全局变量 在函数之外创建的变量属于__main__,又被称为全局变量。它们可以在__main__中的任意函数中访问,与局部变量在函数结束时消失不同,全局变量可以在不同函数的调用之间持久存在。全局变量常
字符串连接,就是将2个或以上的字符串合并成一个,看上去连接字符串是一个非常基础的小问题,但是在Python中,我们可以用多种方式实现字符串的连接,稍有不慎就有可能因为选择不当而给程序带来性能损失。
因子选股模型是应用最为广泛的一种选股模型,基本原理是采用某个或某些因子作为选股的标准,满足这些因子的股票则被买入,不满足的则卖出。 因子选股模型为什么适用?举一个简单的例子:如果有一批人参加马拉松,
这里,为了熟悉Python语言的特性,我们采用一种最原始的方式去定义线性代数运算的相关函数。如果是真实应用场景,则直接使用NumPy的函数即可。 1.向量 创建一个向量我们可以把Python中的向
在本文中将为大家介绍聚类算法和关联分析问题。分类算法与聚类到底有何区别?聚类方法应在怎样的场景下使用?如何使用关联分析算法解决个性化推荐问题?本文就为大家揭晓答案。 本文将围绕一下几个方面进行介绍
1、最邻近算法 KNN方法的简单描述:KNN方法用于分类,其基本思想如下。我们已经有一些已知类型的数据,暂称其为训练集。当一个新数据(暂称其为测试集)进入的时候,开始跟训练集数据中的每个数据点求距离,
本讲的目的是实现期货交易品种(板块)的相关性分析,相关性分析的作用有很多种,主要有:1.检测品种的相关性,可以挑选相关性高的品种(板块)进行对冲操作;2.通过检测品种的相关性,可以监控整个市场的系统性
接到上篇说哈,本文讨论一下数据监听线程和订单管理线程做些什么。 一,数据监听线程 数据监听线程,当行情处理线程接收到新的行情数据时,也就是每当一个tick到来时,就向数据监听线程发出信号,触发
NO.1 大数据分析已被广泛应用于科学、娱乐、**等领域,通过实时信息聚集机制,分析信息的预期结果。金融市场中的分析也一直是热门话题。 对于大多数人来说,分析价格走势是一种非常具有诱惑力的事情
NO.1 索罗斯在1987年撰写的《金融炼金术》 一书中,曾经提出过一个重要的命题:I believe the market prices are always wrong in the sense
看对走势并没有什么了不起的,在市场中总能找到很多在牛市早就看涨的人,在熊市早就看跌的人。但他们总是善于跟市场讨价还价,试图买在最低点,卖在高点。 这种思维方式,往往在牛市等低点,到最后等来一个踏空,行
先来设想一个随机漫步的价格波动(看下面的图,大名鼎鼎的二叉树图): B0是起始点,对应的价格是10元。在B0点以10元的价格开仓。 开仓后,价格有50%的概率从10元上涨到11元(到达
在这片文章中,我们介绍用深度学习来构建量化投资策略的基本步骤以及一些建议。并从控制论和信息论的角度来科学的分析这些步骤。这篇文章一共有四个部分: 确定 唯一的评价指标 分析 偏置与方差 做 误差分析
-由反事实实例化(Counterfactually Instantiated)对象组成的典型状态通道- 我们已经进行了一些关于状态通道和区块链扩展性的研究,并在 L4 上展示。今天很高兴再次分享我
SMO 算法概述 SMO 是由 Platt 在 1998 年提出的、针对软间隔最大化 SVM 对偶问题求解的一个算法,其基本思想很简单:在每一步优化中,挑选出诸多参数( )中的两个参数(ai、aj)作