2019 年 11 月 21 日，嘉楠以发行 ADS 的形式，在美国纳斯达克成功上市，交易代码为“CAN”，问鼎中国第一家赴美 IPO 的区块链和中国自主知识产权人工智能芯片企业，更可称为是全球区块链第一股，嘉楠 Canaan，注定为中国芯片行业写下重要一笔。

嘉楠赴美递交招股书一事正式曝光后，已经引起芯片、区块链、AI、币圈行业沸沸扬扬的讨论声浪，这家推出全球第一台 ASIC 挖矿机的芯片大厂、台积电 7nm 工艺首批合作伙伴，敲开美国资本市场大门之际，也启程全新里程碑，要朝超级算力解决方案提供商迈进。

本次上市，嘉楠确定发行 1000 万股 ADS，每股定价 9～11 美元，募资金额达到 9000 万到 1.1 亿美元，IPO 募集到的资金将主要用于五大面向。

首先，是加强超级计算解决方案中的领导地位，区块链和 AI 产品的竞争力；再者，继续投资于高能效芯片设计，第三是继续推出新的 AI 产品，第四是推出 AI Saas 平台，第五是扩大海外业务。

根据招股书显示，嘉楠在 2018 年营收 27.053 亿元人民币，截至 2018 年 6 月 30 日的 6 个月内，嘉楠净收入为 2.168 亿元人民币，截至 2019 年 9 月 30 日，总营收达 9.5 亿。

我们来快速扫瞄嘉楠 Canaan：

- 全球第二大比特币矿机厂商。

- 截至 2019 年 9 月 30 日累计量产 1.5 亿多颗 ASIC。

- 与 AWS 的合作，成为国内首家 IC 设计上云企业。

- 台积电第一批最高端的 7nm 工艺合作伙伴。

- 与台积电自 2015 年 6 月以来，共完成 7 种针对 28nm、16nm 和 7nm ASIC 的流

   片，成功率为 100％。

- 拥有 69 项专利，7 个芯片产品流片率均达到 100%。

- 全球首家提供基于 RISC-V 架构商用边缘 AI 芯片并实现量产的公司。

- 为客户提供算法优化设计，包括机器视觉和机器听觉的算法设计能力。

- 机器视觉方面包含物体识别、人脸检测与识别、多目标检测等。

- 机器听觉方面包含声源定向、波束形成、语音唤醒、语音识别等。

- AI 芯片 K210 落地场景包括：智能楼宇-无感门禁、智能家居-智能门锁、智能农业

- 与百度、林业大学的合作，截至今年 9 月底，AI 芯片与模组共交付 53000 件。








中国三代企业家的创业之路


张楠赓是嘉楠的灵魂人物，当年就读北航计算机系，专业是计算机体系结构，2011 年在学校期间就做出了第一台基于 ASIC 的计算设备。

张楠赓表示，当时接触了比特币，觉得有 1% 的可能可改变世界，因为他一直认为，判断一个技术或商业模式是否成功，取决于它是不是能真正提升社会运行的效率。一直到 2012 年，张楠赓觉得比特币改变世界的可能性不是只有 1%，而是提升到 5%。

所以，他决定从学校退学，来紧抓着这个足以“改变世界”的绝佳机会，用做芯片的方法来做 ASIC 计算设备，而当时还没有区块链这个概念。

我们观察中国企业家的发展进程，可以分为三代。

第一代是从体制内发轫创业的时代，比如柳传志、任正非。

这一代企业家出生时间在建国前后，这前后十年出生的企业家创办了中国 80% 以上的全球 500 强和准 500 强企业，也是中国得以工业化的主力军，他们往往有对市场的原始激情和强烈的家国情怀。

第二代企业家群体的崛起，是自 1994 年市场化改革开始，加深了信息化浪潮，像是马云、马化腾、李彦宏都是代表人物。

这些 60 后、70 后企业家少了些家国情怀，多崇尚成功学，也更加符合市场的行为框架。经过 20 年的发展，中国互联网经历从荒芜到繁荣，变革了传统商业模式，也为未来智能产业的发展奠定了数字化基础。

到了今天，经历初期草莽时代，以及模式创新时代，迎面而来的是技术创新与创业时代。

80 后企业家应当具备强烈的创新精神和技匠精神，以实现技术理想为行为原点，对外进行本土原创性的价值输出。随着物联网、人工智能等技术的兴起，算力成为企业发展的重要战略资源，而嘉楠就是定位是一家超级算力解决方案提供商。


嘉楠转型发展 AI 芯片


嘉楠致力从比特币挖矿机芯片转型人工智能领域，今年前 6 月，嘉楠 AI 芯片及模组出货量为 26,000 件。根据最新的招股书披露，截至 2019 年 9 月 30 日，已向 AI 产品开发人员交付了超过 53,000 件 K210 芯片和开发模组，出货量在 3 个月内成长两倍。

嘉楠指出，基于技术创新，在 AI 芯片研发上采用了不同于主流的计算架构，并且在设计模式和方法论上保持领先。

首先是计算架构，目前国内大多数的芯片企业是采寒武纪的架构路线，但嘉楠在人工智能芯片研发开始，就决定采用 RISC-V 架构，主要是考量边缘侧应用场景和 IP 的自主可控需求。

RISC-V 是轻量级的计算架构，可以根据应用场景进行指令的拓展，并且灵活适配端侧设备的功耗和算力限制，适合于 AIoT 领域。

其次，是在芯片研发模式上，嘉楠是国内首家实现芯片上云的企业，意即把 IC 研发平台、HPC 集群等统一部署在 AWS，优势是缩短研发周期，快速实现芯片的迭代。同时，嘉楠也尝试引入互联网的工具和方法论来做芯片的研发，比如 IC 后端自动化等。

嘉楠指出，传统芯片使用门槛低，并且与上层操作系统隔离，而边缘侧 AI 芯片的研发需要适配端侧的功耗与算力条件限制，并且需要为客户提供完整的产品模组或解决方案，因此，市场需求牵引研发的策略是必须的。

嘉楠的 AI 芯片勘智 K210，其核心 IP-神经网络加速器 KPU 是公司自己研发，在奠定基础后，下一代芯片 K510 也会延续前一代的 IP 成果，通过迭代优化，建立自己的核心技术路线，而勘智 K210 是国内少数具备机器视觉和机器听觉两种能力的通用性的 ASIC 计算芯片。


台积电第一批 7nm 芯片合作伙伴


在工艺创新方面，嘉楠在 2016 年就实现了 16nm 芯片的量产，是国内前十家量产 16nm 芯片的公司，并在 2018 年实现量产全球首款 7nm 芯片，成为台积电第一批 7nm 客户，奠定高速运算领域的领先地位。

嘉楠也在商业模式也采不做单一售卖，提供可持续服务的策略。公司的定位不是一家传统的芯片公司，可以很灵活的提供芯片、开发板、模组或是整体的解决方案。

转型到 AI 领域，嘉楠也遇过不少挑战，像是 AI 芯片的推广落地过程，挑战不少。

公司解释，一开始的定位还是比较传统的卖芯片的做法，比如说把芯片做出来，把文档准备好，再去社区等渠道推广，但结果通常不如预期

因为芯片的导入期特别长，通常要二、三年，即使只有一年都算是很短了。加上 AI 芯片和传统芯片差别非常大，因为 AI 芯片使用门槛很高，需要对 AI 算法有一定了解，再来，还要有数据，有数据之后还要做训练，对于使用者来说，门槛不低。

既然推广不易，嘉楠开始自己做 POC 给大家看，也就是做概念性产品，例如先做了人脸识别的 POC 给大家看，客户就能有一个关于芯片实际性能的概念。

有趣的是，再往下走后，会发现其实终端厂家的生产条件，远比预期的差很多，比如做智能门锁的厂家，可能就是一家钣金厂。

所以，在转型至 AI 芯片的过程中，不但是技术要到位、了解场景应用、客户需求，更要经历非常长时间的摸索。

一直发展到现在，嘉楠几乎是提供整体解决方案给客户，芯片也卖，算法也提供，模块也卖，甚至也成立产品组，产品也做了很多，像是智能门锁模组、无感门禁系统、智能电表模组等。

嘉楠指出，AI 芯片勘智 K210 是基于 NB-IoT 进行研发设计，目前已用于智能家居、智能楼宇、智慧能耗等领域，预计第二代芯片会面向 5G 场景研发，算力会达到上一代芯片的 5～10 倍，且将支持智能驾驶、新零售等对算力和时延要求更高的场景。


-End- 查看全部

嘉楠耘智即将成为“区块链上市第一股”。

10月29日，一张嘉楠耘智高管在纳斯达克的照片不胫而走，一时间舆论哗然，纷纷以为嘉楠耘智登陆美股成功，尽管此后经深链财经探寻得知，此照片为嘉楠耘智高管8月份参观纳斯达克所照，目前还未正式上市。

据美股消息人士称，嘉楠耘智上市几乎已成定局。

就在前一天，嘉楠耘智正式向纳斯达克递交招股书。瑞信、花旗银行、华兴资本控股和招银国际联合担保。以股票代码CAN在纳斯达克挂牌，计划筹资4亿美元，较之前赴港IPO宣传的10亿募资额，有较大幅度缩减。

这家成立于2013年的公司，不觉已然走过6个年头。作为即将到来的“区块链第一股”，嘉楠耘智到底成分几何，又为何可以成功上市？


1「 2019上半年净亏损3.31亿，AI业务发展缓慢 」


招股书披露，嘉楠耘智2018年净收入为3.94亿美元（约27.05亿人民币），净利润为830万美元（约5866万人民币）。

其中在截至2018年6月30日的上半年里，嘉楠耘智净收入为19.471亿元，净利润2.17亿元。

但在截至2019年6月30日的前6个月中，嘉楠耘智净收入仅为4210万美元（约2.88亿元人民币），净亏损则达到4580万美元（约3.31亿元人民币）。






嘉楠耘智的产品收入主要分为两部分，区块链产品和AI产品。其中区块链产品是嘉楠耘智主要收入来源，矿机销售一直作为嘉楠耘智的支柱业务。
但可以清楚看到的是，区块链产品的收入2017年为99.6%，2018年为99.7%，可以说增幅缓慢。

2019年上半年，嘉楠耘智矿机收入为2.87亿元，其中绝大多数收入来自A8系列。

但值得注意的是，嘉楠耘智AI产品在2019年上半年仅盈利50万元，作为对比，2018年下半年AI产品的收入为30万元。而在此之前，嘉楠耘智的AI类产品一直没有收入产生。






相较于去年的成绩斐然，嘉楠耘智今年的财报稍显“惨淡”。尽管受行情大环境的影响，矿机公司今年财报皆不尽如人意。但对嘉楠耘智而言，一方面，自身AI业务没有交出令人满意的答卷，另一方面，新崛起的矿机公司神马矿机正紧随其后。

对嘉楠耘智而言，尽管能够成功上市的确是一个重大利好消息，但在未来发展过程中，仍然不能够掉以轻心。


2「 刘向富不再是第一大股东 」


招股书信息显示，嘉楠耘智管理层共11人，首席财务官李佳轩持有公司16.2%股份，创始人张楠赓持有公司16%股份，恒通云(838316)高管孔剑平持有公司12.1%股份，孙奇锋持有公司5.8%的股份。

据报道，在2015年4月，孔剑平通过数芯投资、孙奇锋通过彼特·蒂尔投资嘉楠耘智，而曾经的大股东刘向富通过Urknall Ltd.公司持有10.2%的股份，较之此前招股书中披露的17.6%，有大幅下降，不再是嘉楠耘智的第一大股东。

此外，持股主体还包括Ouroboros Ltd、Flueqel Ltd等在内的5家公司和个人。






和比特大陆股份过于集中相比，嘉楠耘智的股份配置显得相对“平衡”。

但值得注意的是，此前身为嘉楠耘智实际控制人之一，持股最多的刘向富也在今年早些时候传出离开管理岗位的风声，具体原因是刘向富与公司整体的战略发展存在分歧。

尽管如此，相较于比特大陆上演精彩纷呈的“宫斗大戏”，嘉楠耘智在处理矛盾过程中，低调得多。


3「 面临比特币涨跌等风险挑战 」


招股书中显示，嘉楠耘智将比特币价格列为首个风险因素。

“Our results of operations have been and are expected to continue to be negatively impacted by sharp Bitcoin price decreases.（未来业绩会随着比特币价格的下降而走低）”。

“We derive a significant portion of our revenues from our Bitcoin mining machines. If the market for Bitcoin mining machines ceases to exist or diminishes significantly, our business and results of operations would be materially harmed.（我们的利润有很大比例是从比特币矿机的售卖中获得，如果比特币矿机市场在未来不复存在或减少，我们的业务会受到重大损害）”

从利润变化也可以看出，比特币价格握着各大矿机生产商的命运，共生属性明显。由于需要电力消耗，挖矿成本还受到水电枯水期及丰水期影响。

据此前报道，嘉楠耘智2015年及2016年的利润分别为151.1万元及5254.4万元。可见比特币价格走势对嘉楠耘智业务的影响之大。

除了比特币价格，矿机市场接近饱和，增速缓慢，以及挖矿难度上升。矿池中尚未挖出的比特币越来越少种种因素，都终将导致未来矿机销量下滑。这些问题，同样需要需要嘉楠耘智认真考虑。






此外，在AI应用方面，嘉楠耘智担忧无法从AI市场获得成功，或将导致收入、增长前景和财务状况受到影响。

在监管政策方面，嘉楠耘智面临与挖矿、持有、使用及转移加密货币有关的监管风险。

针对比特币算法和挖矿机制的改变，采矿难度的增加以及高额的研发投资和来自竞争对手的咄咄逼人，均会带来新的风险。


4「 押宝边缘计算AI芯片 」


从2013年1月嘉楠耘智董事长兼首席执行官张楠赓及其团队发明并交付了首批采用ASIC技术的比特币矿机以来，嘉楠耘智就一直对芯片技术的研发格外重视。

因此，长时间的经验积累为嘉楠耘智在技术方面积累了长足的优势。

也正因此，从2015年6月以来，嘉楠耘智共完成了7种针对28nm、16nm和7nmASIC的流片，且成功率都在100%。此外，嘉楠耘智还在2017年、2018年以及截止2019年6月30日的六个月这两年半中，累计生产芯片1.3亿个。

不仅如此，嘉楠耘智在对ASIC技术的研究过程中，成就不小。

嘉楠耘智认为，ASIC边缘AI芯片将在未来获得青睐，并占据更大的市场份额。其市场占有份额将会从2018年的21.3%飞涨至2023年的40.9%。

2018年9月，嘉楠耘智发布第一代AI芯片K210，截止2019年6月30日，嘉楠耘智累计向市场交付超过26000台K210芯片及配套设施。

截至目前，嘉楠耘智的K210边缘芯片已被运用于如智能家居，智能驾驶等物联网领域以及医疗、教育行业。

但是有业内人士表示，并不看好嘉楠耘智这一转型。

矿机所用的ASIC芯片，是针对特定领域的定制型芯片，芯片结构相对简单，计算能力和计算效率都直接根据特定的算法的需要进行定制，AI芯片则需要海量运算、高度的灵活性和高效的数据交互效率等。

另外，芯片的生产分为前端设计和后端设计，嘉楠耘智目前仅限于芯片的前端设计和研发，然后找台积电代工生产，并不能独立完成芯片的量产。


5「 融资不断，估值超200亿元 」


据招股书披露，2018年，嘉楠耘智便与多家银行签订若干短期贷款协议，共计人民币5亿元。

2018年4月，嘉楠耘智与招商银行股份有限公司香港分行以及招商国际金融有限公司签订融资协议，金额约为9.3亿港元。

两轮融资下来，在《2018 第二季度胡润大中华区独角兽指数》中，嘉楠耘智的估值达到200亿元。

而早在1年前，嘉楠耘智便获得趵朴投资、锦江集团、暾澜资本等近3亿元融资，当时估值已经接近33亿人民币。






通过对芯片、矿机以及等方面的大力度投入，嘉楠耘智在矿机领域虽说距离比特大陆还有一段距离，但仍旧有不俗的成绩。

目前，嘉楠耘智所出售的比特币矿机已经占据全球市场已售出矿机总算力的21.9%，较去年同期的15.3%的有较大幅度提升。

但嘉楠耘智在比特币矿机的出货量方面所占据的市场份额为23.3%，与比特大陆64.5%的市场占有率仍有较大差距。

在芯片方面，2018年9月，嘉楠耘智被称为业内第一家提供基于Risc-V架构和自主开发的神经网络加速器的商用边缘计算人工智能芯片公司。

从人员构成上来说，截至目前，嘉楠耘智全部工作人员286人，其中负责研发的技术人员高达127人，占比44.4%。







6「 嘉楠耘智为什么能在美上市？ 」


在嘉楠耘智公布招股书前一周，比特大陆已向SEC秘密递交了上市申请，保荐人为德意志银行。此外，早在今年6月，亿邦国际也传出了即将赴美上市的消息。

缘何此前折戟港交所的矿机界三大巨头齐聚美股？

一直以来，华尔街都是互联网公司的资本圣地，相较于在A股和港股上市，在美国上市，门槛较低。

因为美国采取的是注册备案制度，只要按照SEC的要求提交资料，申请备案即可上市，无任何人为因素。

法律透明、证劵法规灵活、上市制度宽松等是美国资本市场的特点，企业即使没有盈利，也可以进入美国资本市场通过发行股票或债券进行融资。

其次，2017年6月，为激活美国首次公开招股市场，在现任总统特朗普任命的证券交易委员会主席杰伊·克莱顿（Jay Clayton）的带领下，秘密提交首次公开募股申请文件的政策被放宽至所有准备上市的企业。

这也意味着所有准备在美上市的企业，都能够选择秘密提交首次公开募股申请文件。

秘密提交首次招股书的好处在于：

首先，需要提交审计后财务报表的年限由最近三年变为两年。
其次，上市前股东人数上线从500人放宽至2000人，并对“不合格”投资者的数量放宽至500人，使得企业上市前的股改难度降低。
此外，就是s-1表格提交后，信息只向美国证监会和特定投资者披露，公共要等到路演前三周才能看到，这样可以保护拟上市公司的商业信息，拟上市公司可以在不使公众了解自身财务情况的前提下，向主要投资者询价，试水之后再决定是否上市。
最后，免受SOX 404b的约束，在上市前不需要根据SOX法案建立内控制度，上市后建立内控制度即可。
据华尔街知情人士透露，嘉楠耘智几个月前也曾秘密向SEC提交招股说明书，并通过了SEC的几轮问答，此后才公开招股说明书。

最后，嘉楠耘智的业务相对“单纯”，没有和太多的加密货币扯上联系，一直是法币体系，财务制度相对简单，更容易被传统资本市场所认可。

2013年成立，2019年上市，生于加密货币市场的嘉楠耘智似乎就要修成正果，但对于一家公司，一家代表着加密货币和区块链产业的公司而言，上市只是第一步，接下来的路还很长。


作者：中本愚 三一
来源：深链Deepchain 查看全部

为了给本次赴美上市增添成功几率，比特大陆甚至还聘请了纳斯达克前中国区首席代表郑华，作为公司顾问为其出谋划策。



10月29日，腾讯新闻《一线》多方了解后独家获悉，在内部人事变动之前的一周，比特大陆已向SEC秘密递交了上市申请，保荐人为德意志银行。知情人士透露，从最初定下的目标港股到如今的美股，比特大陆的IPO进程一直是吴忌寒和CFO刘路遥在主导，詹克团较少参与。

为了给本次赴美上市增添成功几率，比特大陆甚至还聘请了纳斯达克前中国区首席代表郑华，作为公司顾问为其出谋划策。

吴忌寒的强势回归，意味着如果其获得股东支持，比特大陆将聚焦最有优势的区块链产业，在矿机、矿池业务上重整旗鼓，向美股发起冲击。

此前比特大陆冲击港股IPO时，最大的拦路虎为上市适应性问题。2019年1月23日，在达沃斯世界经济论坛上，港交所总裁李小加独家对话腾讯新闻《潜望》时表示，“对于IPO，港交所的核心原则是上市适应性(suitability)。拟上市公司给投资者介绍出来的业务模式是否适合上市？比如说过去通过A业务赚了几十亿美金，但突然说将来要做B业务，但还没有任何业绩。或者说B的业务模式更好，那我就觉得当初你拿来上市的A业务模式就没有持续性了。还有就是监管之前不管，后来监管开始管了，那你还能做这个业务，还能赚这个钱吗？”

弦外之音，呼之欲出。无论是此前吸金的矿机业务，还是想要转型的AI业务，比特大陆无法满足李小加所提出的“上市适应性”。

“区块链行业，本身就很不容易，充满争议。有骗子和理想主义者，有极客和投机者。在夹缝中生存和前进，五年才出了一个比特大陆，未来十年，都未必会有第二个。”一位名为张力的从业者在其公众号中如此表示。作为区块链行业的代表，在IPO悬停之后，保证足够的现金流穿过行业漫长的冬天，成为当务之急。

从港股转战美股，根据SEC流程，一般在递交上市申请后，会经历三轮问询，在解答达到监管要求后，可递交正式的招股说明书，随后再经过询价等程序正式挂牌。整套流程下来至少需要1-2个月时间。

腾讯新闻《潜望》独家获悉，为了给本次赴美上市增添成功几率，比特大陆甚至还聘请了纳斯达克前中国区首席代表郑华，作为公司顾问为其出谋划策。

但这并不意味着上市之路就此通畅。熟悉上市流程的人士曾对腾讯新闻《潜望》表示，SEC对于区块链业务并没有偏见立场，但对于专业技术类问题更为关注，因此SEC的问询会更加专业，也更加聚焦。她判断，比特大陆在2017年分叉出的比特币现金BCH，或将成为其上市路上最大的拦路虎。


腾讯新闻《一线》 作者 刘鹏 查看全部

做矿机、做芯片，在区块链和AI狂飙突进的时代提供算力……2018年收入27亿。

这就是中国AI芯片公司嘉楠的核心业务。

而且嘉楠借此，今天（10月29日）已正式向美国证券交易委员会（SEC）递交了招股文件，计划以发行ADS的形式在纳斯达克上市，由瑞信、花旗、华兴和招银国际担任承销商。

依据招股书披露，计划募资不超过4亿美元。

一旦成功IPO，嘉楠也将成为中国自主知识产权AI芯片成功IPO的第一股，同时也将成为全球区块链第一股。

对于AI芯片和区块链技术公司来说，嘉楠上市，无疑也打响了行业“成年礼”第一枪。






一、嘉楠招股书怎么介绍自己？


1、全球首家提供基于RISC-V架构商用边缘AI芯片并量产的公司

在2018年9月，嘉楠推出第一代AI芯片勘智K210，成为业界第一家提供基于RISC-V架构的商用边缘AI芯片并量产的公司，与其他IC架构相比，RISC-V不需要支付高额的专利使用费，并且由于其灵活性和开源特性而适合物联网硬件的采用。

独立调研机构Frost＆Sullivan称，勘智K210具有出色的性能，被广泛认为是边缘AI领域硬件发展的里程碑。

K210芯片是SoC架构下的一站式集成解决方案，具有机器视觉和机器听觉两大功能，可以无缝集成不同算法以处理各种应用场景，包括智能家居，智慧零售和智能驾驶。


2、全球第二大比特币矿机厂商

招股书显示，2013年1月，嘉楠董事长兼首席执行官张楠赓及其团队发明并交付了首批采用ASIC（专用芯片）技术的加密货币矿机。

公司最初将研发工作投入到用于比特币挖掘的ASIC应用，从而迅速积累了ASIC设计经验。

这些经验为嘉楠在技术和资本方面奠定了坚实的基础，同时也为其进一步开展涉及AI芯片的研究和开发做好了准备。

根据Frost＆Sullivan的数据，截至2019年6月30日，嘉楠是全球比特币矿机的第二大厂商。

同期，嘉楠出售的比特币矿机占全球出售的所有比特币矿机的总算力的21.9％。

在招股书中嘉楠表示，从未参与过加密货币投机或任何加密货币挖掘活动；一直专注于技术开发，设计和研究，并致力于区块链和AI行业的长期发展。

一旦上市成功，嘉楠将引领区块链以及矿机行业走向专业化和产业化。


3、嘉楠连续突破区块链和AI性能关键瓶颈

10月24日下午，国家就区块链技术发展现状和趋势进行第十八次集体学习。国家强调，区块链技术的集成应用在新的技术革新和产业变革中起着重要作用。我们要把区块链作为核心技术自主创新的重要突破口，明确主攻方向，加大投入力度，着力攻克一批关键核心技术，加快推动区块链技术和产业创新发展。

这意味着区块链技术正式成为国家级产业，也是中央对于整个科技领域自主创新的高度重视。

自从新华社发布消息后，美股、港股、A股等资本市场的区块链概念股被资本热捧。

作为全球第二大矿机厂商，一旦上市成功，嘉楠Canaan也将成为真正意义上的“全球区块链第一股”，将引领中国区块链行业占据创新制高点、取得产业新优势。

区块链和人工智能有可能影响经济中的每个行业，而计算能力是区块链和人工智能性能的关键瓶颈。但结合现有的区块链技术我们发现，还存在着如能量消耗高、处理速度慢、底层安全性不够、节点不足等问题。

为了促进将区块链和AI技术更多地集成到人们的工作和日常生活中，有必要使这些技术的计算能力变得节能，负担得起且可靠，以便能够支持应用程序。

有鉴于此，ASIC在支持区块链和AI技术的开发和可用性方面发挥关键作用，因为与其他类型的芯片相比，ASIC可以提供等效的计算能力，并且具有显着的高能效和低成本。

而嘉楠Canaan作为作为超级计算解决方案的领先提供商，在多个技术领域取得了突破来提高ASIC的性能，如低电压、高能效运行和高计算密度等，这些都是区块链和AI解决方案的关键点。


4、技术优势：7个芯片产品流片率均达100%

根据招股书，嘉楠表示，已经在业务和技术能力方面取得了明显的优势，其中包括：

•公司自主掌握整个IC设计流程； 

•公司有丰富的大规模量产经验，在2017年，2018年和截至2019年6月30日的六个月中，总共生产了1.3亿多个ASIC； 

•公司拥有强大的量产能力，并且能够在区块链应用中成功地实现了ASIC设计的商业变现，为公司在技术和资本储备方面提供了早期优势，从而推动了公司的战略计划； 

•公司在多个技术领域取得了突破来提高ASIC的性能，如低电压、高能效运行和高计算密度等，这些都是区块链和AI解决方案的关键点;

•通过多年的ASIC设计经验，公司拥有使用的大多数知识产权，并积累了宝贵的专业知识和多代工艺参数； 

•公司能够为客户提供整体AI解决方案，包括AI芯片、算法开发和优化、硬件模块、最终产品和软件服务； 

•与台积电等全球领先的供应商建立了紧密而可信赖的合作伙伴关系，这使公司能够实现高质量，高良率和稳定的生产，自2015年6月以来，公司共完成了7种针对28nm、16nm和7nm ASIC的流片，成功率为100％。


5、研发成果：59项专利

根据招股书，截至2019年6月30日，嘉楠在中国共注册了59项专利，其中包括两项发明专利，46项实用新型专利和11项外观设计专利。截至同日，公司已在中国注册了70项软件版权和30项IC布局设计权。特别是，公司一直致力于利用现有最先进的工艺技术来设计ASIC，并实现了以下技术突破：

•2015年实现了28 nm ASIC的批量生产，这使嘉楠成为世界上使用最先进的工艺技术的领先者;

•2016年第一代16nm ASIC量产，使嘉楠成为在区块链相关ASIC上使用这一先进工艺技术的世界先行者之一； 

•2017年第二代16nm ASIC量产； 

•2018年第三代16nm ASIC量产；

•2018年发布并批量生产第一代用于人工智能应用的ASIC； 

•2018年4月推出第一代7nm ASIC，台积电于2018年8月开始批量生产； 

•2019年第四代16nm ASIC量产；

•2019年6月推出8nm ASIC，预计2019年9月8nm ASIC投入量产。


6、被台积电选为7nm ASIC的首批合作伙伴，彰显全球顶级IC设计公司地位

招股书显示，自2015年初以来，嘉楠与全球领先的IC制造商台积电（TSMC）建立了可信赖，稳定和互利的合作伙伴关系。并被台积电选为7nm ASIC的首批合作伙伴之一，显示了公司作为全球顶级IC设计公司的地位。此外，嘉楠科技还与ASE，STATS ChipPac和SPIL广泛合作，后者是全球最大的IC封装和测试服务提供商之一，提供IC封装和测试服务。


二、财务情况披露


根据招股书，嘉楠总收入从2017年的13.081亿元人民币增长到2018年的27.053亿元人民币（3.941亿美元），增幅达106.8%。

嘉楠在招股书中表示，比特币价格将直接影响到比特币矿机的市场需求和价格，2019年第二季度开始，比特币价格出现了一定程度的回升，并预计这一回升趋势将继续下去。由此嘉楠预计其经营业绩将随着2019年第二季度比特币价格的回升而改善。

此外，招股书还显示，目前公司的AI产品主要聚焦在边缘AI芯片领域，Frost＆Sullivan表示，得益于较低的成本，更高的电源能效和各种下游IoT应用，ASIC边缘AI芯片预计将以更快的年复合增长率增长，并获得更大的市场份额，从2018年的21.3％到2023年的约40.9％。

目前，嘉楠已经与百度、软通智慧等产业链企业达成合作。作为百度AI硬件生态的重要成员，嘉楠为百度提供基于勘智K210的定制化开发模组PaddlePi-K210，完全打通PaddlePaddle 模型设备端部署解决方案。开发者不需要硬件更改，使用公版模具就可以一直做到样品阶段。

在与软通智慧的合作中，由嘉楠研发的无感门禁系统已经部署至软通动力总部大楼，可对大楼近5万人进行日均每监控点2000次的识别与身份校验。

截至2019年6月30日，嘉楠已向AI产品开发人员交付了超过26,000台K210芯片和开发模组，其中大多数来自海外，并与20多家人工智能算法公司展开合作，共同开发面向终端消费者的整体人工智能解决方案。

未来增长策略：继续升级比特币矿机性能，提升AI业务比重，推出AI SaaS平台，扩大海外业务

根据招股书，嘉楠将会在上市之后重点发展五大业务：

1、超级计算解决方案。

公司将继续推出IC解决方案，通过定制的软件开发和服务为区块链和人工智能应用程序提供更高的性能。公司希望成为区块链技术的卓越计算能力提供商，并促进区块链行业的发展；继续升级比特币矿机，以提高性能和竞争力。此外，对于AI产品，公司将继续提高AI芯片的性能和功能，并为最终客户提供整体AI解决方案。

2、继续投资于高能效IC设计。

公司致力于开发超级计算硬件和创新应用的先进IC设计。在ASIC生产工艺和物理设计方面，将以市场为导向，重点关注那些有相对清晰的市场接受路径和商业化机会的项目。

3、继续推出新的AI产品。

公司将继续设计和发布用于AI应用程序的AI芯片和其他ASIC，以及教育和开拓AI ASIC的软件和应用程序以及终端合作伙伴的市场。公司将首先专注于边缘计算，并继续探索智能零售和智能驾驶领域的应用。公司目前正在开发第二代28nm AI芯片产品，与前一代产品相比，有望大大提高算力和能效，并计划在2020年第一季度开始量产第二代芯片。此外，公司计划在2020年下半年推出第三代12nm AI芯片。并且预计将适用于边缘和云计算。公司将持续发布下一代的AI芯片。

由于公司的AI芯片业务仍相对较年轻，因此目前仅占整体业务的一小部分。未来，公司计划在比特币矿机业务和AI芯片业务上实现更平衡的组合。

4、以AI产品为基础，提升AI平台商业模式。

嘉楠计划利用AI芯片作为核心硬件，创建一个AI SaaS平台，为终端客户提供整合硬件、算法和软件的整体人工智能服务，创建一个完整、开放的生态系统。根据不同的物联网场景需求，AI SaaS平台能够为AI终端客户提供AI芯片模型、算法、定制软件和用户界面的优化组合。

5、继续扩大海外业务。

嘉楠计划设立海外办事处，招募研发，投资和销售人才，提高公司在海外的研发能力、知名度并扩大海外客户群。还打算寻求战略性海外投资机会，收购合适的公司，以帮助公司实现扩张目标。


三、团队


招股书披露，嘉楠核心研发团队一直保持稳定，并与联合创始人一起工作了四年多。

截至2019年6月30日，拥有一支由130名左右成员组成的研发团队，平均拥有7年的行业经验。





△嘉楠CEO张楠赓


作为一家技术驱动型企业，嘉楠科研人员占员工总数46%，去年公司研发投入约两亿，占总收入的7%。

目前，嘉楠拥有80位左右高能效计算专家和50位左右人工智能产品专家，构成了嘉楠在高能效计算和AI领域的中坚力量。


雷刚 发自 凹非寺 
量子位 报道 | 公众号 QbitAI 查看全部

嘉楠CEO张楠赓


在经历了多次尝试之后，矿机巨头嘉楠于10月29日再次宣告冲刺IPO。

最新公布的资料显示，作为全球第二大的矿机巨头、领先的ASIC设计专家和AI芯片的先行者，嘉楠Canaan在2018年的营收高达27.053亿元人民币（3.941亿美元），较2017年的13.081亿元人民币增长了106.8%。依据招股书披露，计划募资不超过4亿美元。而从公司的技术积累和产品布局来看，这家产业新贵似乎已经做好了登陆资本市场的所有准备。


乘比特币东风而起


据了解，嘉楠成立于2013年。公司最初专注于用于比特币挖掘的ASIC开发，这主要得益于公司董事长兼首席执行官张楠赓先生及其团队发明并交付了首批采用ASIC技术的加密货币矿机。这部分业务也毫无疑问是嘉楠赖以崛起的根本。

所谓比特币，根据维基百科，这是一种基于去中心化，采用点对点网络与共识主动性，开放源代码，以区块链作为底层技术的加密货币。是由中本聪（网名）（Satoshi Nakamoto）于2008年10月31日发表论文首次披露，并于2009年1月3日创世区块诞生的虚拟货币。比特币的特性使任何人都可以参与其中。整个行业也包含五个主要要素，即硬件供应，矿场和矿池的运营，交易和付款。根据其特征，大家就通过一种叫做“挖矿”的技术去参与比特币发行。

资料显示，这个“挖矿”是将交易记录添加到区块链的过程，该过程用于确认与网络其余部分的交易。挖矿被设计为资源密集型且困难的过程，以便矿工每天获得的区块数量保持稳定。各个模块必须包含工作量证明才能被视为有效。

根据原理，总网络哈希率和挖掘难度（表示矿工创建区块所需完成的任务的复杂性）之间存在正相关关系，因为网络上的挖掘难度越大，需要的哈希率就越高，导致对网络内挖矿硬件的需求越高。而嘉楠最初正是为了解决这个问题而生，公司也在过去多年的发展中成长为一个涵盖整个IC设计链条，能通过高性能计算专用芯片提供超级计算解决方案的供应商。

自2015年6月以来，嘉楠共完成了7款针对28nm，16nm和7nm ASIC的流片，仅在2017年，2018年和截至2019年6月30日的六个月中，公司就生产了1.3亿多个ASIC。自2017年以来，嘉楠已经发布了四代比特币矿机产品，公司也在这个领域中构筑了夯实的基础。

根据Frost＆Sullivan的数据，截至2019年6月30日的六个月中出售的算力，嘉楠是全球比特币矿机的第二大厂商。在同一时期，嘉楠出售的比特币矿机占全球出售的所有比特币矿机的总算力的21.9％。依赖于过往的积累，嘉楠希望成为区块链技术的卓越计算能力提供商，并促进区块链行业的发展。嘉楠将通过整合最先进的技术，继续升级比特币矿机，以提高性能和竞争力。

除了为矿机提供强劲的算力，嘉楠在上述七款芯片上高达100％的流片成功率。出色的最终测试合格率不但证明了其拥有强大的设计能力，同时也让嘉楠积累了大量的知识产权。多年的ASIC设计经验，更让公司积累了宝贵的专业知识和多代工艺参数。嘉楠方面表示，他们是世界上为数不多的在ASIC设计过程中拥有先进技术积累的公司之一，包括算法开发和优化，标准单元设计和优化，低电压和高能效操作，高性能设计系统和散热等技术。公司也与台积电， STATS ChipPac，ASE和SPIL等行业领先供应商建立了紧密的合作关系。

10月24日下午，国家就区块链技术发展现状和趋势进行第十八次集体学习。国家强调，区块链技术的集成应用在新的技术革新和产业变革中起着重要作用。我们要把区块链作为核心技术自主创新的重要突破口，明确主攻方向，加大投入力度，着力攻克一批关键核心技术，加快推动区块链技术和产业创新发展。

这意味着区块链技术正式成为国家级产业，也是中央对于整个科技领域自主创新的高度重视。

自从新华社发布消息后，美股、港股、A股等资本市场的区块链概念股被资本热捧。

作为全球第二大矿机厂商，一旦上市成功，嘉楠Canaan也将成为真正意义上的“全球区块链第一股”，将引领中国区块链行业占据创新制高点、取得产业新优势。


看好边缘AI芯片的新机会


在ASIC上积累了丰富的嘉楠除了会持续耕耘包括比特币在内的区块链技术市场外，他们认为边缘AI芯片也是其新的成长机会所在。因为这些芯片和挖矿ASIC一样，都需要低功耗、高能效和流片成功率，而这恰好是嘉楠所具备的。公司也于2016年率先投入人工智能ASIC的研发。

到了2018年9月，嘉楠推出了第一代AI芯片勘智K210，该芯片是嘉楠的第一代内置了卷积神经网络加速器的系统级（SoC）AI 芯片。依赖这颗芯片，公司也成为业界第一家提供基于RISC-V架构的商用边缘计算AI芯片的公司。

资料显示，这颗SoC的CPU采用RISC-V精简指令集架构，内嵌的神经网络加速器IP则基于完全自研。作为一款瞄准IoT市场、定位于人工智能与边缘计算领域的芯片，勘智K210同时具备机器视觉和语音识别能力。这不但让他们可以在超低功耗下进行高速卷积神经网络计算，实现如基于卷积神经网络的目标检测和图像分类任务；还可以让芯片无需DSP的前提下，利用自带的APU语音处理单元，最高可支持8个音频数据通道，16个方向。这样的设计无需占用主CPU资源，仅用一颗芯片就可实现声源定向、声场成像、波束形成、语音唤醒、语音识别等机器听觉功能。

知名分析机构Frost＆Sullivan表示，勘智K210具有出色的性能，被广泛认为是人工智能边缘计算领域硬件发展的里程碑。嘉楠的AI芯片是SoC架构下的一站式集成解决方案，具有机器视觉和机器听觉两大功能，可以无缝集成不同算法以处理各种应用场景，包括智能家居，智慧零售和智能驾驶。

“与其他相同算力的系统相比，勘智K210能够实现更高的能效。此外，嘉楠的边缘计算AI芯片可保护和增强专有数据的保密性。与竞争对手提供的AI芯片相比，嘉楠的单个AI芯片可以处理更广泛的AI应用场景”，嘉楠方面指出。

至于这颗芯片的具体应用，嘉楠透露，截至2019年6月30日，他们已向AI产品开发人员交付了超过26,000台K210芯片和开发模组，其中大多数来自海外；公司同时还与20多家人工智能算法公司展开合作，共同开发面向终端消费者的整体人工智能解决方案；公司同时在积极探索与商业伙伴的合作，将其AI芯片集成到诸如智能家居，智能建筑和智慧零售等不同的IoT垂直市场中。

“嘉楠将不懈地磨砺IC设计能力和产品性能，并遵循嘉楠的长期研发路线图，与合作伙伴联合创新，从而推出AI的最佳方案，为最终客户提供高性能，全场景的行业AI解决方案”，嘉楠方面强调。

分析机构数据显示，在IoT和5G技术的支持下，预计边缘 AI芯片和云端 AI芯片将共同实现约45.1％的年复合增长率，而从2018年到2023年，云端AI芯片的复合年增长率约为22.3％，而全球边缘AI芯片的复合年增长率将达到约62.1％。

基于公司由127名成员（截至2019年6月30日）组成、平均拥有7年的行业经验的研发团队，嘉楠正在开发28nm AI芯片的第二代产品，与前一代产品相比，有望大大提高算力和能效。他们计划在2020年第一季度开始量产第二代芯片。此外，嘉楠还计划在2020年下半年推出第三代AI芯片。据介绍，第三代芯片将使用12nm制程技术，并且预计将适用于边缘和云计算。

公司在AI方面的目标是计划利用AI芯片作为核心硬件，创建一个AI SaaS平台，为终端客户提供整合硬件、算法和软件的整体人工智能服务，创建一个完整、开放的生态系统。这个AI SaaS平台能够根据不同的物联网场景需求，为AI终端客户提供AI芯片模型、算法、定制软件和用户界面的优化组合。

在笔者看来，区块链的去中心化特性让其可以应用到交易和记账等多个应用当中，嘉楠过往在比特币挖矿ASIC上的深耕，让他们拥有了深度参与区块链产业的实力。而拥抱具有巨大市场潜力的AI芯片市场，必能帮助这家AI新贵走上新巅峰。


文章来源：半导体行业观察，最有深度的半导体新媒体，实时、专业、原创、深度，30万半导体精英关注！专注观察全球半导体最新资讯、技术前沿、发展趋势。 查看全部

近日，知名咨询公司Gartner在美国奥兰多举行的Gartner研讨会上发布了2020年十大战略技术趋势，其中包括了实用区块链（Practical Blockchain），Gartner指出，区块链可用于建立信任、提供透明度、实现跨业务生态系统的价值交换、降低成本、减少交易时间并改善现金流等，另外区块链资产可用于追溯来源，大大减少了假货替换的机会，其还在身份管理等行业具有应用潜力。

另外，Gartner副总裁兼研究员Daryl Plummer还在这次研讨会上对区块链行业在2020年及以后进行了预测，他表示：

    "两年内，至少有10家主要新闻机构将使用区块链技术对抗deepfake视频操纵。而到2023年，全球近30%的新闻和视频内容将通过区块链认证。"


而所谓deepfake，是指使用人工智能技术来制作视频内容，它可以实现以假乱真的效果，使得人们无法通过肉眼分辨真伪。

从今年开始，deepfake视频技术逐渐被大众认识，在Facebook拒绝删除众议院议长南希·佩洛西（Nancy Pelosi） 6月份喝醉的deepfake视频后，Facebook旗下的Instagram上又出现了一段“Facebook CEO 马克·扎克伯格（Mark Zuckerberg）”的恶搞视频，视频中“小扎”讲道：“让我们快速地想象一下，一个人，手握偷窃来的数十亿人的隐私信息，包括他们的所有秘密、生活和未来等等……我将其归功于幽灵（Spectre），幽灵告诉我，谁掌握了数据，谁就掌控着未来。”

Plummer指出，机器人控制的社交媒体账户以及假新闻，吸引了比真实新闻更多的观众，这无疑是让人感到恐惧的，其表示：

    “为此，IT组织必须与内容生产团队合作，使用区块链技术建立和跟踪企业生成内容的来源。”


这不仅会涉及到政治问题，想象一下，一段老鼠deepfake视频将对连锁店市场造成怎样的损害？2014年，纽约邓肯甜甜圈专营店的一段真实老鼠视频登上了各大媒体头条，之后这家商店迅速被关闭，其店主还遭到了起诉。

此外，deepfake对女性群体的威胁更大，相关伪造视频中，有超过90%以上涉及到了色情。

除了deepfake，Gartner认为区块链还将在支付领域带来变革。

尽管Facebook的Libra稳定币项目遭遇了大麻烦，但据Plummer预测，到2020年底，主要的在线市场和社交媒体平台将开始支持加密货币支付。

Plummer补充道，到2025年，世界上一半的穷人将使用全球数字平台提供的加密货币账户服务。

Gartner公司的另一位副总裁Brian Burke则告诉与会者称，区块链具有重塑各行业的潜力。

他表示：

    “通过建立信任、提供透明度和实现跨业务生态系统的价值交换，潜在地降低成本、减少交易结算时间和改善现金流，区块链将做到这一点。”


今年早些时候，Gartner预测称，到2021年，现有90%的企业区块链平台将被取代，该公司还表示，到2025年，区块链带来的业务增值预计将增长到1760亿美元，而到2030年，这一数字将提升到3.1万亿美元。


原文：https://www.gartner.com/en/newsroom/press-releases/2019-22-10-gartner-unveils-top-predictions-for-it-organizations-and-users-in-2020-and-beyond
https://www.gartner.com/en/newsroom/press-releases/2019-10-21-gartner-identifies-the-top-10-strategic-technology-trends-for-2020
编译：隔夜的粥 查看全部

上个月，AI 工程师 Adam King 结合人工智能在预测方面得天独厚的优势，提出使用深度强化学习构建加密货币自动交易的程序。在展示模型中，程序的收益率竟达到了惊人的 60 倍（只讨论技术，无关投资建议）。

但在当时，这个展示模型略显粗糙。虽然能获得收益，但它并不稳定。使用它可能让你赚得盆满钵盈，也有可能让你赔得一无所有，颇有些“富贵险中求”的意味。

不稳定的问题一直困扰着 Adam 小哥，经过一个月的蛰伏，小哥提出将特征工程和贝叶斯优化两大杀器引入模型。这些改进会奏效么？收益率又能提升多少呢？一起来看看 Adam 小哥的最新力作吧！



在上一篇文章中（《60倍回报! AI工程师用OpenAI创建了一个比特币自动交易工具》），我们使用深度强化学习创建了一个可以赚钱的比特币自动交易智能体。虽然这个智能体能够做到自动交易比特币获得收益，但它的收益率并没有让人眼前一亮，今天我们会大幅度改进这个比特币交易智能体，从而提高它的收益率。

需要注意的是，本篇文章的目的是测试当下最先进的深度强化学习技术是否能与区块链相结合，创造出一个可以盈利的比特币自动交易智能体。目前看来业界都还没有意识到深度强化学习在自动交易方面强大的潜力，反而认为它并不是一个“能用来构建交易算法的工具”。不过，深度学习领域的最新进展已经表明，在同一个问题上强化学习智能体通常能够比普通的监督学习智能体学习到更多的特征。

出于这个原因，我做了相关的实验来探究基于深度强化学习的交易智能体究竟能达到怎样的收益率，当然了，结果也可能会是深度强化学习有着很强的局限性以至于并不适合做交易智能体，但不去尝试谁又知道结果如何呢？

首先，我们将会改进深度强化学习模型的策略网络（ policy network ）并使输入数据变得平稳，以便交易智能体能在很少的数据中学习到更多的特征。

接下来，我们将使用当下先进的特征工程方法来改善交易智能体的观察空间，同时微调交易智能体的奖励函数（ reward function ）以帮助它发现更好的交易策略。

最后，在训练并测试交易智能体获得的收益率之前，我们将使用贝叶斯优化的方法来寻找能最大化收益率的超参数。

前方高能，系好安全带，让我们开始这场干货满满的探索之旅吧。


关于深度强化学习模型的改进


在上一篇文章中，我们已经实现了深度强化学习模型的基本功能，

GitHub 地址：

https://github.com/notadamking/Bitcoin-Trader-RL

当务之急是提高深度强化学习智能体的盈利能力，换句话说就是要对模型进行一些改进。


循环神经网络（Recurrent Neural Network，RNN）

我们需要做的第一个改进就是使用循环神经网络来改进策略网络，也就是说，使用长短期记忆网络（ Long Short-Term Memory ，LSTM ）网络代替之前使用的多层感知机（ Multi-Layer Perceptron，MLP ）网络。由于循环神经网络随着时间的推移可以一直保持内部状态，因此我们不再需要滑动“回顾窗口“来捕捉价格变动之前的行为，循环神经网络的循环本质可以在运行时自动捕捉这些行为。在每个时间步长中，输入数据集中的新一个数据与上一个时间步长的输出会被一起输入到循环神经网络中。

因而长短期记忆网络可以一直维持一个内部状态。在每个时间步长中，智能体会新记住一些新的数据关系，也会忘掉一些之前的数据关系，这个内部状态也就会随之更新。





循环神经网络会接收上一个时间步长的输出





循环神经网络如何处理上一个时间步长的输出与这一个时间步长的输入





长短期记忆网络实现代码 LSTM_model.py


介于循环神经网络对于内部状态得天独厚的优势，在这里，我们使用长短期记忆网络策略更新了近端策略优化 PPO2 模型。


数据平稳性

在上一篇文章中我曾指出比特币交易的数据是非平稳的（Non-Stationary，即存在一些趋势，而不能仅仅看作是随机的波动），因此，任何机器学习模型都难以预测未来。

    平稳时间序列是平均值，方差和自相关系数（与其自身的滞后相关）都恒定的时间序列。


而且，加密货币价格的时间序列有着很明显的趋势和季节效应（季节效应是指与季节相关联的股市非正常收益，是股市中的一种“异像”，是与市场有效性相悖的情况），这两者都会影响算法对时间序列预测的准确率，所以在这里，我们需要使用差分和变换的方法来处理输入数据，从现有的时间序列中构建一个正常的数据分布来解决这个问题。

从原理上来说，差分过程就是给任意两个时间步长内加密货币币价的导数（即收益率）做差值。在理想情况下，这样做可以消除输入时间序列中存在的趋势，但是，差分处理对季节效应并不奏效，处理后的数据仍然具有很强的季节效应。这就需要我们在差分处理之前进行对数处理来消除它，经过这样的处理最终我们会得到平稳的输入时间序列，如下方右图所示。





从左到右分别为：加密货币的收盘价，差分处理后的收盘价，对数处理和差分处理后的收盘价





对数处理和差分处理的代码 diff_and_log_time_series.py


处理后的输入时间序列平稳性如何，我们可以使用增广迪基-福勒检验（ Augmented Dickey-Fuller test ）验证一下。

运行以下代码：





增广迪基-福勒检验的代码 adfuller_test.py


我们得到的 p 值为 0.00 ，这意味着我们拒绝假设检验中的零假设并确认处理后的输入时间序列是平稳的。

我们可以运行上面的增广迪基-福勒检验代码来检验输入时间序列的平稳性。

在完成了这项工作之后，接下来我们将使用特征工程的方法进一步优化交易智能体的观察空间。


特征工程


为了进一步提升交易智能体的收益率，我们需要做一些特征工程。

    特征工程是使用该领域知识来生成额外的输入数据从而优化机器学习模型的过程。


具体到交易智能体，我们将在输入数据集中添加一些常见且有效的技术指标，以及 Python 数据分析程序库 StatsModels 中季节效应预测模型 SARIMAX 的输出。这些技术指标会为我们的输入数据集带来一些相关的，但可能会滞后的信息，这些信息能大大提升交易智能体预测的准确性。这些优化方法的组合可以为交易智能体提供一个非常好的观察空间，让智能体学习到更多的特征，从而获得更多的收益。


技术分析


为了选择技术指标，我们将比较 Python 技术分析库 ta 中可用的所有 32 个指标（ 58 个特征）的相关性。可以使用数据分析工具 pandas 来计算相同类型的各个指标（如动量，体积，趋势，波动率）之间的相关性，然后在每种类型中仅选择最不相关的指标作为特征。这样，就可以在不给观察空间带来过多噪音干扰的情况下，最大程度地发掘这些技术指标的价值。





使用 Python 高级可视化库 seaborn 做出的比特币数据集上技术指标相关性的热力图


结果显示，波动率指标以及一些动量指标都是高度相关的。在删除所有重复的特征（每个类型中相关性的绝对平均值大于 0.5 的特征）之后，我们将剩余的 38 个技术特征添加到交易智能体的观察空间中。

在代码中，我们需要创建一个名为 add_indicators（添加指标）的函数来将这些特征添加到数据帧中，为了避免在每个时间步长中重复计算这些特征，我们只在交易智能体环境初始化的过程中调用 add_indicators 函数。





交易智能体环境初始化的代码 initialize_env.py


在这里，初始化交易智能体环境，在进行数据平稳性处理之前将特征添加到了数据帧中。


统计分析


接下来我们需要添加预测模型。

由于季节效应自回归移动平均模型（Seasonal Auto Regressive Integrated Moving Average，SARIMA）可以在每个时间步长中快速计算价格的预测值，在平稳数据集中运算非常准确，因此我们使用它来进行加密货币币价预测。

除了上述这些优点之外，该模型实现起来非常简单，它还可以给出预测值的置信区间，通常情况下这比单独给出一个预测值能提供更多的信息。就比如说，当置信区间较小时，交易智能体就会更相信这个预测值的准确性，当置信区间很大时交易智能体就知道要承担更大的风险。





加入 SARIMA 预测模型的代码 add_sarimax_predictions.py


这里我们将 SARIMAX 预测模型和置信区间添加到交易智能体的观察空间中。

现在我们已经使用性能更好的循环神经网络更新了策略，并使用特征工程的方法改进了交易智能体的观察空间，是时候优化其他的部分了。
 

奖励优化


有些人可能会觉得上一篇文章中的奖励函数（即奖励资产总价值不断增加）已经是最好的解决方案了，但是，通过进一步的研究我发现奖励函数还有提升的空间。虽然我们之前使用的简单奖励函数已经能够获得收益，但它给出的投资策略非常不稳定，往往会导致资产的严重损失。为了改善这一点，除了考虑利润的增加以外，我们还需要考虑其他奖励的指标。

奖励指标的一个简单改进就是，不仅仅奖励在比特币价格上涨时持有比特币带来的利润，还奖励在比特币价格下跌时抛售比特币而避免的损失。就比如说，我们可以奖励智能体买入比特币而总资产增加的行为，以及卖出比特币避免总资产减少的行为。

虽然这种奖励指标在提高收益率方面非常出色，但这样做并没有考虑到高回报带来的高风险。投资者早已发现这种简单投资策略背后存在的漏洞，并将其改进成一种风险可调节的奖励指标。


基于波动率的奖励指标

这种风险可调节的奖励指标中的典型就是夏普比率（Sharpe Ratio，又被称为夏普指数）。它计算的是特定时间段内投资组合的超额收益与波动性的比率。具体的计算公式如下：





夏普比率的计算公式：（投资组合的收益-大盘的收益）/投资组合的标准差


从公式中我们可以得出，为了保持较高的夏普比率，投资组合必须同时保证高收益和低波动性（也就是风险）。

作为一种奖励指标，夏普比率经受住了时间的考验，但它对于自动交易智能体来说并不是很完美，因为它会对上行标准差（ upside volatility ）产生不利影响，而在比特币交易环境中有时我们需要利用上行标准差，因为上行标准差（即比特币价格疯狂上涨）通常都是很好的机会窗口。

而使用索提诺比率（ Sortino Ratio ）可以很好地解决这个问题。索提诺比率与夏普比率非常相似，只是它在风险上只考虑了下行标准差，而不是整体标准差。因此，索提诺比率并不会对上行标准差产生什么不利影响。因而我们给交易智能体的第一条奖励指标就选择索提诺比率，它的计算公式如下：





索提诺比率的计算公式：（投资组合的收益-大盘的收益）/投资组合的下行标准差


其他奖励指标

我们选择 Calmar 比率作为交易智能体的第二个奖励指标。到目前为止，我们所有的奖励指标都没有考虑到比特币币价最大回撤率（drawdown）这个关键因素。

    最大回撤率是指比特币币价从价格顶峰到价格低谷之间的价值差，用来描述买入比特币后最糟糕的情况。


最大回撤率对我们的投资策略来说是致命的，因为只需一次币价突然跳水，我们长时间累积的高收益就会化为乌有。





最大回撤率


为了消除最大回撤率带来的负面影响，我们需要选用可以处理这种情况的奖励指标，就比如说选用 Calmar 比率。该比率与夏普比率类似，只是它将分母上投资组合的标准差替换为最大回撤率。





Calmar 比率的计算公式：（投资组合的收益-大盘的收益）/最大回撤率


我们最后一个奖励指标是在对冲基金行业中广泛使用的 Omega 比率。从理论上来说，在衡量风险与收益时，Omega 比率应该优于 Sortino 比率和 Calmar 比率，因为它能够在单个指标中使用收益的分布来评估风险。

计算 Omega 比率时，我们需要分别计算在特定基准之上或之下投资组合的概率分布，然后两者相除计算比率。Omega 比率越高，比特币上涨潜力超过下跌潜力的概率就越高。





Omege 比率的计算公式


Omega 比率的计算公式看起来很复杂，不过不要担心，在代码中实现它并不难。


代码实现

虽然说编写每个奖励指标的代码听起来很有意思且很有挑战性，但这里为了方便大家的理解，我选择使用 Python 量化金融程序包 empyrical 来计算它们。幸运的是，这个程序包中恰好包含了我们上面定义的三个奖励指标，因而在每个时间步长中，我们只需要将该时间段内收益和大盘收益的列表发给 Empyrical 函数，它就会返回这三个比率。





使用 empyrical 程序包计算三个奖励指标的代码 risk_adjusted_reward.py


在代码中，我们通过预先定义的奖励函数设置了每个时间步长的奖励。

到目前为止，我们已经确定了如何衡量一个交易策略的成功与否，现在是时候弄清楚哪些指标会带来较高的收益。我们需要将这些奖励函数输入到自动超参数优化软件框架 Optuna 中，然后使用贝叶斯优化来的方法为输入数据集寻找最优的超参数。


工具集


俗话说，好马配好鞍。任何一个优秀的技术人员都需要一套好用的工具，否则就会巧妇难为无米之炊。

但我并不是说我们要重复造轮子，我们应该学会使用程序员前辈用秃头的代价为我们开发的工具，这样他们的工作也算没有白费。对于我们所开发的交易智能体，它要用到的最重要的工具就是自动超参数优化软件框架 Optuna，从原理上来说，它使用了树结构的 Parzen 窗估计（Tree-structured Parzen Estimators，TPEs）来实现贝叶斯优化，而这种估计方法是可以并行化运行的，这使得我们的显卡有了用武之地，执行搜索需要的时间也会大大缩短。简而言之，

    贝叶斯优化是一种搜索超参数空间以找到能最大化给定目标函数的超参数的高效解决方案。


也就是说，贝叶斯优化能够有效地改进任何黑箱模型。从工作原理上来说，贝叶斯优化通过使用替代函数（ surrogate functions ）或是替代函数的分布对要优化的目标函数进行建模。随着时间的推移，算法不断地检索超参数空间以找到那些能够最大化目标函数的超参数，分布的效果也会逐渐改善。

理论说了这么多，我们要如何把这些技术应用在比特币自动交易智能体中呢？从本质上来讲，我们可以使用这种技术来找到一组最优的超参数，使得智能体的收益率最高。这个过程就像是在超参数的汪洋大海中捞取一根效果最好的针，而贝叶斯优化就是带我们找到这根针的磁铁。让我们开始吧。

使用 Optuna 优化超参数并不是什么难事。

首先，我们需要创建一个 optuna 实例，也就是装载所有超参数试验的容器。在每次试验中我们需要调整超参数的设置来计算目标函数相应的损失函数值。在实例初始化完成后，我们需要向其中传入目标函数然后调用 study.optimize() 函数开始优化，Optuna 将使用贝叶斯优化的方法来寻找能够最小化损失函数的超参数配置。





使用 Optuna 程序库贝叶斯优化的代码 optimize_with_optuna.py


在这个例子中，目标函数就是在比特币交易环境中训练并测试智能体，而目标函数的损失值则定义为测试期间智能体平均收益的相反数，之所以给收益值加上负号，是因为平均收益越高越好，而在 Optuna 看来损失函数越低越好，一个负号刚好解决这个问题。optimize 优化函数为目标函数提供了试验对象，代码中我们可以指定试验对象中的变量设置。





优化目标函数的代码 optimize_objective_fn.py


optimize_ppo2 优化智能体函数和 optimize_envs 优化智能体环境函数接收试验对象作为输入并返回包含要测试参数的字典。每个变量的搜索空间由 suggest 函数进行设置，我们需要在试验中调用 suggest 函数并给函数中传入指定的参数。

比如说，如果设置参数在对数尺度上服从均匀分布，即调用函数

trial.suggest_loguniform（'n_steps'，16，2048），

相当于给函数了一个 16-2048 之间的 2 的指数次方（如16，32，64，…，1024，2048）的新浮点数。

再者，如果设置参数在普通尺度上服从均匀分布，即调用函数

trial.suggest_uniform（'cliprange'，0.1，0.4），

相当于给函数一个 0.1 到 0.4 之间的新浮点数（如0.1，0.2，0.3，0.4）。

相信你已经看出来了其中的规律，就是这样来设置变量：

suggest_categorical（'categorical'，['option_one'，'option_two']），其中 categorical 为设置变量的策略， option_one 和 option_two 分别为变量的两个选项，在刚才的函数中这两个选项为变量的范围，弄懂了这个相信下面的代码就难不倒你了。





化交易智能体的代码 optimize_ppo2.py





优化交易环境的代码 optimize_envs.py


代码写好后，我们在一台高性能服务器上以 CPU/显卡协同运算的方式运行了优化函数。在设置中，Optuna 创建了一个 SQLite 数据库，我们可以从中加载优化的实例。该实例记录了测试过程中性能最好的一次试验，从中我们可以推算出智能体交易环境中最优的超参数集。





加载 optuna 实例的代码 load_optuna_study.py


到这里，我们已经改进了模型，改进了特征集，并优化了所有的超参数。但俗话说，是骡子是马得拉出来遛遛。

那么，交易智能体在新的奖励指标下表现如何呢？

在训练过程中，我分别使用了利润、Sortino 比率、Calmar 比率和 Omega 比率四个奖励指标来优化智能体。接下来我们需要在测试环境中检验哪种奖励指标训练出来的智能体收益最高，当然了，测试环境中的数据都是智能体在训练过程中从未见到过的比特币价格走势，这样保证了测试的公平性。


收益比较


在查看结果之前，我们需要知晓一个成功的交易策略是什么样的。出于这个原因，我们将针对一些常见且有效的比特币交易策略进行基准测试。令人震惊的是，在过去的十年中一个最有效的比特币交易策略就是买入并持有，而另外两个不错的交易策略则是使用简单但有效的技术分析来生成买入/卖出信号，从而指导交易。

1、买入并持有

这种交易策略指尽可能多地购买比特币并一直持有下去（也就是区块链社区中的江湖黑话“ HODL ”）。虽然说这种交易策略并不是特别复杂，但在过去这样做赚钱的机率很高。

2、相对强弱指数分歧（Relative Strength Index（RSI） divergence ）

当相对强弱指数持续下跌且收盘价持续上涨时，这就是需要卖出的信号，而当相对强弱指数持续上涨且收盘价持续下跌时，就是需要买入的信号。

3、简单移动平均线（ Simple Moving Average，SMA ）交叉

当长期简单移动平均线超过短期简单移动平均线时，这就是需要卖出的信号，而当短期简单移动平均线超过长期简单移动平均线时，就是需要买入的信号。

你可能会问，为什么要做这些简单的基准测试呢？这样做是为了通过比较证明我们的强化学习交易智能体可以在比特币市场上发挥作用，如果智能体的收益连这些简单的基准收益都超不过，那么我们就相当于花费了大量的开发时间和显卡算力来进行了一场天马行空的科学实验。现在，让我们来证明事实并非如此。


实验结果


我们的数据集选用从加密货币数据网站 CryptoDataDownload 上下载的每小时收盘价位置价值（ OHCLV ）数据，其中前 80% 的数据用来训练智能体，后 20％ 作为全新的数据进行测试，以了解智能体的收益能力。当前这种简单的交叉验证形式足以满足我们的需求，而如果这个比特币自动交易智能体真的走向生产就绪，我们就可以使用全部的数据集进行训练，然后在每天新产生的数据集上进行测试。

废话不多说，我们来看看结果。

可以看到，使用 Omega 比率作为奖励指标的智能体在测试阶段并没有让人眼前一亮的交易。





使用 Omega 比率作为奖励指标的智能体在超过 3500 小时的交易时间里资产的总价值


分析智能体所进行的交易我们可以发现，很明显 Omega 比率这种奖励指标产生了过度交易（over-trade）的交易策略，以至于智能体未能抓住市场机会获得收益。

使用 Calmar 比率作为奖励指标的智能体与使用 Omega 比率作为奖励指标的智能体相比略有改进，但最终结果非常相似。看起来像是我们投入了大量的时间和精力，只是为了让事情变得更糟......





使用 Calmar 比率作为奖励指标的智能体在超过 3500 小时的交易时间里资产的总价值


如果仅使用利润作为奖励指标效果如何呢？在上一篇文章中这种奖励指标被证明有点失败，这次做的所有修改和优化能否化腐朽为神奇呢？

在为期四个月的测试周期内，使用利润作为奖励指标的智能体平均收益达到账户初始金额的350％。你可能已经被这个结果吓呆了。这应该就是强化学习能达到的巅峰了吧，对吧？





使用利润作为奖励指标的智能体在超过 3500 小时的交易时间里资产的总价值


并不是这样的。使用 Sortino 比率作为奖励指标的智能体平均收益达到了账户初始金额的850％。当我看到这个数字时，我都不敢相信自己的眼睛，以至于我立马回去检查代码中是否存在问题。但经过彻底的检查后，很明显代码中没有任何错误，也就是说这些智能体已经知道如何进行比特币交易。





使用 Sortino 比率作为奖励指标的智能体在超过 3500 小时的交易时间里资产的总价值


看起来使用 Sortino 比率作为奖励指标的智能体学习到了在最小化持有比特币风险的前提下低价买入和高价卖出的重要性，同时它们还躲过了过度交易和投资不足两大陷阱。虽然说智能体学到的具体交易策略我们不得而知，但是我们可以清楚地看到智能体已经学会通过交易比特币获得收益了。





使用 Sortino 比率作为奖励指标的智能体正在交易比特币，其中绿色的三角形表示买入信号，红色的三角形表示卖出信号


现在，我并没有被实验成功的兴奋冲昏头脑。我清楚地知道比特币自动交易智能体还远远没有达到生产就绪。话虽如此，但这些结果比我迄今为止看到的任何交易策略都要令人印象深刻。而且令人震惊的是，我们并没有告诉智能体关于加密货币市场如何运作、如何在加密货币市场上赚钱这样的先验知识，而是仅靠智能体重复地试验和试错就达到了这么好的效果，不过，这里经过了很多很多次的试验和试错。


写在最后


在本篇文章中，我们优化了基于强化学习的比特币自动交易智能体，让它在交易比特币时做出更好的决策，从而获得更多的收益！在这个过程中我们花费了大量的时间和精力，也遇到了很多的困难，我们把困难分解细化再逐个攻破，最终完成了智能体的优化，其中具体的操作步骤如下：

1、使用循环神经网络升级现有模型，即升级成使用平稳性数据的长短期记忆网络；

2、使用领域知识和统计分析进行特征工程，为智能体提供了 40 多个用来学习的新特征；

3、将投资的风险引入智能体的奖励指标，而不只是关注利润；

4、使用贝叶斯优化来寻找模型中最优的超参数；

5、使用常见的交易策略进行基准测试，以确保智能体的收益可以跑赢市场。


从理论上来说，这个高收益的交易智能体已经做得很不错了。

但是，我收到了相当多的反馈，他们声称交易智能体只是在学习拟合曲线，因此，面对生产环境中的实时数据，交易智能体永远不可能获得收益。虽然我们在不同数据集上训练/测试智能体的方法应该能够解决这个问题，但是模型确实会有过度拟合数据集的可能，并且可能不会很好地推广到实时数据。话虽这么说，但在我看来这些交易智能体学习到的远远不只是简单的曲线拟合，因此，我认为它们能够在实时交易的场景中获得收益。

为了检验这个想法，接下来的一段时间里我会把这些基于强化学习的智能体带到生产环节，为此，我们首先要更新智能体的运行环境以支持以太币、莱特币等其他加密货币，然后我们将升级智能体让它可以在加密货币交易所 Coinbase Pro 上实时交易。

这将会是一个激动人心的实验，请不要错过它。

需要强调的是，本篇文章中所有的方法和投资策略都是出于教育目的，不应被视为投资建议。我们的比特币自动交易智能体也远远没有达到实际生产层面，所以请管好自己的钱包。


参考资源：

1）基于 Python 语言和 Tensorflow 框架的循环神经网络和长短期记忆网络教程

https://adventuresinmachinelearning.com/recurrent-neural-networks-lstm-tutorial-tensorflow/

2）浅析基于 Python 语言的季节效应自回归移动平均模型预测时间序列

https://machinelearningmastery.com/sarima-for-time-series-forecasting-in-python/

3）浅析基于 Python 语言的非平稳性时间序列处理

https://www.analyticsvidhya.com/blog/2018/09/non-stationary-time-series-python/

4）超参数优化算法

https://papers.nips.cc/paper/4443-algorithms-for-hyper-parameter-optimization.pdf

5）机器学习方法在金融领域中的最新进展

https://dwz.cn/iUahVt2u


来源 | Towards Data Science 编译 | Guoxi 责编 | 乔治 出品 | 区块链大本营（Blockchain_camp） 查看全部

炒股的人都知道，天天盯着大盘做决策不仅让人劳神，还让人秃头。所以一堆顶级的数学家开始用数学的手段进行股市预测。

加密货币市场也一样，而且加密货币市场波动更加频繁，更加剧烈。对于这个问题，国外加密货币开发者 Adam King 提出了一种新的解决思路。

结合人工智能在预测方面得天独厚的优势， Adam 提出了使用深度强化学习构建加密货币自动交易程序，同时，这位小哥还做出了一个能够真正交易比特币的展示模型，他是怎么做到的？这个自动交易程序又能达到怎样的效果呢？让我们在文中一探究竟。

在本文中，我们将使用深度强化学习建立一个加密货币自动交易智能体（agent），并训练它通过交易比特币盈利。

为了避免重复造轮子，在本篇教程中我们将使用人工智能研究机构 OpenAI 开发的程序包。

目前人工智能在很多领域都已经超过了人类，从最初谷歌 DeepMind 团队开发的 AlphaGo 战胜围棋世界冠军李世石，到后来师出同门的 AlphaStar 在星际争霸中以 10：1 的大比分战胜两位职业玩家。近日，OpenAI 团队的 OpenAI Five 在 Dota2 游戏中以 2：0 的比分将世界冠军 OG 斩于马下。





谷歌 DeepMind 团队星际争霸人工智能产品 AlphaStar 的训练过程


人工智能给我们带来了很多激动人心的结果，虽然我们不会构建像 AlphaGo 这样令人印象深刻的产品，但在日常的比特币交易中实现盈利也非易事。

因此，与其冒着脱发的风险苦苦探索比特币币价的规律，何不让人工智能来一展身手？

在本文中，我们将通过人工智能技术完成一下三个尝试：

    为我们的智能体（agent）创建一个测试强化学习的 gym 环境； 以一种简单、优雅的方式可视化我们的测试环境； 训练我们的智能体，让它学习到能获益的比特币交易策略。


这里有些操作可能会比较麻烦，就比如说从头开始构建 gym 测试环境并将测试环境可视化，不过不要担心，我会仔细介绍这些细节，跟上我的节奏就好。


程序库安装


在本教程中，我们将使用 Zielak 提供的 Kaggle 数据集。如果你想要这些数据，你可以在我的 Github 仓库中下载 .csv 数据文件。

首先，我们来导入所有必要的 Python 程序库。如果你的电脑上还没有安装这些程序库，你可以使用 pip install 命令进行安装。






接下来，我们创建一个比特币交易环境的类。我们需要向其中传入一个 pandas 数据帧，一个用于指示智能体在每一个时间步长（ time step ）需要分析前几个时间步长数据的回顾窗口大小（ lookback_window_size ），以及可选的智能体账户初始余额（ initial_balance ）。

代码中我们将手续费（ commission ）设置为每笔交易的 0.075％ ，也就是加密货币期货交易所 Bitmex 当前的费率，同时，我们将序列运行（ serial ）参数默认为否（ false ），这意味着在默认情况下我们的数据帧将以随机的形式遍历各个片段。

除此之外，我们还在数据帧上分别调用了删除非数字（NaN，Not A Number）所在行的 dropna 函数以及在删除了数据之后重新设置数据帧索引的 reset_index 函数。






代码中 action_space （操作空间）的第一个数字表示可选的 3 个选项，即买入，卖出或持有，第二个数字表示所操作的比例，最小单位是 10% ，也就是说这个数字中的 1，2，3 分别代表 10%，20%，30% 。当选择买入操作时，具体买入的比特币数量将是第二个数字（ amount ）乘以当前账户的比特币余额（ self.balance ）。对于卖出操作，具体卖出的比特币数量也是第二个数字（ amount ）乘以当前账户的比特币余额（ self.balance ）。

当然了，如果选择持有操作，那么就不会买卖账户中的比特币，因而第二个数字就没有了意义。

我们的 observation_space（观察空间）被定义为 0 到 1 之间的连续浮点数集，它的大小为（ 10，回顾窗口大小（ lookback_window_size ） + 1）。这里的 + 1 操作是考虑到了当前这一时间步长的操作。对于窗口中的每一步，我们都将观察它的收盘价位置价值( OHCLV )，我们在那时的资产总价值、买入或卖出的比特币数量、以及我们在买入或卖出这些比特币时花费的美元数。

接下来，我们需要编写重新设置（ reset ）函数来初始化比特币交易环境。






代码中我们使用了重新设置会话控制（ self._reset_session ）函数和下一次数据观察（ self._next_observation ）函数，不过这些函数都还没有被定义，接下来我们来定义它们。


交易会话控制


交易会话控制（ session ）是比特币交易环境中的一个重要组成部分。如果我们将这个智能体部署到外部，我们可能永远都不会一次让它运行几个月的时间。出于这个原因，我们将在数据帧参数（ self.df ）中限制智能体能够连续看到的数据帧数量。

在我们的重新设置会话控制（ _reset_session ）函数中，我们首先将当前的时间步长（ current_step ）重新设置为 0 。接下来，我们将剩余时间步长（ steps_left ）设置为 1 到最大交易会话控制数（ MAX_TRADING_SESSION ）之间的随机数，当然了，最大交易会话控制数需要在文件的顶部定义。






接下来，如果需要连续遍历数据帧，那就应该设置遍历所有的数据帧，否则我们需要在数据帧参数（ self.df ）中设置一个随机的数据帧起始位置（ frame_start ），并创建一个名为激活数据帧（ active_df ）的新数据帧，它是数据帧（ self.df ）从起始位置（ frame_start ）到起始位置 + 剩余时间步长（ frame_start + steps_left ）这些连续帧组成的切片。






使用数据帧切片带来的一个重要影响就是，智能体将获得更多独一无二的数据，以便进行长时间的训练。举个例子，如果我们只是按顺序来遍历数据帧（即按数据帧 0 到最后一帧（len（df））的顺序），那么我们就只有数据帧个数这么多的唯一数据点。我们的观察空间在每一个时间步长只能观察区区几个状态。

但是，通过随机遍历数据帧的切片，我们有效地结合了原始数据集上每一个时间点的账户余额，交易数据以及当前比特币价格，从而创造出了更多独一无二的数据点。接下来我们通过一个例子来说明一下。

我们的智能体在每个时间步长中都有三种选择：买入，卖出或持有。对于这三种选择中的每一种，都还需指定操作比特币的数量，如操作当前比特币余额的 10％，20％，或是 100％ 。这意味着我们的智能体在每个时间步长中都有 30 种不同的选择（当然了，对于持有操作，这 10 种选择的效果是一样的），而它从中选出最好的一个。

回到我们随机切片后的比特币交易环境。在第 10 个时间步长中，我们的智能体可以处于数据帧内的任何数据帧长度（len（df））时间步长。考虑到每个时间步长智能体可以做 30 种选择，这意味着在任意 10 个时间步长的间隔时间中，该智能体可以经历数据帧长度（len（df））的 30 次方种可能的唯一状态。

虽然这样的操作可能会给大型数据集带来相当大的噪声，但我相信这是一把双刃剑，这样我们的智能体也会从有限的数据量中学到更多。不过，对于测试数据集，我们仍将按顺序来遍历，这样做更贴近于“实时”的交易数据，因而可以更好更精确地检测我们的智能体。


比特币交易智能体都学到了些什么


为了更好地了解智能体所看到并学习到的特征，我们需要将比特币交易环境的观察空间可视化。就比如说，下面是使用 OpenCV 可视化渲染后的观察空间。





OpenCV 可视化渲染后的观察空间


图像中的每一行都代表我们观察空间（ observation_space ）中的一行。前4行类似于频率的红线代表了 OHCL 数据，下方的橙色和黄色的点代表着数量，再下方这个起伏不定的蓝色长条是智能体所拥有资产的总价值，而下方颜色较浅的点代则表智能体的交易。

如果你眯着眼睛看这张图，你就可以看到一个 K 线图，下面有着代表数量的指示条以及一个显示交易历史的类似于莫尔斯电码的界面。看起来我们的智能体应该能够在观察空间（ observation_space ）的数据中学到一些东西。在这里，我们将定义下一次观察（ _next_observation ）函数，在这个函数中我们要将观察到的数据缩放到 0 到 1 之间。

重要的一点是，仅仅缩放智能体到目前为止所观察到的数据，以避免出现前视偏差（ Look-ahead bias，前视偏差是指在策略的开发中，采取了未来的一些信息，而这些信息在实盘操作中是基本上不可能得到的）。







编写步骤


现在我们已经设置好了观察空间，是时候编写我们的操作步骤（ step ）函数了，这个函数可以指导智能体的行为。

每当当前交易时段的剩余操作步骤（ self.steps_left ）等于 0 时，我们将卖出所持有的所有比特币并调用重新设置会话控制（ _reset_session ）函数。

否则，我们将智能体的奖励（ reward ）设置为当前所持有资产的总价值，如果智能体的资金用完了，则只会将完成（ done ）设置为真（ True ）。






其实，采取行动的过程十分简单，也就只有三步：

第一步，获取当前的比特币价格（ current_price ）；

第二步，确定该买入卖出还是持有，以及所要操作的份额；

第三步，就是真实买入或卖出这些比特币。现在我们来编写采取行动（ _take_action ）函数，以便于测试我们的比特币交易智能体。






最后，在这个函数中，我们将交易添加到交易记录参数（ self.trades ）中，并更新我们的资产总价值和账户交易历史。






到这里，我们的智能体就可以启动新环境，在新环境中学习比特币交易的特征，并采取行动以获得收益。是时候让比特币交易智能体一展身手了。


查看比特币交易智能体的交易记录


上文中说到了，我们需要将智能体的学习和决策过程可视化。当然了，仅仅使用最简单的方法，在智能体每次决策后输出智能体所持有资产的总价值（print（self.net_worth））也不是不可以，不过这样做就少了很多的乐趣。因此，我们决定绘制一个简单的比特币价格数据 K 线图，其中包含数量栏和我们资产总价值的单独图表。

在代码中，我们需要定义一个用来可视化的资产交易图（ StockTradingGraph ）函数，在函数的初始化过程中，我们需要调用 python 可视化程序库 matplotlib.pyplot ，并指出每一个需要可视化的数据。






为了更好地展现数据，在可视化方法中我们需要导入 Python 时间日期（ datetime ）处理模块，在数据上标注出人类可读的日期和时间。






在导入完成后，我们需要使用将时间戳转换为世界统一时间 UTC 的 utcfromtimestamp 函数，将每个时间戳转化为 UTC 时间，然后用计算机时间函数（ strftime ）将这个 UTC 时间按照“ 年 - 月 - 日 小时：分钟 ”的格式展现出来。






到这里，可视化函数的各个部分都已编写完成，回到比特币交易环境，我们现在可以汇总出一个可视化（ render ）函数来显示图形。






ok了！我们现在可以看到智能体正在交易比特币。





使用 Matplotlab 程序库可视化后的智能体交易比特币数据


图中绿色的竖线代表智能体在买入比特币，红色的竖线代表智能体在卖出比特币。右上角的白色方框是智能体所持有资产的总价值，在其下方的白色方框是当前比特币的价格。

这里容我自恋一下，我认为这个可视化的效果简单而又不失优雅。现在，是时候训练我们的比特币交易智能体了，看看它能帮我们赚到多少钱！


训练比特币交易智能体


由于我们训练智能体时使用的是时间序列数据，因此在交叉验证方面我们并没有太多的选择。

就拿一种常见的交叉验证形式： k-fold（k组）交叉验证来举例，在 k-fold 交叉验证中，你需要将数据拆分成 k 个相等的分组，将每一个分组分别做一次测试组，其余的 k-1 组数据用作训练组。

然而，时间序列数据与时间有着高度的依赖性，这意味着后面出现的数据高度依赖于先前出现的数据。所以在这种情况下 k-fold 将不起作用，因为这样会让我们的智能体提前知道未来的数据，即使盈利了我们也不知道是得益于智能体精准的预测还是因为智能体作弊了。

当应用于时间序列数据时，大多数其他的交叉验证策略也都存在着同样的缺陷。因此，我们只需在完整数据帧中给定一个分界点，前一部分的数据用作训练集，其余的数据用作测试集。






接下来，由于我们的比特币交易环境被设置为仅处理单个数据帧，因此我们需要创建两个比特币交易环境，一个用于训练数据，一个用于测试数据。






到这里，我们就可以训练模型了。如下面的代码所示，我们只需要在比特币交易环境中创建智能体，然后调用 model.learn 命令开始训练。






在这里，我们会使用机器学习框架 tensorflow 的可视化工具 tensorboard ，从而我们可以轻松地可视化 tensorflow 的数据流图并查看有关我们智能体的一些量化指标。

比如说，下图展示了智能体在经过 200000 个时间步长后的盈利：






看起来我们的智能体都获得了很多的收益！最好的一个智能体在 200,000 个时间步长后资产总价值提升了 1000 倍，而其余的智能体资产总价值平均提升了 30 倍以上！

不过，就在这时，我意识到比特币交易环境中存在一个错误......在修复了该错误之后，这是新的收益图：






正如你所看到的，我们的一些智能体做得很好，而有一些则表现很差。总的来说，表现良好的智能体最多能够实现资产总价值提升 10 倍甚至 60 倍。

我必须承认，所有这些智能体都是在虚拟的比特币交易环境中训练和测试的，所以将这个比特币交易智能体直接应用于比特币区块链上还为时尚早。但是至少这个结果告诉我们，使用人工智能来进行加密货币交易决策这条路是行得通的。

接下来，让我们在比特币交易测试环境中测试智能体，在测试环境中我们将使用智能体以前从未见过的全新数据，看看这些智能体是否学到了比特币的交易策略。





结果显示，我们训练出来的比特币交易智能体在新的测试环境中争相走向破产


这也并不意外，因为我们还有很多的工作要做。仅仅通过简单地将模型从当前的近端策略优化（ Proximal Policy Optimization ， PPO2 ）智能体切换到 stable-baseline 程序库中的 A2C （ Advantage Actor-Critic ）就可以大大提高我们在此数据集上的性能。

同时，我们也可以更新奖励函数，激励那些资产总价值不断增加的操作，防止有些比特币交易智能体在资产总价值达到高位时就消极怠工。






仅仅做出这两个改动就可以大幅度提高比特币交易智能体在当前数据集上的性能，正如下图所示，最终我们在数据全新的测试环境上成功实现了盈利。






除此之外，我们还可以做得更好。为了提升这些比特币交易智能体的准确度，我们可以优化超参数并训练智能体更长的时间。是时候给你的显卡（深度学习代码运行在显卡之上）一点压力了！

如果你想继续优化，这里可以给你提供些思路，你可以使用贝叶斯优化来在问题空间上寻找最佳的超参数，并使用显卡的 CUDA 运算平台优化训练环境和测试环境。


结论


在本教程中，我们使用深度强化学习从零开始创建了一个能够获得收益的比特币交易智能体。

具体而言，我们完成了以下的任务：

    使用 OpenAI 团队开发的用于测试强化学习算法的工具包 gym 从零开始创建了一个比特币交易环境；
    使用 Python 可视化程序库 Matplotlib 将比特币交易环境可视化；
    使用简单的交叉验证对我们的比特币交易智能体进行了训练和测试；
    虽然还有很多的工作需要完成，但现在我们已经可以看到成功的曙光。


 
虽然最后我们的比特币交易智能体在数据全新的测试环境中还不能保证总是盈利，但我们已经离成功不远了。


作者 | Adam King
译者 | Guoxi
责编 | Aholiab
出品 | 区块链大本营（blockchain_camp） 查看全部

据Cointelegraph 11月13日报道，国际货币基金组织（IMF）计划利用正在进行的区块链研究和试验，来作为在未来针对该技术进行政策制定的“支柱”。

在2018年新加坡金融科技节上，国际货币基金组织的副总法律顾问Ross Leckow在与Ripple公司首席执行官Brad Garlinghouse的座谈中，强调了该组织保持“活跃”关注的三个领域，其中就包括了区块链和加密货币领域。

Ross Leckow对听众说道：

国际货币基金组织对金融科技投入了大量的关注，特别是对区块链领域的关注。但我们认为，如果不考虑正在构成金融科技力量的其他新技术的话，我们就很难探讨区块链技术。


对于Leckow来说，这些新兴技术包括了人工智能（AI），分布式分类帐本技术（DLT）以及加密货币资产等。

随后Ross Leckow进一步强调了国际货币基金组织关于加密货币和区块链的持续研究工作。

他补充称各大银行和政府对如何管理和监管新兴市场表现出了极大的兴趣：

鉴于在这方面的建议需求，上个月我们在巴厘岛举行的年会上和世界银行共同发起了一个名为巴厘岛金融科技议程（Bali Fintech Agenda）的倡议，我们认为这是各国在涉及有关金融科技的政策时，需要考虑的第一个全面的问题框架。这将是我们在未来许多相关工作的支柱。


当然，国际货币基金组织对加密货币的态度也并不是一味地支持。在今年9月，由于国际货币基金组织考虑到了反洗钱的问题，它曾因建议马绍尔群岛不要发行本国加密货币而受到抨击。


原文：IMF Vows to Continue ‘Devoting Attention’ to Blockchain, Cryptocurrency in Fintech Drive
作者：William Suberg
编译：Captain Hiro 查看全部

在充足风险投资的支持下，许多区块链应用程序已经被开发出来，更多的应用程序正在开发中。图中，这位计算机程序员正在调整挖掘平台来挖掘比特币
 
 
据外媒报道，加密货币的价值可能会下降，但对区块链工程师的需求却从未如此之高。
美国旧金山专门帮助客户招聘技术人员的公司Hired发布全球统计数据显示，区块链工程师的平均年薪在15万到17.5万美元（约合人民币104万-121万元）之间。Hired表示，这比普通软件工程师的平均年薪（13.5万美元）要高出很多。

事实上，拥有区块链专业技能的工程师薪水与专攻人工智能（AI）的开发人员相当，但比其他任何专业的工程职位都要高。随着大公司开始开发利用区块链技术的项目，相关人才需求也在增长。Facebook、亚马逊、IBM和微软等公司目前都在招聘区块链工程师。

到2017年底，Hired已经将区块链列为其服务榜单中，从那以后，该公司发现招聘区块链人才的职位需求增加了400%。Hired首席执行官梅胡尔·帕特尔(Mehul Patel)说：“对区块链人才的需求非常高。软件工程师已经处于极度短缺状态，而区块链领域这种情况更加严重，这就是为何他们薪水更高的原因。”






今年3月份，达斯汀·威尔登(Dustin Welden)受雇于总部位于西雅图的Globys公司，负责利用区块链技术整合不同会计服务的项目。他说：“当我的头衔变成‘区块链首席工程师’时，工作量开始猛增，我现在每天都在LinkedIn上收到面试请求。”

目前，这些类型的工作往往带有诸如后端工程师、系统工程师或解决方案架构师之类的头衔，但据Hired表示，这些职位中有更多的人倾向于将区块链列为工作所需的技能。

许多区块链工程师表示，想要专攻区块链的工程师应该懂得网络、数据库设计和加密计算技能。区块链工程师使用多种编程语言编写代码，如Java、JavaScript、c++、Go、Solidity和Python等。





科技岗位前五大需求技能


帕特尔称:“这个领域需要这样的心态，即要对规划有长远设想。如果你要开发区块链技术，必须要有这种天赋。”





急需的招聘岗位


来源：腾讯科技；编译：金鹿 查看全部