🎯要点

  1. 投资者根据多个目标和风险承受能力找到最佳分配权重,获得更高夏普比率。
  2. 模拟自旋玻璃模型,绘制模型测量热图以及量子近似优化算法。
  3. 神经网络广义方程对免疫库分类学习。

🍁磁态分析

Python和C++及MATLAB低温磁态机器学习模型

%%{init:{'gitGraph':{'mainBranchName':'自旋玻璃'},'themeVariables':{'commitLabelBackground': 'None','commitLabelFontSize':'30px'}}}%%
  gitGraph
   commit id:"数学"
   commit id:"凝聚态物理学"
   branch "Python和MATLAB自旋玻璃投资组合神经网络广义方程"
   branch "Python和C++及MATLAB低温磁态机器学习模型"
   checkout "Python和MATLAB自旋玻璃投资组合神经网络广义方程"
   commit id:"模拟"
   commit id:"热图"
   commit id:"量子近似优化算法"
   checkout "Python和C++及MATLAB低温磁态机器学习模型"
   commit id:"小规模磁态训练模型"
   commit id:"贪婪算法"
   commit id:"模拟退火算法"
   commit id:"并行回火算法"
   commit id:"图神经网络"
   commit id:"机器学习"
   checkout "自旋玻璃"
   merge "Python和MATLAB自旋玻璃投资组合神经网络广义方程"
   merge "Python和C++及MATLAB低温磁态机器学习模型"

🍁三种广义方程结构

stateDiagram-v2
 P:投资组合优化
 M:$$F=\\sum_{i j}C_{ij} n_i n_j-\\zeta \\sum_i R_i n_i$$

 S:自旋玻璃
 K:$$H=\\sum_{i j} J_{i j} s_i s_j+\\sum_i h_i s_i$$
 

 N:神经网络
 H:$$E=\\sum_{i j} w_{i j} v_i v_j+\\sum_i \\theta_i v_i$$
 
 state j <<join>>

 P-->j
 S-->j
 N-->j

 j-->M:马科维茨模型
 j-->K:谢灵顿-柯克帕特里克模型
 j-->H:霍普菲尔德模型

🍪语言内容分比

pie title 语言分比
 "Python":90
 "MATLAB":60
 "C/C++":20
pie title 内容分比
 "广义方程":90
 "算法":60
 "数学":70
 "金融投资":50
 "量子计算":40
 "神经网络":30

✂️梗概

🍇Python自旋玻璃

在凝聚态物理学中,自旋玻璃是一种以随机性为特征的磁态,此外在称为“冻结温度”的温度下自旋冻结时具有协同行为。$T_{ f }{ }$ 在铁磁固体中,组成原子的磁自旋都沿同一方向排列。与铁磁体相比,自旋玻璃被定义为“无序”磁态,其中自旋随机排列或没有规则模式,耦合也是随机的。

“玻璃”一词源于自旋玻璃中的磁无序与传统化学玻璃(例如窗玻璃)的位置无序之间的类比。在窗玻璃或任何非晶态固体中,原子键结构非常不规则。相反,晶体具有均匀的原子键模式。在铁磁固体中,磁自旋都沿同一方向排列,这类似于晶体的晶格结构。

自旋玻璃主要有两个方面。在物理方面,自旋玻璃是具有独特性质的真实材料。在数学方面,受真实自旋玻璃启发的简单统计力学模型得到了广泛的研究和应用。自旋玻璃及其内部产生的复杂内部结构被称为“亚稳态”,因为它们“卡”在除最低能量配置(对齐和铁磁性)之外的稳定配置中。这些结构的数学复杂性很难,但通过实验或模拟进行研究很有成效;可应用于物理学、化学、材料科学和计算机科学中的人工神经网络。

让我们采用蒙特卡洛模拟,看看当我们改变 $p$ 时会发生什么。我们将取一个大小为 $N \times N$ 的数组,并根据上面的概率开始填充旋转。首先,我们必须引入一个额外的概率 $p_0$,即第一个(假设左上角)旋转为 $\uparrow$ 的概率。一旦我们设置了第一个旋转,我们就可以设置第一行中的其余旋转。一旦我们到达第二行,我们就会遇到困难。它上面的旋转已经设置好了,所以这些旋转有 2 个已设置的邻居。我们需要以与 p 的基本定义一致的方式,给定 2 个邻居 $n_1$ 和 $n_2$,计算条件概率 $P\left(s=\uparrow \mid n_1=., n_2=.\right)$。利用贝叶斯定理,对于 $P\left(s=\uparrow \mid n_1=\uparrow, n_2=\uparrow\right)$ 的具体情况:

$$ P\left(s=\uparrow \mid n_1=\uparrow, n_2=\uparrow\right)=\frac{P\left(s=\uparrow, n_1=\uparrow, n_2=\uparrow\right)}{P\left(s=\uparrow, n_1 \uparrow \uparrow, n_2=\uparrow\right)+P\left(s=\downarrow, n_1=\uparrow, n_2=\uparrow\right)} $$