在本节中，我们将讨论如何在对学生一无所知的情况下，例如入学的新生，转学过来的学生，利用我们上一节中讲到的基于深度学习的推荐系统，给学生推荐适合的题目。所有推荐系统，比较难解决的问题就是冷启动问题，就是在系统运行初期，没有学生做练习题目的数据，而我们要推荐的话，这些数据是必须的。通常解决方法是找一批种子用户，让他们来做这些题目，然后我们根据学习做题正确情况，所用时间等信息，给出学生对题目的需要程..

在前面几节中，我们向大家介绍了基于深度学习的推荐系统的数学原理，在这一节中，我们讨论怎样使用TensorFlow来实现这些数学原理。我们知道，TensorFlow对于深度学习算法的实现有很多资料参考，但是我们前面介绍的推荐系统，与一般的深度学习网络有很大的不同，属于Matrix Factorization的一种，所以在具体实现中，需要对TensorFlow有一个较为深入的了解，才能写出一个较好的解

在上一篇博文中，我们介绍了长短时记忆网络的基本概念，在这一节中，我们将以长短时记忆网络（LSTM）为例，讲解深度学习算法在股票价预测中的应用。我们要分析的数据如下所示：各列依次为：股票代码、日期、开盘价、收盘价、最低、最高、交易量、金额、涨跌幅、第二天的最高价。我们首先读入训练样本集，代码如下所示：import numpy as npimport pandas as pdimport...

在这一节中，我们将先向大家介绍长短时记忆网络（LSTM），然后详细讲解怎样使用长短时记忆网络（LSTM）来预测股票价格，为了避免人为因素干拢，我们还以上证综指为例来进行说明。长短时记忆网络（LSTM）股票交易数据是一种典型的时序信号，需要处理较长的时间序列，有时为了准确的进行股票价格预测，可能会需要看几周甚至几个月的历史数据，如果采用普通的多层感知器模型的话，那么要求输入层维度就非常大，整个网..

在这一节中，我们将先向大家介绍长短时记忆网络（LSTM），然后详细讲解怎样使用长短时记忆网络（LSTM）来预测股票价格，为了避免人为因素干拢，我们还以上证综指为例来进行说明。长短时记忆网络（LSTM）股票交易数据是一种典型的时序信号，需要处理较长的时间序列，有时为了准确的进行股票价格预测，可能会需要看几周甚至几个月的历史数据，如果采用普通的多层感知器模型的话，那么要求输入层维度就非常大，整个网..

在上一篇博文中，我们介绍了长短时记忆网络的基本概念，在这一节中，我们将以长短时记忆网络（LSTM）为例，讲解深度学习算法在股票价预测中的应用。我们要分析的数据如下所示：各列依次为：股票代码、日期、开盘价、收盘价、最低、最高、交易量、金额、涨跌幅、第二天的最高价。我们首先读入训练样本集，代码如下所示：import numpy as npimport pandas as pdimport...

在本篇博文中，我们将以一个虚拟的供应链为例，讲解供应链金融的商业逻辑。为我们后续实现区块链供应链金融打下基础。我们假设存如下的自行车供应链，供应链的核心企业是自行车厂：我们假设银行年化收益率为3%，供应链的核心企业为自行车厂，信用在一级供应商和分销商之间为100%，以后每级递减20%。这个供应链金融系统的参与者如下所示：假设2020年自行车厂想生成价值2亿元的自行车，供应链运作如下：...

在本篇博文中，我们将讲解在金链盟下，编写一个最简单的用户间转账的智能合约，并通过Java应用程序调用这个智能合约，为我们实现复杂的区块链供应链金融应用打下基础。...

订单类当回测系统运行时，我们所开发的策略，会根据市场行情数据，生成相应的买入、卖出操作，这时就会产生订单。订单包括时间戳、交易标的代码、买卖操作、数量、价格、头寸等信息，产生订单后，会将订单提交给broker来进行处理，会进一步添加执行时间、交易价格、交易数量信息。我们这里先只处理市场价订单，其他类型订单，如限制、终止订单等，可以在这个基本系统上进行扩展。class Order(object):#

在本篇博文中，我们将介绍强化学习环境类SopEnv的具体实现。SopEnv类的基类为gym.Env类，这样做的目的是为了与当前主流的强化学习系统兼容，我们需要重写该类的四个方法：reset：重置系统为初始状态；_next_observation：获取并返回环境状态；_take_action：执行Agent所选择的行动；step：最重要的方法，在该方法中执行如下操作：执行Agent选择的行动；获取当