阿尔法算法
‘壹’ T0和日内阿尔法的区别是什么
股票阿尔法，简单地说，股票超额收益是指基金管理人在投资过程中获得的实际收益超过因承担相应风险而获得的相应预期收益的部分。它是与基金经理业绩直接相关的回报。
T0是一个证券交易系统。T0交易是指在证券交易当日办理证券和价格清算结算手续的交易系统。一般来说，当日买入的证券可以在当日卖出。T0交易在中国证券市场已经实施，因为它太过投机性。为确保证券市场的稳定，中国上海证券交易所和深圳证券交易所对股票和基金交易实行T1交易模式。也就是说，当天买入的股票要到下一个交易日才能卖出。同时，资金仍执行t0，即当日返还的资金可立即使用。上海期货交易所钢材期货交易实行t0交易模式。目前，我国股票市场实行T1清算制度，期货市场实行t0清算制度
‘贰’ 阿尔法狗的核心算法是深度学习吗
是的。更具体的说深度学习的核心是神经网络，深度学习的“深度”二字是指神经网络的层数，而神经网络是模拟大脑神经元的思考过程提出来的。
‘叁’ |阿尔法核心技术
一、 AlphaGo的两大核心技术
MCTS(Monte Carlo Tree Search)
MCTS之于围棋就像Alpha-Beta搜索之于象棋，是核心的算法，而比赛时的搜索速度至关重要。就像深蓝当年战胜时，超级计算机的运算速度是制胜的关键因素之一。
MCTS的4个步骤：Selection，Expansion，Evaluation(rollout)和Backup
MCTS的并行搜索：
(1) Leaf Parallelisation
最
简单的是Leaf Parallelisation，一个叶子用多个线程进行多次Simulation，完全不改变之前的算法，把原来的一次
Simulation的统计量用多次来代替，这样理论上应该准确不少。但这种并行的问题是需要等待最慢的那个结束才能更新统计量；而且搜索的路径数没有增
多。
(2) Root Parallelisation
多个线程各自搜索各自的UCT树，最后投票
(3) Tree Parallelisation
这是真正的并行搜索，用多个线程同时搜索UCT树。当然统计量的更新需要考虑多线程的问题，比如要加锁。
另
外一个问题就是多个线程很可能同时走一样的路径（因为大家都选择目前看起来Promising的孩子），一种方法就是临时的修改
virtual loss，比如线程1在搜索孩子a，那么就给它的Q(v)减一个很大的数，这样其它线程就不太可能选择它了。当然线程1搜索完了之后要记
得改回来。
《A Lock-free Multithreaded Monte-Carlo Tree Search Algorithm》使用了一种lock-free的算法，这种方法比加锁的方法要快很多，AlphaGo也用了这个方法。
Segal
研究了为什么多机的MCTS算法很难，并且实验得出结论使用virtual loss的多线程版本能比较完美的scale到64个线程(当然这是单机一个
进程的多线程程序）。AlphaGo的Rollout是用CPU集群来加速的，但是其它的三个步骤是在一台机器完成的，这个就是最大的瓶颈。
‘肆’ alpha-beta搜索算法思想（十万火急）
博弈啊，我以前写过，大致框架是：
int search(，颜色,deep,alpha,beta)
{
if(deep=最大搜索步数）
return 估值（局面，颜色）；
for(遍历所有可行走法）
{
局面.走棋；
Score=-int search(局面，-颜色,deep+1,-beta,-alpha)
if(Score>=beta)
return(Score);
if(Score>alpha)
alpha=Score;
局面.撤销走棋；
}
return 出现过的最大Score；
}
调用的时候是 search(局面，电脑的颜色,0,负无穷,正无穷),得到一个局面的评分
‘伍’ python怎么计算alpha和beta
Alpha-Beta剪枝用于裁剪搜索树中没有意义的不需要搜索的树枝，以提高运算速度。
假设α为下界，β为上界，对于α ≤ N ≤ β:
若 α ≤ β 则N有解。
若 α > β 则N无解。
下面通过一个例子来说明Alpha-Beta剪枝算法。
上图为整颗搜索树。这里使用极小极大算法配合Alpha-Beta剪枝算法，正方形为自己（A），圆为对手（B）。
初始设置α为负无穷大，β为正无穷大。
对于B(第四层)而已，尽量使得A获利最小，因此当遇到使得A获利更小的情况，则需要修改β。这里3小于正无穷大，所以β修改为3。
(第四层)这里17大于3，不用修改β。
对于A(第三层)而言，自己获利越大越好，因此遇到利益值大于α的时候，需要α进行修改，这里3大于负无穷大，所以α修改为3
B(第四层)拥有一个方案使得A获利只有2，α=3, β=2, α > β, 说明A(第三层)只要选择第二个方案, 则B必然可以使得A的获利少于A(第三层)的第一个方案,这样就不再需要考虑B(第四层)的其他候选方案了,因为A(第三层)根本不会选取第二个方案,多考虑也是浪费.
B(第二层)要使得A利益最小,则B(第二层)的第二个方案不能使得A的获利大于β, 也就是3. 但是若B(第二层)选择第二个方案, A(第三层)可以选择第一个方案使得A获利为15, α=15, β=3, α > β, 故不需要再考虑A(第三层)的第二个方案, 因为B(第二层)不会选择第二个方案.
A(第一层)使自己利益最大,也就是A(第一层)的第二个方案不能差于第一个方案, 但是A(第三层)的一个方案会导致利益为2, 小于3, 所以A(第三层)不会选择第一个方案, 因此B(第四层)也不用考虑第二个方案.
当A(第三层)考虑第二个方案时,发现获得利益为3,和A(第一层)使用第一个方案利益一样.如果根据上面的分析A(第一层)优先选择了第一个方案,那么B不再需要考虑第二种方案,如果A(第一层)还想进一步评估两个方案的优劣的话, B(第二层)则还需要考虑第二个方案,若B(第二层)的第二个方案使得A获利小于3,则A(第一层)只能选择第一个方案,若B(第二层)的第二个方案使得A获利大于3,则A(第一层)还需要根据其他因素来考虑最终选取哪种方案.
Alpha-Beta剪枝算法(Alpha Beta Pruning)
[说明] 本文基于<<CS 161 Recitation Notes - Minimax with Alpha Beta Pruning>>，文中的图片均来源于此笔记。
Alpha-Beta剪枝用于裁剪搜索树中没有意义的不需要搜索的树枝，以提高运算速度。
假设α为下界，β为上界，对于α ≤ N ≤ β:
若 α ≤ β 则N有解。
若 α > β 则N无解。
下面通过一个例子来说明Alpha-Beta剪枝算法。
上图为整颗搜索树。这里使用极小极大算法配合Alpha-Beta剪枝算法，正方形为自己（A），圆为对手（B）。
初始设置α为负无穷大，β为正无穷大。
对于B(第四层)而已，尽量使得A获利最小，因此当遇到使得A获利更小的情况，则需要修改β。这里3小于正无穷大，所以β修改为3。
(第四层)这里17大于3，不用修改β。
对于A(第三层)而言，自己获利越大越好，因此遇到利益值大于α的时候，需要α进行修改，这里3大于负无穷大，所以α修改为3
B(第四层)拥有一个方案使得A获利只有2，α=3, β=2, α > β, 说明A(第三层)只要选择第二个方案, 则B必然可以使得A的获利少于A(第三层)的第一个方案,这样就不再需要考虑B(第四层)的其他候选方案了,因为A(第三层)根本不会选取第二个方案,多考虑也是浪费.
B(第二层)要使得A利益最小,则B(第二层)的第二个方案不能使得A的获利大于β, 也就是3. 但是若B(第二层)选择第二个方案, A(第三层)可以选择第一个方案使得A获利为15, α=15, β=3, α > β, 故不需要再考虑A(第三层)的第二个方案, 因为B(第二层)不会选择第二个方案.
A(第一层)使自己利益最大,也就是A(第一层)的第二个方案不能差于第一个方案, 但是A(第三层)的一个方案会导致利益为2, 小于3, 所以A(第三层)不会选择第一个方案, 因此B(第四层)也不用考虑第二个方案.
当A(第三层)考虑第二个方案时,发现获得利益为3,和A(第一层)使用第一个方案利益一样.如果根据上面的分析A(第一层)优先选择了第一个方案,那么B不再需要考虑第二种方案,如果A(第一层)还想进一步评估两个方案的优劣的话, B(第二层)则还需要考虑第二个方案,若B(第二层)的第二个方案使得A获利小于3,则A(第一层)只能选择第一个方案,若B(第二层)的第二个方案使得A获利大于3,则A(第一层)还需要根据其他因素来考虑最终选取哪种方案.
‘陆’ 什么是阿尔法模式
阿尔法模式【Alpha】 这是Authorware 5中新增的一种绘图模式。使用这种模式，使具有Alpha通道的图形显示出Alpha效果。所谓Alpha通道，是一个透明的通道，它使得在它后面的显示对象可以透过它显示出来，从而显示出一种前面与后面的对象混合显示的效果。 注意：对不具有Alpha通道的图形或图像使用Alpha模式，将不能显示出Alpha效果。
‘柒’ 阿法狗用的什么算法
阿尔法围棋（AlphaGo）的主要工作原理是“深度学习”。“深度学习”是指多
层的人工神经网络和训练它的方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活方法取权重，再产生另一个数据集合作为输出。这就像生物神经大脑的工作机理一样，通过合适的矩阵数量，多层组织链接一起，形成神经网络“大脑”进行精准复杂的处理，就像人们识别物体标注图片一样。
主要包括4个部分：
1. 走棋网络（Policy Network），给定当前局面，预测/采样下一步的走棋。
2. 快速走子（Fast rollout），目标和1一样，但在适当牺牲走棋质量的条件下，速度要比1快1000倍。
3. 估值网络（Value Network），给定当前局面，估计是白胜还是黑胜。
4. 蒙特卡罗树搜索（Monte Carlo Tree Search，MCTS)，把以上这三个部分连起来，形成一个完整的系统。
阿尔法围棋（AlphaGo）是通过两个不同神经网络“大脑”合作来改进下棋。这些大脑是多层神经网络跟那些Google图片搜索引擎识别图片在结构上是相似的。它们从多层启发式二维过滤器开始，去处理围棋棋盘的定位，就像图片分类器网络处理图片一样。经过过滤，13 个完全连接的神经网络层产生对它们看到的局面判断。这些层能够做分类和逻辑推理。
‘捌’ 相比其他的识别技术，阿尔法鹰眼主要实现的是对人类什么的识别
相比其他的识别技术，阿尔法鹰眼主要实现的是对人类情感的识别技术
“阿尔法鹰眼”的学名是情感人工智能反恐安防系统。它的理论基础是1914年生理学医学诺贝尔奖获得者奥地利科学家巴拉尼的“VER前庭情感反射”：人体自体原发性紧张是一种情感的表达，会通过能量的变化表现出来。巴拉尼的发现在100年后被一群来自中国人民大学、延边大学和韩国汉阳大学从事数学、计算机和电子工程研究的专家加以发挥和突破。
(8)阿尔法算法扩展阅读
“阿尔法鹰眼”实际运用：
和人脸识别不同，“阿尔法鹰眼”是一种动态识别，可因时因地因人开展工作，还会像“阿尔法GO”一样不断学习、进步。在实际运用场景中，“阿尔法鹰眼”会通过阈值设定给出不同的安全状态，例如小于60%为安全，大于60%为危险。
当然你也可以根据需要个性化订制阈值。这样，当被检测者走过摄像安检通道的5至10秒内，“阿尔法鹰眼”就能分析出该人的安全值，如果显示安全状态阈值大于60%，意味着该人的情绪和行为异于常人，需要进行进一步安全检查。“阿尔法鹰眼”就是这样在无任何已知信息的情况下快速识别出有犯罪意图和暴力倾向的潜在危险人群。
‘玖’ 【急】AlphaBeta算法该怎么理解
如果你觉得理解了思路但看不递归， 应该是说里面的负值极大部分。
负值极大值搜索是极小极大值搜索的一个改进。它的返回值代表当前方是否占优，搜索中如果要使用子结点的返回值则需要加上负号，因为子结点的返回值表示子结点对对方是否占优。相比较极大极小值搜索，它并没有带来结果上的改变和效率上的优化，然而它使代码更短，更方便维护。
其实这个就是负值极大和ab一起用的 过程中每层把alpha beta的值也颠倒过来并加负号 这个和ab的搜索思路无关 只是一个简化代码的技巧
如果您还是不懂 您可以写一个不带负值极大的ab搜索 那样一般是分两个函数写 一个最大 一个最小