規則演算法驅動

1. 嵌入式裡面 所說的 演算法 和 驅動 是什麼關系

演算法可以認為是純軟體問題，需要動腦筋降低時間和空間復雜度；
驅動是為硬體設計的程序，目的是要讓硬體設備正常工作、不出紕漏；
它們都是程序，但一個偏軟一個偏硬。

2. 演算法遵循哪些規則

P—堅持演算法規則為：(1)監聽匯流排，如果匯流排空閑，則以P的概率發送，而以(1-P)的概率延遲一個時間單位(最大傳播時延的2倍)。(2)延遲了一個時間單位後，再重復步驟(1)。(3)如果匯流排是忙的，繼續監聽直至匯流排空閑並重復步驟(1)。

3. 《原則》——瑞·達利歐：由人生演算法驅動的生活方式

《原則》——瑞·達利歐

達利歐是世界最大的對沖基金公司橋水的創始人，有「投資界的喬布斯」之稱。他和喬布斯，都是叛逆而獨立的思考者，追求創新和卓越；他們都是冥想者，希望「在宇宙中留下印記」。在《原則》一書中，他分享了自己的創業人生經歷，以及從失敗或成功經驗中總結出了生活原則和工作原則，希望通過分享這種以原則為基礎的生活方式，來幫助他人成就自我實現人生目標。

達利歐在書中寫到，「 我一生中學到的最重要的東西是一種以原則為基礎的生活方式。我取得的任何成功都是由於我遵循的原則，而不是我本人的任何特徵 ，所以遵循這些原則的任何人都有可能創造大體相同的結果。盡管如此，我不想讓你盲從我的（或任何人的）原則」。盡管成功不可復制，但他的這種面對生活困境的思維方式，以及如何在磨難中思考自己獨有的原則是值得我們學習的。

真正的強者都是非常謙虛的。他寫到，「在我開始告訴你們我的思考之前，我想先說明，我是個「愚人」，相對於我需要知道的東西而言，我真正知道的並沒有多少。 不管我一生中取得了多大的成功，其主要原因都不是我知道多少事情，而是我知道在無知的情況下自己應該怎麼做。 」 我對這段話的理解是，當我們面對一個長遠的目標，審視當下的自己當下的能力會覺得遙不可及，但是我們此時需要做的是去思考如何才能實現目標並付諸行動，而非逃避現實。

因此，達里歐寫下的第一條原則是——獨立思考並決定：

（1）你想要什麼；

（2）事實是什麼；

（3）面對事實，你如何實現自己的願望。

他也曾犯過代價慘痛的錯誤，也會害怕犯錯，但比我們更加謹慎，為此思考了一種能將犯錯可能性最小化的決策方式。

1. 以可信度加權的方式做決定。

他放下的那些錯誤讓他改變了看待問題的視角，變得更加的謙虛，從「我知道我是對的」變成了「我怎麼知道我是對的」。他願意承認自己也會犯錯，會好奇為什麼其它聰明人的對一個問題的認識會與自己不同，最終將自己與不同人的觀點進行可信度加權，從而選擇最好的觀點，從而做出最好的決策。

2. 遵照原則做事……

在做任何決定時，他會仔細思考並寫下決策標准，並與他人分享原則，並不斷完善和充實。

3. 以系統化的方式來決策。

達利歐發現方法可以通過演算法程序表達出來，同時使用著頭腦和計算機兩套決策體系。他相信： 「理論上……假如有這么一台計算機，能存儲世界上所有的事實，同時擁有完美的程序，能以數學方式表達世界所有不同部分之間的所有關系，我們就能完美地預見未來」 。

達利歐非常重視原則，也對他所敬重的人所持有的原則非常好奇，他寫道：「人們很少把自己的原則寫下來與別人分享，這太令人遺憾了。我很想知道阿爾伯特·愛因斯坦、史蒂夫·喬布斯、溫斯頓·丘吉爾、列奧納多·達·芬奇等人奉行的原則是什麼，這樣我就能弄明白他們追求的目標是什麼，他們是如何實現目標的，並對他們的不同做法進行比較。那些希望我給他們投票的政治家，以及所有那些影響到我的人，我都想知道在他們看來，最重要的原則是什麼。」

他1949年出生，小時候並不突出，和夥伴們並無太大不同，甚至學習成績較差，直到進入大學主修金融學，發現能夠學習自己感興趣的東西後，開始獲得優秀的分數。

20世紀60年代是美國最豪情萬丈、鼓舞人心的年代，普遍的情緒是鼓勵人們實現偉大高尚的目標；與此同時，性解放、嬉皮士運動、搖滾樂等排斥權威、尋求獨立思考的思潮興起，那個時代給達利歐留下了深深的烙印。他欽佩那些偉大的塑造者。

在這種時代的影響下，他說：「 我一直是一個獨立的思考者，為贏得獎賞而甘願冒險——不僅是在市場上，而是在幾乎所有方面。同時，與失敗比起來，我對乏味和平庸的恐懼要嚴重得多。 」

他是一個勇敢的探索者，不想做一件事時，他會選擇抗拒而非順從，但他明確自己的目標後，會義無反顧地去實現。8歲時，他就通過送報、鏟雪、洗碗等方式打零工賺錢。12歲，他在一家有許多華爾街投資者的高爾夫俱樂部當球童。他靠自己攢下的一些錢購買了股票——美國東北航空，後來股價翻了三倍；這是他第一次的成功投資，使他對市場投資產生了一生的興趣。

1971年，大學畢業的達利歐以優異的成績被哈佛商學院錄取。他在美林證券、紐約證券交易所等處有豐富的實習經驗，之後高薪受雇於兩家證券公司。

達利歐天性中近乎莽撞的勇敢在這時到達了頂峰，1974年，達利歐跟部門老闆發生爭執，結果揮拳打了對方的臉；同一年，據說他在一場年會上請來脫衣舞演員當眾表演。被解僱後，達利歐在他的兩居室小公寓里成立了自己名為橋水（Bridge Water）的公司。很快，他就遭遇了一次人生的重創。之後許多年裡，達利歐在許多場合不厭其煩地重復這件事並狠狠嘲諷當時的自己。

1982年，由於石油價格意外下跌、墨西哥比索貶值、利率上升等原因，拉美債務危機爆發。在美國國會聽證會，在電視上、報紙上兩個公開場合，達利歐都自信地宣稱——拉美國家還不起美國銀行借出的大量款項，美國經濟和股票行情將走向一場大蕭條，但事實上隨之而來的是一場大牛市。

在那之後不久，美聯儲降息引發市場的火爆行情，沒有料到其會兜底的達利歐因錯誤的押注，賠光了之前積累的所有資本，以致橋水發不起工資，不得不讓同甘共苦的同事陸續走人，最後只剩下他自己一個「員工」。

「這就是我從業8年之後的情況，毫無成就可言。 盡管我對的時候比錯的時候多得多，但我還是一下子回到了原點。

……

我走到了一個分岔路口：我是不是應該打起領帶在華爾街找一份差事？ 那不是我想要的生活。 」

關於市場交易中的冒險，他寫到：

你想過怎樣的生活？

關於人生追求，對達利歐來說，最重要的是有意義的工作和有意義的人際關系，有意義的工作和有意義的人際關系，它們的重要性相等，而對金錢的價值評價較低——足夠滿足基本需求就行了。

「身體只是生命的載體，但精神境界會和更大的存在連接並永續。」在與學員見面會上，達利歐說。對於達利歐來說，如果商業、事業等層面的成功，都是可以基於某些原則下、某種擇優演算法的成功，那麼慈善事業和幫助他人，則可以被定義為關於生命境界的、原則的終極運算——在他看來， 人生由三個階段組成：依賴他人與自我學習、被他人依賴與自我奮斗、幫助他人成功與自由體驗生活。

想要擁有很多優勢，而又不暴露於不可接受的劣勢之下，最穩妥的方式是做出一系列良好的、互不相關的押注，彼此平衡，相互補充。

達利歐寫到：「年輕時，我仰慕那些極為成功的人，覺得他們因為非凡而成功。當我認識這樣的人後，我發現他們都像我、像所有人一樣會犯錯誤，會為自己的弱點掙扎，我也不再覺得他們特別與眾不同、特別偉大。他們並不比其他人更快樂，他們的掙扎與一般人一樣多，甚至更多。就算在實現最不可思議的夢想之後，他們依然會體驗到更多痛苦，而不是自豪。我顯然也是這樣。盡管我在幾十年前就實現了自己曾經以為最難以企及的夢想，但直到今天我還在苦拼。

我逐漸認識到，成功的滿足感並不來自實現目標，而是來自努力奮斗。想要理解我的意思，可以想像你最大的目標，不管是什麼：賺很多錢、贏得奧斯卡獎、經營一家了不起的機構，或者成為運動明星。再想像一下你的目標突然實現了：一開始你會感到快樂，但不會很久，你將很快發現，你需要為另一些東西而奮斗 。看看那些很早就實現了夢想的人，如童星、中彩票者、很早就達到巔峰的職業運動員。假如他們沒有對另一些更大的、更值得追求的東西產生熱情的話，他們通常最終不會快樂。 生活總有順境和逆境，努力拚搏並不只會讓你的順境變得更好，還會讓你的逆境變得不那麼糟糕 。我至今仍在苦拼，我將這么做下去直到離世，因為就算我想躲避，痛苦也會找上我。」

所以你最想實現的目標是什麼？曾經是考大學、現在是買房買車？正如曾經最大的謊言「考上大學就輕鬆了」，然而現實遠非如此簡單。

在實現目標之後，一開始我的確感到快樂，但持續不久，人生也並未開始大有不同，我很快又重新陷入了不知所措的迷茫和隨波逐流的痛苦。我開始反思，在某種程度上，那些目標並不是真正發自內心的，而是受周圍聲音影響的，也就是我沒有自己明確的長期目標。

如果按照周圍的聲音行事，他們給我的下一個目標大概就是買房買車。但我不想這樣了，我不希望我的人生目標只是買房買車，只希望它們成為我人生的附屬品。

因為，按照經驗，我可以想像，也許當我努力奮斗，終於住進自己的房子里，也許我會快樂一個月甚至只有一星期乃至於更短，因為我終究只能躺在一張四平的床上，那時或許會望著天花板問自己：「人活一輩子，就是為了買房買車嗎？接下來呢？」我沉思良久，才明白，並沒有什麼實現了就可以一勞永逸、永遠快樂的目標。我對自己說：「別再逃了！去努力實現那些幾乎不可能實現的宏大目標吧！」。

4. 關聯規則挖掘演算法的介紹

學號：17020110019    姓名：高少魁

【嵌牛導讀】關聯規則挖掘演算法是數據挖掘中的一種常用演算法，用於發現隱藏在大型數據集中令人感興趣的頻繁出現的模式、關聯和相關性。這里將對該演算法進行簡單的介紹，之後通過Apriori演算法作為實例演示演算法執行結果。

【嵌牛鼻子】數據挖掘    關聯規則挖掘    python

【嵌牛正文】

一、演算法原理

1、基本概念

關聯規則用於發現隱藏在大型數據集中令人感興趣的頻繁出現的模式、關聯和相關性。 而 Apriori演算法則是經典的挖掘頻繁項集的關聯規則演算法，它通過層層迭代來尋找頻繁項集，最後輸出關聯規則：首先掃描數據集，得到 1-頻繁項集，記為 L1，通過合並 L1得到 2-頻繁項集 L2，再通過 L2找到 L3，如此層層迭代，直到找不到頻繁項集為止。

在Apriori演算法中，定義了如下幾個概念：

⚫ 項與項集 ：設 I={i1,i2,…,im}是由 m個不同項構成的集合，其中的每個 ik(k=1,2,…,m)被稱為一個項 (Item)，項的集合 I被稱為項集和，即項集。在實驗中，每一條購物記錄可以被看做 一個項集，用戶購買的某個商品即為一個項。

⚫ 事務與事務集：神乎事務 T是項集 I的一個子集，而事務的全體被稱為事務集。

⚫ 關聯規則：形如 A=>B的表達式，其中， A和 B都屬於項集 I，且 A與 B不相交。

⚫ 支持度：定義如下 support(A=>B) = P(A B)，即 A和 B所含的項在事務集中同時出現的概率。

⚫ 置信度：定義如下 confidence(A⇒B)=support(A⇒B)/support(A)=P(A B)/P(A)=P(B|A)，即如果事務包含 A，則事務中同時出現 B的概率。

⚫ 頻繁項集：如果項集 I的支持度滿足事先定義好的最小支持度閾慧液值（即 I的出現頻度大於相應的最小出現頻度閾值），則 I是頻繁項集。

⚫ 強關聯規則：滿足最小支持度和最小置信度的關聯規則，即待挖掘的關聯規則。

根據以上概念，要實現關聯規則的挖掘，首先要找到所有的頻繁項集，之後找出強關聯規則（即通過多次掃描數據集，找出頻繁集，然後產生關聯規則）。

2、挖掘頻繁項集

在該步驟中有兩個較為重要的部分 ：連接和修剪。連接步驟即使用k-1頻繁項集，通過連接得到 k-候選項集，並且只有相差一個項的項集才能進行連接，如 {A,B}和 {B,C}連接成為 {A,B,C}。修剪步驟基於一個性質：一個 k-項集，如果它的一個 k-1項集（子集）不是頻繁的，那麼它本身也不可能是頻繁的。 因此可以基於這個性質，通過判斷先驗性質來對候選集進行修剪。

3、產生關聯規則

經過連接和修剪之後，即找到了所有的頻繁項集，此時可以在此基礎上產生關聯規則，步驟如下

（1）對於每個頻繁項集 l，產生 l的所有非空子集（這些非空子集一定是頻繁項集）；

（2）對於 l的每一個非空子集 x，計算 confidence(x => (l-x))，如果 confidence(x => (l-x)) confmin，那麼規則 x => (l-x)」成立。

二、演算法設計

1、數據集

通過語句 import xlrd導入相關的庫來進行數據的讀取 。數據內容為十條購物記錄 ，每條購物記錄有若干個商品，表示某個顧客的購買記錄 ，如圖

對於數據載入部分 使用了 xlrd庫中的函數 open_workbook來 打開一個表格文件，使用sheet_by_index函數得到一個工作表， row_values函數即可讀取表格中的內容。由於每個購物記錄的商品數不一定相同，導致讀取的內容含有空格 (』 』)，因此對數據進行刪減以得到緊湊的數據 ，最終讀取數據的結果以列表的游碧悉形式返回。

2、連接

對於連接部分，主要目標是根據已有的k-1頻繁項集生成 k-候選頻繁項集。演算法步驟為：首先將項集中的項按照字典順序排序，之後將 k-1項集中兩個項作比較，如果兩個項集中前 k-2個項是相同的，則可以通過或運算（|）將它們連接起來。

3、修剪

修剪操作主要使用一個判斷函數，通過傳入連接操作後的項集和之前的k-1頻繁項集，對新的項集中的每一個項的補集進行判斷，如果該補集不是 k-1頻繁項集的子集，則證明新的項集不滿足先驗性質，即一個頻繁項集的所有非空子集一定是頻繁的 ，否則就滿足先驗形式。返回布爾類型的參數來供調用它的函數作判斷。

經過連接和修剪步驟之後，項基要成為頻繁項集還必須滿足最小支持度的條件，筆者設計了generateFrequentItems函數來對連接、修剪後產生的 k-候選項集進行判斷，通過遍歷數據集，計算其支持度，滿足最小支持度的項集即是 一個頻繁項集，可將其返回。

以上，經過不斷的遍歷、連接、修剪、刪除，可將得到的所有結果以列表形式返回。筆者還設計了字典類型的變數 support_data，以得到某個頻繁項集及其支持度 。

4、挖掘關聯規則

generateRules函數用來挖掘關聯規則，通過傳入 最小置信度、 頻繁項集及其 支持度來生成規則 。根據定理：對於頻繁項集 l的每一個非空子集 x，計算 confidence(x => (l-x))，如果 confidence(x => (l-x)) confmin，那麼規則 x => (l-x)」成立，因此，該函數重點在掃描頻繁項集，得到每一個子集，並計算置信度，當置信度滿足條件（即大於等於最小置信度）時，生成一條規則。在函數中，使用了元組來表示一條規則，元組中包含 x、 l-x以及其置信度 ，最後返回生成的所有規則的列表。

三、演算法執行結果

設置最大頻繁項集數k為 3，最小支持度為 0.2，最小置信度為 0.8 使用 pycharm運行程序 ，得到以下結果：

由圖中結果可以看出，對於頻繁 1-項集，有五個滿足的項集，頻繁 2-項集有 6個，頻繁 3-項集有 2個，它們都滿足支持度大於或等於最小支持度 0.2。根據頻繁項集，程序得到的關聯規則有三條，即 {麵包 }=>{牛奶 }，，{雞蛋 }=>{牛奶 }，，{麵包，蘋果 }=>{牛奶 其中，這些規則的置信度都是 1.0，滿足大於或等於最小置信度 0.8的條件 。

四、程序源碼

5. 演算法交易策略的五個常見的演算法策略

演算法交易策略

從字面上看，有成千上萬種潛在的 演算法交易策略 ，以下是幾種最常見的快速入門策略：

趨勢跟隨演算法：通過確定明顯的訂單流向確定您的優勢。此優勢可能超過幾個月，也可能超過幾分鍾。該策略成功的關鍵是確定運行時間。挑一個點進入。時間范圍越短，您交易的頻率就越高，因為趨勢會更快地變化並且您會收到更多的信號。

基於動量的演算法策略：動量演算法希望期貨合約在高交易量上迅速向一個方向移動。該邊緣試圖在停頓時快速進入，獲得動能，然後在下一個停頓時退出。這種演算法不會贏得大贏家。有利的一面是，它也不應該有大輸家。訂單流方向上的動量策略通常被認為是明智的交易。

反趨勢演算法：該策略通常確定動量的飽和點，並「淡化」此舉，而不是與動量進行交易。反趨勢交易是一種特殊的分配資本形式，並非為膽小者而設。由於演算法的原因，最後一條特別正確！在一段時間內，價格走勢具有良好的前後波動性。如果您處於虧損交易中，則很有可能「以虧損倉位進行交易」。演算法的變化很大。在當今的演算法驅動世界中，將同時觸發多個演算法程序，並且價格在一個方向上爆炸運行。不要為反潮流的新手而有所緩和。

回歸均值演算法：想像一條橡皮筋通常會擴展到「 10」。當到達該距離時，它會向後拉，或恢復為正常距離。這是回歸到平均演算法交易。當期貨合約超出預期范圍時，您的演算法將剖析數據並下訂單。這項交易的目標是在一個極端的價格點准時進入，以預期獲利逆轉。

剝頭皮演算法策略：某些市場提供跟蹤大型買賣雙方的機會。這里的策略是「Capture propagation」。這意味著在Bid上買入，然後在要約上賣出，賺了幾tick。多年來，這種演算法一直是許多day tradetr/floor trader的頭等大事。價差收窄和計算機速度更快，這對手動交易者造成了挑戰。一扇門關閉，一扇門打開，為精明的演算法開發商和交易員提供了擴展機會。

HFT | 高頻交易演算法：這是獲得所有宣傳的演算法。特權量子向導的感知貨幣機器。HFT程序會在一毫秒內執行，並且需要在交換機附近安裝所謂的「共置」伺服器。執行速度對於成功至關重要。

6. 足球賽積分的方法和規則及最後得分演算法

足球比賽中贏球的一方積3分，雙方打平則各得1分，輸球的一方的0分（即不得分）。
小組賽中積分多的球隊晉級下一輪的比賽，一般小組賽晉級的球隊是兩支，有時候是一支。但是有些比賽直接晉級兩支球隊，然後有的看成績好的小組第三也可以晉級。比如，一個比賽有24支球隊參加，進入下一輪的球隊需要16支，則24支球隊可以分為6組，每組前兩名的球隊直接晉級，剩下的成績最好的4支小組第三的球隊也可以晉級16強,這樣就組成了16強。