优势有：提供稳定的编译好的最新framework包提供加速比高的并行训练框架，例如DDL和Fabric提供Large Model Support功能，支持GPU显存和CPU内存统一寻址，利用CPU和GPU之间的NVLink高速带宽，实现更多的训练场景PowerAI中的Power GPU服务器提供更为优化的深度学习计算架构提供一整...

早些年，金融行业的信息技术部门只是被人当做技术性运维部门，说难听点，跟修机器的也没什么区别。但是最近几年随着互联网信息化的发展，金融公司也开始转变思维做差异化服务，做具有核心竞争力的自主化产品，以往各个公司购买相同产品，靠业务经理拉客户的传统模式越来越弱化，技术将直...

您有丰富的数据挖掘经验，而且能够抽取具体的指标模型，只是样本比较少，这种场景非要使用深度学习也是可以的，但是我认为有点大材小用了，不建议使用。以市场违规模型为例，因为您数据量小，模型可以随时生成，不需要训练固化，直接使用挖掘出来的模型即可，如果模型不好，还可以实时调整策略...

关于要用到哪些数据，这些完全是业务需求所决定的。至于技术上，我觉得如果要做实体与账户实体的关系，这最好用到知识图谱，如果不做知识图谱，纯做实体画像，就要把账号信息挂靠在实体属性中，这样的做法不太灵活，具体实现还是要看您的业务需求而定。如果用到知识图谱，我觉得最好使用图...

量化交易改变了传统交易模式，通过规则模型将交易过程数字化，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，减少了投资者情绪波动的影响，利用计算机实现交易自动化。量化交易与传统交易的关键点在于是否有个健全的计算机模型，代替人脑去...

tensorflow是支持分布式部署的，现在也能运行在大数据平台上，被yarn调度运行，性能应该是不错的，毕竟是谷歌出品。选择一个合适自己的框架是非常重要的，需要考虑的是自己业务的需求是否能满足，比如是否要分布式计算，是否易用，与大数据平台是否需要互通，是否易于管理等等，这需要对这些...

从技术上考量，肯定是要用您说的第二种比较好，从易到难，这样每个阶段都有成果输出，不然一下子切入到很难的工作中，往往会遇到很多困难和问题，而且也没有成就感。做这些智能系统，技术上是没有唯一的标准的，都是在探索中前进，目标是100%，但是几乎很难达到，所以肯定要分阶段实施，不断逼近...

这个没有标准答案，还是要看您怎么看待这些影响因子的，所以说模型很难建立，每个人心中的模型也可能是不一样的。如果是我的话我会将政策划分等级，比如1到5，每个等级有个评判标准，这样，就可以对政策的颁布信息进行量化了，美国市场加息政策也是如此，为什么我们会提到美国加息，就是因为...

现在比较流行的是基于spark的机器学习，深度学习这块用得比较多的是tensorflow，MxNet，框架以开源为主，建议辅以商用管理软件，自研也可以，但是会有一定的建设成本。金融领域的应用比较多，现在很多券商都在实践量化交易，量化投资，智能风控，信用评级等等应用...

认为不可解释是将深度神经网络当成一个黑盒子来使用。咨询过一些数据科学家，他们认为深度网络实际上是一个有效信息提取抽象的过程，其实深度神经网络的每一层（又叫特征图）都是很有用的，合理地使用深度学习技术，可以更好将研究的事物转换成一个易于处理的特征（数值向量）来处理。图...