规则算法驱动

1. 嵌入式里面 所说的 算法 和 驱动 是什么关系

算法可以认为是纯软件问题，需要动脑筋降低时间和空间复杂度；
驱动是为硬件设计的程序，目的是要让硬件设备正常工作、不出纰漏；
它们都是程序，但一个偏软一个偏硬。

2. 算法遵循哪些规则

P—坚持算法规则为：(1)监听总线，如果总线空闲，则以P的概率发送，而以(1-P)的概率延迟一个时间单位(最大传播时延的2倍)。(2)延迟了一个时间单位后，再重复步骤(1)。(3)如果总线是忙的，继续监听直至总线空闲并重复步骤(1)。

3. 《原则》——瑞·达利欧：由人生算法驱动的生活方式

《原则》——瑞·达利欧

达利欧是世界最大的对冲基金公司桥水的创始人，有“投资界的乔布斯”之称。他和乔布斯，都是叛逆而独立的思考者，追求创新和卓越；他们都是冥想者，希望“在宇宙中留下印记”。在《原则》一书中，他分享了自己的创业人生经历，以及从失败或成功经验中总结出了生活原则和工作原则，希望通过分享这种以原则为基础的生活方式，来帮助他人成就自我实现人生目标。

达利欧在书中写到，“ 我一生中学到的最重要的东西是一种以原则为基础的生活方式。我取得的任何成功都是由于我遵循的原则，而不是我本人的任何特征 ，所以遵循这些原则的任何人都有可能创造大体相同的结果。尽管如此，我不想让你盲从我的（或任何人的）原则”。尽管成功不可复制，但他的这种面对生活困境的思维方式，以及如何在磨难中思考自己独有的原则是值得我们学习的。

真正的强者都是非常谦虚的。他写到，“在我开始告诉你们我的思考之前，我想先说明，我是个“愚人”，相对于我需要知道的东西而言，我真正知道的并没有多少。 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，而是我知道在无知的情况下自己应该怎么做。 ” 我对这段话的理解是，当我们面对一个长远的目标，审视当下的自己当下的能力会觉得遥不可及，但是我们此时需要做的是去思考如何才能实现目标并付诸行动，而非逃避现实。

因此，达里欧写下的第一条原则是——独立思考并决定：

（1）你想要什么；

（2）事实是什么；

（3）面对事实，你如何实现自己的愿望。

他也曾犯过代价惨痛的错误，也会害怕犯错，但比我们更加谨慎，为此思考了一种能将犯错可能性最小化的决策方式。

1. 以可信度加权的方式做决定。

他放下的那些错误让他改变了看待问题的视角，变得更加的谦虚，从“我知道我是对的”变成了“我怎么知道我是对的”。他愿意承认自己也会犯错，会好奇为什么其它聪明人的对一个问题的认识会与自己不同，最终将自己与不同人的观点进行可信度加权，从而选择最好的观点，从而做出最好的决策。

2. 遵照原则做事……

在做任何决定时，他会仔细思考并写下决策标准，并与他人分享原则，并不断完善和充实。

3. 以系统化的方式来决策。

达利欧发现方法可以通过算法程序表达出来，同时使用着头脑和计算机两套决策体系。他相信： “理论上……假如有这么一台计算机，能存储世界上所有的事实，同时拥有完美的程序，能以数学方式表达世界所有不同部分之间的所有关系，我们就能完美地预见未来” 。

达利欧非常重视原则，也对他所敬重的人所持有的原则非常好奇，他写道：“人们很少把自己的原则写下来与别人分享，这太令人遗憾了。我很想知道阿尔伯特·爱因斯坦、史蒂夫·乔布斯、温斯顿·丘吉尔、列奥纳多·达·芬奇等人奉行的原则是什么，这样我就能弄明白他们追求的目标是什么，他们是如何实现目标的，并对他们的不同做法进行比较。那些希望我给他们投票的政治家，以及所有那些影响到我的人，我都想知道在他们看来，最重要的原则是什么。”

他1949年出生，小时候并不突出，和伙伴们并无太大不同，甚至学习成绩较差，直到进入大学主修金融学，发现能够学习自己感兴趣的东西后，开始获得优秀的分数。

20世纪60年代是美国最豪情万丈、鼓舞人心的年代，普遍的情绪是鼓励人们实现伟大高尚的目标；与此同时，性解放、嬉皮士运动、摇滚乐等排斥权威、寻求独立思考的思潮兴起，那个时代给达利欧留下了深深的烙印。他钦佩那些伟大的塑造者。

在这种时代的影响下，他说：“ 我一直是一个独立的思考者，为赢得奖赏而甘愿冒险——不仅是在市场上，而是在几乎所有方面。同时，与失败比起来，我对乏味和平庸的恐惧要严重得多。 ”

他是一个勇敢的探索者，不想做一件事时，他会选择抗拒而非顺从，但他明确自己的目标后，会义无反顾地去实现。8岁时，他就通过送报、铲雪、洗碗等方式打零工赚钱。12岁，他在一家有许多华尔街投资者的高尔夫俱乐部当球童。他靠自己攒下的一些钱购买了股票——美国东北航空，后来股价翻了三倍；这是他第一次的成功投资，使他对市场投资产生了一生的兴趣。

1971年，大学毕业的达利欧以优异的成绩被哈佛商学院录取。他在美林证券、纽约证券交易所等处有丰富的实习经验，之后高薪受雇于两家证券公司。

达利欧天性中近乎莽撞的勇敢在这时到达了顶峰，1974年，达利欧跟部门老板发生争执，结果挥拳打了对方的脸；同一年，据说他在一场年会上请来脱衣舞演员当众表演。被解雇后，达利欧在他的两居室小公寓里成立了自己名为桥水（Bridge Water）的公司。很快，他就遭遇了一次人生的重创。之后许多年里，达利欧在许多场合不厌其烦地重复这件事并狠狠嘲讽当时的自己。

1982年，由于石油价格意外下跌、墨西哥比索贬值、利率上升等原因，拉美债务危机爆发。在美国国会听证会，在电视上、报纸上两个公开场合，达利欧都自信地宣称——拉美国家还不起美国银行借出的大量款项，美国经济和股票行情将走向一场大萧条，但事实上随之而来的是一场大牛市。

在那之后不久，美联储降息引发市场的火爆行情，没有料到其会兜底的达利欧因错误的押注，赔光了之前积累的所有资本，以致桥水发不起工资，不得不让同甘共苦的同事陆续走人，最后只剩下他自己一个“员工”。

“这就是我从业8年之后的情况，毫无成就可言。 尽管我对的时候比错的时候多得多，但我还是一下子回到了原点。

……

我走到了一个分岔路口：我是不是应该打起领带在华尔街找一份差事？ 那不是我想要的生活。 ”

关于市场交易中的冒险，他写到：

你想过怎样的生活？

关于人生追求，对达利欧来说，最重要的是有意义的工作和有意义的人际关系，有意义的工作和有意义的人际关系，它们的重要性相等，而对金钱的价值评价较低——足够满足基本需求就行了。

“身体只是生命的载体，但精神境界会和更大的存在连接并永续。”在与学员见面会上，达利欧说。对于达利欧来说，如果商业、事业等层面的成功，都是可以基于某些原则下、某种择优算法的成功，那么慈善事业和帮助他人，则可以被定义为关于生命境界的、原则的终极运算——在他看来， 人生由三个阶段组成：依赖他人与自我学习、被他人依赖与自我奋斗、帮助他人成功与自由体验生活。

想要拥有很多优势，而又不暴露于不可接受的劣势之下，最稳妥的方式是做出一系列良好的、互不相关的押注，彼此平衡，相互补充。

达利欧写到：“年轻时，我仰慕那些极为成功的人，觉得他们因为非凡而成功。当我认识这样的人后，我发现他们都像我、像所有人一样会犯错误，会为自己的弱点挣扎，我也不再觉得他们特别与众不同、特别伟大。他们并不比其他人更快乐，他们的挣扎与一般人一样多，甚至更多。就算在实现最不可思议的梦想之后，他们依然会体验到更多痛苦，而不是自豪。我显然也是这样。尽管我在几十年前就实现了自己曾经以为最难以企及的梦想，但直到今天我还在苦拼。

我逐渐认识到，成功的满足感并不来自实现目标，而是来自努力奋斗。想要理解我的意思，可以想象你最大的目标，不管是什么：赚很多钱、赢得奥斯卡奖、经营一家了不起的机构，或者成为运动明星。再想象一下你的目标突然实现了：一开始你会感到快乐，但不会很久，你将很快发现，你需要为另一些东西而奋斗 。看看那些很早就实现了梦想的人，如童星、中彩票者、很早就达到巅峰的职业运动员。假如他们没有对另一些更大的、更值得追求的东西产生热情的话，他们通常最终不会快乐。 生活总有顺境和逆境，努力拼搏并不只会让你的顺境变得更好，还会让你的逆境变得不那么糟糕 。我至今仍在苦拼，我将这么做下去直到离世，因为就算我想躲避，痛苦也会找上我。”

所以你最想实现的目标是什么？曾经是考大学、现在是买房买车？正如曾经最大的谎言“考上大学就轻松了”，然而现实远非如此简单。

在实现目标之后，一开始我的确感到快乐，但持续不久，人生也并未开始大有不同，我很快又重新陷入了不知所措的迷茫和随波逐流的痛苦。我开始反思，在某种程度上，那些目标并不是真正发自内心的，而是受周围声音影响的，也就是我没有自己明确的长期目标。

如果按照周围的声音行事，他们给我的下一个目标大概就是买房买车。但我不想这样了，我不希望我的人生目标只是买房买车，只希望它们成为我人生的附属品。

因为，按照经验，我可以想象，也许当我努力奋斗，终于住进自己的房子里，也许我会快乐一个月甚至只有一星期乃至于更短，因为我终究只能躺在一张四平的床上，那时或许会望着天花板问自己：“人活一辈子，就是为了买房买车吗？接下来呢？”我沉思良久，才明白，并没有什么实现了就可以一劳永逸、永远快乐的目标。我对自己说：“别再逃了！去努力实现那些几乎不可能实现的宏大目标吧！”。

4. 关联规则挖掘算法的介绍

学号：17020110019    姓名：高少魁

【嵌牛导读】关联规则挖掘算法是数据挖掘中的一种常用算法，用于发现隐藏在大型数据集中令人感兴趣的频繁出现的模式、关联和相关性。这里将对该算法进行简单的介绍，之后通过Apriori算法作为实例演示算法执行结果。

【嵌牛鼻子】数据挖掘    关联规则挖掘    python

【嵌牛正文】

一、算法原理

1、基本概念

关联规则用于发现隐藏在大型数据集中令人感兴趣的频繁出现的模式、关联和相关性。 而 Apriori算法则是经典的挖掘频繁项集的关联规则算法，它通过层层迭代来寻找频繁项集，最后输出关联规则：首先扫描数据集，得到 1-频繁项集，记为 L1，通过合并 L1得到 2-频繁项集 L2，再通过 L2找到 L3，如此层层迭代，直到找不到频繁项集为止。

在Apriori算法中，定义了如下几个概念：

⚫ 项与项集 ：设 I={i1,i2,…,im}是由 m个不同项构成的集合，其中的每个 ik(k=1,2,…,m)被称为一个项 (Item)，项的集合 I被称为项集和，即项集。在实验中，每一条购物记录可以被看做 一个项集，用户购买的某个商品即为一个项。

⚫ 事务与事务集：神乎事务 T是项集 I的一个子集，而事务的全体被称为事务集。

⚫ 关联规则：形如 A=>B的表达式，其中， A和 B都属于项集 I，且 A与 B不相交。

⚫ 支持度：定义如下 support(A=>B) = P(A B)，即 A和 B所含的项在事务集中同时出现的概率。

⚫ 置信度：定义如下 confidence(A⇒B)=support(A⇒B)/support(A)=P(A B)/P(A)=P(B|A)，即如果事务包含 A，则事务中同时出现 B的概率。

⚫ 频繁项集：如果项集 I的支持度满足事先定义好的最小支持度阈慧液值（即 I的出现频度大于相应的最小出现频度阈值），则 I是频繁项集。

⚫ 强关联规则：满足最小支持度和最小置信度的关联规则，即待挖掘的关联规则。

根据以上概念，要实现关联规则的挖掘，首先要找到所有的频繁项集，之后找出强关联规则（即通过多次扫描数据集，找出频繁集，然后产生关联规则）。

2、挖掘频繁项集

在该步骤中有两个较为重要的部分 ：连接和修剪。连接步骤即使用k-1频繁项集，通过连接得到 k-候选项集，并且只有相差一个项的项集才能进行连接，如 {A,B}和 {B,C}连接成为 {A,B,C}。修剪步骤基于一个性质：一个 k-项集，如果它的一个 k-1项集（子集）不是频繁的，那么它本身也不可能是频繁的。 因此可以基于这个性质，通过判断先验性质来对候选集进行修剪。

3、产生关联规则

经过连接和修剪之后，即找到了所有的频繁项集，此时可以在此基础上产生关联规则，步骤如下

（1）对于每个频繁项集 l，产生 l的所有非空子集（这些非空子集一定是频繁项集）；

（2）对于 l的每一个非空子集 x，计算 confidence(x => (l-x))，如果 confidence(x => (l-x)) confmin，那么规则 x => (l-x)”成立。

二、算法设计

1、数据集

通过语句 import xlrd导入相关的库来进行数据的读取 。数据内容为十条购物记录 ，每条购物记录有若干个商品，表示某个顾客的购买记录 ，如图

对于数据加载部分 使用了 xlrd库中的函数 open_workbook来 打开一个表格文件，使用sheet_by_index函数得到一个工作表， row_values函数即可读取表格中的内容。由于每个购物记录的商品数不一定相同，导致读取的内容含有空格 (’ ’)，因此对数据进行删减以得到紧凑的数据 ，最终读取数据的结果以列表的游碧悉形式返回。

2、连接

对于连接部分，主要目标是根据已有的k-1频繁项集生成 k-候选频繁项集。算法步骤为：首先将项集中的项按照字典顺序排序，之后将 k-1项集中两个项作比较，如果两个项集中前 k-2个项是相同的，则可以通过或运算（|）将它们连接起来。

3、修剪

修剪操作主要使用一个判断函数，通过传入连接操作后的项集和之前的k-1频繁项集，对新的项集中的每一个项的补集进行判断，如果该补集不是 k-1频繁项集的子集，则证明新的项集不满足先验性质，即一个频繁项集的所有非空子集一定是频繁的 ，否则就满足先验形式。返回布尔类型的参数来供调用它的函数作判断。

经过连接和修剪步骤之后，项基要成为频繁项集还必须满足最小支持度的条件，笔者设计了generateFrequentItems函数来对连接、修剪后产生的 k-候选项集进行判断，通过遍历数据集，计算其支持度，满足最小支持度的项集即是 一个频繁项集，可将其返回。

以上，经过不断的遍历、连接、修剪、删除，可将得到的所有结果以列表形式返回。笔者还设计了字典类型的变量 support_data，以得到某个频繁项集及其支持度 。

4、挖掘关联规则

generateRules函数用来挖掘关联规则，通过传入 最小置信度、 频繁项集及其 支持度来生成规则 。根据定理：对于频繁项集 l的每一个非空子集 x，计算 confidence(x => (l-x))，如果 confidence(x => (l-x)) confmin，那么规则 x => (l-x)”成立，因此，该函数重点在扫描频繁项集，得到每一个子集，并计算置信度，当置信度满足条件（即大于等于最小置信度）时，生成一条规则。在函数中，使用了元组来表示一条规则，元组中包含 x、 l-x以及其置信度 ，最后返回生成的所有规则的列表。

三、算法执行结果

设置最大频繁项集数k为 3，最小支持度为 0.2，最小置信度为 0.8 使用 pycharm运行程序 ，得到以下结果：

由图中结果可以看出，对于频繁 1-项集，有五个满足的项集，频繁 2-项集有 6个，频繁 3-项集有 2个，它们都满足支持度大于或等于最小支持度 0.2。根据频繁项集，程序得到的关联规则有三条，即 {面包 }=>{牛奶 }，，{鸡蛋 }=>{牛奶 }，，{面包，苹果 }=>{牛奶 其中，这些规则的置信度都是 1.0，满足大于或等于最小置信度 0.8的条件 。

四、程序源码

5. 算法交易策略的五个常见的算法策略

算法交易策略

从字面上看，有成千上万种潜在的 算法交易策略 ，以下是几种最常见的快速入门策略：

趋势跟随算法：通过确定明显的订单流向确定您的优势。此优势可能超过几个月，也可能超过几分钟。该策略成功的关键是确定运行时间。挑一个点进入。时间范围越短，您交易的频率就越高，因为趋势会更快地变化并且您会收到更多的信号。

基于动量的算法策略：动量算法希望期货合约在高交易量上迅速向一个方向移动。该边缘试图在停顿时快速进入，获得动能，然后在下一个停顿时退出。这种算法不会赢得大赢家。有利的一面是，它也不应该有大输家。订单流方向上的动量策略通常被认为是明智的交易。

反趋势算法：该策略通常确定动量的饱和点，并“淡化”此举，而不是与动量进行交易。反趋势交易是一种特殊的分配资本形式，并非为胆小者而设。由于算法的原因，最后一条特别正确！在一段时间内，价格走势具有良好的前后波动性。如果您处于亏损交易中，则很有可能“以亏损仓位进行交易”。算法的变化很大。在当今的算法驱动世界中，将同时触发多个算法程序，并且价格在一个方向上爆炸运行。不要为反潮流的新手而有所缓和。

回归均值算法：想象一条橡皮筋通常会扩展到“ 10”。当到达该距离时，它会向后拉，或恢复为正常距离。这是回归到平均算法交易。当期货合约超出预期范围时，您的算法将剖析数据并下订单。这项交易的目标是在一个极端的价格点准时进入，以预期获利逆转。

剥头皮算法策略：某些市场提供跟踪大型买卖双方的机会。这里的策略是“Capture propagation”。这意味着在Bid上买入，然后在要约上卖出，赚了几tick。多年来，这种算法一直是许多day tradetr/floor trader的头等大事。价差收窄和计算机速度更快，这对手动交易者造成了挑战。一扇门关闭，一扇门打开，为精明的算法开发商和交易员提供了扩展机会。

HFT | 高频交易算法：这是获得所有宣传的算法。特权量子向导的感知货币机器。HFT程序会在一毫秒内执行，并且需要在交换机附近安装所谓的“共置”服务器。执行速度对于成功至关重要。

6. 足球赛积分的方法和规则及最后得分算法

足球比赛中赢球的一方积3分，双方打平则各得1分，输球的一方的0分（即不得分）。
小组赛中积分多的球队晋级下一轮的比赛，一般小组赛晋级的球队是两支，有时候是一支。但是有些比赛直接晋级两支球队，然后有的看成绩好的小组第三也可以晋级。比如，一个比赛有24支球队参加，进入下一轮的球队需要16支，则24支球队可以分为6组，每组前两名的球队直接晋级，剩下的成绩最好的4支小组第三的球队也可以晋级16强,这样就组成了16强。