- 博客(5)
- 收藏
- 关注
原创 HATS: A Hierarchical Graph Attention Network for Stock Movement Prediction
A Hierarchical Graph Attention Network for Stock Movement Prediction目前有很多基于深度学习的方法来预测股市未来走向,但是在过往的很多方法中都忽略了公司(Enterprise)之间的关系。在这篇paper中作者提出图神经网络来建立不同公司之间的联系General framework在股市中会有很多信息(Raw features)产生,例如:开盘价(Open)、收盘价(Close)、交易量(Vol)。在原文中提到每个公司(Enterpri
2021-06-02 17:46:11 891
原创 A Unified Evaluation Benchmark and Adversarial Graph Learning
基于对抗的无监督图表征域适应的表情识别,在这篇论文中作者使用了两个数据集,Source datasets 和 Target datasets,其中Source含有标签,而Target不含有标签。首先使用预训练网络提取Source和Target数据集中的所有特征,在这篇论文中特征可以分为6类,整体特征、左眼(LE)、右眼(RE)、鼻子(N)、左半嘴部分(LM)、右半嘴部分(RM)。提取取出所有特征后,使用K-means将这些特征分为C类(C代表数据集中表情的种类)。在每一类中可以计算该类均值,计算公式如下
2021-05-24 17:56:04 192
原创 基于Python实现有效前沿(Efficient Frontier)
马科维兹有效前沿“现代投资组合理论”(MPT)是1952年哈里.马克维茨在金融期刊上发表的名为“Portfolio Selection”的文章上提出的投资理论。有效前沿亦称“有效边界”。理性的投资者一般是厌恶风险而偏好收益的,对于相同的风险水平,会选择能提供最大收益率的组合;对于相同的预期收益率,会选择风险最小的组合。能同时满足这些条件的投资组合就是有效前沿。基于Python实现马科维兹有效前沿我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了
2021-05-04 22:37:29 7536
原创 Hilbert变换器
希尔伯特变换简单理解:对实数信号进行数学变换得到一个新的实数信号变换目标:输出信号是输入信号90°相移后的版本在时域实现信号90°相移,根据傅里叶变换时移特性可以得到频域响应,希尔伯特变换在频域定义如下:希尔伯特变换器的作用:将输入信号经过希尔伯特变换器后得到输出信号,输入信号作为实部,输出信号作为虚部合成解析信号,对解析信号做Fourier变换,可以消除负频率部分,使用python仿真如下:import numpy as npimport matplotlib.pyplot as plt
2020-08-08 13:37:15 1639
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