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

　　什么是核方法？ 往简单里说，核方法是将一个低维的线性不可分的数据映射到一个高维的空间、并期望映射后的数据在高维空间里是线性可分的。我们以异或数据集为例：在二维空间中、异或数据集是线性不可分的；但是通过

　　很多人第一次听说 SVM 时都觉得它是个非常厉害的东西，但其实 SVM 本身“只是”一个线性模型。只有在应用了核方法后，SVM 才会“升级”成为一个非线性模型。 不过由于普遍说起 SVM 时我们都默认

　　感知机是个相当简单的模型，但它既可以发展成支持向量机（通过简单地修改一下损失函数）、又可以发展成神经网络（通过简单地堆叠），所以它也拥有一定的地位。为方便，我们统一讨论二分类问题，并将两个类别的样本分

　　从意思上就知道通过用水来进行分类，学术上说什么基于拓扑结构的形态学。。。其实就是根据把图像比作一副地貌，然后通过最低点和最高点去分类！   原始的分水岭： 就是上面说的方式，接下来用一幅图进行解释--

　　本章主要介绍混合型朴素贝叶斯—— MergedNB 的实现。 首先是初始化： from b_NaiveBayes.Original.Basic import * from b_NaiveBayes.O