作者文章归档:course

股票价格-前复权、不复权、后复权


要理解股票价格的前复权、不复权、后复权,首先需要明确核心前提——除权除息:股票会因分红(现金分红)、送股/转增股等行为导致股价“跳空下跌”(如10送10后股价腰斩),这种跳空会割裂K线走势的连贯性。复权的本质就是消除除权除息的影响,让股价走势回归“真实趋势”;而不复权则保留了实际交易价格的原貌。

一、核心定义:三者的本质区别

三者的核心差异在于复权基准点不同(以哪个时间点的价格为“真实价格”,调整其他时间点的价格),进而导致股价数值、K线形态和应用场景完全不同。

1. 不复权(No Adjustment)

  • 定义:直接显示股票实际交易的价格,不处理任何除权除息行为。
  • 关键特征
  • K线图会...

Read more

青果-短效代理IP-企业代理IP云服务-动态代理


1. 一段话总结

青果自营的短效代理IP基于拨号VPS构建,部署全国200+城市与地区,日去重IP超200W+、日流水IP超400万,IP存活时长覆盖1-30分钟且多种可选;支持4种提取方式(弹性、按量、均匀、通道)与2种授权方式(帐密、白名单,白名单免费鉴权达256个),除按量提取外提供6小时免费试用,全协议支持(HTTP/HTTPS/SOCKS5)且毫秒级切换IP;热销套餐涵盖月付、季付、年付及按量套餐,价格0-3000元不等,多数套餐带宽峰值限制2Mbps、不限制终端数,平均成功率99.9%,适用于APP大数据分析、跨境选品、舆情监测、原创版权保护等场景,还配套产品说明、提取工具等...

Read more

2025-09-ONE-Tasks-目标与计划


目标

  • 日线页面添加新功能-可以选择 预测上涨的区间 筛选器 - 选择自动获取数据的自动规则
  • 增加新功能-日线预测能够预测未来两天的收盘价
  • 增加新功能-5分钟预测能够预测未来两天的5分钟行情数据
  • 增加市值 换手率 等
  • bsstock日线数据的接入
  • 训练基于换手率 + 波动率 的预测模型

2025-09-15-21

预测平台

DATA 平台

Read more

神经网络与机器学习-books


导言

Rosenblatt 感知器

回归建模

最小均方算法

多层感知器

核方法和径向基函数网络

支持向量机

主成分分析

自组织映射

信息论学习模型

源于统计力学的随机方法

动态规划

神经动力学

动态系统状态估计的贝叶斯滤波

动态驱动递归网络

Read more

统计学习要素-机器学习中的数据挖掘,推断与预测-Books


概述

监督学习概述

回归的线性方法

分类的线性方法

基展开与正则化方法

核平滑方法

模型的评估和选择

模型的推断和平均

加性模型,树和相关方法

Boosting 和加性树

神经网络

支持向量机与柔性判别分析

原型方法与最近邻

非监督学习

随机森林

集成学习

无向图模型

高维问题

Read more

精通特征工程-Feature Engineering For Machine Learning-Books


机器学习的流程

简单而又奇妙的数值

文本数据: 扁平化,过滤和分块

特征缩放的效果:从词袋到tf-idf

分类变量:自动化时代的数据计数

数据降维:使用PCA 挤压数据

非线性特征话与k-均值模型堆叠

自动特征生成:图像特征提取和深度学习

回到特征:建立学术论文推荐器

附录A: 线性建模与线性代数基础

Read more

链式法则:微积分中看不见的纽带


链式法则:微积分中看不见的纽带

在微积分的宏伟殿堂中,链式法则宛如一条看不见的纽带,将复杂函数的求导过程分解为优雅而简洁的步骤。这条看似简单的法则,不仅是数学家的精巧创造,更是我们理解变化世界中多层关系的钥匙。当我们追踪空气中污染物的扩散、计算金融市场的复合增长率,甚至训练深度神经网络时,链式法则都在默默发挥着它的魔力。

链式法则解决的核心问题是复合函数的求导方法。所谓复合函数,就像俄罗斯套娃,一个函数嵌套在另一个函数之中。形式上,如果有两个函数y=f(u)和u=g(x),那么它们的复合函数就是y=f(g(x))。链式法则告诉我们,这个复合函数的导数可以表示为:dy/dx = (dy/d...

Read more

提示词-ONE


数据库地址 192.168.3.3 端口 27017 数据库名 stock_database 集合名 为 trendAnomaly 在Home.vue 中增加趋势异常的页面链接 参考VolumeAnomaly.vue 页面的所有功能,实现趋势异常的页面 绘制这支股票过去90天的K线图,展示这几个字段change_percentage latest_price max_price min_price

完成前端页面图片与后端接口

数据库地址 192.168.3.3 端口 27017 数据库名 stock_database 集合名 为 predictPriceFi...

Read more

TimeXer:融合外部变量的时间序列预测新范式


TimeXer:融合外部变量的时间序列预测新范式

TimeXer 是清华大学研究团队在2024年提出的一种创新型时间序列预测模型,它专门设计用于有效融合外生变量(外部因素) 来提升对目标序列(内生变量)的预测精度。该模型基于经典的Transformer架构,通过巧妙的嵌入策略和注意力机制调整,使其能够同时捕捉时间序列的内在模式和外部因素的影响。

核心设计与原理

TimeXer 的核心创新在于其差异化的嵌入策略双注意力机制,解决了传统方法在处理外生变量时面临的挑战。

  1. 差异化的嵌入策略

    • 内生变量嵌入:采用分块(Patching)策略(将时间序列分割为不重叠的片段,每个片段视为一个 t...

Read more