- 博客(52)
- 收藏
- 关注
RSS订阅
原创 关键点检测数据准备和基于U-net网络的模型设计——工业组件4个关键点的检测模型
关键点检测数据准备和基于U-net网络的模型设计整个项目代码简单介绍数据准备代码说明config.pydata_pre.pydetermine_rotation_angle.pymodels.pynet_util.pytest_main.pytrain_main.py模型效果整个项目代码已经在GitHub上开源，仅上传了一张效果展示图，可以根据自己遇到的实际项目进行改进项目地址 https://github.com/ExileSaber/Industry-Keypoint-Detection模
2021-08-02 11:42:57
6498
60
原创 AI“虚拟朋友”藏风险？美国FTC突查7大科技公司，儿童保护成核心焦点
这场调查的本质，其实是对“AI陪伴”这一新兴场景的规则追问：当AI从“工具”变成“情感互动对象”，尤其是面对儿童、老人等弱势群体时，该如何划定安全边界？对企业而言，“儿童保护”不应是事后补救的“合规项”，而需嵌入产品开发的全流程——例如在角色设计阶段就排除“过度拟人化”可能引发的情感依赖，在技术层面强化“年龄识别+内容过滤”的双重防护；对家长与社会而言，需建立对AI“陪伴”的理性认知：AI可以是孩子的“聊天伙伴”，但不能替代真实的亲情与社交；对监管方而言。
2025-09-13 19:59:38
671
1
原创 【2025-09-12科技新闻】未来十年去哪找外星人？这些方向已被重点关注
告别UFO和外星人绑架的传说，科学家正通过实打实的技术寻找地外生命，从太阳系内的星球到遥远的系外行星，探索路径清晰，甚至有观点认为十年内或能看到关键线索，而最终结果或许比科幻电影更具现实意义
2025-09-12 22:45:04
951
原创 【大模型必备知识点】大白话讲解 Transformer 的核心：自注意力机制
自注意力机制本质是一种动态权重分配机制。对于序列中的每个词元，自注意力会根据 “词元间的语义相关性”，为其他词元分配不同的权重，最终通过加权求和生成该词元的上下文感知表示。
2025-09-12 14:32:15
1046
原创 【3分钟看懂Transformer】从原理到实战，NLP新手也能入门的爆款指南
你是不是总听说Transformer很牛，却被“自注意力”“多头机制”这些术语绕得头晕？其实Transformer的核心逻辑超简单——今天用最通俗的话，带你从0到1搞懂它，还附使用样例代码，看完就能上手！
2025-09-11 16:29:54
805
原创 【竞赛获奖方案】机器学习实操项目10——全球城市计算AI挑战赛（基于LightGBM与Stacking完整代码解析）
本项目针对地铁客流量（进站量`inNums`、出站量`outNums`）进行预测，核心流程包括：数据加载与预处理、时间特征工程构建、历史时序特征生成、站点拓扑特征融合、LightGBM单模型训练、时序Stacking集成优化等步骤。通过提取多维度时序特征（10分钟粒度、小时粒度、历史同期/偏移时段特征）和站点拓扑特征，结合集成学习策略，最终实现高精度客流量回归预测，模型评估指标采用平均绝对误差（MAE）。
2025-09-10 16:57:33
705
原创 【竞赛系列】机器学习实操项目09——全球城市计算AI挑战赛（基于LightGBM快速搭建baseline）
本部分基于前期数据探索分析的结果，构建机器学习预测模型。通过提取历史平移特征（前一天同期流量），使用LightGBM回归算法分别对进站人数（inNums）和出站人数（outNums）进行预测。模型采用1月28日数据作为验证集，对1月29日的流量进行预测，旨在利用机器学习方法捕捉复杂的时间序列模式，提升预测精度。
2025-09-10 15:52:35
682
原创 【竞赛系列】机器学习实操项目08——全球城市计算AI挑战赛（数据可视化分析）
本文基于已有的地铁流量训练数据，进一步聚焦多站点、多日期的流量对比分析，通过时间特征提取与可视化，验证不同站点、不同日期的流量分布规律，为后续预测模型优化提供更细致的数据支撑。
2025-09-10 15:42:55
1191
原创 【竞赛系列】机器学习实操项目07——全球城市计算AI挑战赛（baseline、时间序列分析、地铁流量预测）
时间序列分析实战：从基础到地铁流量预测 本文通过股票价格和游戏行为数据分析时间序列特征，并聚焦全球AI挑战赛的地铁流量预测任务。主要内容包括： 基础分析：通过Google/MSFT股票数据展示长期趋势，利用游戏广告/消费数据分解季节性特征 技术实现：导入时间序列分析工具库(statsmodels等)，定义MAPE等评估指标 核心方法：对游戏货币支出数据进行季节性分解(observed/trend/seasonal/residual) 实战应用
2025-09-10 15:12:33
726
原创 【竞赛系列】机器学习实操项目06——客户信用评估模型进阶流程（特征重要性分析与稳定性监控）
摘要 本项目开发了一个客户信用评估模型，用于预测客户信用风险（Target=1为好客户，0为坏客户），帮助金融机构优化信贷决策。流程包括： 数据预处理：处理缺失值，分离特征与目标变量。 特征处理：数值特征标准化，分类特征独热编码，合并为最终特征矩阵。 模型训练：使用随机森林评估特征重要性，识别关键预测因子（如账户余额、年龄等）。 稳定性监控：采用PSI指标分析训练集与测试集特征分布差异，确保模型泛化能力。 关键输出：特征重要性排名、PSI稳定性分析，为风控模型提供可解释性支持。
2025-09-10 10:44:27
872
原创 【竞赛系列】机器学习实操项目05——客户信用评估模型进阶流程（含XGBoost、LightGBM、CatBoost 高级模型对比与参数优化）
摘要： 本文详细介绍了客户信用评估模型的开发全流程，包括数据预处理、特征工程、模型训练与优化。通过加载并清洗数据（处理缺失值、标准化数值特征、独热编码分类特征），划分训练/验证集后，对比了XGBoost、LightGBM、CatBoost三大集成模型的性能（AUC指标与训练时间）。代码展示了特征合并、形状检查及模型初始化（基础参数设置），为后续超参数调优和模型融合奠定基础。该流程适用于金融风控场景，帮助快速构建高精度信用评分模型。 关键词： 信用评估、数据预处理、集成学习、AUC、特征工程
2025-09-10 09:32:46
1505
原创 【竞赛系列】机器学习实操项目04——客户信用评估模型开发全流程（baseline）
本文介绍了客户信用评估模型开发的全流程，包括数据加载与预处理、数据集划分、特征工程、模型训练与评估等关键步骤。项目通过分析客户数据预测信用等级，帮助金融机构进行风险控制。数据预处理涉及缺失值填充和特征分离，特征工程包括独热编码和标准化处理。使用多种机器学习模型（逻辑回归、决策树、随机森林等）进行训练比较，以AUC作为主要评估指标，最终选择最优模型进行详细评估和预测。整个流程完整展示了从数据准备到模型选择的信用评分建模过程。
2025-09-10 08:32:18
983
原创 机器学习实操项目03——Scikit-learn介绍及简单分类案例
Scikit-learn是Python核心机器学习库，提供六大功能模块：分类（如SVM、随机森林）、回归（如SVR、Lasso回归）、聚类（如K-means）、数据降维（如PCA）、模型选择（参数调优）和数据预处理（特征归一化）。通过鸢尾花数据集案例，演示了KNN分类器的完整使用流程，包括数据划分、模型训练（97.8%准确率）和预测验证。该库以算法丰富、接口统一著称，后续将结合具体任务展开实战应用。
2025-09-10 08:27:39
804
原创 机器学习实操项目02——Pandas入门（基本操作、创建对象、查看数据、数据选择、处理缺失数据、数据合并、数据分组、时间序列、绘图、文件导出）
Pandas基础操作摘要 本文介绍了Pandas库的基本使用方法，主要内容包括： 导入与创建对象：通过Series和DataFrame创建数据结构，支持多种数据类型（列表、NumPy数组、字典等） 数据查看：使用head()/tail()查看首尾数据，通过index/columns/values查看索引、列名和数值 数据统计：describe()提供快速统计，包括计数、均值、标准差等 数据操作：支持转置(T)、按轴排序(sort_index)等操作
2025-09-09 15:55:50
743
原创 机器学习实操项目01——Numpy入门（基本操作、数组形状操作、复制与试图、多种索引技巧、线性代数）
本文介绍了NumPy的核心概念与基本操作。主要内容包括： 基本概念：NumPy的核心是多维数组ndarray，包含ndim（维数）、shape（形状）、size（元素个数）、dtype（数据类型）等重要属性。 数组创建：多种创建数组的方式，包括np.array、np.zeros、np.ones、np.empty等，以及np.arange和np.linspace生成序列的方法。 数组打印：NumPy的数组打印规则，包括一维、二维和多维数组的显示方式。 基本运算：数组支持元素级算术运算、矩阵运算等
2025-09-09 15:07:36
1086
2
原创 【从 0 到 1 落地】机器学习实操项目目录：覆盖入门到进阶，大学生就业 / 竞赛必备
摘要：本文整理了一份机器学习实操项目目录，涵盖从入门到进阶的各阶段项目，覆盖分类、回归、聚类、NLP、计算机视觉等方向。针对大学生群体常见的学习痛点，提供明确的学习目标和关键技术栈指导，帮助读者将理论知识转化为实践能力，积累可写进简历的项目经验。文章强调机器学习核心在于解决问题而非背诵理论，适用于不同学习阶段的学生，并承诺持续更新项目内容。
2025-09-09 14:25:34
294
原创 机器学习11——特征选择与稀疏学习
本文系统介绍了特征选择与稀疏学习的关键技术。特征选择根据与任务相关性将特征分为相关、无关和冗余三类，其核心是通过子集搜索（前向/后向/双向）和评价（如信息增益）筛选特征子集。主要方法包括：过滤式（如Relief算法快速评估）、包裹式（依赖学习器性能）和嵌入式（如L1正则化实现特征稀疏）。稀疏学习通过稀疏表示和字典学习（如KSVD算法）高效处理高维数据，在存储优化和特征提取中发挥重要作用。这些方法共同解决了维度灾难问题，提升了模型效率和可解释性。
2025-09-09 09:59:32
836
原创 机器学习10——降维与度量学习（K近邻、多维缩放、主成分分析）
本文系统介绍了监督学习中的k近邻算法(kNN)及其相关降维技术。kNN通过距离度量寻找近邻样本进行预测，其性能受k值选择和距离度量影响。针对高维数据的"维数灾难"问题，详细阐述了多维缩放(MDS)、主成分分析(PCA)等线性降维方法，以及Isomap等非线性流形学习技术。同时介绍了度量学习，通过优化距离度量提升模型性能。各类方法各具特点：MDS保持样本距离，PCA最大化方差，流形学习适合非线性结构，度量学习优化距离函数。实际应用中需根据数据特性选择合适方法。
2025-09-09 09:58:33
982
原创 机器学习09——聚类（聚类性能度量、K均值聚类、层次聚类）
本文系统介绍了聚类任务的核心概念与方法。作为无监督学习的关键技术，聚类旨在将无标记样本划分为若干簇，揭示数据内在结构。文章详细阐述了聚类性能度量（外部指标如JC/FMI/RI和内部指标如DBI/DI）、距离计算方式（闵可夫斯基距离、VDM等），并重点分析了原型聚类（k均值、高斯混合模型）和层次聚类（AGNES）的算法原理与特点。最后指出，实际应用中需根据数据特性和任务需求选择合适的聚类方法，平衡效率与效果。全文为聚类分析提供了系统的理论框架和实践指导。
2025-09-09 09:56:24
1318
原创 机器学习08——集成学习（Boosting、Bagging、结合策略）
集成学习通过结合多个个体学习器提升性能，核心在于保证个体"好而不同"。Boosting（如AdaBoost）采用串行方式，通过调整样本权重逐步降低偏差；Bagging与随机森林则并行生成学习器，降低方差。结合策略包括投票法（分类）、平均法（回归）和Stacking等元学习方法。多样性是集成有效的关键，可通过数据扰动、属性扰动等方式增强。实验表明，集成方法能显著提升模型准确性，尤其在基学习器性能较弱时效果更明显。
2025-09-09 09:49:38
978
原创 机器学习07——贝叶斯分类器（贝叶斯决策论、极大似然估计、朴素贝叶斯分类器）
该内容围绕贝叶斯决策论及相关模型展开，首先介绍贝叶斯决策论的核心概念（条件风险、贝叶斯判定准则等）与后验概率获取的判别式、生成式两种策略；接着阐述极大似然估计的思想、对数似然及实例，指出其依赖概率分布假设的局限性；然后详解朴素贝叶斯分类器的属性条件独立性假设、分类器表达式、概率估计方法及西瓜数据集分类实例；还说明拉普拉斯修正的公式与解决零概率问题的作用，最后提及朴素贝叶斯适用于速度要求高、数据更替频繁、需增量学习的场景。
2025-09-09 09:46:53
1119
原创 机器学习06——支持向量机（SVM核心思想与求解、核函数、软间隔与正则化、支持向量回归、核方法）
支持向量机（SVM）是一种基于间隔最大化的监督学习算法，其核心思想是通过寻找最优超平面实现分类，并引入核函数处理非线性问题。SVM首先通过拉格朗日对偶转化求解支持向量，利用解的稀疏性提升效率；其次通过核函数将样本映射到高维空间，使其线性可分；针对现实数据噪声，引入软间隔和正则化平衡误差；还可扩展为支持向量回归（SVR）。核方法可推广至其他模型如核PCA。常用工具包包括LIBSVM等，广泛应用于分类和回归任务。
2025-09-09 09:24:08
791
原创 机器学习05——多分类学习与类别不平衡（一对一、一对其余、多对多）
本文介绍了多分类学习和类别不平衡问题的解决方法。多分类学习通过任务拆分为多个二分类问题，主要策略包括一对一（OvO）、一对其余（OvR）和多对多（MvM）。OvO生成N(N-1)/2个分类器，OvR生成N个分类器，各有优缺点。类别不平衡问题可通过再缩放、采样（欠采样和过采样）和阈值移动等方法解决，需根据数据规模和特性选择合适策略。这些方法能有效提升分类器在复杂场景下的性能。
2025-09-09 09:19:30
1269
原创 机器学习04——决策树（信息增益、信息增益率、ID3、C4.5、CART、剪枝、连续值缺失值处理）
决策树是一种基于分而治之思想的监督学习模型，通过递归划分样本构建树状结构。核心流程包括选择最优划分属性（信息增益、增益率或基尼指数）、递归生成节点直至满足终止条件。为避免过拟合，可采用预剪枝或后剪枝处理。针对连续值使用二分法确定最优划分点，缺失值则通过修正信息增益和权重分配处理。多变量决策树通过属性线性组合实现更灵活的分类边界。经典算法包括ID3、C4.5和CART等，各有其适用场景和优缺点。
2025-09-09 09:16:31
1163
原创 机器学习03——线性模型（多元线性回归、对数线性回归、二分类、线性判别分析）
本文系统介绍了线性模型及其应用。首先阐述了线性模型的基本形式与核心优点，包括形式简单、可解释性强等。随后详细讲解了线性回归的最小二乘法参数估计，以及如何处理离散属性。广义线性模型部分展示了如何通过联系函数扩展为非线性输出。二分类任务中重点分析了对数几率回归的原理和优势。线性判别分析（LDA）部分则探讨了其监督降维特性及多分类扩展。最后总结了不同线性模型的优化方法，包括线性回归的闭式解、对数几率回归的凸优化及LDA的矩阵论方法。全文系统梳理了线性模型的理论基础与实现技术。
2025-09-09 09:10:53
1027
原创 机器学习02——模型评估与选择（过拟合与欠拟合、K折交叉验证、均方误差、混淆矩阵）
本文介绍了机器学习模型评估的核心概念与方法。首先阐述了误差类型（训练、测试、泛化误差）及过拟合（模型过度学习训练集特性）与欠拟合（模型未充分学习规律）的区别与解决方法。其次详述了四种数据集划分策略：留出法、k折交叉验证、留一法和自助法，比较了其优缺点及适用场景。最后探讨了性能度量指标，包括回归任务的均方误差，分类任务的错误率、查准率、查全率、F1分数等，强调需根据任务需求选择合适的评估标准。模型评估需平衡训练误差与泛化能力，通过合理划分数据集和选择性能度量来全面评价模型效果。
2025-09-09 09:06:03
1100
原创 机器学习01——机器学习概述
该内容围绕“机器学习”展开，推荐了《机器学习》（周志华著）等3本参考书，阐释了机器学习通过计算利用经验改善系统性能、从数据生成模型的核心定义，介绍了样本、特征等数据术语，分类、回归等任务类型，监督/无监督/半监督等学习类型，以及泛化能力、归纳偏好等关键概念，梳理了信息获取、预处理等机器学习系统基本流程，回顾了推理期、知识期、学习期三阶段发展历程，列举了识别任务、医疗健康等多领域应用，还提及了ICML等顶级会议与相关核心期刊等参考资源。
2025-09-09 08:53:38
805
原创 机器学习核心知识点目录
本文系统梳理了机器学习的核心知识体系，涵盖基本概念、模型评估、经典算法和进阶技术。主要内容包括：机器学习概述（定义、流程和应用）；模型评估方法（误差分析、性能度量）；线性模型、决策树、支持向量机等基础算法；集成学习、降维聚类等高级技术；以及特征选择、贝叶斯分类器等重要知识点。该体系既包含监督学习和无监督学习的主要范式，也涉及多分类、类别不平衡等实际问题解决方案，为构建智能系统和数据挖掘提供了完整的理论基础和方法工具。
2025-09-09 08:48:14
564
原创 日常办公代码：大批量的word文件转pdf；大批量的word文件【保留原格式】首尾拼接为一个大的word文件；将word文件批量转pdf后首尾拼接为一个大的pdf文件
最近帮朋友处理学业资料，遇到需要整合很多分章节的word文件，弄成一个word文件或者pdf文件以方便打印的任务。在这里分享一下- 大批量的word文件转pdf；- 大批量的word文件首尾拼接为一个大的word文件；- 将word文件批量转pdf后首尾拼接为一个大的pdf文件
2024-12-17 17:23:20
1059
原创 代码解读 2：一起读 Ultralytics 库工程化的 YOLO 代码。官方参数解读以及如何自定义超参数（rt-detr, v3, v5, v6, v8, v9, v10, v11)
代码解读系列第二篇文章主要介绍Ultralytics官方的一些重要参数（YOLO参数），帮助各位读者能够根据自己的需要更好的调整模型参数，得到更适合自己任务的模型。通过这篇文章你将能学到：1. Ultralytics 库（YOLO 代码）绝大部分超参数的含义及作用2. 自定义超参数的建议，以及完整的训练代码
2024-12-17 11:12:09
2170
原创 代码解读 1：一起读 Ultralytics 库工程化的 YOLO 代码 (rt-detr, v3, v5, v6, v8, v9, v10, v11)
带你学习 YOLO 最热门的 Ultralytics 库，从整个库的架构开始，逐渐全面的了解大佬们优秀的代码架构和 Ultraytics 库丰富的功能
2024-12-16 16:03:22
3228
3
原创 Unity红球吃绿球强化学习小任务——Ubuntu20.04系统于2022年2月26日实现
红球吃绿球强化学习小任务——Ubuntu20.04系统于2022年2月26日实现红球吃绿球强化学习小任务一、主机环境参数说明二、具体教程以之前提供的视频介绍为主，需要修改的章节会标注P1 000-项目演示P2 100-Unity机器学习案例下载P3 101-狗子的学习P4 102-安装Anaconda并创建环境P5 103-完成所有的环境准备P6 104-创建场景P7 105-Agent里面的四个函数P8 106-手动操作智能体P9 107-重置游戏的函数P10 108-设置智能体奖励P11 109-随机T
2022-02-26 23:33:16
4065
原创 Unity Hub安装——Ubuntu20.04；Ubuntu18.04（2022年2月26日，Unity Hub 2021.2.12版本）
Unity安装（Unity Hub 2021.2.12版本）——Ubuntu20.04；Ubuntu18.04Ubuntu用户安装Unity Hub 2021.2.12方法一、主机环境参数说明二、安装教程2.1 本教程包含的安装内容2.1.1 首先进入Unity官网2.1.2 注册自己的账号：在官网右上角2.1.3 注册完成后点击右上角的“下载Unity”2.1.4 选择一个你想下载的版本，选择从Hub下载2.1.5 解压（直接右键解压到此处）2.1.6 命令安装Unity Hub2.1.7 修正前人教程中
2022-02-26 23:17:20
13502
原创 HigherHRNet预训练模型——网盘下载
HigherHRNet预训练模型——网盘下载HigherHRNet模型GitHub：https://github.com/HRNet/HigherHRNet-Human-Pose-EstimationGitHub上提供的两个下载地址（需要科学上网）：GoogleDriver 的下载地址：https://drive.google.com/open?id=1bdXVmYrSynPLSk5lptvgyQ8fhziobD50OneDriver 的下载地址：https://1drv.ms/f/s!AhI
2021-11-29 11:20:49
3335
11
原创 超大图片（4000×3000像素）的畸变矫正，python+OpenCV实现
基于 python+OpenCV 超大图片的畸变矫正适用情况理论分析径向畸变切向畸变问题所在适用情况网上大部分的镜头畸变矫正的例子都是给的小图片的测试效果，照搬他们的代码测试的话会发现，在他们给的小图片上效果良好，但是应用到自己的超大图片上后会发现边缘效果很不理想！效果如下：原图（实验室镜头较好，看不出明显的畸变）矫正后的效果（仔细对比观察中间4×4的方格可以发现更加垂直了，但边缘部分形变严重）接下来将先从理论方面为大家分析后，再附上代码，如果对理论不感兴趣也可以直接看代码理论
2021-07-14 20:13:59
3996
10
原创 不知如何选股？不知哪种指标策略可靠？量化分析比较DBCD、ROC、VROC、CR、PSY指标策略收益情况
前言从股票市场开始到现在，已经研究出了众多的指标，但是在使用的时候会发现，由于第二天股价的未知波动，指标显示的情况并不一定每次都准确，总是会存在误判的情况。对于这种不可避免的情况而言，我们只能想办法将其量化、计算根据策略操作后的收益率、估计误判的概率等本文先选择了 DBCD、ROC、VROC、CR、PSY 五种指标来量化（一共会考虑了三十多种指标，由于篇幅问题一次讨论五种），然后用十支股票来测试这五种策略的效果（实际情况是用了 3600+ 股票来统计策略效果，目前不方便展示结果）免责声明此构想和分析
2021-02-26 14:52:03
2660
2
原创 不知如何选股？不知哪种指标策略可靠？量化分析比较BBI、MTM、OBV、CCI、PRICEOSC指标策略收益情况
前言从股票市场开始到现在，已经研究出了众多的指标，但是在使用的时候会发现，由于第二天股价的未知波动，指标显示的情况并不一定每次都准确，总是会存在误判的情况。对于这种不可避免的情况而言，我们只能想办法将其量化、计算根据策略操作后的收益率、估计误判的概率等本文先选择了 BBI、MTM、OBV、CCI、PRICEOSC 五种指标来量化（一共会考虑了三十多种指标，由于篇幅问题一次讨论五种），然后用十支股票来测试这五种策略的效果（实际情况是用了 3600+ 股票来统计策略效果，目前不方便展示结果）免责声明此构
2021-02-20 16:09:27
4003
原创 不知如何选股？不知哪种指标策略可靠？量化分析比较ASI、VR、ARBR、DPO、TRIX指标策略收益情况
前言从股票市场开始到现在，已经研究出了众多的指标，但是在使用的时候会发现，由于第二天股价的未知波动，指标显示的情况并不一定每次都准确，总是会存在误判的情况。对于这种不可避免的情况而言，我们只能想办法将其量化、计算根据策略操作后的收益率、估计误判的概率等本文先选择了 ASI、VR、ARBR、DPO、TRIX 五种指标来量化（一共会考虑了三十多种指标，由于篇幅问题一次讨论五种），然后用十支股票来测试这五种策略的效果（实际情况是用了 3600+ 股票来统计策略效果，目前不方便展示结果）免责声明此构想和分析
2021-01-29 15:26:55
2069
原创 不知如何选股？不知哪种指标策略可靠？量化分析比较VRSI、BBIBOLL、WR、BIAS、RSI指标策略收益情况
前言从股票市场开始到现在，已经研究出了众多的指标，但是在使用的时候会发现，由于第二天股价的未知波动，指标显示的情况并不一定每次都准确，总是会存在误判的情况。对于这种不可避免的情况而言，我们只能想办法将其量化、计算根据策略操作后的收益率、估计误判的概率等本文先选择了 VRSI、BBIBOLL、WR、BIAS、RSI 五种指标来量化（一共会考虑了三十多种指标，由于篇幅问题一次讨论五种），然后用十支股票来测试这五种策略的效果（实际情况是用了 3600+ 股票来统计策略效果，目前不方便展示结果）免责声明此构
2021-01-22 15:01:26
2173
原创 不知如何选股？不知哪种指标策略可靠？量化分析比较DMA、DMI、MACD、KDJ、BOLL指标策略收益情况
前言从股票市场开始到现在，已经研究出了众多的指标，但是在使用的时候会发现，由于第二天股价的未知波动，指标显示的情况并不一定每次都准确，总是会存在误判的情况。对于这种不可避免的情况而言，我们只能想办法将其量化、计算根据策略操作后的收益率、估计误判的概率等本文先选择了 DMA、DMI、MACD、KDJ、BOLL 五种指标来量化（一共会考虑了三十多种指标，由于篇幅问题一次讨论五种），然后用十支股票来测试这五种策略的效果（实际情况是用了 3600+ 股票来统计策略效果，目前不方便展示结果）免责声明此构想和分
2021-01-15 17:16:45
3801
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