- 博客(66)
- 收藏
- 关注
RSS订阅
原创 【时序预测】-Transformer系列
核心：Transformers的时序性较差，且embedding忽略变量间物理关联，而D-Linear(Decomposition-Linear)，用于处理具有趋势和季节性模式的数据能够获得同样好的结果。核心：与Autoformer类似，在拆分趋势线和季节项的基础上，FEDformer使用傅里叶变换以及小波变换去加速attention模块。重点：Transformer + Patch（源于计算机视觉Vision Transformer）重点：Transformer + 趋势季节分解（基于频域）
2025-06-09 15:57:00
1080
原创 【Matplotlib】中文显示问题
本文总结了在Mac和Linux系统中解决Python绘图中文显示问题的方法。Mac用户可通过直接设置字体参数或下载字体文件实现中文显示；Linux系统需要额外配置，包括下载SimHei字体、修改matplotlibrc配置文件、清除缓存等步骤。文章还提供了设置不同字体大小的代码示例，并详细说明了字体文件存放路径和配置修改要点，为数据可视化中的中文显示问题提供了完整的解决方案。
2025-08-10 22:07:10
614
原创 【Pandas】常用数据处理技巧
本文总结了Python中Pandas库在数据处理与分析中的核心操作技巧，涵盖六个主要方面：1）数据读取与存储（CSV/Excel/JSON等格式的细节处理）；2）数据增删改查（行列操作、条件筛选等）；3）数据转换（透视表、分组聚合、行列转换）；4）时间处理（日期转换、重采样、滑动窗口）；5）数据可视化（基础绘图与高级图表设置）；6）Excel集成（数据与图片混合导出）。重点突出了实际应用中的常见问题解决方案，如时间序列处理中的时区转换、多格式数据读取的性能优化、复杂数据结构的转换技巧等，并提供了可复用的代码
2025-08-10 22:03:23
792
原创 【Python】常用内置模块
本文整理了Python常用模块与操作技巧，包括：1. 文件操作(os模块)：创建/删除目录、路径处理、文件判断等；2. 系统操作(sys模块)：版本查询、路径添加；3. 时间处理(datetime/time)：时间转换、格式处理；4. JSON处理：数据转换与文件读写；5. 正则表达式：常用语法与提取技巧；6. 日志记录(logging)：级别设置与使用方法；7. 多进程/多线程/协程：应用场景与实现方式；8. 错误处理(traceback)：异常信息打印；9. 全局变量管理：跨模块共享方案；等等
2025-08-10 21:59:21
983
原创 【MAC】个人常用快捷键
Mac浏览器标签切换与常用快捷键：Chrome用option+command+→/←切换标签，Safari用shift+command+→/←；cmd+数字键快速定位标签页。基础操作：cmd+w关闭标签，cmd+t新建标签，cmd+Tab切换应用。文本编辑：cmd+←/→跳转行首行尾。窗口管理：cmd+m最小化，cmd+h隐藏，四指上滑查看所有窗口。这些快捷键可提升Mac操作效率。
2025-08-05 08:15:00
265
原创 【Pycharm】初学者常用技巧
PyCharm实用技巧合集：1.代码差异对比（CompareWith功能）；2.代码格式化（Reformatcode）可能产生多余换行；3.查看本地历史版本；4.分屏查看推荐竖屏；5.快速操作：开新行（⇧+Enter）、变量名大小写转换（⇧+⌘+U）、回退跳转（Ctrl+Alt+方向键）；6.函数参数查看（⌘+P）、自动补全（⌘+⇧+↩）；7.特殊注释：TODO标记待办事项，FIXME标记需修复bug；8.常见问题：修改文件名后需检查工作目录配置。
2025-08-05 08:00:00
443
原创 【量化交易】日内交易有效特征因子
在日内预测交易中，选择有效的特征因子是成功的关键。上述因子涵盖了技术指标、成交量、时间序列、市场情绪和宏观经济等多个维度，每个因子都有其独特的作用和适用场景。其核心思想是通过数据分析和统计建模，发现市场中的规律和模式，并以此为基础制定交易策略。本文将由浅入深地介绍量化交易的基本概念，并探讨在日内预测交易中可能有效的特征因子及其背后的逻辑。在日内交易中，选择有效的特征因子可以帮助我们更好地预测价格走势，从而制定盈利策略。日内交易是指在一个交易日内完成买入和卖出操作的交易方式。
2025-08-04 16:45:31
2128
原创 【排序】LightGBM Ranker的一些使用问题
使用： https://www.kaggle.com/code/bturan19/lightgbm-ranker-introduction/notebook。讨论label_gain的设置方法，可以单独设置，而且可以尝试以指数形式增长，如label_gain=[1, 2, 4, 8, 16]可以看出除了 Classifier 和 Regressor，就支持 Ranker，说明 Ranker 还是很重要和常用的。因此，一种评论解决方案，将最“糟糕”的文档标记为一个标签，例如。原因好像是复杂度非常高。
2025-08-03 09:14:39
431
原创 【量化交易】容易被忽略的细节：小问题可能引发大灾难
在实际操作中，许多看似微不足道的细节如果被忽略，可能会导致严重的后果，甚至让整个策略失效或造成重大损失。本文将从数据、模型、执行、风险管理等多个角度，深入探讨这些容易被忽视但至关重要的细节，并提出相应的解决方案。量化交易是一门融合了数学、统计学、计算机科学和金融学的多学科领域，其成功不仅依赖于复杂的算法和强大的计算能力，更需要对细节的高度关注。因此，无论是数据准备、模型构建、交易执行还是风险管理，都需要保持严谨的态度和全面的视角。记住，量化交易的核心不仅是“快”和“准”，更是“稳”。
2025-07-29 16:22:53
1301
原创 【对比】群体智能优化算法 vs 贝叶斯优化
（Bayesian Optimization, BO）是两种截然不同的优化范式，分别以不同的哲学和数学基础解决高维、非凸、多峰等问题。群体智能算法受自然界生物群体行为启发（如鸟群、鱼群、蚁群），通过多个个体的协作和竞争寻找最优解。在机器学习、工程优化和科学计算中，优化算法的选择直接影响问题求解的效率与效果。高维、黑箱、计算代价高的问题（如超参调优）的问题（如超参数调优）。，在有限的采样次数内高效逼近最优解。低（每次仅采样一个点，适合昂贵问题）多峰、非连续、约束优化（如工程设计）高（需维护种群，迭代次数多）
2025-07-25 16:29:58
913
原创 【区别】状态空间模型（SSM）和Transformer的核心区别
状态空间模型（SSM）和Transformer是两种主流的序列建模方法。SSM通过递归隐状态实现线性复杂度，适合长序列和实时处理，但依赖状态转移设计；而Transformer通过自注意力显式建模全局依赖，具有更强的语义交互能力，但计算复杂度为平方级。SSM参数高效，适合资源受限场景，而Transformer需大规模预训练。
2025-07-25 13:48:41
933
原创 【PyCharm】实用插件推荐
PyCharm高效开发必备插件推荐：1）RainbowBrackets彩色括号助力代码结构识别；2）Statistic实时统计项目指标；3）CSV插件优化表格数据处理；4）SonarLint实时检测代码问题；5）Markdown支持技术文档编写；6）Wakatime量化编程时间；7）LeetCode实现IDE内刷题。
2025-07-16 09:00:00
251
原创 【Python】定时器快速实现
本文介绍了Python实现定时任务的几种方法：1）内置time模块的sleep方法（存在时间漂移问题）；2）自定义线程非阻塞方案；3）Twisted框架方案；4）schedule库（简单易用）；5）APScheduler库（功能强大）。
2025-07-15 23:15:49
815
原创 【已解决】lxml.etree.ParserError: Document is empty
解决 lxml.etree.ParserError: Document is empty 错误的推荐方法是重新安装与Python版本兼容的 lxml
2025-06-18 15:34:30
707
原创 【异常】极端事件的概率衰减方式（指数&幂律衰减）
这篇文章的内容主要来源于这篇文章，给文章很详细的介绍了如何从windows下安装windows+ubuntu16.04双系统。我刚开始装双系统都是参照这个方法，该作者前后更新了两个版本，在这里对其稍微进行整理一下。一、准备：（这里推荐用u盘装系统，不推荐用硬盘方式装）（一）、准备工具： ➢U盘一个（请提前备份U盘里面的资料，因为后面操作要格式化U盘）
2025-06-17 14:51:07
6767
1
原创 【异常检测】极值理论（EVT）比正态分布好在哪？
极值理论（EVT）与正态分布在计算概率时的核心区别在于，EVT专注于建模极端值（尾部事件）的分布特性，而正态分布更适合描述“典型”数据的集中趋势。
2025-05-23 14:07:18
967
原创 【强化学习】PPO如何根据奖励模型调整模型参数
好的，我现在需要帮助用户理解PPO强化学习中奖励模型如何评价语言模型的输出，并将评价结果返回给语言模型进行更新。用户的问题集中在“返回什么”和“如何利用分数更新模型”这两个方面。首先，我得回顾一下PPO的基本概念。PPO（Proximal Policy Optimization）是一种强化学习算法，用于训练策略模型。在监督学习中，数据有明确的标签，而强化学习中没有，而是通过奖励信号来指导模型调整策略。用户提到语言模型接受prompt作为输入，生成输出，然后奖励模型评估这个输出，将评价返回给语言模型。
2025-05-21 17:11:48
1276
原创 scikit-learn 线性回归算法库小结
本文内容主要来自这篇文章。scikit-learn对于线性回归提供了比较多的类库，这些类库都可以用来做线性回归分析，本文就对这些类库的使用做一个总结，重点讲述这些线性回归算法库的不同和各自的使用场景。 线性回归的目的是要得到输出向量YY和输入特征XX之间的线性关系，求出线性回归系数θθ,也就是Y=XθY=Xθ。其中YY的维度为mx1，XX的维度为mxn，而θθ的维度为nx1
2025-05-21 15:28:59
1434
1
原创 【对比】快速理解BLEU和ROUGE区别
ROUGE-2和BLEU-2指标差异分析：ROUGE-2基于召回率，衡量生成文本覆盖参考n-gram的比例，冗余内容会提高得分；BLEU-2基于精确率，评估生成内容与参考的匹配精度，冗余会降低得分。
2025-05-21 15:27:25
522
原创 大语言模型训练数据格式：Alpaca 和 ShareGPT
在大规模语言模型（LLM）的开发中，训练数据的质量和格式起着至关重要的作用。为了更好地理解和构建高质量的数据集，社区发展出了多种标准化的数据格式。其中，Alpaca 和 ShareGPT 是两种广泛使用的训练数据格式，它们分别适用于不同的应用场景，并在指令微调、对话建模等领域发挥了重要作用。
2025-05-19 17:18:42
6254
1
原创 大模型部署到本地就是私有化部署吗？
大模型私有化的定义需要从部署方式和数据/模型控制权两个维度来理解，不能简单地仅以“部署位置”或“数据训练”单一条件判断。
2025-04-22 15:22:46
861
原创 【已解决】Git：为什么 .gitignore 不生效？如何停止跟踪已提交文件并阻止推送？
通过此方法，你可以灵活管理本地文件与远程仓库的关系，避免误操作导致敏感数据或大文件泄漏到仓库中。
2025-03-27 11:44:31
1122
原创 【Titans】为什么不直接用预测误差，而是使用梯度的变化来衡量惊奇度？
Titans 论文选择使用梯度变化而非预测误差来衡量“惊奇度”，主要是因为梯度变化能够捕捉模型对输入的全局敏感性和动态响应，而不仅仅是局部的预测性能。这种方法在在线学习、强化学习等需要动态调整记忆的场景中尤为有用。然而，梯度变化也有其局限性，例如计算开销和解释性不足。因此，在实际应用中，是否使用梯度变化作为“惊奇度”指标需要根据具体任务和模型架构进行权衡。
2025-03-11 17:01:11
904
原创 【RNN】什么是线性RNN？
线性RNN是一种简化的RNN模型，其隐藏状态和输出完全基于线性变换。由于缺乏非线性激活函数，线性RNN的表达能力有限，主要用于理论研究和简单任务。然而，它在理解RNN的基本原理、分析长期依赖问题以及作为基线模型等方面具有重要意义。对于实际应用中的复杂序列建模任务，通常需要使用标准RNN或其改进版本（如LSTM、GRU）。
2025-03-11 15:41:26
1288
原创 【Transformer优化】Transformer的局限在哪？
当我们审视Transformer的缺陷时，不应简单归咎于"复杂度高"的片面标签，而应深入其数学本质与计算特性，在理解其局限的基础上突破前进。正如Vaswani在原论文中坦言：“我们的方法并不是万灵丹”，正视这些缺陷，或许我们才能真正站在Transformer的肩上，望向更远的未来。
2025-03-09 23:33:32
1477
原创 【时间序列】Patch：到底是什么？
时间序列的“Patch化”不仅是一种技术改进，更是认知范式的转变——它摒弃了逐点分析的原子视角，转而通过局部片段间的相互作用重建全局动态。
2025-03-09 23:14:01
1888
原创 【时间序列】因果推断：从时序数据中探寻“因”与“果”
时间序列因果推断是一种分析方法，旨在研究时间序列数据中的变量之间是否存在因果关系，以及这种关系的方向性。A的变化是否导致了B的变化？如果A发生变化，B会如何响应？时间序列因果推断是一项强大的工具，它让我们能够从动态变化的数据中挖掘出真实的因果关系。
2025-03-07 23:34:07
2091
原创 【时间序列聚类】从数据中发现隐藏的模式
简单来说，时间序列聚类是一种将相似的时间序列归为一类的技术。它的核心目标是找到具有相似模式或行为的时间序列，并将它们分组。
2025-03-07 23:26:38
1170
原创 【时序预测】时间序列有哪些鲁棒的归一化方法
时间序列数据的归一化是一个关键但复杂的预处理步骤。传统方法如最小-最大归一化和Z-Score标准化虽然简单易用，但在面对异常值和非平稳性时表现不佳。相比之下，基于分位数的归一化、滑动窗口归一化、MAD以及自适应归一化等方法更具鲁棒性，能够有效应对时间序列数据的挑战。在实际应用中，建议根据数据特性和任务需求灵活选择归一化方法，并通过实验验证其效果。希望本文能为读者提供启发，帮助大家更好地处理时间序列数据！
2025-03-04 23:34:27
1496
原创 【Transformer优化】什么是稀疏注意力？
稀疏注意力是一种对传统自注意力机制的优化方法，其核心思想是通过限制注意力范围，减少需要计算的注意力权重数量，从而降低计算复杂度。换句话说，稀疏注意力只允许模型关注输入序列中的一部分元素，而不是所有元素。稀疏注意力作为一种优化 Transformer 的关键技术，通过减少计算和内存开销，为大规模模型的应用铺平了道路。它的出现不仅解决了传统自注意力机制的效率瓶颈，还为模型设计提供了新的思路。对于研究者和工程师而言，稀疏注意力的意义在于提醒我们：在追求模型性能的同时，也需要关注其效率和可扩展性。
2025-03-04 12:25:43
2430
原创 【深度学习】Hopfield网络：模拟联想记忆
Hopfield网络是一种经典的循环神经网络，由物理学家John Hopfield在1982年提出。想象你看到一张模糊的老照片，虽然细节不清，但大脑能自动“补全”图像细节。，类似于人类大脑通过部分信息回忆完整记忆的能力。
2025-03-02 18:39:32
1142
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人