- 博客(221)
- 资源 (2)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 Python量化交易笔记---16.方差分析
方差分析是一种多变量之间关系的定性分析方法，通过研究多个变量之间存在的关系，我们可以提高预测的准确性。1.概述在股票研究中，我们经常按行业版块来进行研究，假设不同行业间收益率为相互独立的，我们想要知道化工行业与金融行业相比，收益率是高还是低。在这个问题中，行业版块我们称之为因子（Factor）变量，因子变量可以取实数值，也可以取如行业类型这样离散状态值，我们称之为水平；我们研究的收益率称之为反...
2019-02-11 11:20:44
1306
3
原创 python量化交易笔记---14.随机变量
随机变量用大写字母来表示，如XXX，其具体的观测值用小写字母来表示，如xxx。我们希望通过观测到的结果，来推断出随机变量的真实分布。根据随机变量的取值，分为离散随机变量和连续随机变量，在量化交易中，绝大多数数据都是连续随机变量。1.概率与概率分布1.1.离散型随机变量假设离散型随机变量XXX，其所有取值的集合为{ak},k=1,2,3,...\{a_k\}, k=1,2,3,...{ak}...
2019-02-09 19:48:17
916
原创 python量化交易笔记---13.描述性统计
统计分为描述统计和推断统计，我们在这一章里，主要讲解描述性统计。我们用到的数据如下所示：images/c13f004.png上图中，gsyh代表工商银行收益率，pfyh代表浦发银行收益率，zglt代表中国联通收益率，我们仅以工商银行收益为例计算各个统计量。1.频数分布我们以2014年工商银行股票的收益率为例，来看频数分布。我们将收益率（下图中ysgh列）按0.025为一段，统计收益率...
2019-02-09 13:52:10
1426
原创 python量化交易笔记---10.numpy库使用
numpy是python中一个重要的科学计算库，是当前机器学习和深度学习的基础库之一。在numpy中最重要的就是多维数组，我们在这里重点向大家介绍一下多维数组的用法。创建多维数组range函数直接创建采用range函数，创建下标由零开始的一维数组（其后可以通过reshape变为多维数组），数组元素值为由零开始的整数：import numpy as np# 定义数组并显示其内容、形状、类...
2019-02-08 17:48:10
1012
原创 自己动手写区块链Golang版---1.极简区块链
实现区块链的语言有很多种选择，如C++、Java、Python和Go。采用C++语言理由很简单，比特币和2018年中上线的EOS就是基于C++语言。选用Java是因为长期在编程语言排行榜上占据第一的位置。Python语言是现在人工智能和深度学习第一首选语言，是近来年最热的语言，没有之一。但是这个系列却用Go语言来实现，为什么呢？原因是区块链里最成功的以太坊是用Go语言写成的，目前80%以上的区块链...
2019-01-06 23:12:17
1185
原创 Spring Cloud微服务实战---1.9.微服务架构容错处理
在微服务架中，所有功能均通过微服务来提供，如果其中某个关键微服务出现问题，如响应时间过长，那么所有调用这个微服务的微服务都会变慢，由于调用者微服务变慢，进一步会使其他更广泛的微服务变慢，最终整个系统可能会因为一个微服务出现问题，而使整个微服务架构出现故障。为了防止这种现象的发生，我们可以使用Spring Cloud中的Hystrix组件。Hystrix组件的原理是对每个微服务，都会维护其当前状态...
2018-12-13 14:29:24
513
原创 Spring Cloud微服务实战---1.8.Eureka下的服务调用
在上一节中，我们成功的将微服务注册到Eureka中，并实现了Eureka的高可用性，在这一节中，我们将实现一个微服务使用者程序，通过查询Eureka找到微服务，然后调用根据一定的负载均衡算法，调用相应的微服务实例，完成自己所需的功能。...
2018-12-13 11:16:20
597
原创 Spring Cloud微服务实战---1.7.Eureka的微服务注册与管理
在微服务架构中，服务的注册与管理是一项特别重要的基础功能。因为在微服务架构下，随着业务的发展，微服务的数量会越来越多，而且微服务集群规模、微服务的位置、微服务的命名等，都需要维护，如果以手工方式维护的话，将是非常困难的，所以需要使用微服务注册与管理工具。在Spring Cloud中，我们采用Eureka来完成这一功能。Spring Cloud Eureka采用Netflix Eureka来实现服...
2018-12-11 18:53:16
762
原创 Spring Cloud微服务实战---1.6.微服务监控
我们现在已经可以基于Spring Boot来开发微服务了，但是由于我们将原来单体应用打散，形成众多的微服务，微服务之间相对独立，而且每个微服务都可能存在多个实例，这对运维人员来说，想管理好这些微服务的难度很大。...
2018-12-10 13:51:10
1093
原创 Spring Cloud微服务实战---1.5.测试先行的开发策略
为了提高软件开发质量，我们需要对所开发的功能进行单元测试，在Spring Boot中，进行单元测是非常容易的。在开发过程中，认真准备单元测试用例，不仅可以保证代码质量，也便于进行回归测试。今后在修改或代码重构时，通过回归测试，可以保证修改和代码重构的正确性。...
2018-12-10 10:44:04
579
原创 Spring Cloud微服务实战---1.4.JPA与JDBC协同
我们知道，如果采用领域驱动开发（DDD）的话，采用JPA技术，会非常方便。但是对于复杂的多表联合查询，使用JPA技术就比较费力了。为了解决复杂SQL查询问题，很多项目采用了MyBatis。但是Spring提倡大家使用JPA，对MyBatis技术实际上是有一点儿抵制的。我们在实际项目中，采用数据库增删改采用JPA，而复杂数据库SQL查询，直接采用JDBC来实现。采用这种方式，也符合大容量、高并发网站...
2018-12-07 14:00:36
679
1
原创 Spring Cloud微服务实战---1.3.使用Mysql数据库
在本节中，我们将在前一节微服务的基础上，将数据库从内存数据库H2，转换为我们在项目中经常使用的Mysql，同时我们将采用普通的增删改操作采用JPA，复杂多表查询直接使用JDBC的方式。我们首先来设置Mysql数据库，我们首先建立数据库和用户，如下所示：create database MseDb default character set utf8 collate utf8_general_ci...
2018-12-07 00:15:24
3154
5
原创 Spring Cloud微服务实战---1.2.采用HTTPS协议
当前主流网站基本都开始支持HTTPS协议了，对于电商网站来说，由于对安全性的要求还是比较高的，所以支持HTTPS协议是非常必要的。在本节中，我们将把我们在上一节中开发的微服务，启动在8443这个HTTPS的协议上。我们首先需要生成一个证书文件，因为目前我们是在开发阶段，我们可以使用JDK中自带的工具，生成一个开发证书，在实际运行中，我们需要购买一个CA证书。打开一个命令窗口，运行如下命令：k...
2018-12-06 17:33:37
3133
原创 Spring Cloud微服务实战---1.1.配置开发环境
随着应用系统的功能越来越复杂，应用系统的复杂度也越来越大，传统的基于单体应用模式，在实践中遇到了非常大的问题，微服务架构在此背景下应运而生。由于微服务架构还比较新，对开发团队的要求非常高，所以实际中还没有得到广泛的应用。而随着Spring Cloud的推出和成熟，集成了微服务架构所需的服务，大大降低了微服务采用门槛。本系列文章将向大家详细介绍采用Spring Cloud进行微服务应用系统开发的技术...
2018-12-06 16:54:41
995
原创 深度学习量化交易---0.2.基于长短时记忆网络预测股票价格2
在上一篇博文中，我们介绍了长短时记忆网络的基本概念，在这一节中，我们将以长短时记忆网络（LSTM）为例，讲解深度学习算法在股票价预测中的应用。我们要分析的数据如下所示：各列依次为：股票代码、日期、开盘价、收盘价、最低、最高、交易量、金额、涨跌幅、第二天的最高价。我们首先读入训练样本集，代码如下所示：import numpy as npimport pandas as pdimport...
2018-11-28 10:58:06
2393
2
原创 深度学习量化交易---0.2.基于长短时记忆网络预测股票价格1
在这一节中，我们将先向大家介绍长短时记忆网络（LSTM），然后详细讲解怎样使用长短时记忆网络（LSTM）来预测股票价格，为了避免人为因素干拢，我们还以上证综指为例来进行说明。长短时记忆网络（LSTM）股票交易数据是一种典型的时序信号，需要处理较长的时间序列，有时为了准确的进行股票价格预测，可能会需要看几周甚至几个月的历史数据，如果采用普通的多层感知器模型的话，那么要求输入层维度就非常大，整个网...
2018-11-27 14:59:41
1587
原创 深度学习量化交易---0.1.股票K线图绘制
研究股票交易的基本功就是看K线图，所以在这一节里面，我们的任务就是拿到一支股票的历史数据，我们用python画出其K线图，这是进行下一步技术分析的基础。我们以上证综指为例，之所以没拿某支股票为例，是因为股票容易被操控，而上证综指很难被操控，因为规律性会更强一些。...
2018-11-25 12:54:57
5133
5
原创 深度学习量化交易实践---7.1.时序信号特点
时序信号我们以上证综指收盘指数为例，其就是一个典型的时序信号。上证综指文件中，每天作为一行，表示该日的指数信息，各列信息如下所示：Indexcd：指数代码，000001表示上证综合指数；trddt：交易日期，格式为yyyy-MM-dd；daywk：星期日期，0星期日，1星期一，…，6星期六opnindex：开盘指数hiindex：最高价loindex：最低价clsindex：收盘价...
2018-11-22 17:47:58
2175
原创 斯坦福自然语言处理习题课2---softmax函数详解
从现在开始，我们就要正式开始向大家讲解斯坦福大学CS224n作业的实现了。我们首先业看作业关于softmax函数实现部分。我们在这里将先向大家介绍softmax函数的具体应用场景和物理意义，以及采用numpy和python实现中需要注意的地方，在下一篇文章中，我们再向大家介绍CS224n作业1中softmax的具体实现。之所以这样安排，是因为数学是一个非常优雅的建模工具，可以非常优雅的描述物理过程...
2018-11-07 14:43:27
1297
原创 斯坦福自然语言处理习题课1——绪论
对于技术人员来说，如果要问当前最热门的技术是什么？我想大家一定会回答是人工智能技术。而在人工智能技术中，哪个技术方向最火呢？大家肯定会回答是深度学习技术。如果我们要问在深度学习技术中，哪些应用方向最火呢？我想大家可能会不约而同地说是机器视觉和自然语言处理了。机器视觉自然就不必说了，比如说像商汤、旷视、Face++等独角兽级企业，是史上成长最快的独角兽级企业了，融资规模在几十亿以上，同时机器视觉工程...
2018-11-06 16:17:08
939
1
原创 React开发管理后台实践2---React基本内容学习
在这一节里，我们以一个医生管理自己的患者为例，向大家介绍React基本内容。包括React、Redux和Router，以及基于Ajax的前后端联调功能。
2018-09-01 16:35:29
562
原创 React开发管理后台0
React开发需要用ES6语法，ES6是在2015年发布的，对Javascript语法进行了重大扩充，所以直到现在还不是所有的浏览器都支持ES6语法，React使用Babel来支持ES6语法。 在这里我们先来熟悉一下ES6的语法，为今后进行React开发打下基础。变量扩展块作用域在老版本的Javascript中，只有全局和函数作用域，没有块作用域，如下代码所示：functio...
2018-09-01 15:23:22
451
原创 React开发管理后台实践1
要开发后应用，第一步是选择一个优雅的后台页面模板，大家可以有很多种选择，这里我向大家推荐的是一款在Github上开源的Html5模板：https://adminlte.io/themes/AdminLTE/index.html，大家可以在左侧菜单“Documentation”里面找到安装文档。当然这套模板是用HTML5+CSS（Bootstrap3）写成的，我们需要通过JSX将其转换为React可...
2018-09-01 13:55:58
764
原创 Python操作SQLServer
安装开发环境要进行SQLServer的开发，首先需要在本机上安装SQLServer，建立本机开发环境。可以从微软官网上下载类似cn_sql_server_2012_enterprise_edition_with_sp1_x86_x64_dvd_1234493.iso文件，可以直接双击安装，安装过程极为复杂，对于习惯mysql的用户来说可以说是难以想象。历尽千辛苦安装之后，就可以启动SQL Se...
2018-08-28 09:38:20
12040
2
原创 智能教育深度学习推荐系统---1.2.合成推荐算法CKE解读和算法实现1
在推荐系统构建中，人们最常用的方法当属协同过滤推荐算法。协同过滤推荐算法仅需要考虑用户和待推荐条目的交互关系，算法可以处理毫不费力地同时应用于电影推荐、图书推荐、音乐推荐等，而无需研究待推荐具体的内容。但是协同过滤算法在实际应用也存在很多问题，例如对新条目，由于没有与用户的交互数据，所以就无法推荐，并且很多时候，由于某个意外事件会使某个条目遭到爆炒，使热度爆表，但是实际质量并不好，依据这些信息的推...
2018-08-26 17:38:13
2891
2
原创 智能教育深度学习推荐系统---1.1.概述
深度学习推荐系统在智能教育中的应用，最容易应用的领域就是练、测、评环节。深度学习推荐系统就是将学生和题目的历史信息，作为系统输入，利用深度学习算法模型，找到学生和题目的隐表示，并利用这种隐表示（向量），找出学生和题目之间的隐藏关系，从而产生针对该学生的题目推荐。 智能教育深度学习推荐系统的架构图如下所示： 输入层主要包括学生的反馈数据，包括学习做题结果，从错到对分为0~5分，结果resul...
2018-08-25 09:44:28
2905
8
原创 深度学习在线教育平台实践---推荐算法TensorFlow实现
在前面几节中，我们向大家介绍了基于深度学习的推荐系统的数学原理，在这一节中，我们讨论怎样使用TensorFlow来实现这些数学原理。我们知道，TensorFlow对于深度学习算法的实现有很多资料参考，但是我们前面介绍的推荐系统，与一般的深度学习网络有很大的不同，属于Matrix Factorization的一种，所以在具体实现中，需要对TensorFlow有一个较为深入的了解，才能写出一个较好的解...
2018-08-14 13:59:01
3703
8
原创 深度学习在线教育平台实践---推荐算法冷启动问题
在本节中，我们将讨论如何在对学生一无所知的情况下，例如入学的新生，转学过来的学生，利用我们上一节中讲到的基于深度学习的推荐系统，给学生推荐适合的题目。 所有推荐系统，比较难解决的问题就是冷启动问题，就是在系统运行初期，没有学生做练习题目的数据，而我们要推荐的话，这些数据是必须的。通常解决方法是找一批种子用户，让他们来做这些题目，然后我们根据学习做题正确情况，所用时间等信息，给出学生对题目的需要程...
2018-08-14 11:53:32
1338
2
原创 深度学习在线教育平台实践---深度学习推荐算法
在本节中，我们将基于内容的推荐算法，与基于协同过滤的推荐算法，集合在一起，形成深度学习推荐算法，同时为了提高运行效率，我们还将介绍算法的向量表示。 在这里我们希望同时学习学生对题目需要程度的参数集{θ(1),θ(2),...,θ(nu)}{θ(1),θ(2),...,θ(nu)}\{ \boldsymbol{\theta}^{(1)}, \boldsymbol{\theta}^{(2)}, .....
2018-08-14 11:15:57
1616
原创 深度学习在线教育平台实践---协同过滤推荐系统
对于商品内容进行分析，进而根据商品内容进行推荐，是一种常用的推荐系统实现技术。但是如果商品种类很多，而且商品的属性很复杂，这样靠人工来标注商品的内容属性，就变得不太现实了。协同过滤技术正是为了解决这一问题而提出的，通过这种技术，我们不需要了解商品本身，只需要通过研究用户与商品这间的交互，就可以精准的向用户推荐他们可能感举趣的商品了。 具体到我们的个性题库系统，如果我们的客户有数以万计的题目，让人...
2018-08-09 20:27:11
1521
原创 深度学习在线教育平台实践---内容推荐系统2
根据上篇博文的内容，我们可以将题目样本就可以表示为如下形式： x(1)=⎡⎣⎢⎢⎢x(1)0x(1)1x(1)2⎤⎦⎥⎥⎥=⎡⎣⎢1.00.90.0⎤⎦⎥x(1)=[x0(1)x1(1)x2(1)]=[1.00.90.0]\boldsymbol{x}^{(1)}=\begin{bmatrix}x^{(1)}_0\\x^{(1)}_1\\x^{(1)}_2\end{bmatrix}=\b...
2018-08-09 13:54:56
961
原创 深度学习在线教育平台实践---内容推荐系统1
深度学习技术众所周知，深度学习和人工智能技术在教育领域的应用，一直是在线教育界的王冠，是众多在线教育企业正在做的事情。但是直到目前为止，虽然有很多深度学习和人工智能解决方案，但是真正能够在实践中应用和落地的项目却并不多，大多数解决方案还停留在概念阶段或收集数据阶段，离实际应用还有一段距离。本系列文章，将以我们在高三地理教学中实际使用的个性题库系统为例，向大家详细介绍基于深度学习技术的题库推荐系...
2018-08-09 12:41:42
2395
原创 随诊医生开发---1.2. 创建主界面
创建主界面由于需要针对基层医疗机构出诊及家庭医生需求，需要快速开发出一个简单的移动应用，决定采用Google在2018年2月新推出的Flutter技术，来开发这个新的App。 首先主页的底部像大多数应用一样，有一个TabBar，共有5个选项：日程 记录医生在医院出诊、预约计划和执行情况，以及走访社区出诊计划和执行情况。在医院就诊需要记录医院、科室和出诊时间，外出出诊需要记录时间、患者...
2018-07-23 19:39:55
709
原创 医疗图神经网络---1.1.简介
医疗图神经网络采用Google Deepming最新的图神经网络技术，结合知识图谱、因果推理网络和深度学习技术，模拟执业医生思维模式，创建接近或达到人类专家水平的医疗自动/辅助诊断系统。 对于每种疾病，我们从四个方面来进行建模：流行病学、病程、症状和综合征、机制。 流行病学主要解决谁会得这种疾病的问题，包括人口统计学信息，如性别、年龄、职业、民族、籍贯等，同时包括各种危险因素，例如肥胖、吸烟，...
2018-07-15 18:08:18
1251
原创 TensorFlow可微分编程实践3---Eager模式下新版dataset API使用
我们在这篇博文中，将向大家介绍采用TensorFlow Eager Execution API，来实现一个最简单的多层感知器（MLP）模型，并用于MNIST手写数字识别。需要注意的是，我们在这里并不是讲解的TenforFlow Eager Execution官方的例子，因为该例子封装得太多了，使我们无从了解其中的细节。在大家学习深度学习技术时，一个特别典型的痛点就是看到数学理论，似乎也看明白了，再...
2018-06-25 17:39:00
951
原创 在Ubuntu上使用GSL库
在Linux系统上，比较好的科学计算库应该就属GSL库了，而且GSL库编译安装非常方便，没有任何第三方库依赖，直接编译安装即可，这在开源软件界绝对是一个不小的奇迹，因为绝大多数开源软件，想要编译运行，都会把我们折磨得死去活来，解决一个又一个依赖库和版本冲突，是一个绝对的体力活，还需要耐心和毅力。所以GSL库真的是一个不可多得的开源科学计算库。 我们首先下载GSL源码：git clone ...
2018-06-24 21:56:56
2499
1
原创 TensorFlow可微分编程实践3---交叉熵与代价函数微分
在上篇博文中，我们讲述怎样处理第l−1l−1l-1层到第lll层的前向传输和反向求导，我们还没有讲述关于输出层的处理技术。在这里，我们还以MNIST手写数字识别为例，网络计算图如下所示： 当我们计算出输出层的输出y∈R10y∈R10\boldsymbol{y} \in R^{10}时，表示输入图像xx\boldsymbol{x}是0~9这10个数字的概率。此时输入图像xx\boldsymbo...
2018-06-24 16:08:15
1517
2
原创 TensorFlow可微分编程实践3---向量微分和Jacobian矩阵
在这篇博文中，我们将利用TensorFlow Eager Execution API来实现一个完整多层感知器（MLP）模型。
2018-06-24 14:00:25
1252
1
原创 TensorFlow可微分编程实践3---计算图模型
在这篇博文中，我们将探讨怎样通过可微分编程技术，实现深度学习中最常用的多层感知器（MLP）模型。我们在这里使用TensorFlow Eager Execution API，并使用多层感知器模型来进行MNIST手写数字识别任务。...
2018-06-21 17:46:20
840
Symbian系统平台相关程序编制技术
2009-08-25
CSDN博客公式自动编号和引用问题？
2018-06-21
TA创建的收藏夹 TA关注的收藏夹
TA关注的人