Archive for the ‘工作学习’ Category

陈智军供应链骗贷案发 工行十堰分行陷泥潭

Tuesday, September 11th, 2018

这个剧情我好像在哪里看见过。

此外,在陈智军“系”融资风险暴露后,十堰分行继续向部分企业发放小企业贷款,用于偿还之前的贷款,称之为“为了缓释风险”,而这些小企业贷款,最终也未能按期偿还。

Source: 特稿|陈智军供应链骗贷案发 工行十堰分行陷泥潭_金融频道_财新网

香港楼市迎来最强逆风

Monday, September 10th, 2018

时光倒流价,真会说,信不信倒回1997。

相隔八个月,在楼价双位数上升的市场环境下,开发商新盘价格不升反降,新鸿基地产副董事总经理雷霆当时称这一价格为“时光倒流价”,仅指出未来有加价空间,但避谈为何减价。9月2日,“汇玺II”加推时的折实均价虽有上调,但仍没有高过去年12月的价格。

Source: 香港楼市迎来最强逆风_财新周刊频道_财新网

资管新规细则解市场疑惑 去杠杆缓节奏非放松

Tuesday, July 24th, 2018

从政策来看,资管新规细则比预期的要松一些,比如过渡办法和公募理财的投放标的,但是整体说来肯定比资管新规出来之前要严。

影子银行不能像以前那样玩了。但是我听说有新的玩法,云链金融了解一下。

7月20日晚,人民银行发布《关于进一步明确规范金融机构资产管理业务指导意见有关事项的通知》(下称《通知》),细则共六条。其中,对市场影响较大有三:首先是明确了在符合资管新规有关非标投资期限匹配、限额管理、信息披露等监管要求前提下,公募资管产品可以适当投资非标产品;二是允许在整体规模压降的前提下,过渡期内发行的老产品投资新资产;三是进一步明确过渡期内适用摊余成本法估值的产品类型。

Source: 资管新规细则解市场疑惑 去杠杆缓节奏非放松_金融频道_财新网

在Google Colab上完成Coursera的作业

Tuesday, July 10th, 2018

最近开始学国立高等经济学院的机器学习课程,和之前 Andrew Ng 的课程不同的是,这个课程大量用编程而不是视频来带动教学。而且这些程序用了行业通用的数据库,并且从零开始训练,而不是只训练一个epoch就加载由老师训练好的模型进行验证。

因此,这个课程的机器学习过程,在CPU上经常需要数小时完成,更别谈用Coursera自己在线的那个服务了(不太稳定)。

Google为数据分析及机器学习学生准备了一个平台:Colab。这个平台最棒的地方是完全免费的提供了一个GPU供使用,但限制在12个小时内。
但是这个平台并不能直接用来跑Coursera的课程。虽然两个平台用的都是Jupyter notebook格式的文件,但Goolge限制了对文件系统和目录的访问,最直接的表现就是,Colab一次只能运行一个notebook,运行下一个的时候,未必是同一个环境。

那么有没有hack的办法呢?我成功了。

TL;DR: 你需要把所有需要的Notebook合并成一个,并且用Google的API把一些依赖库上传到环境中。

以第一个专项课程第四周的第一个作业为例。

通过分析,完成这个作业需要用到两个notebook,其中一个用来下载测试数据,另一个才是课程代码。
课程还需要数个*.py的库,因此,我做了一个初始化环境的notebook
使用时,将这个初始化脚本下载资源作业本身的notebook用nbmerge命令合并成一个notebook并传到自己的Google Drive。(这个命令没有的话用pip安装)
然后,因为文件目录结构发生了变化,download_utils.py 里面的文件位置需要改变,简单来说就是去掉所有的“../“。(链接的这份我已经改好了)
用初始化脚本第一行代码上传requirements文件和所有依赖的py库。注意,这个requirements文件我在官方的基础上做了修改,删除了tensorflow的版本要求,因为直接用Colab环境的版本适配GPU最方便。
完成以上工作以后,顺着notebook安装依赖库,下载训练数据,然后就可以开始写作业了。

但这个方案还是有些不完美的地方:

  • notebook里面的图片会显示不出来,因为根本就没上传。你可以从官方Github手动下载过去,我则是直接在Coursera上面打印一份PDF对照看。
  • 下载和训练的进度会显示不出来。这个我不知道是什么问题,网上搜不到多少类似案例。我用PyCharm跑notebook也有这个问题,但直接在浏览器中则不会。我倒是不纠结这个问题,因为Google的网速和GPU的训练速度快啊。

比起用CPU训练几个小时,现在几分钟就可以出结果,实在是太棒了!

Keras 2.1.3+ 的一个改变带来的问题

Tuesday, July 10th, 2018

今天被一个奇怪的事情折腾了一天:课程作业无法得到应有的结果,本应得到高于90%的准确率的模型,训练出来只有40%。
幸好在讨论区找到了答案:Keras在2.1.3版后,对BatchNormalization这个层的功能做了修改。但是这个修改并没有体现在Keras自己的文档中, 只在GitHub的问题区有零星的讨论。

不少人对这个改变有不同的看法,主要两种观点及其验证可以见以下三篇文章:1 2 3

总结来说,其实在2.1.2及之前,BN这个层是有bug的,这个bug就是:如果该层被设为trainable=False,实际在训练中,这个层还是会更新mean和variance的值,并且这些参数会更新到测试阶段使用。

到了2.1.3及以后,这个bug被消灭了,但是对很多做transfer learning的人来说,却有新的问题出现了。因为做transfer learning时,一般会导入Inception、ResNet等已经训练好的模型作为底层模型。这些底层模型的训练集和我们用来训练的数据肯定是有区别的,因此会导致BN这一层的mean和variance不正确。

如果是训练和测试的时候都一样错就罢了,起码模型的结果是一致的。Keras另一个参数trainning的默认值决定了模型在训练的时候,是以mini-batch的mean和variance数据来训练的,但并不会更新到模型中,因此测试用的mean和variance仍然是导入的模型的原始数据。

上面这种设计带来的结果就是,在某些情况下,同样的模型同样的数据,训练和测试的loss或者acc会差很远。因为是同样的数据,所以根本不是over-fitting的问题(虽然看起来很像)。这也正是我遇到的问题。

针对这个问题,解决办法有两个思路:

  1. 彻底锁死BN层的参数,即使训练阶段也不更新,可以通过设置training=False来实现。但是我初步测试了一下这个方法的训练效果不好。
  2. 把BN层设为可训练。我初步测试了一下跟2.1.2版的训练效果差不多。

一次司空见惯的利益输送

Monday, November 13th, 2017

前年的时候,公司CEO的司机给我们推荐了一个项目,是一个住宅项目。

待今年项目销售的时候,这位司机以成本价认购了其中一套,根据我们最后销售的情况,大约比市价便宜一百万。

然而故事还没完,我刚才说他认购吧,其实他根本没付钱,定金都没付,但是已经装修好了并且住进去了。

现在项目清算,清算报告会有个注脚写着应收某某xxx万购房款。

然而我觉得可能过两年也不会有人记得这个事情了。

满嘴跑火车和领导力

Tuesday, June 6th, 2017

之前经常怼的,业务部门的一个老总,原来也就比我高半级吧,今天被突然宣布接管一个副总裁的工作,成为了我的领导。

副总裁这一年半年业绩不好,也做了一些我觉得值得商榷的决策,然而人是不错的,对下属十分信任、友善,做事也有基本的原则。他被调离的更主要原因,可能是跟总裁的关系有裂缝。

这个业务部门的老总,很早做过房屋中介的,典型的中介性格:嘴非常能说,满嘴跑火车,然而事后可以证实或完成的一半不到。但他是一路跟总裁走过来的。

副总裁本来有很多机会可以压制这个老总,因为这个老总在业务上有很多不规矩的地方,我经常要曝这些事情出来,有一些被副总裁压着没发。主要原因,我估计还是因为副总裁更希望业务得到发展,因此允许犯一些“小错误”,也把一些暂时还没爆发的风险隐藏在他控制的范围中。但结果却变成了养虎为患。

似乎在这样一个变化的时代,满嘴跑火车,而不再考虑话语的责任(accountability),是领导力的一部分。是的,川普,我说的是你。

我已经不知道应该怎样在这样一个时代生存。

中国的房地产市场的腐烂根基

Sunday, October 16th, 2016

本文翻译自:http://www.economist.com/news/leaders/21708730-real-estate-elsewhere-its-economy-chinas-short-term-fixes-mask-deep-structural

就在一年前,政策制定者对中国股市暴跌竭嘶底里。现在则是中国的房地产市场泡沫造成国内外的担忧。由于房地产行业占了世界第二大经济体需求的约四分之一,市场崩溃的影响将远远超出一国的范围。事实上,就目前而言,中国也许可以避免灾难性的崩溃(见文章)。但它没有迹象表明能够实施必要的根本改革,以纠正价格剧烈波动的市场失调,从长远来看是危险的。

乐观地认为危机可以避免的一个原因是风险已经被识别。由于许多大城市的房地产价格在上海,深圳和南京每年飙升30%以上,甚至中央银行的首席经济学家也警告说存在“泡沫”。中国最富有的人(和房地产开发商)王建林上个月则更进一步,称之为“历史上最大的泡沫”。外国银行经济学家,当地经纪人和国家的智库都同意这个观点。今年的抵押贷款急剧上升,恐惧已经加剧。7月和8月,它们占新增银行贷款的近80%。

政府清楚地竖起了警告标志:在过去两个星期,房地产购买的政策在大约二十个城市收紧,表明中央政府推动地方政府遏制他们的房价过度上涨。紧缩措施(通常提高支付的购买价格的百分比作为现金首付)在过去是有效的。尽管最近的抵押贷款空前繁荣,中国家庭负债仍然较低。今年早些时候当影子银行开始借贷给购房者以支付预付款时,监管机构很快就禁止了这种做法——这与去年当当局对配资炒股无动于衷使股市泡沫般膨胀有所不同。

房价的上涨也强烈地提醒我们,中国对房地产的需求仍然如此疯狂。惠誉,一家评级机构,计算得出中国从现在到2030年每年将需要约8亿平方米的新房,以满足人们搬到城市和购买更好的家园的需求,这大约是新加坡的国土面积。这实际上不及中国最近每年完成的十亿平方米,但仍然是非凡的。

然而,由于政府的政策,所有这些住宅的市场仍然受到严重扭曲。最根本的是,政府不能按人们想要住的地方进行开发。因为它想要控制大城市的增长,所以限制了城市土地的供给。稀缺推高价格;建筑商和购房者都会付出奇高的溢价。较小的城市仍有大量未售出的房屋。当前的上涨没有对它产生多大影响。匹配供给通常不是主要考虑因素:因为土地销售是地方政府收入的重要来源。也不可能每个人都住在他们想要的地方,因为居留许可(户籍制度)仍然可以用来阻挡外地人。

家是我的巢

进一步被扭曲的是压抑的金融体系,限制了投资机会。外汇管制阻碍了国外的合法投资;国有银行保持极低的存款利率;股市已经是过山车。因此,物业看起来是一个非常有吸引力的标的吸引着过剩的现金。调查表明,现在中国的那些买房者中,也许五分之一是投资者而不是自住者。核心业务瘫痪的国有企业,抗拒破产和改革,转向物业发展,弥补利润。

在许多中国城市的限购措施对解决这些结构性问题毫无作用。一点都不奇怪。它们是共产党顽固困境的核心:如何在不增加突然“硬着陆”的风险的情况下保持经济的快速增长,如何让市场蓬勃发展,同时保持党的控制。至少在房地产方面,解决方案就在眼前。中国必须坚持开放金融体系,最重要的是彻底改革土地政策。如果没有,房地产的狂热会一次次扫荡大城市,这些繁荣将有一天以毁灭而结束。