目录现实问题思考回归问题分类问题欠拟合与过拟合解决过拟合问题的方法数据增强数据PCA处理增加正则项知识巩固模型优化：建立表现更好的模型！机器学习核心流程与问题数据质量决定模型表现的上限！模型优化实例先检查数据问题多模型对比单一模型的核心参数优化提高模型表现的四要素知识巩固Python实战：芯片品质预测拓展学习现实问题思考回归问题根据收集到的部分炮弹发射数据，推测在x_d=400时，炮弹高度y_d分
在现代软件开发中，选择合适的技术栈无疑是成功的关键之一。在业内出现的“夏普比Python”这一观点引起了广泛讨论，尤其是当应用场景涉及性能、可扩展性以及资源占用时。夏普（Sharp）与Python两者各有优缺点，从企业业务影响的角度看，需要对这两种技术进行深入分析，以权衡其在特定场景下的适用性。
### 背景定位
在对“夏普比Python”的讨论中，有用户提出了对性能的直接关切。以下是用户反馈
# 如何实现Python夏普比
## 1. 整体流程
在实现Python夏普比时，我们需要按照以下步骤进行：
| 步骤 | 内容 |
| ---- | -------------- |
| 1 | 获取资产收益率 |
| 2 | 计算基准收益率 |
| 3 | 计算超额收益率 |
| 4 | 计算夏普比 |
## 2. 具体步骤
###
原创
2024-05-10 06:50:14
41阅读
## 夏普比 Python
夏普（Sharp）是一家日本知名的电子产品制造商，致力于生产高品质的电子产品。Python是一种高级编程语言，被广泛用于数据科学、人工智能等领域。那么，夏普和Python之间究竟有何联系呢？本文将为您介绍夏普和Python之间的比较。
### 夏普的产品特点
夏普的产品以高品质、高性能而闻名，涵盖了电视、手机、空调等多个领域。夏普电视采用了最新的显示技术，能够呈现
原创
2024-05-23 03:39:45
32阅读
机器学习——模型优化模型压缩方法squeezeNet的Fire Module有什么特点？ 模型压缩方法低秩近似 神经网络的基本运算卷积，实则就是矩阵运算，低秩近似的技术是通过一系列小规模矩阵将权重矩阵重构出来，以此降低运算量和存储开销。目前有两种常用的方法：一是Toeplitz矩阵（指矩阵中每条自左上至右下的斜线上的元素相同）直接重构权重矩阵，二是奇异值分解（SVD），将权重矩阵分解为若干个小矩
转载
2024-08-27 22:24:08
36阅读
前情回顾上一篇中，我们介绍了现代投资理论中的一个重要模型 —— 有效边界，以及最小风险(方差)的投资组合优化，即下图有限边界的最左侧红点。最小方差优化，虽然能够通过降低收益率的波动来控制风险，却不能带来可观的期望收益。观察上图可知，红点即为有效边界上最小方差点，又是投资组合的最低收益点。那么是否存在一种综合考虑风险(方差)与收益率，也就是尽量追求风险最小、收益最大的优化途径呢？这就是我们接下来要说
转载
2024-01-09 16:10:09
16阅读
控制不断增加的复杂性和数据爆炸式增长是对存储管理的一个巨大挑战。购买存储和管理存储的老方法已经不再奏效，在物理资源和人力资源有限的情况下，IT部门不得不立即着手优化和简化他们的基础架构。如果不给予重视的话，这些问题都将变得越来越严峻。
去年10月IBM正式推出了IBMS
转载
精选
2011-05-03 11:05:57
868阅读
点赞
7评论
1 内容介绍本文运用CVaR风险度量方法,建立最优投资组合模型,在模型中加入税收和交易成本等与实际相符的相应约束,并利用人工蜂群算法(ABC算法)求解,从而得到最佳的投资组合,同时验证了本文提出的新模型的有效性和实用性。2 部分代码function [MU, SIGMA]=EstimateReturnMoments(R, Semi)if ~exist('Semi','var')Semi = 0;e
原创
2022-09-13 19:29:17
168阅读
夏普比率计算公式：=[E(Rp)－Rf]/σp，其中E(Rp)：投资组合预期报酬率；Rf：无风险利率；σp：投资组合的标准差。夏普比率的目的是计算投资组合每承受一单位总风险，会产生多少的超额报酬。比率依据资产配置线(Capital Allocation Line,CAL)的观念而来，是市场上最常见的衡量比率。当投资组合内的资产皆为风险性资产时，适用夏普比率。夏普指数代表投资人每多承担一分风险，可以
转载
2023-09-22 10:15:41
111阅读
# 夏普比率计算的科普及其Python实现
夏普比率（Sharpe Ratio）是由诺贝尔经济学奖得主William F. Sharpe于1966年提出的一个投资绩效评估指标。它用于衡量投资回报率相对于其风险的表现，是对不同投资方案进行比较的重要工具。
## 什么是夏普比率？
夏普比率的算法是：
$$
SR = \frac{R_p - R_f}{\sigma_p}
$$
其中：
- \(
控制不断增加的复杂性和数据爆炸式增长是对存储管理的一个巨大挑战。购买存储和管理存储的老方法已经不再奏效，在物理资源和人力资源有限的情况下，IT部门不得不立即着手优化和简化他们的基础架构。如果不给予重视的话，这些问题都将变得越来越严峻。
去年10月IBM正式推出了IBM Storwize V7000中端磁盘系统；今年3月，IBM在福州的南区巡展上，不仅宣布对Storwize
原创
2011-04-29 14:03:26
636阅读
神经元模型用数学公式表示为，其中f为激活函数，模型示意图如下激活函数引入非线性激活因素，提高模型的表达力，常用的激活函数有relu、sigmoid、tanh其它概念神经网络的复杂度：可用神经网络的层数和神经网络中待优化参数个数表示；神经网路的层数：一般不计输入层，层数=n个隐藏层+1个输出层；神经网路待优化的参数：神经网络中所有参数w的个数+所有参数b的个数；损失函数的优化用来表示预测值（y）与已
转载
2023-09-21 10:18:05
96阅读
、应用...
原创
2023-05-18 15:59:39
227阅读
神经网络优化优化目标：学会神经网络优化过程，使用正则化减少过拟合，使用优化器更新网络参数设计知识点：神经网络复杂度，指数衰减学习率，激活函数，损失函数，欠拟合与过拟合，正则化减少过拟合，优化器更新网络参数一：tensorflow函数补存针对上一篇博客的tesorflow，增加一些函数。条件语句tf.where(条件语句，真返回A，假返回B)条件语句真返回A，条件语句假返回其中，greater()函
转载
2023-09-24 17:22:14
122阅读
GNN：graph neural network 图神经网络 由于 GNN 在图节点之间强大的建模功能，使得与图分析相关的研究领域取得了突破。图神经网络（GNN）是一类基于深度学习的处理图域信息的方法。1.应用领域由于其较好的性能和可解释性，现已被广泛应用到各个领域。涵盖了推荐系统、组合优化、计算机视觉、物理 / 化学以及药物发现等领域。推荐系统：图结构数据是来自用户与电子商务平台上产品交互的上下
转载
2023-09-27 19:53:12
97阅读
2019年，由微软高级项目经理 Christopher Harrison、以及微软 AI Gaming 的商业开发经理 Susan Ibach 共同讲解。主要介绍了Python相关的常见功能，目前的播放量已经达到181万。2020年，微软决定再度更新两个针对 Python 初学者的系列教程，作为对之前教程的补充。微软作为全球最大的视频软件提供商，在2020年1月22日，更是名列2020年《财富》全
转载
2024-01-08 15:32:03
42阅读
关于神经网络，蚁群算法和遗传算法神经网络并行性和自适应性很强，应用领域很广，在任何非线性问题中都可以应用，如控制、信息、预测等各领域都能应用。蚁群算法最开始应用于TSP问题，获得了成功，后来又广泛应用于各类组合优化问题。但是该算法理论基础较薄弱，算法收敛性都没有得到证明，很多参数的设定也仅靠经验，实际效果也一般，使用中也常常早熟。遗传算法是比较成熟的算法，它的全局寻优能力很强，能够很快地趋近较优解
转载
2023-08-21 22:43:14
82阅读
尽管这个量化平台鼻祖已经退出了历史舞台，但国内的一众模仿者还在继续。如joinquant，ricequant，bigquant，优矿，果仁等等。quantopian还给开源界留下了三大框架：zipline， pyfolio 和alphalens。zipline是quantopian的回测框架，功能同backtrader，我们的选型是bt，所以不多加讨论；pyfolio是量化结果分析与可
较好的一些策略整理说明：大部分策略夏普不高，原因1，股票池基于上证50，上证50大部分都是大盘股，相对稳健。但是获取超额收益也相对较难（一般来说，hs300和创业板可获得的夏普较高）。2，目前策略都是裸策略，未做参数优化和止损和优化，仅仅是为了熟悉的作品，后续会逐渐完善。3，回测区间均为201501-201812，未做特别的牛熊市区分和优化 #策略分享#【低波动双均线_选股_发布】年化17%夏普0
均值方差的最大夏普比模型是一种用于资产配置的优化工具，旨在通过最大化夏普比率来提高投资组合的风险调整后收益。该方法基于均值-方差优化理论，利用资产的预期收益、风险以及协方差来构建最佳投资组合。下面，我们将详细介绍如何使用Python实现这一模型，整个过程将分为多个部分，包括背景描述、技术原理、架构解析、源码分析、案例分析和扩展讨论。
在实际的投资过程中，投资者经常面临多种投资选择，并需要权衡各个
