同花顺Supermind量化交易 金融时间序列1-AR、MR、ARIMA模型 附源代码

最新推荐文章于 2024-09-11 18:33:24 发布
最新推荐文章于 2024-09-11 18:33:24 发布
阅读量152 收藏 1
点赞数
文章标签： 金融 mr
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_22808537/article/details/133212074
版权

本课将会从金融时间序列的角度，以沪深300的收益和价格作为研究标的，分别使用AR模型，MA模型以及ARIMA模型尝试拟合和预测，详述模型使用流程，以及模型与模型之间的表现差异。

金融时间序列(一)-AR、MR、ARIMA模型

作者：邱吉尔

1. 输入库包

In [1]:

import pandas as pd 
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import datetime
from scipy import stats
import statsmodels.api as sm
plt.style.use('seaborn')

2. 取出数据

In [2]:

HS300_close=get_price(['000905.SH'], '20171125', '20190125', '1d', ['close'], True, None,is_panel=1)['close']
HS300_close.columns=['HS300_close']
HS300_close['return']=HS300_close['HS300_close'].pct_change()

3. 时间序列1（AR Model） 

时间序列的平稳性被分为严平稳和宽平稳。其中，严平稳需要两个时间序列在时间的平移变换下，它们的联合分布保持不变。而宽平稳只需要序列的均值、方差相同即可。 由于严平稳的实现较为困难，所以一般来说平稳时间序列指的是宽平稳。如果是非平稳时间序列，可以通过多次差分的方法处理为宽平稳序列。
下列，我们就对沪深300指数价格使用了2次和20次的差分。显而易见，差分次数越多越平稳。

3.1 价格差分

In [10]:

HS300_close['close_diff2']=HS300_close['HS300_close'].diff(2)
HS300_close['close_diff20']=HS300_close['HS300_close'].diff(20)
HS300_close.dropna(inplace=True)
HS300_close.plot(subplots=True,figsize=(20,12))
plt.title('Stationary & Diff',y=4.7,size=25)

Out[10]:

<matplotlib.text.Text at 0x7f3cdf0360f0>

3.2 ACF自相关函数

自相关函数的含义是衡量序列数据和自己的相关程度，即x(t)和过去某个时间x(t−l)的相关性：

该假设检验统计量服从自由度为m的卡方分布。
原假设为所有自相关系数为0，取显著水平为0.05，若所有p值均小于0.05则拒绝原假设，认为该序列存在序列相关性。
以下是该假设检验统计量：

In [4]:

closeprice=HS300_close['HS300_close']
ACF,Q_test,P_value= sm.tsa.acf(closeprice, nlags=10, qstat = True)
data_show=np.c_[range(1,11),ACF[1:],Q_test,P_value]
data_df=pd.DataFrame(data_show,columns=['Lag','ACF','Q_test','P_value'])
data_df.set_index('Lag',inplace=True)
data_df.head(8)

Out[4]:

ACFQ_testP_value
Lag
1.00.988893263.0684283.678637e-59
2.00.978027521.3625016.131565e-114
3.00.967327774.9963871.145044e-167
4.00.9544261022.8523073.981759e-220
5.00.9423271265.3901072.010084e-271
6.00.9296041502.3303970.000000e+00
7.00.9172261733.8933610.000000e+00
8.00.9043321959.8643130.000000e+00

In [5]:

returndata=HS300_close['return']
ACF,Q_test,P_value= sm.tsa.acf(returndata, nlags=10, qstat = True)
data_show=np.c_[range(1,11),ACF[1:],Q_test,P_value]
data_df=pd.DataFrame(data_show,columns=['Lag','ACF','Q_test','P_value'])
data_df.set_index('Lag',inplace=True)
data_df.head(8)

Out[5]:

ACFQ_testP_value
Lag
1.0-0.0395740.4212990.516290
2.0-0.0022260.4226370.809516
3.00.1589757.2730770.063685
4.0-0.0844689.2143930.055958
5.0-0.0138999.2671540.098871
6.0-0.12637413.6459680.033851
7.00.04556414.2174030.047447
8.0-0.08079516.0210950.042079

In [7]:

from statsmodels.graphics.tsaplots import plot_acf
fig = plt.figure(figsize=(20,12))        
ax1=fig.add_subplot(211)
plot_acf(closeprice,lags=50,ax=ax1)
plt.title('ACF_close',y=1.05,size=25)
plt.tight_layout(5)                     #设置子图间距
ax2=fig.add_subplot(212)
plot_acf(returndata,lags=50,ax=ax2)
plt.title('ACF_return',y=1.05,size=25)
plt.show()

3.3 AR模型

AR模型公式：

AR模型的3个限制如下：
 

μ是{rt}序列的均值,μ的值为：

1. 使用5阶AR模型

In [7]:

changedata = returndata  # 载入收益率序列
changedata = np.array(changedata, dtype=np.float)
model = sm.tsa.AR(changedata)
results_AR = model.fit(5)           #阶数
plt.figure(figsize=(20,6))
plt.plot(changedata, 'b', label = 'changepct')
plt.plot(results_AR.fittedvalues, 'r', label = 'AR model')
plt.title('AR model_5',y=1.05,size=20)
plt.legend()

Out[7]:

<matplotlib.legend.Legend at 0x7f28200d7320>

In [8]:

len(results_AR.roots)   #打印阶数

Out[8]:

5

2. 使用100阶AR模型

In [9]:

changedata = returndata  # 载入收益率序列
changedata = np.array(changedata, dtype=np.float)
model = sm.tsa.AR(changedata)
results_AR = model.fit(100)           #阶数
plt.figure(figsize=(20,6))
plt.plot(changedata, 'b', label = 'changepct')
plt.plot(results_AR.fittedvalues, 'r', label = 'AR model')
plt.title('AR model_100',y=1.05,size=20)
plt.legend()

Out[9]:

<matplotlib.legend.Legend at 0x7f28200a2f28>

3. 检验残差： 残差是不应该有自回归的，把残差拿出来检验下，在 2 附近，意味着没有自回归。

In [10]:

sm.stats.durbin_watson(results_AR.resid) # 把残差拿出来检验下

Out[10]:

1.993642286632106

In [11]:

fig = plt.figure(figsize=(20,6))        
ax=fig.add_subplot(111)
plot_acf(results_AR.resid,lags=100,ax=ax)
plt.title('ACF_resid',y=1.05,size=20)
plt.show()

3.4 PACF偏相关函数

以上我们讲解了AR模型，对于线性回归模型的阶数，一般随着阶数的升高，会提高模型的拟合度，但是过高的阶数会造成模型过于复杂。以下我们会介绍两种确定AR模型阶数的方法：偏相关函数（pACF）和信息准则函数（AIC、BIC、HQIC）
首先，我们看一个一阶AR模型：
 


我们很清楚地看到，在AR(1)模型中，即使y(t-2)没有直接出现在模型中，但是y(t)和y(t-2)之间也相关， 而PACF偏相关系数将会排除了其他变量的影响之后两个变量之间的相关系数，所以对于AR模型，当超过某个阶数时，偏自相关函数应逐渐趋近于0。

In [12]:

fig = plt.figure(figsize=(20,6))        
ax=fig.add_subplot(111)
plot_acf(results_AR.resid,lags=100,ax=ax)
plt.title('ACF_resid',y=1.05,size=20)
plt.show()

3.5 AIC BIC HQIC

  • 通常情况下，当模型复杂度提高（k增大）时，似然函数L也会增大，从而使AIC变小，但是k过大时，似然函数增速减缓，导致AIC增大，模型过于复杂容易造成过拟合现象。目标是选取AIC最小的模型，AIC不仅要提高模型拟合度（极大似然），而且引入了惩罚项，使模型参数尽可能少，有助于降低过拟合的可能性。
     
  • BIC贝叶斯信息准则与AIC相似，用于模型选择，1978年由Schwarz提出。训练模型时，增加参数数量，也就是增加模型复杂度，会增大似然函数，但是也会导致过拟合现象，针对该问题，AIC和BIC均引入了与模型参数个数相关的惩罚项，BIC的惩罚项比AIC的大，考虑了样本数量，样本数量过多时，可有效防止模型精度过高造成的模型复杂度过高。
     
  • HQIC与之前两种方法类似
     

In [22]:

aicList = []
bicList = []
hqicList = []
for i in range(1,10):  #从1阶到9阶
    order = (i,0)  # 使用ARMA模型，其中MA阶数为0，只考虑了AR阶数。
    print(i)
    chgdataModel = sm.tsa.ARMA(changedata,order).fit()
    aicList.append(chgdataModel.aic)
    bicList.append(chgdataModel.bic)
    hqicList.append(chgdataModel.hqic)
1
2
3
4
5
6
7
8
9

In [32]:

plt.figure(figsize=(20,6))
plt.plot(aicList,'bo--',label='aic value')
plt.title('AIC Value',size=20)
plt.legend(loc=0)

Out[32]:

<matplotlib.legend.Legend at 0x7f5d0847ef98>

In [33]:

plt.figure(figsize=(20,6))
plt.plot(bicList,'go--',label='bic value')
plt.title('BIC Value',size=20)
plt.legend(loc=0)

Out[33]:

<matplotlib.legend.Legend at 0x7f5d083d0fd0>

In [35]:

plt.figure(figsize=(20,6))
plt.plot(hqicList,'ro--',label='hqic value')
plt.title('HQIC Value',size=20)
plt.legend(loc=0)

Out[35]:

<matplotlib.legend.Legend at 0x7f5d63b82320>

3.6 AR模型的有效性检验

一个好的拟合模型应该能够提取观测值序列中几乎所有的样本相关信息，即残差序列应该为白噪声序列。因此，模型的有效性检验即为残差序列的白噪声检验。如果残差序列是白噪声，那么理论赏其延迟任意阶的自相关系数为 0，考虑数据的偏差，那么绝大多数应该在 0 附近的范围内，通常在 95% 的置信水平（2倍标准差）以内。

In [36]:

changedata = returndata  # 载入收益率序列
changedata = np.array(changedata, dtype=np.float)
model = sm.tsa.AR(changedata)
results_AR_5 = model.fit(5)  

delta=results_AR_5.fittedvalues-changedata[len(results_AR_5.roots):]
ACF,Q_value,P_value=sm.tsa.acf(delta,nlags=10,qstat=True)
data_show=np.c_[range(1,11),ACF[1:],Q_test,P_value]
data_df=pd.DataFrame(data_show,columns=['Lag','ACF','Q_test','P_value'])
data_df.set_index('Lag',inplace=True)
data_df.head()

Out[36]:

ACFQ_testP_value
Lag
1.0-0.0051760.4212990.932973
2.0-0.0135670.4226370.972458
3.00.0279737.2730770.966643
4.0-0.0187059.2143930.985807
5.00.0061519.2671540.996174

3.7 AR模型的Adjusted Rsquare值:

In [37]:

adjR = 1 - delta.var()/changedata[len(results_AR_5.roots):].var()
print(adjR)
0.032478175450361024

4. 时间序列2 （MA Model）

由于MA模型是白噪声序列（均值方差恒定）的有限线性组合，因此MA模型具有弱平稳性。

在此之前，我们通过计算偏自相关函数（pACF）等方法可以粗略确定AR模型的阶数。但对于MA模型，由于它是白噪声序列，所以我们只需要需要采用自相关函数（ACF）进行定阶即可。

4.1 确定阶数

In [38]:

fig=plt.figure(figsize=(20,6))
ax=fig.add_subplot(111)
fig=plot_acf(changedata,ax=ax)
plt.title('ACF for MA',size=20)
plt.show()

In [39]:

aicList2 = []
for i in range(1,11):  #从1阶到10阶
    order = (0,i)  # 使用ARMA模型，其中AR阶数为0，只考虑了MA阶数。
    print(i)
    chgdataModel = sm.tsa.ARMA(changedata,order).fit()
    aicList2.append(chgdataModel.aic)
1
2
3
4
5
6
7
8
9
10

In [41]:

plt.figure(figsize=(20,6))
plt.plot(aicList2,'ro--',label='aic value')
plt.title('AIC for Ma',size=20)
plt.show()

4.2 利用AIC得出的3阶

In [47]:

MA_data=sm.tsa.ARMA(changedata,(0,3)).fit()
plt.figure(figsize=(20,6))
plt.plot(changedata,'b',label='original return')
plt.plot(MA_data.fittedvalues,'r',label='fitted return')
plt.title('Original & Fiited for MA',size=20)
plt.legend()

Out[47]:

<matplotlib.legend.Legend at 0x7f5d08060e48>

In [13]:

n=int(len(changedata)*9/10)
n

Out[13]:

239

In [85]:

train_data=changedata[:n]
test_data=changedata[n:]
clf=sm.tsa.ARMA(train_data,(0,3)).fit()
predict_data=clf.predict(n,int(len(changedata))-1,dynamic=True)
combined_data=np.c_[test_data,predict_data]
compare_data=pd.DataFrame(combined_data,columns=['original_data','predict_data'])
compare_data.head()

Out[85]:

original_datapredict_data
0-0.0053990.001980
1-0.013783-0.006899
20.002793-0.001445
3-0.006718-0.001431
40.010299-0.001431

In [86]:

fig, ax = plt.subplots(figsize=(20,8))
ax.plot(compare_data['original_data'],color='r')
ax.set_ylabel('original_data')
ax=ax.twinx()
ax.plot(compare_data['predict_data'])
ax.set_ylabel('predict_data')
ax.set_title('Compare Between Data',size=20)
ax.legend()
plt.show()

4.3 利用ACF得出的阶数

其实超过置信区间的是43阶才行，但这会导致速度太慢，且算力有限。我们只展示15阶，用以显示与3阶的区别。

In [14]:

train_data2=changedata[:n]
test_data2=changedata[n:]
clf2=sm.tsa.ARMA(train_data2,(0,15)).fit()
predict_data2=clf2.predict(n,int(len(changedata))-1,dynamic=True)
combined_data2=np.c_[test_data2,predict_data2]
compare_data2=pd.DataFrame(combined_data2,columns=['original_data','predict_data'])
compare_data2.head()

Out[14]:

original_datapredict_data
0-0.0053990.004396
1-0.013783-0.007076
20.0027930.002488
3-0.006718-0.009059
40.010299-0.001734

In [15]:

fig, ax = plt.subplots(figsize=(20,8))
ax.plot(compare_data2['original_data'],color='r')
ax.set_ylabel('original_data')
ax=ax.twinx()
ax.plot(compare_data2['predict_data'])
ax.set_ylabel('predict_data')
ax.set_title('Compare Between Data',size=20)
ax.legend()
plt.show()

4.4 MA模型的Adjusted Rsquare值

In [16]:

delta_ma=clf2.fittedvalues-train_data2
adjR_MA=1-delta_ma.var()/train_data2.var()
adjR_MA

Out[16]:

0.10082118131965845

5. 时间序列3（ARIMA模型）

我们之前主要探讨了AR model和MA model,但它们的缺点显而易见，如果无限增加阶数，势必会很好的拟合图线，但非常容易尝试过拟合的现象。然而使用AIC，BIC等方法确定阶数，也很难达到预期效果。
故我们继而展开对于ARIMA模型的研究，我们知道之前的ARMA模型研究的对象为平稳时间序列。如果序列是非平稳的，需要通过差分的方法将其变为平稳时间序列，也我们接下来要描述的ARIMA模型。ARIMA模型需要确定三个阶数，AR模型的阶数p，差分的阶数d和MA模型的阶数q，通常写作ARIMA(p,d,q)。

5.1 ADF检验

当p值小于0.05时，ADF test可以判断序列是平稳的。

In [2]:

HS300_close=get_price(['000905.SH'], '20171125', '20190125', '1d', ['close'], True, None,is_panel=1)['close']
HS300_close.columns=['HS300_close']
HS300_close['return']=HS300_close['HS300_close'].pct_change()
HS300_close['close_diff1']=HS300_close['HS300_close'].diff(1)
HS300_close['close_diff2']=HS300_close['HS300_close'].diff(2)
HS300_close['close_diff3']=HS300_close['HS300_close'].diff(3)
HS300_close.dropna(inplace=True)

close_original=np.array(HS300_close['HS300_close'])
close_diff1=np.array(HS300_close['close_diff1'])
close_diff2=np.array(HS300_close['close_diff2'])
close_diff3=np.array(HS300_close['close_diff3'])

adftest = sm.tsa.stattools.adfuller(close_original)
adftest_diff1=sm.tsa.stattools.adfuller(close_diff1)
adftest_diff2=sm.tsa.stattools.adfuller(close_diff2)
adftest_diff3=sm.tsa.stattools.adfuller(close_diff3)

adftest_df=pd.DataFrame(index=["p-value"],columns=["original", "diff1", "diff2","diff3"])
adftest_df.loc["p-value"]["original", "diff1", "diff2","diff3"] = adftest[1], adftest_diff1[1], adftest_diff2[1],adftest_diff3[1]
adftest_df

Out[2]:

originaldiff1diff2diff3
p-value0.8450372.47672e-118.88978e-068.91274e-05

5.2 确定阶数

In [24]:

sm.tsa.arma_order_select_ic(close_diff3,max_ar=6,max_ma=5,ic='aic')['aic_min_order']

Out[24]:

(1, 5)

In [21]:

n=int(len(close_diff2)*9/10)
n

Out[21]:

254

In [25]:

train_data=close_diff3[:n]
test_data=close_diff3[n:]

ARIMA_data=sm.tsa.ARMA(train_data,(1,5)).fit()
plt.figure(figsize=(20,6))
plt.plot(train_data,'r',label='original return')
plt.plot(ARIMA_data.fittedvalues,'g',label='fitted return')
plt.title('Original & Fiited for ARIMA',size=20)
plt.legend()

Out[25]:

<matplotlib.legend.Legend at 0x7f1f5855ff28>

In [27]:

clf3=sm.tsa.ARMA(train_data,(1,5)).fit()
predict_data3=clf3.predict(n,int(len(close_diff3))-1,dynamic=True)
combined_data3=np.c_[test_data,predict_data3]
compare_data3=pd.DataFrame(combined_data3,columns=['original_data','predict_data'])
compare_data3.head()

Out[27]:

original_datapredict_data
0-58.467767.053829
1-62.677557.413970
2-135.88978.162828
3-89.2034-16.490853
4-70.8851-2.693174

In [31]:

compare_data3.plot(figsize=(20,6))
plt.title('Compare between data',size=20)

Out[31]:

<matplotlib.text.Text at 0x7f1f58441240>

In [32]:

delta_ARIMA=clf3.fittedvalues-train_data
adjR_ARIMA=1-delta_ARIMA.var()/train_data.var()
adjR_ARIMA

Out[32]:

0.6514003653433447

In [ ]:

查看以上策略详细请 到 supermind量化交易官网查看：金融时间序列1-AR、MR、ARIMA模型 附源代码

Supermind量化
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
同花顺Supermind量化交易 十行代码玩转量化交易----附完整代码和解析
qq_22808537的博客
09-10 2023
对于大部分人来说，量化交易是非常陌生与神秘的。本篇文章将带你入门量化交易，全文阅读约10分钟。本篇文章内容摘要：1.。2.。3.。
同花顺Supermind量化交易 金融时间序列1-AR、MR模型 附源代码
qq_22808537的博客
09-23 156
从金融时间序列的角度，以沪深300的收益和价格作为研究标的，使用AR、MR模型尝试拟合和预测，详述模型使用流程,以及模型与模型之间的表现差异。
同花顺Supermind量化交易 金融时间序列1--AR模型 附源代码
qq_22808537的博客
09-23 194
从金融时间序列的角度，以沪深300的收益和价格作为研究标的，使用AR模型尝试拟合和预测，详述模型使用流程。
同花顺Supermind量化交易 金融时间序列2--ARCH模型 附源代码
qq_22808537的博客
09-17 192
在金融时间序列（上）中，我们使用的模型干扰项的方差被假设为恒定。ARCH模型将采用某种自回归形式来刻划方差的变异，从上面公式看出，过去较大的平方“扰动”会导致信息at有较大的条件异方差。从金融时间序列的角度，以沪深300的收益作为研究标的，使用ARCH等衍生模型进行探讨和对比，并尝试对价格和波动率进行一定的拟合和预测。其中,{ϵt} 是均值为0,方差为1的独立同分布随机变量序列, α0>0,α1,⋯,αm≥0, σ2t为条件异方差.（4）波动率对价格大幅上升和大幅下降的反应是不同的，这个现象为杠杆效应.
同花顺Supermind量化交易 金融时间序列2--EGARCH模型 附源代码
qq_22808537的博客
09-17 291
从金融时间序列的角度，以 沪深 300的收益作为研究标的，使用EGARCH等衍生模型进行探讨和对比，并尝试对价格和波动率进行一定的拟合和预测。查看以上策略详细请 到 supermind。
同花顺Supermind量化交易 金融时间序列2--GARCH模型 附源代码
qq_22808537的博客
09-17 188
从金融时间序列的角度，以 沪深 300的收益作为研究标的，使用GARCH等衍生模型进行探讨和对比，并尝试对价格和波动率进行一定的拟合和预测。前面ARCH模型，我们用来预测了收益率，然而直接预测收益率准确度并不是很高，因此很多时候我们主要用来预测波动率.则称at服从GARCH模型,其中,{ϵt} 是均值为0,方差为1的独立同分布随机变量序列.查看以上策略详细请 到 supermind。
同花顺Supermind量化交易 金融时间序列2--TGARCH模型 附源代码
qq_22808537的博客
09-17 541
TGARCH模型是另一个能够反映杠杆效应的波动率模型。同时现实中，当实际收益率低于均值方程时，波动率偏向于更大，为了衡量收益率波动的非对称性，我们引入TCAGCH模型。从金融时间序列的角度，以 沪深 300的收益作为研究标的，使用TGARCH等衍生模型进行探讨和对比，并尝试对价格和波动率进行一定的拟合和预测。查看以上策略详细请 到 supermind。
同花顺Supermind量化交易 资金面专题1--资金因子合成 附阐述和源代码
qq_22808537的博客
09-23 662
导读主流的多因子选股模型通常采用量价数据(开高低收、成交量)、财务数据(流通市值、市盈率、市净率等)、舆情数据(事件)来挖掘市场中存在的超额收益。本文主要以资金数据为落脚点，试图挖掘有效的资金因子(月频)，并构建资金因子选股策略，获取市场超额收益。1.合成因子-机构收割散户。
同花顺Supermind量化交易 资金面专题1--资金单因子 附阐述和源代码
qq_22808537的博客
09-23 509
上文我们已经完成了单个因子的单期和多期计算，随后我们对17个资金因子进行计算汇总，在17个资金因子中，从IC均值和IR比率分析，大单净量因子位居首位、其次为DDE大单净额和金额流入率，因子具有较强的预测能力，但资金因子的IC标准差在20%上下，使得IR不足0.5，因此单个资金因子的预测稳定性较差。考虑到短线资金数据掺杂着较多的噪音，且短期盘面受投资者情绪、事件等因素影响，本文选取17个个股资金指标，从月频角度，试图挖掘有效的资金因子。因子策略回测：将有效的合成因子构建成因子策略，在回测环境中测试。
四川锦程消费金融有限责任公司2024年（第一批次）催收机构选型入库采购公告
最新发布
2401_84612105的博客
09-11 106
（二）采购内容：入库的催收机构将为我司发放的贷款 提供催收服务。具体包括依据《贷款催收委托合同》要求， 通过合法方式开展催收业务，助力公司逾期贷款回款，维护 公司合法权益。具体以双方合同约定为准。根据需要， 四川锦程消费金融有限责任公司决定对外公 开选型采购催收代理合作的催收机构，欢迎符合条件的催收 机构参与采购。（一）项目名称： 四川锦程消费金融有限责任公司 2024 年（第一批次）催收机构选型入库采购项目。四川锦程消费金融有限责任公司2024年（第一批次）催收机构选型入库采购公告。
南银法巴消费金融有限公司催收服务增补供应商入围采购项目（B2C直营业务）招标公告
2401_84612105的博客
09-09 382
受南银法巴消费金融有限公司（以下简称“招标人”）委托，就南银法巴消费金融有限公司催收服务增补供应商入围采购项目（B2C直营业务）进行公开招标，现邀请有意向且满足合格投标人的基本资质要求的潜在投标人参加。南银法巴消费金融有限公司催收服务增补供应商入围采购项目（B2C直营业务）（项目编号：JSTCC2400514818）南银法巴消费金融有限公司催收服务增补供应商入围采购项目（B2C直营业务）招标公告。
计算金融知识图谱中的远程连接
拥有自研的知识库，能够根据业务需求定制内容，提供更精准的服务和推荐
09-11 343
虽然C2看起来对分析师的投资组合影响不大，因为它距离有2步之遥，并且不是投资组合中的实际资产，但如果原材料在C2或另一个N步之遥的远程连接处变得不可用，可能对C0产生重大影响。这种复杂的关系网正是光年AI能够高效管理的范例，它的灵活工作流机制和多平台整合功能，能大幅提升分析效率和准确度，助您轻松应对各种业务场景。J. Joseph Rusnak 获得了哈佛大学的博士（Ph.D.）和理学硕士（S.M.）学位，以及麻省理工学院的工程硕士（M.Eng.）和学士（S.B.）学位。对于三步连接，计算M的立方。
佰朔资本：沪指跌0.23%，金融板块集体上扬，半导体等板块下挫
2401_86441506的博客
09-06 448
5月下旬以来，大盘阶段性轰动整固，在宏观经济弯曲复苏、ETF被迫资金放量流入主导商场风格的布景下，以银行、公用事业为代表的部分中心盈余资产稳健走强、领涨大盘，而TMT、新能源等典型科创成长方向体现较为一般。结构上，进入9月，一方面是中报业绩落地，业绩不确定性危险阶段性开释，另一方面是美国降息窗口即将翻开，全球资金再平衡有助于成长方向估值修正，同时AI终端、低空经济等强工业趋势分支在9月将迎来密集的事件催化，A股成长板块进入到积极布局的时点。
国内首个金融领域“AI 换脸”检测标准正式发布
数据猿
09-06 549
大数据产业创新服务媒体——聚焦数据· 改变商业9月6日，《虚假数字人脸检测金融应用技术规范》标准（下称《标准》）在 2024 Inclusion·外滩大会上正式发布。标准规定了金融领域虚假数字人脸检测服务的功能要求、技术要求、性能要求等，并提出了对应的测试评估方法。据了解，这是国内首个面向金融场景的“AI 换脸”检测标准，中关村金融科技产业发展联盟秘书长、中关村互联网金融研究院院长刘勇在演讲时说...
金融壹账通：智能面审解决方案“大显身手”
IFTNews的博客
09-11 272
在反欺诈风控方面,有别于传统风控模型,这套智能面审风控解决方案汇集行业创新的视觉风控策略,聚焦视觉风控,挖掘视频图像信息与标签化输出,通过声形同步(检测是否本人讲话)、相似背景检测(快速识别是否存在团伙欺诈)、微表情分析(检测是否存在AI换脸欺诈、假人问答、旁人指导问答痕迹)等维度构筑全方位的身份验证识别风控体系,助力金融机构快速精准识别众多AI欺诈行为。因此,金融机构要在小样本环境下构建有效的反欺诈风控模型,更需在线上面审环节提升AI风控能力。
Unity Apple Vision Pro 开发（六）：MR 物体交互
qq_46044366的博客
09-10 283
课程内容：• 眼动 + 手追交互• Poke 手指点触• 近距离抓取物体• 双手缩放物体• 物体高亮效果 • 物体阴影效果 • 交互事件
NP3401MR 30V P-Channel Enhancement Mode MOSFET
BTSS2013的博客
09-10 347
The NP3401MR uses advanced trench technology to provide excellent RDS(ON), low gate charge and operation with gate voltages as low as 2.5V. This device is suitable for use as a load switch or in PWM applications.
搜维尔科技：TechViz 虚拟会议室-多人协同混合现实协作
souvr007的博客
09-10 223
搜维尔科技：TechViz 虚拟会议室-多人协同混合现实协作。虚拟会议室-多人协同混合现实协作。
illusionX——一个从理解情感到改变学习、创新教育体验集成情感计算的混合现实系统
知来者逆的博客
09-06 1002
近年来，情感计算在丰富人类与计算机和机器的交互方式方面备受关注。这一创新领域旨在通过理解和响应用户的情绪和心理状态，将人机交互转变得更加自然和直观。无论是情感识别、面部表情分析还是用户参与检测，这项技术都在人机交互（HCI）和人机交互（HMI）领域发挥着重要作用。情感计算系统通过捕捉对话和手势等语言和非语言交流信号来实现这些目标。通过利用机器学习算法来分析用户的情绪并推导出适当的回应，从而实现更像人类的交互。教育也是人类生活的一个重要领域，人工智能（AI）和情感计算等前沿技术使个性化学习体验成为可能。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值