科研系学霸 第15章 新的研究方向
米国，马萨诸塞州剑桥市，查尔斯河畔对岸，一片红砖与灰石相间的建筑群在晨雾中若隐若现
这就是世界著名的麻省理工学院
经典的红砖建筑中，某间办公室里，一位中年男子正坐在电脑前
何凯明，计算机领域绝对的大牛！
其提出的ResNet在计算机视觉领域可以说是绝对的基石之作
哪怕是众所周知的《》这种世界顶级的期刊，其正刊中99%的文章都被ResNet碾压，因为光光是引用量，ResNet就已经达到了恐怖的十万加，这无疑是一个非常离谱的数字
由此其实也能看出在计算机领域，很多传统的顶尖期刊，比如《》、《Cell》，都已经被打入冷宫
而的科研成就中，就算去掉ResNet这篇旷世之作，也丝毫不影响仍然是一个顶级大佬
虽然目前是麻省理工学院电气工程与计算机科学系的副教授，但仍然是华国国籍，也是此次NeurIPS的高级区域主席，简称
主要工作就是就是负责监督区域主席（AC）还有审稿人的审稿工作，并在们出现分歧的时候提供自己的见解，
一般来说很少亲自去看这些论文，基本都是扫一眼就分给下面的审稿人进行审稿
不过，面前的屏幕上，那篇名为《AgileEdge:-LatencyEdgeAI》的论文让提起了几分兴趣
大约一个小时后，何凯明教授靠在椅背上，长长地呼出一口气，眼神中带着一丝赞许，虽然没有深入阅读，但在心里，已经给出了一个不低的评价
“很有趣的工作，也不知道作者是谁”回到SAC的管理界面，将这篇论文分给了四个合适的审稿人
尽管已将论文分配给手下的审稿人，但何凯明还是决定自己也深入看一看这篇论文
倒了一杯咖啡，轻轻抿了一口，重新打开论文，开始仔细研读起来
不过远在大洋彼岸的周昀并不知道的论文此刻怎么样了，现在正面临着一个问题——快没钱了
买了辆公路车，就消耗了二分之一的存款，再加上这一个月的伙食费又消耗了三分之一的存款
现在周昀手里只剩下一千块了，如果不向家里要的话，这点钱恐怕也就勉强撑到下一发劳务费
周昀一只手撑着头，呆呆地盯着电脑屏幕
“该怎么赚钱呢？”
其实方法还是有不少的，比如去做家教，或者做一些兼职什么的
但是太麻烦了，只是缺钱，并不是要饿死了，浪费时间去做这些东西，还不如找家里要钱呢
“有什么方法既能搞科研，又能赚钱呢？”这也是最为理想的情况
就在这时候，旁边的邱彦传来一声惨叫
“啊！怎么又跌了！？早知道不买这支股了”邱彦一脸生无可恋的靠在椅子上，手里的手机发出一片绿光
“谁让喜欢买个股的？不像只买银行，亏也亏不了多少”
“别骂了别骂了，再也不碰个股了！”
对面的沈瑞冷笑一声：“上次不就这么说的？结果还不是又买了？”
邱彦撇了撇嘴，有些心虚：“那它都跌成这样了，不抄底？谁能想到还能跌啊！”
“这就是所谓的，别人恐惧贪婪，别人贪婪恐惧？当是巴菲特呢？”不远处的俞天睿无情地嘲讽
面对同门的嘲讽，邱彦无话可说
“别光说啊，今天怎么样？”
“嘿嘿，这可是自己问的，是不想说的，怎么知道今天买的股票涨停了？”
说着扬起手中的手机，红彤彤的界面，和邱彦手中的绿光形成了鲜明的对比
“别说了，有个朋友有点不舒服了”
听着几个师兄的讨论，周昀眼睛一亮
股票+深度学习模型，这不就是既能赚钱，又能搞科研的方法吗？
而且现在这种模式已经非常成熟了，就是大家所熟知的量化交易
量化交易的本质是基于数据和算法，通过建立数学模型来识别市场中的统计学规律，并依据这些规律进行自动化交易
通俗来讲，可以把那些基于复杂模型和算法的量化交易策略，抽象的看成是一个Y=f的函数
X代表了各种市场数据、经济指标等等，也就是所有可能影响市场走势的信息这些可以是历史价格、成交量、订单簿数据、新闻情感、公司财报、宏观经济数据等等
Y代表了模型的交易决策或预测，比如买入/卖出信号、仓位大小、预测的价格方向或波动率等
这其实和神经网络是一样的，因为神经网络的本质就是通过海量的数据来尝试拟合或学习一个复杂的非线性函数
所以现在的量化交易越来越普遍地使用神经网络，尤其是深度学习模型
只不过这种模型肯定都是不可能开源的，毕竟这都是人家吃饭的家伙事
周昀越想越觉得可行
如果真的能搞出来，毫不夸张的说，就真的不缺钱了
但是饭要一口口吃，科研也得一步步来
想要训练一个涵盖整个股市的模型，光凭现在的资源肯定是远远不够的，但是如果只是仅仅训练一个可以预测一支股票的模型，周昀觉得，可以尝试一下
确定了接下来的研究方向，周昀当即就行动起来
这种股票预测任务，在AI领域有一个专门的名词叫做——TSF，即TimeSeriesForecasting，时间序列预测
现有的TSF算法很多，但如果想将这些算法直接运用到股票交易的预测中，那不给底裤亏光都算是不错了，
毕竟如果真这么简单的话，研究这些算法的人，一个个早就变成亿万富翁了
主要的难点其实可以总结为两个
第一个就是高质量且海量的历史数据，这个其实不难搞，就是麻烦，毕竟要把们整理成可以训练的数据还是需要一些处理的
第二个就是算法本身了，别看很多论文里把自己的算法吹的有多牛逼，但那都是在特定数据集上的结果，
事实上很多算法别说换数据集了，哪怕是稍微调整一下数据集的数据分布，结果都会大为不同