taoCMS是基于php+sqlite/mysql的国内最小(100Kb左右)的功能完善的CMS管理系统

[置顶]taoCMS2.5Beta5发布,组件升级、安全加固、支持BAE

发布时间:2012-09-23 | 类别:taoCMS发布 | 阅读:382451 | 评论:23979 | 标签:taocms taocms下载

[置顶]taocms的mod版本

发布时间:2013-07-01 | 类别:taoCMS发布 | 阅读:192558 | 评论:9284 | 标签:taocms taocms mod版

算法杂货铺——分类算法之朴素贝叶斯分类(Naive Bayesian classification)

0、写在前面的话      我个人一直很喜欢算法一类的东西,在我看来算法是人类智慧的精华,其中蕴含着无与伦比的美感。而每次将学过的算法应用到实际中,并解决了实际问题后,那种快感更是我在其它地方体会不到的。      一直想写关于算法的博文,也曾写过零散的两篇,但也许是相比于工程性文章来说太小众,并没有引起大家的兴趣。最近面临毕业找工作,为了能给自己增加筹码,决定再次复习算法方面的知识,我决定趁这个机会,写一系列关于算法的文章。这样做,主要是为了加强自己复习的效果,我想,如果能将复习的东西用自己的理解写成文章,势必比单纯的读书做题掌握的更牢固,也更能触发自己的思考。如果能有感兴趣的朋友从中有所收获,那自然更好。&n
发布时间:2017-08-16 | 类别:未分组 | 阅读:51 | 评论:0 | 标签:算法 贝叶斯

择时策略的自我修养——高大上的量化择时方法&&简单的规避股灾方法

当市场中存在大量相互影响的玩家,又没有持续压倒性优势的主体时,市场将会出现复杂结构,这种结构的特点就是混沌带来的不确定性和吸引子(固有模式的重复)。股市就是个明显的右侧策略市场;右侧策略的关键是读懂市场,然而市场的心思很难猜。其实,也就是,交易纪律摆在第一位,做好止盈止损。 千帆竞发的网易博客 ★择时策略的自我修养 (2015-04-22 石磊)   石磊,平安证券固定收益部执行总经理    千帆竞发       今天主要是跟大家分享一下最近对于市场择时的感想和相关读书的体会。    最近几年,投资界独尊价值投资理念,有强大的庸俗化格林厄姆、巴菲特的潮流,似乎只需要比较市场价格与心中价值的高低,不用考虑太多进出时点的因素,只要投资标的够好,金子总会发光。    人类社会市场机制的关键在于竞争性分配,就是说必须考
发布时间:2017-08-16 | 类别:未分组 | 阅读:54 | 评论:0 | 标签:量化交易

四大择时策略详解

择时策略一:LLT模型趋势跟踪是接近交易本质的一种朴实的交易思想,但是传统趋势线MA在平滑性与延迟性上无法做到很好的兼顾,基于二阶低通滤波器的低延迟趋势线LLT模型可以很大程度上解决该问题。自2005年至2013年的实证表现看,20/30参数下,传统均线累计收益率分别为348%、324%,而LLT模型可以达到528%、1076%,收益得到大幅改善。过去10年LLT在沪深300指数上均为正收益,其中最近两年,2015年126.6%、2016年19.8%。LLT模型在各市场指数上的最新信号方向如下:看多:上证指数、沪深300、深证成指、上证50、创业板指看空:中小板指1. LLT模型逻辑与方法何谓LLT? LLT即是低延迟趋势线,模型的基本思想是趋势跟踪,一种朴实的交易思想。跟随市场趋势是一种简单有效的投
发布时间:2017-08-16 | 类别:未分组 | 阅读:180 | 评论:0 | 标签:量化交易

常见的机器学习&数据挖掘知识点

Basis(基础):SSE(Sum of Squared Error, 平方误差和)SAE(Sum of Absolute Error, 绝对误差和)SRE(Sum of Relative Error, 相对误差和)MSE(Mean Squared Error, 均方误差)RMSE(Root Mean Squared Error, 均方根误差)RRSE(Root Relative Squared Error, 相对平方根误差)MAE(Mean Absolute Error, 平均绝对误差)RAE(Root Absolute Error, 平均绝对误差平方根)MRSE(Mean Relative Square Error, 相对平均误差)RRSE(Root Relative Squared Error, 相对平方
发布时间:2017-08-15 | 类别:未分组 | 阅读:295 | 评论:0 | 标签:

机器学习基础:集成学习方法应用实验(RF、GBDT)

集成学习正广泛地被应用于机器学习/数据挖掘的实际项目之中。掌握集成学习方法,了解其特性与适用场景,对机器学习理论与实践的结合帮助甚大。这里,我们考察集成学习最重要的两种类型:装袋(Bagging)与提升(Boosting),从其两大算法入手:Random Forest、GBDT,基于自己生成的数据集场景和UCI数据集开展实验,对比分析算法的表现。基础简要回顾关于集成学习,引用博文笔记︱集成学习Ensemble Learning的描述如下图:从图中可以看出,集成学习包括元算法和模型融合两方面,元算法提供了从个体弱学习器到集成强学习器的实现,模型融合则在强学习器的基础上,设计结合策略进一步提升性能,元算法按照个体弱学习器之间的依赖关联关系,又分为Boosting类算法和Bagging类算法。下面对其中最基础的几大算
发布时间:2017-08-14 | 类别:技术文章 | 阅读:146 | 评论:0 | 标签:机器学习

Scikit-learn使用总结

在机器学习和数据挖掘的应用中,scikit-learn是一个功能强大的python包。在数据量不是过大的情况下,可以解决大部分问题。学习使用scikit-learn的过程中,我自己也在补充着机器学习和数据挖掘的知识。这里根据自己学习sklearn的经验,我做一个总结的笔记。另外,我也想把这篇笔记一直更新下去。1 scikit-learn基础介绍1.1 估计器(Estimator)估计器,很多时候可以直接理解成分类器,主要包含两个函数:fit():训练算法,设置内部参数。接收训练集和类别两个参数。predict():预测测试集类别,参数为测试集。大多数scikit-learn估计器接收和输出的数据格式均为numpy数组或类似格式。1.2 转换器(Transformer)转换器用于数据预处理和数据转换,主要是三个方
发布时间:2017-08-10 | 类别:未分组 | 阅读:377 | 评论:0 | 标签:机器学习

Vintage分析和迁移率模型在信用卡业务中的应用

原文地址:Vintage分析和迁移率模型在信用卡业务中的应用作者:MalmoLund随着中国金融业对外开放程度的加大,国内信用卡产业的竞争愈演愈烈,信用卡市场营销的费用也越来越高.如何利用有限的营销资源为发卡机构创造最大利润,实现信用卡营销和风险的精细化管理已成为信用卡产业发展的热门话题.本文通过对国外商业银行在信用卡业务中常用的Vintage分析和迁移率模型的介绍,以期有助于国内业界人员从多维度思考和对模型的灵活组合应用,实现信用卡营销和风险的精细化管理。一、             Vintage分析和迁移率模型的定义和应用意义Vintage一词源自葡萄酒业,意思是葡萄酒酿造年份
发布时间:2017-08-04 | 类别:未分组 | 阅读:900 | 评论:0 | 标签:

core dump含义及调试方法

From:http://haobing2005.blog.163.com/blog/static/466678620097181052322/1. core dump的含义       core dump又叫核心转储。当程序运行过程中发生异常, 程序异常退出时, 由操作系统把程序当前的内存状况存储在一个core文件中, 叫core dump。2. core文件的名称和生成路径       若系统生成的core文件不带其它任何扩展名称,则全部命名为core。新的core文件生成将覆盖原来的core文件。1)/proc/sys/kernel/core_uses_pid可以控制core文件的文件名中
发布时间:2017-07-16 | 类别:未分组 | 阅读:2096 | 评论:0 | 标签:

公告

taoCMS发布taoCMS2.5Beta5(最后更新14年05月25日),请大家速速升级,欢迎大家试用和提出您宝贵的意见建议。

捐助与联系

☟请使用新浪微博联系我☟

☟在github上follow我☟

标签云