精华内容
下载资源
问答
  • 有这么一个笑话,一个人跑去问老板“我都有十年工作经验了,问什么您还不给我涨薪水呢?”老板说 “你是有十年...如何用一年的时间获得十年的经验和能力?今天推荐的这篇文章提到了两个神奇的名词——学习曲线与Hackin

    有这么一个笑话,一个人跑去问老板“我都有十年工作经验了,问什么您还不给我涨薪水呢?”老板说 “你是有十年工作经验呢,还是把一年工作经验用了十年呢?”。

    有这么一个笑话,一个人跑去问老板“我都有十年工作经验了,问什么您还不给我涨薪水呢?”老板说 “你是有十年工作经验呢,还是把一年工作经验用了十年呢?”。

    如何用一年的时间获得十年的经验和能力?今天推荐的这篇文章提到了两个神奇的名词——学习曲线与Hacking大脑,就这两个神奇的名词竟然能让一个人用一年的时间收获另一个十年的工作经验?为什么会这么说,大家看了相信就能理解。

    这里写图片描述

    作者 郝培强Tinyfool

    来源 改变自己(ID:wechanger)

    我一直喜欢跟优秀的人来往,和非常优秀的人工作,因为我是一个非常懒惰的人,而我知道跟非常优秀的人工作的时候心情可以非常愉快。

    优秀人才的特征:极强的学习能力必不可少

    那我自己创业的时候呢,我招的第一个员工,他毕业于漳州一个大学,在那个不是很发达的地方,但他自己学会了怎么做iOS开发,并把自己的软件在AppStore上线。后来我看这个软件做的还不错,他的学历非常烂,也没有什么背景,我都不理解他是怎么学会这些东西的。然后我们开始给他喂一些材料,给他一点点做一些项目,我发现这样的人也是没有什么极限的,于是我给他们做的东西越来越难。后来我发现,原来这个公司我终于不用再做主要程序员了,我终于找到了一个编程水平和我差不多的人,我不干活的人生目标的终于达到了。所以我这些年呢,我一直在想怎么样把人变得优秀。我想要和优秀的人合作。

    就有人在问:这样的人你怎么找得到呢?

    前两个月呢,我验证了这么一个流程:我让所有人远程工作起来。于是我就在论坛里发了一篇帖子,说我认为远程工作是这个世界的未来,我在想我们下个项目要不要找两个远程工作的人。

    当天晚上我就收到了六篇简历,但是其中五个人都不是我想要的人。我就和最后一个人聊,因为最后一个人是做Java后端的。但是呢这个小伙子很无聊的在他的博客中写了有35篇一步步如何应用Java的系列。这的确不是什么特别难的事情,但是我没有见过一个人可以把这样的副项目(side project)做的这么干净、整洁,每一步都写的非常清楚。

    所以我就和他说我觉得他是我们想要的人,他问我们的项目要做什么。我告诉他我们要做一个把iOS直接编译成安卓的项目,我让他看了一个我关于这个项目的视频。过了五分钟,他回邮件说,他觉得很难,搞不定。我说我相信你可以搞定,我给你两个星期的时间去学什么叫做iOS开发,你不需要学到非常难,你只需要学到可以做一个最简单的iOS app就表明你会做iOS开发了,你就进我公司了。

    两个星期以后,他做了一个app并写了一篇文章来解释这个是怎么回事。看完这篇文章之后,我和我们的CPO说这个人就交给你管了。我特别喜欢这样的人,所以我在想这样的人到底是什么样的人。

    去年我过的不是很顺,我就在想我怎么样可以让自己过得积极快乐。我发现这就是一个过程,这个过程就是我能不能够征服一些我征服不了的过程,比如我能不能走一段路把我这身肉减下来。一开始走一两万步,累得吐血。后来我陪一个小朋友去逛外滩,我回家发现我走了三万步,但是我一点事情也没有,这是我去年想象不到的事情。所以我开始写一本很鸡汤的书。

    我对这个世界的理解是,这个世界太容易活下来了,可是对于很多人来说不是这样,问题出在哪里呢,在于这个世界变化得太快。在iPhone出来之前我觉得手机应该是一台电脑,但我不知道应该是一台怎么样的电脑。iPhone出来之后我觉得这就是,我相信那个时候没有人会相信iPhone可以把诺基亚搞死但它做到了。但我相信这只是伟大产品的很小的一部分,iPhone把日本的DC和DV搞死了,这才是伟大产品的真正的意义。

    大家打过Uber吗?我觉得Uber其实就是我们以前想象的未来智能世界的样子,随时随地都能够打到车。从一个程序员的角度讲,我们应该在出租车的计价器上装一台电脑。但实际上怎么解决的呢,实际上每位司机都有一台手机,这手机并没有强悍到车上去,但这台手机连接到了每一个人。这个世界正在不停地变化。

    什么东西都有可能,做一个高级程序员很难吗?同样的一个黑人,可能在美国街头打架,也可能是奥巴马。你想想一个美国街头小混混变成奥巴马有多难,他需要跨越的阶梯更多。

    每一个你见到的比你更优秀的人,他到底是有什么天赋异禀呢?

    我不太相信这件事情。我见了太多优秀的人,我不认为他们天生的智商比别人高,但是我觉得他们的学习方法、对待事情的认真态度是不可阻挡的。我不知道高博之前在大学挂了11门,我在大学也挂了11门。我是我们大学了唯一一个家长被叫到学校的大学生。

    我在校门口接我爸妈时,我爸妈当时觉得特别丢人。但是走着走着,遇见两个人对我说“郝老师好”,我爸妈当时觉得特别惊讶。这两个人参加了我当时在另外一个系做的关于Word、Excel、Powerpoint的演讲。当时我就在想:这个世界其实有不同的评价标准。也许我的大学觉得我应该被开除掉,但是我看到的不完全是一份简历,我觉得每个人具有完全可变的能力,但我们被我们的理解所塑形,把我们变成了一个完全不可变的人。我们会听到别人说“学一门语言好难啊”。五年前有人跟我说“Tiny,该怎么学iOS”,我说“很简单”;五年之后还跟我说“Tiny,该怎么学iOS”,我都无语了。

    十年的工作经验or只是一年的工作经验用了十年?

    有这么一个笑话,一个人跑去问老板“我都有十年工作经验了,问什么您还不给我涨薪水呢?”,老板回答说 “你是有十年工作经验呢,还是把一年工作经验用了十年呢?”。我觉得在这个社会中有太多人是把一年的工作经验用了十年。刚才也有演讲者提到了《异类》,《异类》的理论是只有当你刻意去学习,当你不停从自己的安全区跳出来,忍受一种痛苦和煎熬,改变了自己以后,你付出的时间才是算数的。

    当时我们在珠海讨论学习的问题,其中有一个人说他在进公司前两个星期的时候非常痛苦,觉得他什么都不会,谁都比他强。但后来他可以轻松处理这些事情,他却觉得有些担心了。我问他担心什么,他说他觉得这一年没有什么成长。我觉得他把我点醒了,我给的建议有两个:一是找一份更有挑战性的工作,二是做一个副项目去挑战自己。

    “学习曲线”学会终生学习

    所以我们在讲,什么叫做学习曲线——横轴是时间,纵轴是能力。我相信我们在校的学习和工作的第一年一定会学到很多东西,但是我见到的很多人工作一年、十年、二十年是完全一样的。那我认为终生学习的人的学习曲线应该是没有尽头的。

    有人在论坛上问,现在硅谷都在宣扬二三十岁创业、成功、成为明星的例子,有没有人能够给我举一个四五十岁成功的例子。那么就有个人回复:“我在42岁创办了Craiglist。”Craiglist是分类网站的鼻祖。我当时就懵了,我才36岁,我的人生才刚开始啊。

    在任何环境中我们都可以观察,我认为在任何一个不断变化的环境中,终身学习者只能占1%。我的结论是,由于你是一个终身学习者,你可以秒杀在任何一个领域里你的同侪。终身学习者是没有极限的.

    学习曲线:正确的学习方法,学做乐学者

    我的另一个观察分析是学习的方法有很多种。一般的学习方法是阶段性的,就是学一会儿,休息一会儿,再学一会儿。我们传统教育和我们推崇的人,他们通常是意志力非常坚强人。

    比如说我们要考试了,在一个星期之内从完全不懂到能够考试,那么我们的学习曲线将会非常陡峭。我觉得这是一个非常错误的示范。

    大多数认为自己不聪明的人来自于用一种错误的方法去学习我经常遇到一些非常神奇的初学者,有人说“这本iOS这本书看了三天还没有看完”,我想问的是这本是是三天能学会的吗?比如你去爬珠峰掉下来了,然后你说自己是一个失败者。

    其实,为什么要这么爬山呢?我在我的公共微信号tiny4voice里一直强调大家不要急,为什么?因为一着急你就会开始做错误的东西。一开始你以为你是神,可以在一个星期内、三天内学会一个非常难的东西。一旦你做不到,你就会觉得你什么都做不到了。我觉得正是这样的原因让大家以为自己不够厉害。

    我觉得有了正确的方法以后,大多数人都可以攻克这个问题。我经常和很多人说,刚进入一个项目的时候,学习曲线要平,可怕的平。

    比如像我这么一个人,一次就要走三万步的话,大家可能在急诊室看到我。那我第一次的目标是怎么定的呢?第一次我就背了个包,带了很多的补给,不知疲倦的从早上走到晚上,后来我算了一下我大概走了六七公里。我从来不知道我能走六七公里。那么第二天我想既然第一天我走了七公里,那我今天可不可以走八公里呢?有一次我为了见一个朋友,跨了个江,走了十五六公里,后来我觉得我自己太厉害了,后来就一发不可收拾。

    我觉得学习曲线一开始比较平,但是当你对一个东西了解了以后,到后面是一个加速度过程。会学习的人在一开始都是非常慢的,在给自己设定基准,并基于自己正反馈的空间,并且永远不会把自己控制得太狠,让自己一下子崩溃掉。

    Hacking大脑

    我的另一个思考是Hacking大脑。首先我对机器学习非常有兴趣。我觉得机器学习对我们理解人脑是非常有帮助的。

    1.机器学习:模型+数据量

    机器学习主要有两个东西,一个是模型,另一个是数据量。当你选对了足够的语料、足够的数据量的时候,这个模型会越来越好。我一直在想我们的大脑是一个什么东西。大脑其实是一个反馈的流程,大脑接受了一定的数据、一定的训练,形成了一定的理论,然后不断地去验证这些理论对不对。一个聪明的人大脑的结构应该非常的清晰。

    为了学英语练听力,我开始听一些Podcast,一开始我发现我听的不太懂,但由于是自己领域内的东西后来我都能听得懂;于是我开始听一些经济学的东西,发现十几个字母长的东西我也能够听懂,我到现在不知道那些词怎么写,但是我就是能够听得懂。

    现在我验证了大脑是一个无穷力量的机器,那我怎么去训练它呢?我觉得我听力有一定水平了,那我能不能够说英语呢?于是我就去参加上海老外的聚会,从一句话不会说到能够和老外争论宗教的问题。我始终觉得我的词汇量是一个问题,那我又开始读英文书,现在我可以看哲学等比较艰涩的书籍了。那后来我发现我要练口语的一种方法,原来一开始我要培养即使看不懂也能读下去的一种感觉,现在我遇到每一个不会的单词都要查,于是我感觉我的口语又在慢慢进步。

    2.think fast and slow: 避免远古大脑,唯慢不破

    我们有两个大脑,一个大脑深思熟虑、功能非常强大;另一个大脑比较像远古的动物不太懂事,但它非常快,有点像反射。通过这个理论我想明白了我们为什么会产生争执,原因很简单。比方说有个老外说“你们中国人……”,另一边就会想“你怎么了,又想说我们中国人了吗?”,但其实他都不知道是要说中国人好还是坏。

    很多时候呢,我们都会陷入到一种情绪中,都在用大脑最快但是最愚蠢的部分。所以我在想,我能不能降低我的反应速度,把每一句话都听完,把每一件事情都想完,再回答,就是先听后说。后来我有个理论叫做“不争论”,这也是我们论坛的宗旨,即使你对上一个人的发言有多大分歧,你都只表达我的观点是什么,而不是说“某某某的想法是错的”。因为一旦说了这么一句话,就会陷入到一种以“说服对方”、“压倒对方”为目的的讨论中。实际上我认为每一个讨论的人都会有一些不对的部分,不可能全对。所以我们都在一种不争论或者深思熟虑的环境下,给予大家充分的表达空间,你总是能够收获一些。

    我觉得成长就是我们不断去接受这个世界散在很多人、很多书、很多理论里的信息,信息量慢慢地增长,让我们的大脑不断进化。

    再回到大脑进化这个问题。我在有个阶段认为,我们大脑的模型进化我是有感觉的。我觉得我英语听力上升的时候,莫名其妙觉得我的粤语听力和上海话听力也在上升。你的大脑其实就是一个复杂机器,当这个机器越来越好的时候呢,不光是对某一个具体的问题有好处。所以我在追求让大脑更复杂更进化,帮我来解决更复杂的事情。

    3.the power of habit:把好变为习惯.

    最后一个是《习惯的力量》,其实这本书的观点与《思考,快与慢》是相反的。它认为我们的习惯存储与我们大脑比较古老低级的部分,比如反射。《习惯的力量》提出了一个我们怎么把一个回路放到大脑古老部分里去的方法。放过去的好处在于,习惯意味着我们做一些事情就会变得很容易。我觉得这本书可以和《异类》一起看:当任何时候你觉得难受,你的大脑就在进化;当任何时候你觉得轻松,你都在使用你的习惯。

    但这两种理论对我们都有非常重要的意义。我在想我可不可以用这个理论改造我的习惯,这个理论的内容是:习惯有三个要素——触发条件、流程和奖励。我拿这个理论去可以改造我的走路行为、学日语的行为,效果都非常好。我现在每天大概都能够学40分钟的日语,我能够看到我的日语水平在提升。

    结束语:

    大脑Hacking的理论,虽然这个理论不够完美,但是我们可以不断地去验证。我可以试试看心平气和的聊天是不是能够更好地交流;我可以试试习惯的理论能不能够把一个我不想做的事情很容易的做到,而一些不想有的坏习惯能不能够戒除掉。希望有一天我能够写一本关于方法论的书,很多人或许会叫它“鸡汤”,但我觉得只要他能够改变别人、改变我自己,那就是对的,谢谢大家。

    展开全文
  • time 时间模块用法大全

    千次阅读 2019-01-10 09:46:11
    time模块 1、time.tme() 时间戳 res = time.time() print(res) 2、time.localtime() 参数可以加一个秒数 res = time.localtime(120) print(res) 3、time.gmtime() ...4、mktime() 结构化时间转换为时间戳 re...

    time模块

    1、time.tme() 时间戳

    res = time.time()
    print(res)
    

    2、time.localtime() 参数可以加一个秒数

    res = time.localtime(120)
    print(res)
    

    3、time.gmtime()

    res = time.gmtime(120)
    print(res) 
    

    4、mktime() 结构化时间转换为时间戳

    res = time.gmtime()
    print(res)
    var = time.mktime(res)
    print(var)
    

    5、time.ctime()

    res = time.ctime(120)
    print(res)
    

    6、time.strftime()

    res = time.strftime("%Y-%m-%d %H:%M:%S",time.localtime())
    print(res)
    

    7、time.strptime()

    var = time.strptime(res,"%Y-%m-%d %X")
    print(var)
    

    8、time.sleep()

    print(res)
    time.sleep(3)
    print(res)
    

    9、time.clock()

    # res = time.clock()
    # print(res)
    

    时间元组struct_time

    时间元组就是一个用于表示时间格式的元组数据而已,他是time模块操作时间的主要方式。
    (tm_year=2017, tm_mon=7, tm_mday=4, tm_hour=9, tm_min=4, tm_sec=21, tm_wday=1, tm_yday=185, tm_isdst=0)
    格式:(年,月,日,时,分,秒,周几,一年中的第几天,是否是夏令时)
    索引        名称          内容           取值
     0        tm_year        年           4位数年份   2017
     1        tm_month       月           1~12
     2        tm_day         日           1~31
     3        tm_hour        时           0~23 
     4        tm_min         分           0~59 
     5        tm_sec         秒           0~61  60闰秒,61是历史保留
     6        tm_wday        周几          0~6  周一~周天
     7        tm_yday        一年中的第几天  1~366
     8        tm_isdst       夏令时         0 是  其他不是
    

    strftime()

    功能:格式化输出时间字符串(str foramt time)
    格式:time.strftime('字符串格式'[,时间元组])
    返回值:格式化之后的哦字符串
    格式    含义        备注
    %a    本地(locale)简化星期名称
    %A    本地完整星期名称
    %b    本地简化月份名称
    %B    本地完整月份名称
    %c    本地相应的日期和时间表示
    %d    一个月中的第几天(01 - 31)
    %H    一天中的第几个小时(24 小时制,00 - 23)
    %I    一天中的第几个小时(12 小时制,01 - 12)
    %j    一年中的第几天(001 - 366)
    %m    月份(01 - 12)
    %M    分钟数(00 - 59)
    %p    本地 am 或者 pm 的相应符    注1
    %S    秒(01 - 61)    注2
    %U    一年中的星期数(00 - 53 星期天是一个星期的开始)第一个星期天之前的所有天数都放在第 0 周    注3
    %w    一个星期中的第几天(0 - 6,0 是星期天)    注3
    %W    和 %U 基本相同,不同的是 %W 以星期一为一个星期的开始
    %X    本地相应时间
    %y    去掉世纪的年份(00 - 99)
    %Y    完整的年份
    %z    用 +HHMM 或 -HHMM 表示距离格林威治的时区偏移(H 代表十进制的小时数,M 代表十进制的分钟数)
    %%    %号本身
    
    展开全文
  • 我们在股指、货币、大宗商品和债券期货的 58 种流动性工具里都发现了显著的时间序列动量效应。我们发现收益效应会持续 1 到 12 个月,而在更长的时间会逐渐发生反转,这与情绪理论提出的初期的反应不足和延迟的过度...

    我们在股指、货币、大宗商品和债券期货的 58 种流动性工具里都发现了显著的时间序列动量效应。我们发现收益效应会持续 1 到 12 个月,而在更长的时间会逐渐发生反转,这与情绪理论提出的初期的反应不足和延迟的过度反应相一致。一个基于时间序列动量效应的多资产标的策略,能获取大幅异常收益,并几乎不会对常用资产定价因子产生暴露。同时,该策略在极端市场条件下表现最好。通过对投机者和对冲者交易行为进行分析,我们发现投机者可以通过时间序列动量效应从对冲者身上获利。

    简介

    我们发现了一个普遍存在于各类资产和市场的资产定价异常现象,我们称其为“时间序列动量效应”。详细来说,根据过去 25 年的数据,我们发现对于 58 种不同的,股指、货币、大宗商品和国债的期货和远期合约的收益率,该证券自身过去一段时间的收益率具有很强的正向预测能力。也就是说,以上 58 种证券的每一种,过去 12 个月的超额收益率都是其未来收益率的正向预测指标。这种现象会持续大约 1 年并在之后逐渐反转。这个发现在回顾期和持有期都表现出了稳定性。我们发现的 12 个月时间序列动量正收益,并不是上述 58 种证券的平均效果,而是在每一种证券上都具有正收益。

    时间序列动量(下文也称“TSMOM”)和金融定义中的“动量”有关但不完全一样。传统截面意义上的动量因子(下文也称“XSMOM”)是指,在过去 3 到 12 个月表现比其同类好的证券,会在未来几个月表现持续优于其他同类证券。而时间序列动量只关注某证券自身过去的收益情况。同时,时间序列动量现象印证了许多著名的行为和理性资产定价理论的预测。

    我们发现的时间序列动量在更长时间会逐渐反转的现象,也许和情绪理论中初期的反应不足以及延迟的过度反应有关。不过,我们研究的结果也对这些理论提出了一些反证。首先,我们发现时间序列动量策略在不同资产类别间的相关性,比某资产类别内的相关性大一些。这说明不同资产间的时间序列动量因子具有更强的共有成分。这种相关性的结构并不能被现有的行为模型所解释。其次,不同资产市场下的不同类型的投资者同时表现出了完全相同的行为模式。最后,我们在时间序列动量和传统的投资者情绪指数之间并不能找到相关关系。

    为了找出时间序列动量和传统截面动量之间的关系、它们的内在原因以及它们和理论的相关性,我们按照 Lo and Mackinlay (1990) and Lewellen (2002)的框架分别构建策略来分解收益。这种分解方法让我们能区分出不同的收益贡献来源,以及这两种因子的相同点和独特之处。我们发现期货合约中正的自协方差是这两种因子的主要收益来源,另两种收益(序列互相关和平均收益变化)的贡献很小。事实上,负的序列互相关(即证券的超前滞后效应)能解释传统截面动量收益来源,但是不能甚至反向解释时间序列动量。

    我们进一步发现,尽管时间序列动量因子由完全不同的一组证券来构建,它依然可以获取个股动量(也即传统截面动量)的收益,特别是 Fama-French 的 UMD 因子的收益。这个发现表明,即使由不同资产数据构建,时间序列动量和传统截面动量之间也存在很强的相关性,并且时间序列动量可以获取传统个股截面动量的收益。

    为了更好的解释时间序列动量的收益来源,我们利用商品期货交易委员会提供的周度持仓数据,研究了投机者和对冲者在这种收益模式下的交易行为。我们发现利用时间序列动量的投机者在前 12 个月利用这种动量趋势获利,并在反转时开始减仓。因此,投机者实际上是利用时间序列动量从对冲者身上获利。利用向量自回归模型我们确认了这一点。

    最后,我们将时间序列动量分解为来自现货价格的预测能力与来自期货曲线的“展期收益”的分量。现货价格由信息冲击所主导,而展期收益可能由证券流动性变化和不用改变现货价格就能影响期货收益的期货市场价格压力所主导。因此,这种分解可能能帮助我们分清信息散播和对冲压力的不同影响。我们发现这两方面都对时间序列动量有贡献作用,但是只有现货价格的变化和长期反转现象有关(这与投资者会对现货市场的信息过度反应的理论一致),对冲压力长期有效并且不会被过度反应所影响。

    我们在每一种证券都发现的时间序列动量效应对于“随机游走”理论是一种冲击,因为原始的“随机游走”理论认为过去的价格走势不会影响未来的价格走势。不过反驳“随机游走”理论并不代表能反驳一个更为复杂的具有时变风险溢价的市场效率概念。另外,我们能进一步展示一个基于时间序列动量的多资产标的投资组合表现十分稳健。该投资组合能获得超过 1 的年化夏普比率,并且大约是利用时间序列动量构建的股票市场的投资组合的夏普比率的 2.5 倍,同时和不佳的资产基准表现以及很多常用资产定价因子几乎无关。时间序列动量的这种不寻常的收益似乎也不受崩盘风险和小概率事件影响。

    实际上,时间序列动量的这种收益会在股票市场剧烈波动时达到最大值。因此,时间序列动量可能是对极端事件的一个不错的对冲方法,而从风险角度来讲,这个事实使该因子的大幅收益溢价来源更加令人困惑。时间序列动量因子在众多不同的资产类别和市场下都能保持的稳健性可以证明我们的发现是真实存在的,该因子的短期预测能力(小于一年)和收益溢价程度对“随机游走”理论甚至“有效市场”理论都是一种巨大的冲击。

    数据处理和初步准备

    >>> 期货数据

    我们的研究范围包括 24 种商品期货,12 种外汇期货,9 种股指期货、13 种政府债券期货,研究样本期为 1965 年 1 月至 2009 年 12 月。这些是世界上流动性最好的期货合约。我们选用这些作为研究标的既是为了避免流动性不良和陈旧价格对结果的影响,也是为了使策略在大规模交易的背景下也可以实施。

    我们的收益序列如下构建:每天对每种标的,我们先计算流动性最好的期货合约的日超额收益(一般是最近到期或者次近到期的合约),然后将这些日频数据复合得到累计收益指数。对于股指期货,我们的收益序列和超过国库券利率的现金指数的相应收益几乎完全贴合。作为稳健性的测试,我们也研究了下个到期日流动性最好的期货合约(后简称“下期期货合约”)。时间序列动量在商品期货的下期期货合约上表现会更好一些,而金融类期货表现没有显著变化。

    表 1 展示了期货合约超额收益的统计情况。第一列表示每种资产收益时间序列的开始日期,二、三列表示该时间序列的均值和年化标准差。如表 1 所示,不同类别期货合约收益均值差别很大。股指、债券和外汇基本都是正的平均超额收益,而商品期货平均超额收益有正有负。更大的不同出现在不同合约的收益波动率上。虽然商品和股指期货的波动率大于债券和外汇期货是意料之中的,但是商品期货间的收益波动率也有很大差异。在这些差别很大的数据间对不同资产标的作比较,或者要用这些标的构建多资产标的策略是很困难的。我们会在后续分析中讲解我们如何处理这些问题。

     

    >>> 交易者持仓

    利用从 CFTC 获得的数据,我们定义投机者净持仓为:

    这种方法能表示投机者总体是多头还是空头,并且能根据未平仓头寸进行度量。因为投机者与对冲者交易之和几乎为 0,我们主要研究投机者即可。

    CFTC 的持仓数据不能覆盖上述所有期货合约。表 1 的最后两列展示了平均投机者净持仓及其标准差。大部分样本期内投机者持多仓,相应的对冲者持空仓。

    >>> 资产定价基准

    我们根据 MSCI 全球股票指数、巴克莱综合债券指数和标准普尔 GSCI 指数来评估我们的策略收益。多空 Fama-French 因子 SMB、HML、和 UMD 来自 Ken French 的网站。

    >>> 波动率预估

    由于不同资产的波动率相差太大,我们结合收益和波动率来作比较。我们用一个很简单的模型来预估波动率:指数加权滞后平方日收益率(类似单变量 GARCH 模型)。公式如下:

    式中系数 261 表示年化,权重(1-δ)δi 之和为1,rt 是指数加权平均收益,系数 δ 使得:

    为了避免使用未来数据,我们用 t-1 的数据代入预测 t 期的波动率。

    时间序列动量:回归分析和交易策略

    我们从不同时间周期开始研究时间序列对期货收益的预测能力。

    >>> 回归分析:预测价格持续和反转

    我们用滞后 h 月的标的收益对标的 S 在 t 月的超额收益 rst 做回归,上述收益均用预估波动率进行调整。公式如下:

    我们均用收益除以预估波动率使其处于同一维度,这类似于使用广义最小二乘法(GLS)替代一般最小二乘法(OLS)。利用全部期货合约和日期数据,我们进行混合面板回归并计算按时间分组的 t 统计量。滞后系数 h 取 1, 2, …, 60 月。

    图 1 中的 A 图展示了横轴为滞后月数,纵轴为 t 统计量的回归结果。前 12 个月的正 t 统计量证明有显著的动量持续效应,更长时间维度的负值证明了反转的存在,且其中负值最大的反转出现在紧跟正趋势的下一年。

     

    另一种度量时间序列动量预测能力的方法是只看过去超额收益的正负。我们下一部分的策略就基于这种方法构建。具体公式如下:

    结果如图 1 的 B 图所示。其模式与 A 图几乎一样,都是在第一年保持正向,而在后四年发生反转。我们又分资产类别做了回归分析,结果如 C 图所示,结论与前依然相同。

    >>> 时间序列动量交易策略

    我们接下来研究根据时间序列动量构建的一系列交易策略的获利能力。我们测试了在回顾期调整滞后月数参数来构建不同的策略,并在持有期调整持仓月数的不同情况。

    对于每种标的 S,在每一个月 t,我们计算过去 k 月它的超额收益的正负情况,若为正则开多仓,若为负则开空仓,并持仓 h 月。每月我们把持仓规模设定与预估波动率成反比,即

    控制持仓规模使得预估波动率恒定有两个好处。第一,它使得在不同波动率水平下的标的的策略收益容易度量。第二,在计量经济学上,保持稳定的波动率可以排除波动较大的时间段对策略的不良影响。

    对于每一种交易策略(k.h)(该策略考虑全部标的),我们都生成一个独有的月度收益时间序列。因此我们没有重叠的观测。生成方法采用 Jegadeesh and Titman(1993)的方法:t 时刻的收益为该时刻全部持仓的平均收益,包括上个月开的仓,再上个月开的仓等等,只要仍然在持有。我们记这个收益为

    为了评估这些策略的异常表现,我们用下面这个回归公式来计算策略 alpha:

    这里的 6 个因子依次代表之前提到的 MSCI 全球指数、巴克莱综合债券指数和标准普尔 GSCI 指数以及 Fama-French 的规模因子 SMB、价值因子 HML 和截面动量因子 UMD。为了保证大部分标的都有数据,我们采用 1985 年以后的数据进行测试。

    表 2 展示了计算出的单个资产和全资产 alpha 的 t 统计量。时间序列动量效应在各个维度上都显著存在于全资产类别,特别当回顾期和持有期为 12 个月以内时最为显著。

     

    时间序列动量因子

    为了更深入的研究时间序列动量,我们主要研究某一个时间序列动量策略。结合传统截面动量的经验和我们之前的研究,我们接下来研究 12 个月的时间序列动量策略持仓 1 个月的性质(即 k=12,h=1),下面称作 TSMOM。

    >>> 单证券 TSMOM 与多资产标的的 TSMOM 因子

    我们先单一分析每一个标的然后分析一个多资产标的 TSMOM 策略。我们设定持仓规模使得预估波动率为 40%,也就是持仓规模为 。选取 40%不是重点,这样选取是为了之后好作比较,因为 40%的年化波动率和平均一只股票的风险相近。当我们等权平均策略内全部标的的收益来代表 TSMOM 因子的时候,它在 1985-2009 的样本期的年化波动率为 12%,这和其他常用因子差不多。因此在时刻t标的 S 的 TSMOM 收益由下式计算得出:

    我们计算了从 1985 年 1 月到 2009 年 12 月的每一个月每种标的的 TSMOM收益。图 2 的第一张图展示了每种期货合约 TSMOM 策略的年化夏普比率。如图所示,全部 58 种期货合约的过去一年的收益都展现出了正的预测能力,即正的时间序列动量收益,并且有 52 种在 5%的显著比例下显著不为 0。如果我们限制只能开多仓,那么 90%的标的能取得正 alpha,并且 26%正显著、负的均不显著。因此,对大部分标的来讲,时间序列动量策略只开多仓也能获取超额收益。

    如果我们构建一个多资产标的策略,那么在t时刻,策略总收益为:

    在下一部分我们继续分析策略的风险和收益情况。

    >>> 风险因子的 alpha 和载荷

    表 3 展示了一个多资产标的 TSMOM 策略风险调整后的表现以及因子暴露情况。表 3 的 A 表展示了用 MSCI 全球股指的收益,加上 Fama-French 的 SMB、HML、UMD(代表意义如前所述)对 TSMOM 策略的超额收益做回归。无论按月度数据还是季度数据,TSMOM 相对上述因子都展现出了显著的 alpha,月度为 1.58%,季度为 4.75%。TSMOM 策略在市场、SMB、HML 三个因子上的暴露并不显著,但是在 UMD 因子,即传统截面动量上有显著暴露,这说明传统截面动量可以解释时间序列动量的部分收益来源,但正显著的截距项表示并不能完全解释其收益来源。

    表 3 的 B 表展示了用 Asness, Moskowitz, and Pedersen (2010)的价值和动量因子代替 Fama-French 的因子的回归情况。这些因子也是截面因子。回归得到的结论与前相同,市场和价值因子依然不能显著解释时间序列动量,而截面动量可以解释时间序列动量但不能完全解释。

    >>> 长时间和极端市场下的表现

    图 3 画出了多资产标的时间序列动量策略长时间的累积对数超额收益曲线。作为对比,我们也画出了多资产被动多头策略的累积对数超额收益曲线,并保证两个策略里每个标的的风险都相同。如图 3 所示,多资产标的时间序列动量策略长时间稳定获取正的超额收益,并且表现优于被动多头策略。

    图 3 曲线在 2008 年第四季度有明显上升,而 2008 年第四季度正是全球金融危机最为严重的时刻。这时候商品和股票价格暴跌、债券升值、汇率大幅震荡。时间序列动量实际上在 2018 年第三季度出现了回撤,但是也因此很快转变为持有空仓,并在 2018 年第四季度这些资产持续回落时获取了大幅收益。当然在 2009 年三、四、五月金融危机结束的时候,策略也出现了大幅回撤。像时间序列动量这样的跟踪趋势的因子在趋势转变的时候确实容易承受损失。

    图 4 画出了 TSMOM 相对于标普 500 指数的收益情况。我们发现,TSMOM 的收益在市场上涨或下跌最大的时候达到最大值。为了测试这个发现的统计上的显著性,表 3 的 C 表展示了 TSMOM 收益相对于市场收益及其平方的回归情况。显然市场收益本身的系数并不显著,而市场收益的平方具有显著正系数,这也印证了我们的发现。

    >>> 流动性和市场情绪

    我们测试了流动性不良的情况对 TSMOM 因子收益的影响。如表 3 中的 C 表所示,TSMOM 因子的收益与流动性和市场情绪之间的关系都不显著。

    >>> 相关性结构

    表 4 展示了时间序列动量策略的相关性结构,并与被动多头策略的相关性结构做了对比。表 4 的 A 表第一行表示 TSMOM 策略内每种资产类别内的标的两两相关性的平均数,均为正可以说明在同一时刻该资产类别内所有标的都倾向于开同一种仓(即都开多仓或空仓)。第二行是被动多头策略的情况,除了外汇的相关性为负之外,其他三种资产的相关性系数比上一行还要大。

    表 4 的 B 表展示了同一策略内不同资产间的相关系数。我们先分别计算 TSMOM 策略内每种资产类别的总收益,再计算它们之间的相关性。我们也计算了被动多头策略的相关性结构作为对照。综合来看,有某种共有成分在不同资产类别间影响了时间序列动量策略,但是这种成分不能被不同资产类别内的标的资产所解释。这与前人在截面动量因子上的发现一致。

    时间序列动量因子与传统截面动量因子

    前文研究表明时间序列动量因子与传统截面动量因子之间显著相关,这一部分里我们将深入研究它们之间的区别与联系。

    >>> 用传统截面动量因子对时间序列动量因子做回归

    表 5 的 A 表展示了用传统截面动量因子(XSMOM)对时间序列动量因子(TSMOM)做回归的结果。第一行回归结果显示 TSMOM 和 XSMOM 高度相关,系数为 0.66,t 统计量为 15.17,R 方为 44%,但是截距依然有t统计量为5.90 的显著的每月 0.76%的 alpha 不能被 XSMOM 解释。所以说 TSMOM 和 XSMOM 并不完全一样。第二行将 XSMOM 收益分资产类别统计,并加入个股收益(该项不在TSMOM中)再对 TSMOM 总收益进行回归,发现每一项都能显著解释 TSMOM 总收益,但仍然留下了显著的不能解释的截距项。

    接下来我们继续将 TSMOM 策略也分资产类别计算收益,并分别回归。我们发现在每一项资产类别内,XSMOM 都能显著解释 TSMOM,但也都留下了显著的截距项,这些结果也都与我们之前的研究和结论吻合。

    >>> 时间序列动量因子能否解释传统截面动量以及其他因子

    表 5 的 C 表展示了将 TSMOM 用作回归中的解释项的结果,前五行结果显示 TSMOM 能显著解释 XSMOM 全部以及分资产类别的收益,并且剩下的截距项统计意义上不显著。唯一的正 alpha 出现在 XSMOM 的股指期货上。第六行我们又测试了 UMD 因子。UMD 因子是根据美国个股数据构建的,所以实际在投资标的上与我们的 TSMOM 因子并没有重叠部分,但是 TSMOM 因子依然能显著解释 UMD 因子,并且截距项不显著。另外,对 HML 和 SMB 因子的回归结果显示,TSMOM 因子并不能解释价值和规模因子。最后,我们又对两个知名的对冲基金指数(“Managed Futures”和“Global Macro”)做了回归分析,结果显示 TSMOM 都能显著解释这两个指数的平均收益,并且能完全解释“Managed Futures”的平均收益。

    TSMOM 因子的优良表现和它能够解释很多知名的资产定价因子(如传统截面动量和对冲基金策略)的能力,证明其能代表资产定价行为的一个特征。未来进一步研究或许应该考虑时间序列动量与其他资产定价现象之间的关系。

    谁在顺趋势交易:投机者还是对冲者?

    图 5 展示了按 TSMOM 因子的信号出现后,每种资产标的中投机者的历史平均持仓情况。白轴表示正信号出现,黑轴表示负信号出现。统计显示,几乎在每一种标的项下,投机者都在 TSMOM 出现正信号时平均持有多仓,负信号时平均持有空仓;并且平均持有多仓要比平均持有空仓多一些。只有标普 500 股指期货项下该情况出现了一次反转,但是其平均持仓十分接近于 0。综合来看,由于我们之前的研究表明跟随 TSMOM 信号可以获利,投机者是顺趋势交易从对冲者身上获利的。

    >>> 时间序列动量因子的推演

    接下来我们考虑随时间推移,这些持仓的动态变化情况。我们之前的研究表明时间序列动量会持续大约一年并在之后略微反转,我们进一步研究这种收益模式并试图将其和持仓的变化联系起来。

    为了考虑 TSMOM 的推演情况,我们按如下方式进行研究:

    • 对于每个月份和标的,我们先判明过去 12 个月的超额收益的正负;

    • 对于每一组过去 12 个月的超额收益为正的时间--标的,我们计算从过去 12 个月到未来 36 个月的收益。对负的组合也分别计算;

    • 然后我们把这些收益标准化使其沿时间和两组均值都为 0;

    • 分别计算正组合和负组合的累计收益,并且使当前时间的收益为 1。

    图 6 的 A 图展示了在正的和负的时间序列动量下的累计收益曲线。当前时间左侧,如定义,正组合曲线显然呈上升趋势,负组合曲线呈下降趋势。当前时间右侧,我们可以看到正组合曲线仍会再上升 1 年左右然后略微反转。这和情绪理论里的初期反应不足和延迟的过度反应一致。负组合曲线情况也类似。

    图 6 的 B 图展示了和正、负时间序列动量收益一致的投机者净持仓的推演情况。我们看到,对于正 TSMOM,投机者从月份-12 到 0 逐渐加仓,并在之后的 1 年时间逐渐回归到持仓均值。值得注意的是,我们是根据收益情况构建模型而不是根据持仓情况。

    图 6 的模式说明投机者的交易行为并没有滞后于收益,他们在收益接近峰值的时候就开始减仓了,而相对的,在收益接近峰值时对冲者却在加仓。也就是说,过度反应现象来自于对冲者,而不是投机者。尽管收益和持仓的变化情况之间的因果关系并不能因此简单确定,图 6 的结果也能说明投机者和对冲者的持仓情况和时间序列动量的获利能力是紧密相关的。

    >>> 收益和持仓的联合动态分析

    为了更正式地分析交易模式和收益,我们用向量自回归(VAR)模型来研究时间序列动量收益和投机者净持仓的变化的联合动态。我们用滞后 24 个月的收益和投机者净持仓的变化来拟合一个月度双变量 VAR,并且画出受到收益冲击后的收益和投机者净持仓的应激反应曲线。

    我们先对收益残差的协方差矩阵做 Cholesky 分解,并考虑一个标准差的冲击对合约收益的影响。图 7 画出了价格冲击对合约累计收益率和投机者净持仓变化的应激反应曲线。如 A 图所示,在收益冲击之后收益会持续上升 1 年左右然后略微反转,投机者净持仓短时间内略微增加,但之后迅速下降,并在 1 年左右回归到 0。这印证了我们之前的观点。

    时间序列动量的获利能力的一种可能的解释是,投机者通过给对冲者提供流动性获利。下面我们进一步研究交易持仓和期货收益的来源对收益预测的影响。特别地,我们研究了现货价格或者说期货展期收益对时间序列动量预测能力的贡献,以及它们和交易持仓之间的关系。

    >>> 持仓、价格变化和展期收益的收益预测能力

    我们将每个期货合约过去的收益分解为现货价格的变化和期货展期收益两方面。我们定义现货价格变化相对无风险收益的超额为:

    价格由最近到期的期货价格衡量,无风险收益为过去 12 个月的无风险收益,借此我们定义展期收益(Roll return)为:

    对于金融期货,由于没有仓储费和便利收益,它的展期收益几乎为 0,但是在商品市场存在着高额展期收益。期货收益由最高额展期或次近到期的合约算出,这样有可能和仅用最近到期的合约计算的现货收益率在到期日上有所差别。

    我们的推测是,展期收益主要受对冲者的价格压力影响,而现货价格变化主要受信息传播影响。图 7 的 B 图是利用我们之前提到的 VAR 模型画出的现货价格变化和投机者净持仓的应激反应曲线(与 A 图相比仅是将期货价格曲线改为现货价格曲线)。其曲线与 A 图几乎一样,同样印证了趋势持续大约 1 年并在之后反转的现象。图 7 的C图又将现货价格收益曲线替换为展期收益曲线,这回曲线与之前完全不同。对于展期收益的冲击是展期收益持续上升并且对投机者净持仓几乎没有影响。这和投机者愿意放弃展期收益而享受对冲利益有关,而为对冲者提供流动性的投机者借此获利。

    最后,我们回到最初的收益预测回归分析,同样是对 12 个月的收益预测能力,不过这次关注现货价格、展期收益以及它们和投机者持仓的结合,对于收益的预测能力。我们用 TSMOM、合约现货价格变化、合约展期收益变化、投机者持仓变化和投机者持仓水平,分别对期货收益做回归。表 6 的前 5 行是这 5 个因子分别对收益做单变量回归,结果显示它们都对未来收益有一定的显著正解释能力。然而在多元回归时,投机者持仓变化变得不显著了,这意味着对过去收益做了控制之后,投机者持仓的预测能力会下降。现货价格和展期收益在多元回归时显示出的预测能力几乎相同,因此它们的结合,也就是期货收益的预测能力也和它们一致。表 6 的结果表明时间序列动量的预测能力同时来源于现货价格和展期收益。

    总结

    我们在对股指、货币、大宗商品和债券期货的 58 种流动性工具的过去 25 年数据的研究中,都发现了显著的时间序列动量效应,并且这种效应和传统截面动量不同,尽管二者具有相关性。时间序列动量因子在许多不同的资产内,都存在强力且持续的收益预测能力,并且对常用风险因子暴露很小,在极端市场下表现也很好,这些现象都对“随机游走”理论和理性定价理论提出了挑战。我们发现收益效应会持续 1 到 12 个月,而在更长的时间会逐渐发生反转,这与情绪理论提出的初期的反应不足和延迟的过度反应相一致。通过对投机者和对冲者交易行为进行分析,我们发现投机者可以通过时间序列动量效应从对冲者身上获利。


    点击【阅读原文】,文末获取完整英文原文~

    展开全文
  • 2019款车的代表字母是K,具体是如何解读车架号知道什么字母代表出厂日期是哪的呢?我们下面文章就带大家了解下,让你通过车架号就能掌握是否是2019款的车了。 使用车架号可以查询到车辆的基本信息。比如通过车架...

    2019款车的代表字母是K,具体是如何解读车架号知道什么字母代表出厂日期是哪年的呢?我们下面文章就带大家了解下,让你通过车架号就能掌握是否是2019款的车了。

        使用车架号可以查询到车辆的基本信息。 比如通过车架号可以查到汽车的厂家名称、品牌、车系、车型、车身形式、年款、排量、变速箱描述、变速器类型、发动机型号、档位数、排放标准、上市年月、生产年份、厂商指导价格、车门车座、车辆级别类型、燃油标号、燃油类型、驱动方式、发动机缸数、最大功率、车型代码、车辆配置类型等信息。

     

       通过车架号就可以查询到车辆的相关信息。以下车辆都可以查询到他们的车辆配置信息。厂家数据库里面的这台车生产日期、排量、发动机、变速器、排放标准等信息和出厂配置信息。

     

         奔驰 奥迪 标致  别克  凯迪拉克  雪佛兰  保时捷  福特   宝骏   五菱  哈弗  长城  长安   东风风神   东风风行 广汽丰田  广汽传祺 海马 Jeep  道奇 菲 亚特  克莱斯勒  雷克萨斯  MG  一汽马自达  长安马自达 奇瑞 起亚 荣威 北京现代 雪铁龙 英菲尼迪   一汽大众 上 海大众  斯柯达  捷豹  路虎  宝马  MINI   广汽三菱  长安铃木  吉利   帝豪  全球鹰   一汽丰田  进口丰田  沃尔沃  沃尔沃(进口)  沃尔沃亚太   东风小康  中华   金杯  众泰   等车型都可以在线查询。

     

      车架号里蕴含了很多的信息,比如我们通过车架号的第一位就可以知道车辆的生产国家或地区

    第1位:生产国家或地区代码
    代码 国家/地区     代码 国家/地区
    1 美国           J  日本
    2 加拿大        S  英国
    3 墨西哥        K  韩国
    4 美国           L  中国
    6 澳大利亚    V  法国
    9 巴西           R   中国台湾
    W 德国         Y  瑞典
    T 瑞士          Z  意大利

     

        我们通过车架号第10位可以查看到车辆的出厂时间,2019出厂的车代码是K,如果是2020出厂的车代码是L,2021年出厂的车代码就是M,以此类推。

       车架号的第10位就是车型年款 ,不同的数字和字母代表不同的年份,比如字母J为2018年产的车辆,如果是K代表是2019年款的车辆。L就代表是2020年产的车辆了。具体可以看下表对应的年份。

       在这十七位字母、数字表示的车架号中,第十位则表示着该车辆的生产年份(生产年份由1、2、3、4、5、6、7、8、9、A、B、C、D、E、F、G、H、J、K、L、M、N、P、R、S、T、V、W、X、Y 30个字符,30年一个轮回周期),同时车架号并没有用于表示车辆生产月份的代码,具体生产月份需在中央立柱的车辆铭牌上查看。通过车架号的话只能查看到车辆的年份,月份需要自己在车辆的铭牌上查看了。车架号是无法体现出月份的。

    展开全文
  • 《人工智能杂记》人工智能时间简史

    万次阅读 多人点赞 2018-03-13 08:54:55
    1人工智能基本概念 人工智能(Artificial Intelligence,AI)是指计算机像人一样拥有智能能力,是一个融合计算机科学、统计学、脑神经学和社会...人工智能的起源:人工智能在五六年代时正式提出,1950,一...
  • 有几个比较好的朋友,都是搞程序出身,典型的IT男,编程的能力相当不错,但是随着年龄的增大,家庭责任的到来,很希望搞点赚钱的外快,但是不知道做什么? 一个人是否幸福,金钱的多少会占用一定的比例,人的收入...
  • 编程是什么?也许每个人都有不同的见解。   有人认为编程是一份工作,也有人认为编程是一种爱好,甚至有人认为编程是此生追求。其实,编程就是编写程序。   首先,从“编”字分析,它既可以表示编写,也...
  • 十年后再读《轻公司》

    千次阅读 多人点赞 2019-09-13 00:45:50
    (1)2009我看了两本书,这两本书都挺影响我的,现在我的很多思维也都和这两本书有关。一本是郎咸平出的《产业链阴谋》,讲到了生产性服务,讲到了6+1最诱人的环节。一本是...
  • 从世界需要统一时间标准出发,讲述为什么引入时区、时区的设计,进一步介绍时间的测量;涉及概念包括:世界时、本地时、原子时,time zone/UT/GMT/UTC/TAI等; 顺带介绍数据库时间、UNIX时间
  • 北京时间: 东经120°(东八区),北京时间=北京时间比格林尼治时间+8小时 Calendar bjcalendar = Calendar.getInstance(); bjcalendar.setTimeZone(TimeZone.getTimeZone(“GMT+8:00”)); 平太阳时间: 我们...
  • 入门学习Linux常用必会60个命令实例详解doc/txt

    千次下载 热门讨论 2011-06-09 00:08:45
    因为Linux与Windows不同,其后台运行许多进程,所以强制关机可能会导致进程的数据丢失,使系统处于不稳定的状态,甚至在有的系统中会损坏硬件设备(硬盘)。在系统关机前使用 shutdown命令,系统管理员会通知所有...
  • 十年自学编程成才(编程小白必看)

    万次阅读 多人点赞 2021-06-11 17:36:32
    2.2 十年时间学习编程(刻意练习)2.3 程序员成功之路3. 扬帆起航 1. 前言   我是herosunly,从985院校硕士毕业,现担任算法研究员一职。CSDN博客专家,2020年博客之星TOP。曾获得阿里云天池比赛第一名等Top名次,...
  • Python进阶(二九)-Python时间&日期&时间戳处理将字符串的时间转换为时间戳方法:import time #将其转换为时间数组 a = "2013-10-10 23:40:00" timeArray = time.strptime(a, "%Y-%m-%d %H:%M:%S") #转换为时间戳 ...
  • 再聊如何通过基金定投达到十年十倍? 原创 绿巨人星球 2018-05-09 作者 郑志勇 最近要参加一个活动,给人讲如何进行基金定投?为吸引眼睛必须要搞一个标题党,题目就是如何通过基金定投达到...十年赚十倍意味...
  • 前端:利用js动态显示当前时间

    千次阅读 2019-01-04 16:11:06
    封装了一个动态显示当前时间的函数: 效果: html: <div id="start" style="height: 50px; width: 100%; background: #000000; color: #fffffff; text-align: center" /> js : $(function () { ...
  • 金鸡湖创业大赛是为实现国家... 一次十年成果回顾 2011年,经海外高层次人才引进工作小组批准,国内首家服务于高层次人才的综合性投融资平台“中国创业人才投资中心”在苏州工业园区设立,为更好服务高层次人才,20...
  • 学不会英语的原因

    万次阅读 多人点赞 2018-09-18 10:17:22
     为什么大家学英语学得这么累,最后依然对英语糊糊涂涂?原因只有一个——就是我们的学习能力太差了!!我们的老师太笨了!!!  这篇文章主要是给大家讲英语的基本结构, 看了这篇文章,你们会突然就明白...
  • 第一个,我室友,上课以外的时间都是看漫画,看小说,画画,睡觉,吃零食。但是成绩就是很好,她化学进了学校的竞赛培训班,数学也很好,但是平时完全没有死命学的迹象。 第二个,另一个寝室的,我们是寄宿学校要求...
  • 我从业到现在已经十年多了,这个问题是我从业五到七八年时最苦恼的话题。当时觉得这个世界太不友好了,互联网这个行业全是年轻人,30岁以上就压力非常大,我缓解这种压力的方式就是每个周末必须得去做一些我认为比较...
  • PHP“垂死”十年

    千次阅读 多人点赞 2021-03-23 14:57:30
    本文转载自InfoQ,差不多一年前,我发布了一篇题为“PHP 可能在未来十年消失”的文章。我发布的这篇文章的总结就像一首《圣诞颂歌》,但不是 Ebenezer Scrooge(电影《圣诞颂歌》中的一个商人角色),而是 PHP: ...
  • 2020年刚刚开始,就意味着离职潮高峰的到来,我身边就有不少人拿着年终奖离职了,而最让我感到意外的,是一位工作十年的数据分析师也离职了,不同于别人的主动辞职,他是被公司炒掉的。 很多人都说数据分析是个好...
  • 【12.9~12.13周报】风雨十年成长之路

    千次阅读 2019-12-19 23:18:35
    【12.9~12.13周报】风雨十年成长之路
  • 时间序列建模教程

    万次阅读 多人点赞 2018-05-04 10:11:52
    简介 在商业应用中,时间是最重要的因素,能够提升成功率。然而绝大多数公司很难跟上时间的脚步。但是随着技术的发展,出现了很多有效的方法,能够让...有一种预测是跟时间相关的,而这种处理与时间相关数据的方...
  • Kotlin 和 Flutter 对于开发者究竟意味着什么

    千次阅读 多人点赞 2019-05-12 21:53:48
    【CSDN 编者按】近些来,编程语言流行度的变化其实不大,在TIOBE 编程语言排行榜上,Java、C、C++ 固若金山,也就只有 Python 会攻城略地成为第四。在这 TOP3 之中,Java 以其非常优秀的普适性,可以用于前后端...
  • Hadoop十年解读与发展预测

    千次阅读 2016-06-24 16:34:42
    Hadoop十年解读与发展预测 摘自 http://www.infoq.com/cn/articles/hadoop-ten-years-interpretation-and-development-forecast 编者按:Hadoop于2006年1月28日诞生,至今已有10年,它改变了企业对数据的...
  • 我的2018:用一年的时间写一份年终总结!

    万次阅读 多人点赞 2018-12-30 23:01:37
    奖项只代表过去,更多是鞭策未来能否言行如一。 得到罗胖提出跨年演讲要做20,那我索性年终总结写一辈子吧。 差不多从读初中开始,每年都会写一些当下的思考和总结性的文章,从开始的流水账式的记录,到大学阶段...
  • 能影响未来十年的十项新技术

    千次阅读 2015-11-10 11:06:20
    最近InfoWorld网站公布了可能影响未来十年的十项新技术。虽然每个人的观点会有不同,但是我们相信,这十项新技术足以代表大部分的观点,同时也可以确信在未来几年这十项技术能给我们生活带来翻天覆地的变化。 ...
  • UTC时间

    千次阅读 2019-07-02 22:54:35
    整个地球分为二四时区,每个时区都有自己的本地时间。在国际无线电通信场合,为了统一起见,使用一个统一的时间,称为通用协调时(UTC, Universal Time Coordinated)。UTC与格林尼治平均时(GMT, Greenwich Mean ...
  • 使用 yy 表示的扮,如 11; 使用 yyyy 表示的年份,如 2011 M 月份。一般用 MM 表示月份,如果使用MMM,则会 根据语言环境显示不同语言的月份 使用 MM 表示的月份,如 05; 使用 MMM 表示月份...
  • 时间是软硬件系统或设备中比较重要的东西,特别是需要和外部进行交互时就更加需要用到有个统一的时间了。目前来说只要能联网的设备的时间主要是从网络时间服务器(NTP )上获取的,这篇文章将对此做个简单的说明。 ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 287,332
精华内容 114,932
关键字:

十年的时间意味着什么