每当提及「研发效能」，我们都在谈论什么？

研发效能管理要在保证质量的前提下，思考如何更快地向客户交付价值。在管理实践中，效能度量涉及三大维度：交付速率、交付质量、交付价值。

技术团队对内如何优化开发流程，以提升交付速率和质量？对外如何围绕价值交付，与产品、业务侧同事开展紧密高效的研发协作？在众多亟需攻破的效能难题中，Cycle Time 都是极为关键的速率管理发力点。

01 是什么 Cycle Time？

Cycle Time 原是精益生产的专业术语，描述了某个工序制造一单位产品或某过程完成一个工作循环所需的平均完整时间，可以确定机器或工序的生产能力和效率。

在软件研发中，Cycle Time 是指技术团队从头到尾完成一单位研发工作平均需要的时间，即研发工作从进入开发到发布上线所经历的平均时间。

02 为什么应该关注 Cycle Time？

Cycle Time 是反映技术团队工作速率的结果度量指标，可以帮助团队识别障碍、有的放矢地优化改进并实现更快更好的价值交付。

• 更快地响应。缩短 Cycle Time 的本质是更快地向客户交付价值，响应变化。
• 识别障碍和待改进空间。跟踪对比多项目或跨周期的 Cycle Time 有助于识别和定位效能瓶颈，便于及时调整优化。
• 及时反馈，避免浪费。分析优化前后的 Cycle Time 可以快速掌握优化效果，辅助进一步决策，避免长时间的空耗和等待。
• 提供风险预警支撑。以历史和平均 Cycle Time 为效率基准，在过程管理中为风险预警和进度管理提供数据辅助。

总的来说，研发团队应该持续跟踪 Cycle Time，灵敏地识别开发过程中的效能瓶颈，并通过建立标准、流程优化、任务拆分等持续改进，增强组织敏捷性，提高开发速率，快速交付价值。

03 如何计算 Cycle Time？

前面说到，Cycle Time 表示一单位研发工作经历从「进入开发」到「发布上线」平均需要的完整时间。

为了便于计算，此处定义一单位研发工作为「Git 中的一个工程任务」。在管理实践中，一单位研发工作也可以是一个故事点数、一个用户故事等等。

技术团队需要提前约定开发流程中每个环节「工作开始」和「工作完成」的标准，并确保所有人都为此达成共识。

1. 编码时间：DoR 是技术团队需求准入的标准，因此编码时间是「需求符合 DoR 要求，抵达技术团队」到「完成编码，发起 Pull Request 请求」的平均时间。

2. 拾取时间：从「发起合并请求」到「代码审查开始」的等待时间为代码拾取时间。拾取时间越短，说明跨职能的技术团队协作越紧密，审查过程越健康。

3. 审查时间：一般将「首条评论产生的时间」视作代码审查的起点，而「分支确认合并」则是代码审查结束的标志。

4. 部署时间：常以「分支确认合并」为始，以「新代码成功同步到生产环境」为终。

基于清晰统一的节点标准，技术团队就可以计算各个环节的平均工作周期，并通过平均值加总得到 Git 工程任务的 Cycle Time。

同时，结合不同环节的耗时分布和交付数量，技术团队还可以制定流程规范和优化方案，将效能瓶颈逐个击破。

04 缩短 Cycle Time 第一招：提高编码效率

技术团队的编码周期过长，可能有以下原因：

• 需求很复杂：功能复杂、耦合度高、颗粒度大的研发任务通常需要花费更多时间。
• 需求不明确：用户调研或需求分析不到位、产品频繁变更都会拉高沟通成本，多次返工和变更也会影响代码质量和速率。
• 需求太难了：开发人员缺乏项目必备的专业知识，边学边做，或者突现计划外的技术难题都会制约开发效率。
• 流程繁琐混乱：代码提测路径长、被频繁打断而无法专注于代码实现，都是工作流程不优导致的效能瓶颈。
• 总在无意义的机械劳动：代码手动 Commit、人为的消息通知和任务指派也是对技术团队精力和时间的极大浪费。

因此，提高技术团队的编码效率可以从流程规范和优化、自动化工具的投入，和能力提升与培养三个角度入手。

1. 建立流程标准和协作规范，把控准入需求

开展工作的前提是保证技术团队一直在交付最有价值的事情，因此可以采用敏捷开发方法，对需求进行价值排序，确定优先顺序。

第二，同产品团队一起建立协作流程规范，并明确需求准入的标准（DoR），说明含需求粒度、任务拆分和分解、相关的上下文和说明文件等在内的要求。通过加强起点的把控，提升开发速率。

2. 构建内部知识库，将繁复的操作和流程自动化

合理利用优质开源项目、时兴的效率工具与自动化插件，加快代码编写的速度并提高质量，以减轻语法检查、手动提交等事务性工作的压力。

同时，鼓励开发人员积极沟通，定期举办内部知识分享会，促进相互学习；建立代码知识库，收纳相关代码以供检索和复用，避免低效和浪费。

3. 规范开发标准和良好习惯，持续学习

由上至下地推行统一的代码规范，鼓励开发人员遵循最佳实践，例如编写干净、文档齐全的代码和使用一致的编码约定，减少调试和故障排除的时间。

定期组织培训或展开指导，持续了解新技术，学习新知识，尝试新工具。不断精进专业实力的同时，主动扩展知识带宽。

LigaAI 总结一下

Cycle Time 是衡量技术团队开发速率和交付能力的重要指标。在相同的交付质量和价值度量的前提下，更短的 Cycle Time 意味着研发团队能更快地响应市场和需求的变化，更快地向用户交付价值。

Cycle Time 表示研发工作从符合 DoR 并进入技术团队起，到发布上线所需的平均完成时间，与编码、拾取、评审和部署的周期皆有联系。其中，控制好需求准入标准，合理利用新兴技术和项目都有助于缩短编码周期，加快开发速率。

关注研发效能，专注科学管理。LigaAI 将持续分享更多研发效能度量体系的搭建经验，以及度量指标管理方法等干货内容，助力研发团队击碎效能瓶颈。

请持续关注 ，获取更多资讯。

量化波段王介绍

如何选时？如何选股？又如何买卖？这灵魂三问，一直是投资者朋友想要解决却一直解决不了的三大痛点！

因此一个指标如果能同时解决选时、选股、买卖三大痛点，那么就是一个好的指标。

而今天郭就给大家介绍这个《量化波段王指标》就能同时解决股民朋友——不会选时、不会选股、不会买卖的三个通病，让股民朋友在股海游得更远！

关注【当下市场上很火的指标！】

简单总结下本节内容包含：量化波段王指标使用方法 + 量化波段王技术指标源码 + 量化波段王双红共振选股器！

一、选时篇20221103

“因势而动，审时度势，顺势而为”。而波段王指标通过红K、绿K、红带、绿带完美解决了选时的问题。

如下图所示当K线由绿转红或者红绿带由绿转红，那么属于波段上涨的潜在买点，出现这个信号要注意机会；

而K线由红转绿或者红绿带由红转绿，那么属于波段上涨的卖点，出现这个信号要防范风险。

二、选股篇20221103

4000多只个股挑花眼？量化波段选股公式，可以一键轻松筛选全市场波段上涨的个股！

三、买卖篇20221103

对于交易而言，归根到底就是“买”、“卖”二字，但难的是在“什么时候买”、什么时候卖。而我们对量化波段王指标做了升级，会自动提示买卖点。

如下图所示：当K线中出现“多”字，属于波段买点机会；而当K线中出现“空”属于波段卖点机会。

四、量化波段王形成原理20221103

量化波段王指标，是根据SAR（抛物线指标）指标升级而来的，相对于SAR指标更平滑。量化波段王无疑是所有指标中买卖点最明确，长期使用量化波段王指标，只能小亏大赚，绝不可能一次就惨遭套牢。

五、量化波段五指标简介20221103

量化波段王指标是由红圈和绿圈组成的。量化波段王指标利用抛物线方式，随时调整停损点位置以观察买卖点。量化波段王指标是以弧形的方式移动，所以又称为抛物线指标。量化波段王指标是一个趋势指标，它可以告诉交易者价格反转点和趋势方向。

六、量化波段王四大买卖技巧20221103

1、股价自下而上突破SAR线【突破绿圈线】—突破日买入

当股票股价从SAR曲线下方开始向上突破SAR曲线时，为买入信号，预示着股价一轮上升行情可能展开，投资者应迅速及时地买进股票。

2、股价在SAR线获得支撑【回踩红圈线获得支撑】—获得支撑再次回升时买入

当股票股价向上突破SAR曲线后继续向上运动而SAR曲线也同时向上运动时，表明股价的上涨趋势已经形成，SAR曲线对股价构成强劲的支撑，投资者应坚决持股待涨或逢低加码买进股票。

3、股价自上而下跌破SAR线【跌破绿圈线】—跌破日卖出

当股票股价从SAR曲线上方开始向下突破SAR曲线时，为卖出信号，预示着股价一轮下跌行情可能展开，投资者应迅速及时地卖出股票。

4、股价在SAR线遇到阻力【反弹至绿色圈遇阻】—遇阻回落时卖出

当股票股价向下突破 SAR曲线后继续向下运动而 SAR曲线也同时向下运动，表明股价的下跌趋势已经形成，SAR曲线对股价构成巨大的压力，投资者应坚决持币观望或逢高减磅。

因为日线线级别量化波段王受股市短期波动的影响较大，实际应用在寻找合适的买点时，可以用月线量化波段王为指标，这样准确性更高。但并不是只要SAR 月线翻红就无脑买入，还要结合很多指标，这样的SAR月线反转含金量更高。

七、小技巧略注 20221103

另外量化波段王指标，还设计了两个小技能，一个是自动提示行业板块，让投资者一眼识别公司所处的行业，及公司主要产品，如下图所示：

八、量化波段王技术指标源码

.............................

九、量化波段王手机安装码

.....................................

十、量化波段选股指标源码

........................

近年来，深度神经网络在计算机视觉、自然语言处理等领域被验证是一种极其有效地解决问题的方法。通过构建合适的神经网络，加以训练，最终网络模型的性能指标基本上都会超过传统算法。

在数据量足够大的情况下，通过合理构建网络模型的方式增加其参数量，可以显著改善模型性能，但是这又带来了模型复杂度急剧提升的问题。大模型在实际场景中使用的成本较高。

深度神经网络一般有较多的参数冗余，目前有几种主要的方法对模型进行压缩，减小其参数量。如裁剪、量化、知识蒸馏等，其中知识蒸馏是指使用教师模型(teacher model)去指导学生模型(student model)学习特定任务，保证小模型在参数量不变的情况下，得到比较大的性能提升，甚至获得与大模型相似的精度指标。PaddleClas融合已有的蒸馏方法，提供了一种简单的半监督标签知识蒸馏方案（SSLD，Simple Semi-supervised Label Distillation），基于ImageNet1k分类数据集，在ResNet_vd以及MobileNet系列上的精度均有超过3%的绝对精度提升，具体指标如下图所示。

一、SSLD 蒸馏策略

1、简介

SSLD的流程图

首先，我们从ImageNet22k中挖掘出了近400万张图片，同时与ImageNet-1k训练集整合在一起，得到了一个新的包含500万张图片的数据集。然后，我们将学生模型与教师模型组合成一个新的网络，该网络分别输出学生模型和教师模型的预测分布，与此同时，固定教师模型整个网络的梯度，而学生模型可以做正常的反向传播。最后，我们将两个模型的logits经过softmax激活函数转换为soft label，并将二者的soft label做JS散度作为损失函数，用于蒸馏模型训练。下面以MobileNetV3（该模型直接训练，精度为75.3%）的知识蒸馏为例，介绍该方案的核心关键点（baseline为79.12%的ResNet50_vd模型蒸馏MobileNetV3，训练集为ImageNet1k训练集，loss为cross entropy loss，迭代轮数为120epoch，精度指标为75.6%）。

• 教师模型的选择。在进行知识蒸馏时，如果教师模型与学生模型的结构差异太大，蒸馏得到的结果反而不会有太大收益。相同结构下，精度更高的教师模型对结果也有很大影响。相比于79.12%的ResNet50_vd教师模型，使用82.4%的ResNet50_vd教师模型可以带来0.4%的绝对精度收益(75.6%->76.0%)。
• 改进loss计算方法。分类loss计算最常用的方法就是cross entropy loss，我们经过实验发现，在使用soft label进行训练时，相对于cross entropy loss，KL div loss对模型性能提升几乎无帮助，但是使用具有对称特性的JS div loss时，在多个蒸馏任务上相比cross entropy loss均有0.2%左右的收益(76.0%->76.2%)，SSLD中也基于JS div loss展开实验。
• 更多的迭代轮数。蒸馏的baseline实验只迭代了120个epoch。实验发现，迭代轮数越多，蒸馏效果越好，最终我们迭代了360epoch，精度指标可以达到77.1%(76.2%->77.1%)。
• 无需数据集的真值标签，很容易扩展训练集。SSLD的loss在计算过程中，仅涉及到教师和学生模型对于相同图片的处理结果（经过softmax激活函数处理之后的soft label），因此即使图片数据不包含真值标签，也可以用来进行训练并提升模型性能。该蒸馏方案的无标签蒸馏策略也大大提升了学生模型的性能上限（77.1%->78.5%）。
• ImageNet1k蒸馏finetune。我们仅使用ImageNet1k数据，使用蒸馏方法对上述模型进行finetune，最终仍然可以获得0.4%的性能提升(78.5%->78.9%)。

2、数据选择

SSLD蒸馏方案的一大特色就是无需使用图像的真值标签，因此可以任意扩展数据集的大小，考虑到计算资源的限制，我们在这里仅基于ImageNet22k数据集对蒸馏任务的训练集进行扩充。在SSLD蒸馏任务中，我们使用了Top-k per class的数据采样方案。具体步骤如下。

• 训练集去重。我们首先基于SIFT特征相似度匹配的方式对ImageNet22k数据集与ImageNet1k验证集进行去重，防止添加的ImageNet22k训练集中包含ImageNet1k验证集图像，最终去除了4511张相似图片。部分过滤的相似图片如下所示。

• 大数据集soft label获取，对于去重后的ImageNet22k数据集，我们使用ResNeXt101_32x16d_wsl模型进行预测，得到每张图片的soft label。
• Top-k数据选择，ImageNet1k数据共有1000类，对于每一类，找出属于该类并且得分最高的k张图片，最终得到一个数据量不超过1000*k的数据集（某些类上得到的图片数量可能少于k张）。
• 将该数据集与ImageNet1k的训练集融合组成最终蒸馏模型所使用的数据集，数据量为500万。

二、实验

• PaddleClas的蒸馏策略为大数据集训练+ImageNet1k蒸馏finetune的策略。选择合适的教师模型，首先在挑选得到的500万数据集上进行训练，然后在ImageNet1k训练集上进行finetune，最终得到蒸馏后的学生模型。

注：本文资料来源：
https://paddleclas.readthedocs.io/zh_CN/latest/index.html，仅供学习参考。

SSL指标是一个长线指标，它的长线价值更为明显一点，经验比较充足的人也可以结合长线SSL指标来观察短线SSL的变化，达到更为细致的了解主力近期目的。

SSL指标中存在明显的一根或者两根特别密集的成交条情况，分析判断起来更为直接，这种明显的密集条产生的原因有两个可能，一种可能是有主力机构在密集价位获得了较多的筹码形成的，一种可能是该股在上市的第一天形成的。

SSL的密集成交条在日后的交易中会对股价形成强烈的吸引作用与支撑压力作用，在股价突破密集成交条后往往会形成加速的走势，同样股价远离密集条后恢复时，股价的第一目标就是密集条的价位。

SSL筹码分布中一旦出现新的密集成交条，代表该股存在主力吸货或者出货的可能。特别实在大涨大跌后空当出现后的明显交易值的进一步分析。

股价运行在SSL筹码分布密集区或者股票没有明显的密集条，股价运行可能会陷入泥潭，这种股票没有大成交量的配合将走势稳定，缺乏机会。

在使用SSL指标时可以结合OBV指标与股票主要流通股排名榜。在进行实战时还要适当考虑短线指标。

想学习更多股票技术知识，欢迎添加微信(ysw88845)干货满满，惊喜不断。

(本资料仅供参考，不构成投资建议，投资时应审慎评估)

上一篇：600017(股票行情)

下一篇：基金一对多(一对多基金收益)