【置顶】stackStorm架构图
评论
466 views
分类目录归档：知识库
【置顶】FinRobot-架构图
评论
354 views
【置顶】StackStorm-开源的自动化平台
评论
739 views
- 定义与概述
-
StackStorm是一个开源的自动化平台，用于事件驱动的自动化操作。它能够将各种系统、工具和服务集成在一起，通过自动化流程来响应事件，从而提高系统的运维效率、可靠性和敏捷性。例如，在一个复杂的云计算环境中，当监测到某个虚拟机的CPU使用率过高时，StackStorm可以自动触发一系列操作，如扩展虚拟机资源或者迁移虚拟机到其他主机。
-
核心组件与架构
- 传感器（Sensors）：这是StackStorm的输入部分，用于检测事件。传感器可以监控各种来源的事件，如系统日志、消息队列、网络设备的SNMP陷阱等。例如，一个文件系统传感器可以监控文件系统的变化，如文件的创建、修改...
TIMEMIXER: DECOMPOSABLE MULTISCALE MIXING FOR TIME SERIES FORECASTING-论文
评论
22 views
论文《TIMEMIXER: DECOMPOSABLE MULTISCALE MIXING FOR TIME SERIES FORECASTING》总结
本文发表于ICLR 2024会议，由蚂蚁集团与清华大学团队合作完成。针对时间序列预测中复杂时序变化的挑战，提出基于多尺度混合的全新视角，设计出全MLP架构的TimeMixer模型。该模型通过Past-Decomposable-Mixing（PDM）块和Future-Multipredictor-Mixing（FMM）块，分别在历史信息提取阶段对多尺度序列的季节和趋势成分进行分解混合，在未来预测阶段融合多预测器的互补能力；在18个真实世界基...
股票价格-前复权、不复权、后复权
评论
58 views
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...
青果-短效代理IP-企业代理IP云服务-动态代理
评论
29 views
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...
速石科技-一站式研发云平台
评论
37 views
提示词-ONE
评论
76 views
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...
TimeXer：融合外部变量的时间序列预测新范式
评论
107 views
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和双注意力机制，解决了传统方法在处理外生变量时面临的挑战。
-
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...
洞察市场的脉搏：动态条件相关模型（DCC）深度解析
评论
78 views
洞察市场的脉搏：动态条件相关模型（DCC）深度解析
在金融市场的波澜诡谲中，资产之间的关系绝非一成不变。牛市时，股票齐涨，相关性增强；危机中，所有资产似乎都同步下跌，相关性骤然飙升；而在平静期，它们又可能各自为政。这种如同“情绪”般不断变化的关联性，是风险管理的核心，也是传统模型无法捕捉的盲区。而动态条件相关模型（Dynamic Conditional Correlation, DCC）正是为了洞察这一“市场脉搏”而诞生的强大工具。
一、 核心思想：从“静态”到“动态”的革命
在DCC模型出现之前，分析多种资产风险的主流方法是使用常相关假设，比如经典的资本资产定价模型（CAPM）或风险矩...