2024-07-29 厉飞雨 阅读(58) 评论(0) 赞(3)

七天打造一套量化交易系统：Day1-数据分类、获取、清洗与存储 数据是量化交易的基础，重要性不言而喻。无论是股票、期货、期权、基金、ETF等等，甚至包括比特币，这些投资标的历史行情数据都可以用作回测分析，本篇将分享如何选择可靠的数据源，如何进行数据获取，如何清洗常见的错误数据，如何进行有效地存储，方便后期使用。 本系列搭建的量化交易系统主要针对的投资标的是股票和期货，其他的投资

2024-07-29 厉飞雨 阅读(45) 评论(0) 赞(3)

七天打造一套量化交易系统：Day2-量化交易策略基本模型及要点 七天打造一套量化交易系统 七天打造一套量化交易系统：Day0-量化投资发展历程 七天打造一套量化交易系统：Day1-数据分类、获取、清洗与存储 "高抛低吸，趋势跟踪，横盘突破....."这些常见的交易策略术语如何转化成行之有效的代码逻辑？它们背后代表的最基本的交易策略模型是什么？...

2024-07-28 厉飞雨 阅读(81) 评论(0) 赞(4)

使用 Spring Boot 与 Spire.doc 协同实现 Word 文档的多样化操作 在当今的企业级应用开发中，对 Word 文档的操作是一项常见且重要的任务。本文将详细介绍如何使用 Spring Boot 结合 Spire.doc 库来实现对 Word 文档的各种操作，包括创建、读取、修改、保存、转换等。 技术选型与简介 Spring Boot Spring Bo

2024-07-28 厉飞雨 阅读(54) 评论(0) 赞(3)

1.什么是screw？ 在企业级开发中、我们经常会有编写数据库表结构文档的时间付出，从业以来，待过几家企业，关于数据库表结构文档状态：要么没有、要么有、但都是手写、后期运维开发，需要手动进行维护到文档中，很是繁琐、如果忘记一次维护、就会给以后工作造成很多困扰、无形中制造了很多坑留给自己和后人 数据库支持 MySQL MariaDB TIDB Oracle S

2024-07-28 厉飞雨 阅读(83) 评论(0) 赞(2)

开篇我们先科普一下，何为PWA？ PWA是什么？ PWA（Progressive Web Apps，渐进式 Web 应用）运用现代的 Web API 以及传统的渐进式增强策略来创建跨平台 Web 应用程序。这些应

2024-07-28 厉飞雨 阅读(54) 评论(0) 赞(2)

C#提供了很多高级语法，很多都是语法糖。这些语法糖对于初学者来说，很多无法理解。 下面推荐一个开源项目，它能够让我们，实时查看编译过程、生成的中间语言（IL）以及反编译后的代码。 01 项目简介 SharpLab是基于Roslyn开发的开源项目，它实时编译反馈、IL代码查看和反编译功能。 它能帮助.Net开发者更好地理解编译器的工作原理、优化程序性能以及进行深入的代码学习和分析

2024-07-28 厉飞雨 阅读(66) 评论(0) 赞(2)

前情回顾 七天打造一套量化交易系统 七天打造一套量化交易系统：Day0-量化投资发展历程 七天打造一套量化交易系统：Day1-数据分类、获取、清洗与存储 七天打造一套量化交易系统：Day2-量化交易策略基本模型及要点 为了选择一个好的量化回测库，需要考虑许多方面。比如每个项目的成熟度、维护程度、教程文档是否完善、执行速度、功能性、灵活性等等。 Backtesting.py、V

2024-07-28 厉飞雨 阅读(77) 评论(0) 赞(4)

RStudio 所有用R的人都知道的界面，就不说啥了。 Positron 这个名为【正电子】的软件，是RStudio公司改名为Posit之后，出的产品，号称是A next-generation data science IDE。当然当前其实只是VS Code的套壳。VS Code后面讲。 RCode 同样是界面比较友好，相对傻瓜化，但知名度不高的RCode 直接修改变量

2024-07-27 厉飞雨 阅读(55) 评论(0) 赞(3)

编写脚本可登录邮箱并获取最新的10封邮件，并根据指定关键字获取信息列表（截取以关键字为中心，前10个字符，后10个字符的内容），将上述涉及数字的参数形成配置文件读取 脚本编写 首先要打开邮件的设置，保证开启IMAP/SMTP服务，且可以得到 编写脚本 从JSON文件读取URL、邮箱号、授权码、关键词、字符数、邮件 [要修改参数时修改配置文件即可，同时也保证了关键信息

2024-07-27 厉飞雨 阅读(32) 评论(0) 赞(3)

unsetunset什么是半监督机器学习？unsetunset 半监督学习是一种训练数据中部分样本没有标签的情况。sklearn.semi_supervised中的半监督估计器能够利用这些额外的无标签数据，更好地捕捉底层数据分布的形状，并更好地泛化到新样本。当我们只有很少的有标签点和大量无标签点时，这些算法能够表现良好。 在使用fit方法训练模型时，重要的是为未标记的点分配