《易经》的“易”字，有其象形含义，以古典讲“易”字上为“日”，下为“月”，日月变化无穷。日月的变化，引出中国历史悠久的纪年历法，其中“三元”与“九运”更涉及我们时下的投资领域。何谓“三元”?一元即六十年一花甲之谓，堪舆学家用以纪年，以推测地之生旺衰败。一元六十年，三元即180年;三元又分上中下，亦谓之天地人三元;每元分六甲，各管六十年，一百八十年为一週，周而复始，循环前进。再讲“九运”?一元分三运，三元共九运，一二三运为上元，四五六运为中元，七八九运为下元，每运二十年。与我们近代最接近的三元时间分别是：上元由1864年至1923年;中元由1924年至1983年;下元由1984年至2043年。现在运行在下元六十年，而2004年至2023年为八白艮，属土五行，这20年是房地产业十分兴旺蓬勃发展周期，善把握者可与时俱进的财富收益。那么2024年至2043年这二十年将步入“九运”，也就是九紫离，属火五行，展望未来属于火五行的电子科技及饮食行业等行业，将会独领风骚。

2023年6月26日附近

人工智能需要意识吗？

据澎湃新闻报道，特斯拉公司首席执行官马斯克表示，特斯拉将以测试的形式接受狗狗币作为付款方式。马斯克当日发布推文称，“特斯拉将允许使用狗狗币购买部分商品，看看进展如何。”不过他没有具体说明可以用这一另类资产购买哪些商品。

一般情况下，一次调整的幅度在前一浪的0.618位置处等到支撑，极端情况是回落至0.382处遇反弹支撑。

德国科学家团体周二发表论文称，在实验室环境下，礼来新冠中和抗体Bamlanivimab、Etesevimab，以及再生元的Ronapreve对于奥密克戎变异毒株的中和活性显著降低。这也意味着如果该毒株成为优势毒株，能够应对的治疗手段也将显著减少。

Tallinn的观点自然也不乏批评者，甚至在关注人工智能安全的群体中也是如此。有人反对说，当我们还不了解超级人工智能时，担心它还为时过早。还有人说，把注意力集中在流氓技术行动者身上，会分散人们对该领域面临的最紧迫问题的注意力——比如大多数算法是由白人男性设计的，或者基于对他们有偏见的数据。“如果我们不在短期内应对这些挑战，我们就有可能建立一个我们压根不想生活在其中的世界，”Partnership on AI执行董事Terah Lyons表示。该组织是一个关注人工智能安全和其他问题的多方利益相关者组织。但Lyons补充称，研究人员近期面临的一些挑战——比如消除算法偏见——是人类可能在面对超级人工智能时看到的一些挑战的先兆。

Koushik Roy, Abtahi Ishmam, Kazi Abu Taher

?交替规则：在整个浪形循环中，方向相同的两浪会以“简单、复杂”或者是“复杂、简单”的形态交替出现，例如：第2浪和第4浪就性质而言，都属于逆流行走的调整浪，如果第2浪以简单的形态出现，则第4浪多数会以较为复杂的形态出现。这条规则能较好地帮助股民分析和推测市场价格的未来发展和变化，从而把握出入的时机。

对于所有在整个大趋势中的次级下跌和短期变动，他们是不会去理会的。当然，对于那些作经常性交易的人来说，次级变动是非常重要的机会。

次级趋势：
它是主要趋势运动方向相反的一种逆动行情，干扰了主要趋势。在多头市场里，它是中级的下跌或“调整”行情;在空头市场里，它是中级的上升或反弹行情。

美国核心PCE价格指数年率

而浪的总数据也会是弗拉纳奇数列中的数字。

如下图所示为上证指数2005年2月至2008年12月期间走势图，上证指数在此期间出现了牛、熊交替走势，股民正好可以借用波浪理论的五升三降八浪循环模式来加以把握。图中用箭头标注了每一个浪，可见，若将波浪理论应用于实盘操作中，这将对股民把握股市的运行是极有帮助的。

所以，在建立一个新框架之前，我们需要回归金融指数的本来功能。如果指数是用来作为一个投资者投资成败的衡量标尺的话，它会包含三个层面的内容：透明、可投资以及系统化。传统的指数，比如标普500，毫无疑问满足以上三种要求，但那些包含更多主动投资因素的指数，同样也满足这些要求。在这样的新定义下，金融指数会变得非常复杂。为了和传统的市值型指数相区别，在本文中，我们会将传统指数称为静态指数，而其他复杂的指数形态则称为动态指数。

波浪的层次，主要是大浪套小浪，浪中有浪。浪可以合并及分拆，浪的合并及细分也需要遵守一定规则：

Smart beta革命带来的最大问题在于，可能把投资者和管理者带进了回测偏误的陷阱。假设我们要构建一个投资组合，投资组合里的每一份资产都可以用它的夏普比率来衡量投资价值，但是夏普比率本身又是不可直接观测的，我们就要基于信息来估计这个比率。而估计本身则会受到估计偏误的影响。

1、Integrating LSTMs and GNNs for COVID-19 Forecasting

arxiv 2202.08897

2、Hydroelectric Generation Forecasting with Long Short Term Memory (LSTM) Based Deep Learning Model for Turkey

水力发电是一种可再生能源，基于水库的液压发电厂的生产根据不同的参数而变化。因此水力生产的估计在发电计划方面变得重要。在本文中，通过基于LSTM网络深度学习模型进行了土耳其每月水电生产的估计。设计的深度学习模型基于多年的水力生产时间序列和未来的生产计划。通过使用真实的生产数据和不同的LSTM深度学习模型，检查了它们对明年液压发电的每月预测的性能。结果表明，将基于多年实际生产数据的时间序列与深度学习模型结合起来进行长期预测是成功的。在这项研究中可以看出100层LSTM模型，其中120个月（10年）根据RMSE和MAPE值使用了120个月（10年）的水力发电时间数据，就估计准确性而言是最高模型。在该模型中使用了100层LSTM模型，144个月（12年）的时间数据，每年29,689的水电生成数据，每月分布的时间为29,689。根据研究的结果，建议使用LSTM创建可接受的水力预测模型，涵盖至少120个月的生产时间数据

arxiv 2109.09013

3、Long Short-Term Memory Neural Network for Financial Time Series(arXiv)

arxiv 2201.08218

4、Demand Forecasting in Smart Grid Using Long Short-Term Memory(arXiv)

随着智能计量电网的兴起，电力行业的需求预测已成为现代需求管理和响应系统的重要组成部分。长短时记忆(Long - term Memory, LSTM)在预测时间序列数据方面表现出良好的效果，并可应用于智能电网的电力需求。本文提出了一种基于神经网络结构LSTM的电力需求预测模型。该模型使用智能电网四年来每小时的能源和电力使用数据进行训练。经过训练和预测后，将模型的精度与传统的统计时间序列分析算法(如Auto-Regressive/AR)进行比较。LSTM模型的平均绝对百分位误差为1.22，是所有模型中最小的。研究结果表明，将神经网络应用于电力需求预测可以显著降低预测误差。因此，LSTM的应用可以使需求响应系统更加高效。

arxiv 2107.13653

5、Forecasting Commodity Prices Using Long Short-Term Memory Neural Networks(arXiv)

本文应用RNN方法对棉花和石油价格进行预测。论文展示了这些来自机器学习的新工具，特别是长-短期记忆(LSTM)模型是如何补充传统方法的。论文的结果表明，机器学习方法拟合数据相当好，但在样本外预测方面并不优于经典的系统方法，例如如ARIMA模型。但是将这两种模型的预测平均起来，会比任何一种方法得到更好的结果。与ARIMA和LSTM相比，棉花的平均预测均方根误差(RMSE)分别降低了0.21和21.49%。就石油而言，预测平均法在RMSE方面没有提供改善。论文的建议是使用预测平均法，并将分析扩展到广泛的商品价格范围。

arxiv 2101.03087

上一篇：湖北水泥龙头股(华东水泥龙头股)

下一篇：股票000514(股票开户)