1.1.6 数据预处理数据预处理是训练高质量机器学习模型的关键步骤，在这一步需要检查缺失数据并进行特征工程，以将数据转换为适合模型训练的状态。本项目的数据预处理江湾城以下工作：添加技术指标：在实际交易中，需要考虑各种信息，例如历史股价、当前持仓股票、技术指标等。本文演示了两个趋势跟踪技术指标：MACD和RSI。添加紧急指数：风险厌恶反映了投资者是否选择保留资本，它还在面对不同市场波动水平时影响交易策略。为了在最坏的情况下控制风险，比如2007-2008年的金融危机，FinRL使用了金融紧急指数来衡量极端资产价格波动。注意：风险厌恶是指个体或投资者对于面临潜在风险时的心理和行为倾向。在金融领域，
期货指标公式的万变不离......几乎所有公式都要用到价格，收盘价、开盘价、最高最低价。最具代表的就是均线和macd。而他们想反映的，无非是对趋势的一种预判。各种指标的买卖点，也就是想找出趋势确立或者趋势转折的临界点来。短线乖离可以不看当前趋势，而只看做多做空意愿。最具代表的是bias和cci离均线远了就要往均线靠，这就是乖离。做多的衰竭，做空的无力，也能根据乖离来判断量能的重要性不言而喻，他是一切做多做空的力量来源摒弃了量能的趋势就是没有方向的车，金叉之后也可能突然下跌，死叉之后也能突然涨停。而量能又决定了趋势的级别。期货指标名称：质量侠指标有没有未来函数：无指标类型：幅图指标指标源码有无参
js精度问题当使用JavaScript进行数值计算时，会面临一些精度问题，这些问题可能会导致不正确的结果。以下是一些常见的奇奇怪怪的js数据精度问题：1.浮点数精度问题在JS中，浮点数的精度有限。例如：0.1+0.2//结果为0.3000000000000000423.327*100//结果为2332.7000000000003这个结果显然不符合我们的期望。因为这是由于浮点数本身就无法表示0.1和0.2精确值。解决方案：可以使用toFixed方法将其转换为字符串保留特定位数的小数，或者使用Big.js库中的Big对象。2.整数运算超出范围在JS中，整数运算的范围为-2^53~2^53。当运算结
声明：看到研究非常细致深入的文章，转载到我的博客园，以便学习和研究。（转载自知乎的DennisWin）分型是缠论K线系统中一个极为关键的概念，源自K线组合的一个完全分类，是一个纯理论的推导。最早提岀分型概念的是诺贝尔奖获得者一一美国的比尔•威廉姆斯博士，他在《混沌操作法》一书中，将分型（Fractal台湾翻译为碎形）称为上分型和下分型。缠中说禅在《教你炒股票108课》中将分型加以简化，称为顶分型和底分型。如图1-17所示，连续三根经由包含处理后的K线，按完全分类方法仅可以组合成四种不同的结构，其中2和4就是分型。分型由连续三根经由包含处理后的K线构成。分型有两种表现形式：顶分型、底分型。1.顶
文章目录前言一、逆回购是什么？1.什么是逆回购？2.最低参与金额是多少？3.逆回购交易是否安全？4.逆回购交易适合什么类型的客户？二、讯投XtQuant是什么？1.XtQuant运行依赖环境2.XtQuant运行逻辑三、使用xtquant进行逆回购（含完整源代码）1.选择深市开展逆回购2.深市逆回购完整代码总结前言前面很多人提到逆回购，但是经常一忙就忘了收盘后下单逆回购，白给的肉又飞了。这里我们使用xtquant玩玩逆回购，代码简单，复制到本地，配置好即可运行，收益无负担，送你的钱不要白不要。一、逆回购是什么？1.什么是逆回购？简单来讲，逆回购从本质上讲是一种短期贷款，就是你把钱借给别人，获得
量化交易量化交易是一种利用计算机算法执行交易策略的交易方法，它依赖于严格定义的规则和数学模型，而非人的主观判断。这种交易方式借助大量的金融数据和技术分析工具来执行交易，以期获得更好的交易结果。「为什么量化交易越来越受欢迎？」「提高交易效率和速度：」量化交易利用计算机执行交易，消除了人为因素和情绪对交易决策的影响，同时能在瞬息万变的市场中实现高效的交易。「数据驱动的决策：」量化交易利用大数据和技术分析工具进行决策，通过系统化的方法分析市场情况，更准确地评估风险和回报。「回测和优化：」通过历史数据回测，可以评估和优化交易策略，使其更适应不同市场情况，提高稳定性和盈利能力。「风险管理：」量化交易更注
在我们定义区块链共识算法之前，了解“共识”的含义至关重要。简而言之，这是一种达成协议的方式。区块链是一个分散的系统，没有单一的管理元素。为了在彼此之间建立某种信任，参与者应该就一些让每个人都满意的操作原则达成一致。这是共识机制的固有功能。那么，什么是区块链共识算法？它是指在网络用户之间建立协议并维护网络可操作性的一组特定数学规则和函数。共识机制确保区块链得到更新，交易以正确的顺序和方式处理，链内容的完整性在分布式网络的各个节点上得到保护。 共识与协议术语“协议”和“共识”通常被视为同一事物。但是，协议定义了区块链功能的基本规则，而共识则充当了一种使操作成为可能的机制。共识算法有助于系统采取特
#我们以rms包的lung数据集为例library(rms)data#这里有两种方法，#第1是知道需要转化的变量在哪几列；#第2知道需要转化的变量名str(data)#假设我们想转化inst/status/sex/三个变量的类型#图1先看看变量类型和处于第几列str(data)#inst/status/sex为数值型，分别在第1列，第3列,第5列#法1：需要转化的变量在哪几列#转因子for(iinnames(data) [c(1,3,5)]){#1,3,5代表第1列，第3列,第5列 data[,i]}#图：变为了因子str(data)#转数值for(iinnames(data)
文章目录一、前言二、问题1：数值超过4096三、问题1的排错过程四、问题2：右对齐模式设置失败五、问题2的解决方法5.1将ADC_ExternalTrigConv设置为05.2使用ADC_StructInit()函数六、F1和F4关于ADC的小差别七、参考文章一、前言最近在学习STM32的ADC功能，遇到了一个奇怪的问题。使用芯片：STM32F407ZGT6使用函数：库函数使用代码：正点原子的例程《实验16ADC实验》串口工具：VOFA二、问题1：数值超过4096博主直接使用了正点原子的程序，如下面所示，使用的12位的ADC1，端口是PA5//初始化ADC void
9.8 深度强化学习算法模型本项目的深度强化学习算法的是基于StableBaselines实现的，StableBaselines是OpenAIBaselines的一个分支，经过了重大的结构重构和代码清理工作。另外，在库FinRL中包含了经过调优的标准深度强化学习算法，如DQN、DDPG、多智能体DDPG、PPO、SAC、A2C和TD3，并且允许用户通过调整这些深度强化学习算法来设计他们自己的算法。首先通过类DRLAgent初始化了一个深度强化学习（DRL）代理，使用的训练环境是env_train。agent=DRLAgent(env=env_train)1.模型1：基于A2C算法A2C（Adv
