cbind
• left_join、right_join、inner_join

Black Litterman 模型理解

此文非本人原創，內容摘錄自【量化模型】Black-Litterman模型介绍作為個人筆記使用

核心概念

傳統馬克維茲M-V的缺點

• 預期收益難以估計，要求每個資產要有具體與準確的預期收益假定
• 預期收益估計的變動對投組權重影響非常大
• 傳統模型無法區分不同可信度的觀點
• 無條件限制下，有些資產會強烈賣空，有些強烈做多

B-L模型的核心思想

• 結合多個資產的先驗分佈（貝葉斯方法）與投資者主觀判斷

Markdown解決方案

為了記錄自己的學習歷程以及建立一些筆記，一直在尋求良好Markdown寫作環境，後來還是發覺Visual Studio Code最上手，但還是碰到諸多問題、花了許多時間解決，希望由本文可以幫助到有需要的人

本文主要建置環境為Mac

MARKDOWN寫作用途與需求

• 因為主力是資料科學相關，所以要可以支援程式碼高亮與數學公式
• 正確轉成PDF
• 可以跨平台觀看