用量化交易的方式来进行股票涨跌预测是发展了几十年的成熟的技术，那么用人工智能预测股票涨跌难在哪里呢？
1.从思路到算法之间的坑。股票交易中有很多交易数据，当想出一个思路后，面对着海量的数据，怎么对这些数据进行选取、分类、描述，需要花费很大的时间和精力。
2.回测的坑。根据思路弄出算法之后，用历史数据来验证算法的效果，然后对算法进行调整。但是这个过程中很容易过度调整算法以使算法的效果最大化。
3.实盘的坑。实盘过程中会遇到很多问题，比如网络不稳定导致数据延迟、丢失，比如软件的兼容性、容错性等等，任何一个坑都会导致算法本来应该是盈利的实盘中由于意外造成了亏损。
但是，上面这些坑都只不过是所有行业所有技术发展过程都会遇到的问题，只要解决了这些问题，或是降低了解决这些问题的成本，当成果出来之时，就是腾飞之时。
这几年人工智能的发展非常快，并且有很多落地的应用，那么是否能用人工智能帮助人类预测股票涨跌？
首先要知道人工智能的工作原理。
有很多人工智能的算法是基于特征识别的，比如图像识别类型的人工智能，把一批狗的图像给它，告诉它这些是狗，人工智能算法可以自动从这些预训练图像里自动提取出N个特征，并记录具有这些特征的是狗。
然后，把一批猫的图像给它，告诉它这些是猫，人工智能算法又自动从这些图像里提取出N个特征，并记录具有这些特征的是猫。
人工智能算法对某个事物提取和记录的特征数量越多，识别的结果就越精细、准确。这些特征的数量有多少呢？可能是几个，也可能是几亿个。
人工智能的训练，其实就是数据采集和数据分析。先从训练的图像数据里采集特征，然后根据特征生成一个以N个特征为变量的判断逻辑。
人工智能的识别，就是数据的挖掘。比如给出一张没见过的图像，让它识别是狗还是猫，它就先从这张图像里提取N个特征，看符合狗的特征多些还是符合猫的特征多些，从而判断这张图像是狗还是猫。
举个例子，狗的特征有A1、A2、A3…..An，猫的特征有B1、B2、B3…..Bn，现在给出的图像具有的特征是“A3、A6、A8、A100、B5、B7、A200、A300、A500”，那符合狗的特征有7个，符合猫的特征有2个，就可以判断这张图像是狗。
这就是基于数据集的人工智能识别，如果对这些数据集进一步提炼成方程组，就可以不需要数据集，只需要一个方程组就可以进行识别了。
如果把这个思路应用到股票上，我们可以把每支股票的的相关数据输入进去，比如公司销售量、成交额、利润率、高管套现、负面新闻等各种影响股价的因素都输进去，并告诉它这支股票在这些条件下的涨跌结果，让人工智能算法自动提取特征，总结出N个涨的特征（如A1、A2、A3…..An）和N个跌的特征（如B1、B2、B3…..Bn）。然后给出一支新股票的数据（如“A3、A6、A8、A100、B5、B7、A200、A300、A500”），它就会自动从中判断里面符合涨的特征有7个符合跌的特征有2个，从而给出一个预测未来是涨还是跌的识别结果。
实际上就是识别猫狗一样的原理。
这个判断预测股票涨跌的人工智能理论上不难，但开发的工作量非常大，不是一个人能搞出来的。
生活中有很多看似随机数的数据，如果和时间序列高度关联，其实这些随机数是可以提前预测的，但我这里说的可以提前预测并不是指能预测出具体的精确的数字，而是一个大概的数据范围或是走势方向。
比如说，某个红绿灯十字路口，每小时通过的车辆数量是一个随机数，但是，这个数据是和时间序列高度关联的。
从单日的数据上来看，在上下班高峰时段车辆通过的流量大，其它时段会相对的平缓。
从一年的数据上来看，在节假日出行高峰的日子车辆的通过流量会比平常日子大。
从多年的历史数据上来看，每年的车辆数量都会相对的逐步变大，因为有车的人越来越多了，加上城镇化建设的推进，越来越多的人集中涌向城市，水涨船高，整个城市的车辆拥有量变大，通过这个路口的车辆数量也会相应变大。
所以，和时间序列高度关联的随机数，是可以提前预测未来的数据范围和走势方向的。
如果我们把这个思路应用到其它领域，比如说股票，那也是可以提前预测的。
比如说，在国家发布某些重大行业政策后，肯定会引起股市的波动，所以投资者要用程序随时监测国家的政策发布时间，在政策发布时及时进行分析，预判是利好还是利空，然后及时进行买入或卖出操作，就能实现早进场早盈利或提前避免损失。
现实生活中，只要是有人参与的，很多都是和时间序列相关，只要学会用数据采集、数据分析、数据挖掘，就可以帮你实现更多的盈利。
Google的Flutter是免费、开源的SDK，它使用Dart编程语言，只需要一份代码，就可以发布移动端、web、桌面等多端程序，不再需要为每个端单独写一份代码。
它的工作原理是编译器把Dart代码编译（AOT）成各个平台的相应代码，让Flutter可以直接和平台通讯而跨过了中间的桥接过程，以提高程序性能。
实际上就是相当于一个翻译器，只需要用它特定的语言写出内容，然后这个翻译器可以自动帮你把它翻译成各种语言。
这个“一次开发到处运行”的思路其实很多人都有，但这种翻译器不是一个人或小团队能做出来的，毕竟要翻译成所有主流平台的语言，要各种兼容，只有互联网巨头才能把这件事做好。而Google已经在这件事上努力了很多年，现在的Flutter2版本已经比较完善了，在开源的生态下，我相信Flutter和Dart编程语言会越来越好，除非Google发不出工资给那帮开发人员。
搞这个事对Google到底有什么好处？我不知道，也许它是想通过一网打尽开发人员，通过裹挟全世界的开发人员来达成它的商业目标吧。
谁管它呢，有好产品就应该好好学习，编程界的开发人员都盼望着某种编程语言一统天下的日子早点到来，毕竟现在的编程语言太多，太多时间浪费在学习各种编程语言上了，太多的精力浪费在为各个端用相应的编程语言重写一份代码了。
在用JavaScript写代码的过程中，计算的数据量很大的时候，需要优化计算效率，那么对于常用的for有没有什么办法可以优化效率呢？
理论上，JavaScript中的正序for循环在每次计次变量增加后都需要检查条件，而在倒序for循环中只需要计算一次起始变量，所以for的正序循环要比倒序循环快。测试代码如下：
var A = new Array(1000000000);
console.time('⏳');
for (let i = A.length; i > 0; i--) {}//倒序
console.timeEnd('⏳');
var B = new Array(1000000000);
console.time('⏳');
for (let i = 0; i < B.length; i++) {}//正序
console.timeEnd('⏳');但是这样做也是有缺点的，有些数据是需要正序去处理的，搞成倒序处理会徒增很多不必要的处理，并且倒序不太符合人的思维习惯。
所以，如果效率不是相差太大，还是用正序吧。
因为我也要做网页和webApp的开发，所以对网页前端开发技术也有所关注。
在前端开发中，国内用VUE的人比较多，这是为什么呢？
1.体积大小。VUE以轻量渐进而胜出，按需加载依赖包，这样新手入门时就可以不需要理会用不到的包。
2.性能效率。VUE的性能还是很高效的，渲染很快，内存占用比较低，省了很多优化性能的麻烦。
3.学习难度。VUE是渐进式的，所以入门很容易。
4.第三方库。VUE用户群体很大，相关的第三方库很多。
5.代码优美。VUE的代码比较优美，可读性强。
6.简明性。VUE写出来的代码比其它的框架更加简明，可以用很少的代码就能写出很复杂的功能。
7.生态。VUE在国内国外都有很庞大的粉丝群体，已经形成了良性的生态，各种教程工具等学习资源很丰富。
8.稳定更新。作为一个个人开发的产品，VUE的作者有大公司长期赞助，其收到的赞助费已经足够作者活得比较滋润，作者全职开发VUE。
9.VUE作者是中国人。这一点比较重要，我们应该支持国产的东西参与国际竞争。
通常大众认为未来是不可预测的，但是，现在计算机运算速度的提高已经让数学预知未来成为了可能。
那么，它的数学原理是什么呢？下面简要讲解一下，希望大家能看得懂。
我们以打桌球为例。假设我们知道了所有的环境变量和约束条件，比如空气的湿度、风力、每个桌球的重量、位置、摩擦力、球杆的力度、方向、速度等等，那我们就可以根据这些变量和约束条件写成方程组，然后精确计算出当这一杆打出去之后，每个球最终停止的位置。
用数学的语言来说，就是先把实际问题转化为数学模型，然后把数学模型输入求解器，计算出来的结果，就是充分考虑了未来各种可能性的最优结果。
那么这种数学模型或是方程组有多少个变量和约束条件呢？少则几十万个变量，多则几亿个变量，也就是说，你的方程组用纸笔列出来，可能有几公里那么长。
这么庞大的数据，人工肯定是计算不完的，但计算机可以，现在的家用电脑CPU每秒的计算速度都是数以亿次计的，所以几十万变量的方程组可以在一分钟以内计算出来。
那怎么用这个思路来预测随机数曲线的未来走向呢？任何数据曲线都可以用数学来建模，再复杂的曲线也可以转化成方程组，虽然这个方程组极有可能有几十万个变量。如果用一个几十万变量的方程组，模拟生成的曲线和实际的数据曲线基本一致，那就可以认为这条随机数曲线是大体上按这个方程组来走的，所以当推算出这个方程组之后，就可以根据它来计算出随机数曲线的未来走向了。
希望大家能看得懂。
这篇文章很值钱，请收藏好。
在股市，有“一赢二平七输”的说法。
那么，赢的是谁？平的是谁？输的是谁？股票的涨跌本质是什么？有没有必赢的思路？搞懂这些问题，就可以百战百胜了。下面说说我个人的观点。
股票的数据不是随机数，而是资金驱动的数据，大资金流入哪一支股票，哪一支股票就涨，大资金流出哪一支股票，哪一支股票就跌，这就是最核心的逻辑。
我们来打个比方，某家公司的股票价格，就像水桶里的乒乓球，往水桶里流入的水越多，乒乓球浮动的位置越高，往水桶外流出的水越多，乒乓球浮动的位置越低，乒乓球就是一个水量多少的浮标。我把这个叫做“浮标理论”。
那么，什么是大资金呢？我怎么大资金会流入哪个水桶呢？我怎么知道大资金什么时候会流出呢？
大资金，就是以国家队为主的资金，比如说，社保的资金、国企巨头的资金。比如说，国家每年收上来这么多社保资金，如果放在银行里躺平，光是靠那点利息，是跑不赢贬值的速度的，所以国家队除了一部分存在银行外，还必须要拿出一部分来投资，并且这部分资金投资的收益必须要至少能和贬值速度持平，不然国家队就会出现亏空，带来社会问题。所以，国家队是只允许赚不允许亏的。
那大资金怎么保证自己一定是能盈利的呢？
控制力，国家队对所投的公司、行业、社会资讯有绝对控制力和引导力。比如说，所投的某家公司实际经营过程中是亏损了，可以通过收购、合并等方式实现股价上涨。比如说，某个行业被外国打压了，可以通过国家的力量来进行资源配置，扶持这个行业。比如说，所投的某家公司出现了负面信息导致股票下跌，可以对负面信息的清理和正能量的传播来挽救股价。
所以“一赢二平七输”中赢的就是国家队，它必须赢，即使输了也要搞成赢的。
“平”的又是谁？是基金，就是那些看基本面和股价曲线来做决策的机构。为什么要看基本面和股价曲线？因为基金经理要给客户一个逻辑分析的交待，要论证自己的决策是合情合理的。但是由于各个基金经理的水平不一，时盈时亏，但大体上把钱交给基金，赚的钱是能和贬值速度持平的。所以是“平”。
“输”的是谁？是那些自以为自己比大资金和基金更聪明、更了解内幕、更有控制力的散户。通常这些人是由公务员高管白领等中等收入群体、暴发户、拆迁户、有点小钱却又不知道干点啥的人、被喊单的人忽悠去炒股的人、看到别人炒股赚钱自己也跟风的人等等，然而，股市转移的就是这些人的存款余额。
所以，炒股必赢的思路就是：绝对不要做自以为是的散户，必须明白你所看到的一切资讯都是别人故意放出来给你看的，股价曲线是由操盘手操作出来给你看的，你进去就是踩坑割肉；把钱交给基金一般就能跑赢通胀，但也赚不了多少；如果自己具有一定的独立思考、研究分析的能力就跟随大资金进退，就能赚得盘满钵满。
实际上，股市是盈亏同源的，也就是说，“一赢”所赚的钱，就是“七输”所亏的钱，简单点说，股市只是大资金的一个抽水机一样的工具，把资金从散户的帐户抽到自己的帐户。我们想赚钱，所要做的就是不要站错队而已。
我只能帮你到这了，至于怎么赚到第一桶金来以钱生钱，请关注我公众号，看我其它文章。
人工智能这几年越来越火，未来会更火，因为它是未来普及的应用技术，就像现在的通信加密一样普及。
那么人工智能是否无所不知、无所不能呢？
肯定不会，每种技术都有它的适用范围。个人认为，人工智能技术可以从本身有规律或能穷尽的事物里寻找规律，而不能从本身无规律或不能穷尽的事物里寻找规律。
比如说，气象预测，气象数据实际上是有规律的，同一个地方，每年每月的气温变化不会太大，它的雨季和旱季是比较稳定的，因为地球的气象数据规律，是由地球围绕太阳公转形成的，只要这个底层的原因不变，气象数据结果虽有波动，但仍然在可预测的范围，只要数据足够大足够细，气象预测只会越来越准确。这是从有规律的事物里寻找数据规律，所以人工智能可以发挥作用。
再比如，下围棋，虽然围棋的可能性极其庞大，但在数学上也是可以穷举的，毕竟棋盘就那么大，每步下一子，几百步之后肯定会把棋盘下满结束棋局。这是从能穷尽的东西里寻找数据规律，只不过数据过于庞大需要用好的算法以便能更快地算出推荐结果。
人工智能不能从本身无规律的数据里寻找规律。非自然的、非人为可控的、非可监测的事物，因为数据量太少或监测不到数据，就没办法从数据中寻找出可靠的规律。比如说，宇宙里有多少个星球有外星人？因为除了地球，人类对其它星球知之甚少，所以这个问题人工智能暂时派不上用场。
人工智能也不能从不能穷尽的事物里寻找规律。比如说，地球上的灰尘数量点宇宙中的灰尘总数量的多少比例？因为宇宙中的灰尘是不停地运行，在不运动的过程中聚合或分散，所以灰法数量是一直在变的，并且不可监测清点算清楚，所以人工智能在这个问题上也派不上用场。
通用的人工智能很难出现，而专用的人工智能会越来越成熟。比如说，使用人工智能研制新药，因为药品是化学物质，它的化学成分是可知可控的，而人体本质上也是由物质构成的，只要计算机的运算能力足够大，数据充分，算法有效率，用人工智能来帮助研究人员研发新药大有可为。
什么是假设检验？
简单点说，假设检验就是先提出某种假设，然后判断假设是否成立的过程。
下面以炒股为例。
第一步：明确问题是什么。
问题：某家公司的股票在未来走势将会如何？
答案：只有三种可能：上涨、横盘振荡、下跌。
第二步：证据是什么。
分别对上涨、横盘振荡、下跌这三种可能进行证据分析。
上涨、横盘、下跌的原因分别是什么？数据是什么？
第三步：判断标准是什么。
使用公认可行的判断标准才具有说服力，比如基于平均值、概率等来判断。
第四步：做出结论。
当数据明显高于或低于某个平均值时，就可以作出相应的判断，得到一个有证据支撑的答案。