对于大盘的想法

Informer复现 -- 完整模型 有了数据和核心的ProbAttention,接下来就可以复现完整的Informer(图1)了。图1:Informer模型结构[1]如果对图1还不太熟悉的同学,可以参考图2。由图2可知,informer与Transformer之间的差异并不大。主要区别是ProbAttention和可能的encoder最后一层的conv(源代码中用来distil)。图2:参考Transformer画的Informer模型结构。 阅读详情

?

老股民声明:这里是深度套牢者抱团取暖的地方。由于我本人的失误,致使很多老朋友进入深度套牢的尴尬。所以,从去年十一月份开始,我只对因我而套进去的人及在这里的老朋友们说,和他人一概没关系,我的思维仅限于此。

老股民特别说明:本人以及这里的老朋友们满仓持有、深度套牢于银行股。我的所有涂鸦纯属自娱自乐与寻求心理安慰的结果。

?

※目前的大盘很微妙,可以说目前是处于岌岌可危的状态。从短线的角度来说,创业板、发新股无疑是利空,是供求关系的短期失衡,是空方的有力武器,可以引起大盘的下跌。从长线的角度来说,创业板、发新股是不会影响股市趋势的。历史的趋势告诉我们,牛市都是在发新股的过程中完成,熊市往往就是在停止发新股的过程中完成。

所以说,是否发新股?不是判断大盘趋势的基础或者说理由。股市有其自己特殊(方方面面的影响因素,形形色色的预期,大众的情绪等等N个要素的综合反映)的运行轨迹,任何人从一两个方面去判断股市之趋势,无疑是盲人摸象而已。如我等资质欠佳者是无法了解其奥秘的,所以就还是省省吧,有那时间还不如玩游戏去呢。

在我的心里,无他,唯有持有股票的内在价值与市场价格之比较,即比较价值。

目前银行股价值低估!

对于大盘的长期趋势,我还是维持目前是牛市初级阶段或者说熊市筑底阶段的判断。

?

为了朋友们,为了信任我的朋友们,为了信任我而深度套牢的朋友们,今天我就表明一下我个人(曾经犯错误)的看法:

就大盘中短线(年内)来说,目前下跌的概率高于上涨的概率,下跌的或有可能幅度大于上涨的或有可能幅度。

就我们手中的银行股来说,因为目前的相对价值低估,虽然在短期内有可能与大盘随波逐流,但中线是否能脱离大盘进行价值回归?我不知道,因为我没这个能力。

总而言之,有下跌的可能性,有上涨的可能性。呵呵,等于没说。

?

至于我本人,因为那个目标位还没有达到,那么就继续实行傻傻的持有策略。

至于你,我想,还是你自己拿主意吧。

?

?

附件:谢国忠PK龚方雄:A股是否处在牛市初级阶段

?2009-05-23 08:19?? 姜艳艳 马超彦?? 每日经济新闻

?

进入5月以来,世界各国对全球金融危机的认识初步稳定,股市、宏观经济也逐渐出现好转的迹象。而A股的投资者更是从率先复苏的市场中受益,不少人都宣称从股市赚了超过50%的利润。

?

可就在这样的市场背景下,经济学家对A股未来走势的分歧也正逐渐深化。“近期大家都说股市是经济的晴雨表,股市好市场就会好。但我们的经济实际上仍有很大的结构性问题,说股市好经济就会好是不对的。”独立经济学家谢国忠昨日表示,目前股市只是进入到了一个僵持阶段,而一旦中央政府收紧钱袋的时候,伴随着加息声落,股市的泡沫就很有可能破裂。而与此同时,摩根大通首席经济学家龚方雄近日却表示,目前经济见底的信号更加明显,下半年经济亮点闪现,中国的股市也已经进入了牛市的“初级阶段”。多空两方究竟谁的势力更大,牛熊的碰撞让市场将走向何方,本期“每经周末大论坛”邀请到谢国忠和龚方雄两位学者,就A股的未来进行探讨。

?

关键词·房地产市场

谢国忠:加息将猛烈冲击楼市

谢国忠认为,中国的房地产库存过高,同时每一任地方政府都要靠房地产支撑经济,因此新盖的房子可谓此起彼伏,究竟库存多少谁也难以确知——在大的金融危机中,肯定会有房地产商倒下,而目前中国房地产商的情况并不正常。

NBD:此前楼市“小阳春”及目前传出的开发商涨价消息是否意味着开发商无房可卖的情况将会出现,房地产市场已经启动了吗?

谢国忠:房子缺不缺看库存就行了,中国有20亿平方米库存房,大约合3300万套,中国人有多少能买得起房子?

NBD:您曾说过,如果说现在宏观经济是0的话,房价还在100的位置,两者要接近平衡,那么房价要跌到什么程度才体现这种平衡?

谢国忠:这个要用存量比来衡量。以香港为例,房子在香港是按照两个方面考虑,供应量一般是存量的1%,平均房价则是工资收入水平的1.5到1.6倍。比如香港人月工资是1.6万港元的话,由于这些买房者中有一半人住公房,那么剩下买房的人平均工资算2.5万港币,而房价则是4万港元/平方米。

但是现在中国房地产的供应量是存量的4%~5%,房价是工资的3倍左右,供应量和价格都很高——这种情况在市场刚开始的阶段是可以的,就比如现在的汽车消费,刚开始有钱人买车,后来车供应越来越多,车也会逐渐降价,卖给不那么有钱的人,这一次汽车消费大幅上升也是降价引起的。

NBD:目前市场的主要问题是信息不透明吗?未来房价会怎样?

谢国忠:现在大家就是搞不明白到底库存多少房子——好的时候数据只说房价、库存上涨了一个百分点,坏的时候就说降了一个百分点,要知道房价一波动就应该是10多个或者20个百分点才对。

房子这波卖了,下一波消费者就不买了,只能卖给收入更低的人,房价需要一点点的打折,慢慢地下降。一般房价下降快的时候是市场利息上升快的时候,现在房价下降得慢是因为银行的利息太低。中国政府的愿望是房价慢慢降,但是如果明年全球都加息的话,对房地产市场的冲击就会比较大。

?

龚方雄:现在是买地建房好时机

龚方雄指出,在我国经济逐步好转的过程中,房地产市场会充当领头羊的角色。他认为,房地产市场的投资启动之后,就会为未来经济的增长带来诸多亮点。

在他看来,房地产行业正面的反馈是最多的,开发商的库存目前很少,全国平均的房地产库存量按当前成交量来计算大约能维持7个月左右,“到年底时就应该消化得差不多了,所以明年楼市的价格可能会上升。”

但是未来新房的成交量还会下降,但这并不意味着房地产市场将重新进入低迷。龚方雄认为,购买力在向二级市场转换,中国南部地区将引领中国房地产市场反弹趋势,比如深圳二级市场成交量非常大,可见房地产市场在恢复中其投资效率很高。在老百姓投资之后,发展商便可以回笼资金,重新购地。“现在正是买地、建房的一个好时机,不仅地价便宜,建筑材价格下降,建房成本也便宜。”

龚方雄算了一笔账,如果开发商在下半年开始行动,新建的房源要等到2011年、2012年才能建好开始销售。而在那时候全球经济已经稳定,市场上最担心的便是通货膨胀。前期由于有通货紧缩的压力,资金回笼后,房企有钱买地开始建房,到通货膨胀时再进行销售,其盈利就会非常好,可以形成良性循环。

?

关键词·宏观经济

谢国忠:全球金融危机2010年才会见底

早在2009年初,谢国忠就撰文对宏观经济进行了预测。他表示,2009年一季度将是全球经济硬着陆阶段,二季度会有一次熊市反弹,各国尤其是美国会采取印刷钞票等措施应对危机,但如果不对已经出现结构性问题的经济进行调整,那么2009年4季度通胀就会到来——此时人们会发现问题还没有解决,而通胀又已到来,世界经济将重新陷入危机,市场再度见底,因此2010年才是全球金融危机见底的时候。

谢国忠表示,启动新一轮经济增长必须满足两个条件:首先是美、英等消费经济国家的债务相对于收入的水平必须重返20年前的标准;其次,中国、日本等制造业出口国必须显著弱化其生产导向性特征。

NBD:消费经济国的债务与收入比要回到20年前,是回到格林斯潘宽松货币政策之前的状态吗?

谢国忠:目前消费经济国家家庭债务普遍在100%左右,比应有水平高出了50%。这主要是格林斯潘的宽松货币政策导致,因为这些宽松的货币并没有形成通货膨胀,只是形成了债务。

现在有两种方式还债,一是居民增加储蓄还钱,另外是发动通货膨胀把债“胀”掉。美国居民此前的家庭储蓄是8%,后来泡沫中掉到了负0.2%,现在又回到了5%~6%,那么这个还原过程肯定要求储蓄率还要高,比如回到10%以上,并且要在10%以上保持一定时间才能把债务降下来。那么通胀胀掉这个债务也是可能的,因为美国居民的债务多是10年期,如果债务利率是4、5个百分点,而通胀达到了7、8个百分点,债务就相对减轻了。

不过,明年经济会很糟,因为通胀到来后印刷钞票已经不起作用了,继续印钞只会引发恶性通胀,而经济问题还没有解决,市场泡沫破灭的速度会超过政府制造泡沫的速度,资产价格很有可能再次下跌。全球经济会第二次下挫。

?

龚方雄:中国经济已经见底

龚方雄认为,中国经济已经处于V型反弹阶段,在下半年将可以复苏。

5月初,龚方雄预计按照环比计算,二季度中国经济增长将能达到10%左右,可以说环比已经恢复到了正常经济增长的区间。下半年经济的同比增长也会恢复到8%甚至以上的水平,至今年年底GDP增速可以恢复到9%至10%,因此他维持2009年内地经济增长7.2%的预测不变。

早些时候,龚方雄带领全球机构投资者深入中国基层进行调研,一路走访了杭州、上海、苏州、无锡、常州等地,与企业的老总座谈,观看他们的生产线。而调研的一个普遍反馈是,除去出口行业外,所有从事内需的行业最近情况改善的趋势都非常明显,尤其是4月份形势要比3月份好,5月份前十天更比想象的要乐观。

尽管出口行业仍旧在底部徘徊,不过也已经逐渐稳定了下来,并没有出现继续恶化的迹象。

那么下半年经济增长的亮点在哪里?龚方雄认为,私人投资尤其是房地产投资可能会迅速恢复。目前经济的增长主要还是源于与4万亿投资相关的基础建设、投资拉动的刺激,而房地产等投资从去年就开始放缓,没有增加。不过,由于房地产开发商过去一年的时间里大多没有再增加新的项目,因此库存已消耗得差不多了,明年会出现供不应求的局面。

另一方面,龚方雄预测世界经济大概在第三季度会见底,在第四季度开始反弹。而美国经济如果第三季度真正见底的话,那么中国出口数据就会停止恶化,虽然按同比会继续下降,但是下降幅度会越来越小。

不过全球经济不确定性因素仍很多,出口会进一步寻底,所以他建议中国经济需推出第二轮经济刺激计划,特别要增强市民消费及降低储蓄率。

?

关键词·A股走势

谢国忠:明年一旦加息 股市将会到头

进入5月中旬,虽然唱多市场人士认为破3000点只是顷刻之间的事情,但是A股2600点附近的上下徘徊也让人焦虑不已。对于认定此次熊市反弹是“吃人机器”的谢国忠来说,熊市反弹是否已进入收尾阶段?

NBD:您认为目前股市进入了怎样的阶段,下一步会如何演绎?

谢国忠:目前股市进入了拉锯战状态。之前大家都说股市好了宏观经济就会好,投资者完全不看基本面的,就靠想象认为只要股市能够变好,宏观经济也会恢复,市场再重新回到5000点、6000点,好日子又来了,所以很多人都在市场里炒作。

但是那些公司和企业对经济情况比较了解,公司盈利水平下跌了30%,他们对情况了解的深入就会趁着股市好的时候赶紧融资,好准备资金过冬。这样,人们想象炒股与公司配股一定程度达成了平衡。另外,股市好的话也会引起油价上升,油价上涨就会分一批股市的钱出去,这也是一些分流股市的力量。

所以,股市短时期内想大幅上涨是不太可能的,大幅下滑也不大可能。什么时候大幅下滑呢,就是央行收紧钱袋的时候,也就是通胀苗头出来的时候,我估计今年也不大可能,因为中央政府不会承认通胀的情况,但等到明年一加息就意味着股市到头了。

NBD:是全球股市都这样,还是只是A股会如此?

谢国忠:全球股市都这样,A股也是一样的。现在对股市有幻想的人有两个假定,一个是国家会放钱,另一个是放的钱能够拉动经济上涨。最近公布的一些数据并没有想象中的好,而放钱只会引发通胀。最终导致股市暴跌的导火索就是央行加息,我预计明年央行会加息2~3个百分点。等到全球一加息,大家炒股暴富的梦马上就破了。

?

龚方雄:A股进入“牛市初级阶段”

龚方雄最早提出,股指2500点不是顶部,他一直坚持指数会站上2800点至3000点。他认为本轮股市的行情不仅仅是流动性所驱动,经济基本层面的好转才是股市本轮上涨最关键的因素。龚方雄表示,对市场的估值和盈利应该从动态来看,不要静态地看,伴随着市场向上修正经济成长的预期,接下来分析师们所要做的事情就是修正他们对盈利的预期。

很多人在谈论股市的时候,觉得A股市场不够成熟,但是龚方雄觉得中国股市在过去的几年中经过金融市场改革、股权分置等大动作后已发生了根本性的变化。这种变化就是引入了机构投资者,有数据显示,以前A股成交量60%是散户,40%是机构,而现在50~55%是机构,40~50%是散户,散户对市场影响力已经降到50%以下。

由于机构力量参与度的增强,对市场的预测能力就会改善。龚方雄强调的是实际上A股市场反应基本层面的能力在改善和加强。

于是他得出的结论是,不要小视A股市场。其中的一个理由便是,全球资本市场一片灰暗,仅有A股一枝独秀,引领全球股市的反弹。在他看来,A股已经完成了由熊到牛的转换,现在正处于牛市的“初级阶段”。

龚方雄给投资者的建议是:改变心态,进行牛市的操作方式,即一跌就要买,尤其是选择一些好股票,盈利预期会上调的行业。

他首选地产行业;第二是耐用消费品,比如汽车行业;第三便是银行业,未来银行盈利能力会增强,尤其是未来的贷存比例会上升,流动性流入经济体系对银行是利好。

?

关键词·金融风险

谢国忠:美银行业压力测试是演戏

惹出金融危机祸患的美国金融机构近期动作频频。在奥巴马号召全民买房的前提下,银行业压力测试又测试出一些新亮点,再融资紧随其后让谢国忠感言:“银行业又在玩一个新游戏”。

NBD:美国银行业的压力测试是否传递出美国政府不允许其破产的决心——这种决心会否激发市场信心,让美国银行业渡过难关?

谢国忠:所谓的压力测试就是在拖,这背后肯定有利益集团操控的因素。其本意是希望市场相信金融机构最艰难的时候已经过去,这样金融机构可以在市场发股票融资,让自己不至于倒掉。

但这只是一个新游戏而已,我们知道金融机构只是经济的前脸,他背后的支撑是就业和房地产价格。目前美国公布的数字可以看到,失业率还在不断攀升而且房价还在下降——目前美国平均房价降了有30%,但是还没有降到位,是从100元降到了70元,但市场认为50元才是合理的。如果下降趋势形成的话,还会跌得更多。

另外,金融机构有7万亿美元的资产,但是只有7000多亿的股本金,而美国房地产按揭平均净资产到年底是0,大部分是负资产,在这种情况下,资产进一步恶化是非常可能的。与此同时,银行中2.5万亿美元房地产按揭是没有两房担保的,银行需要自己承担风险。而这部分资产目前在市场上交易价格是正常价格一半以下,这都意味着未来的损失,而政府和资本市场也不可能给它们那么多钱。

房地产不见底,金融危机不可能结束。金融机构的股本金问题要解决,压力测试演场戏,让银行再出来融点钱,就想渡过危机,这是不太可能玩成功的。

?

龚方雄:美银行业不会再现系统风险

美国金融危机最新的一个变化即银行业的压力测试,不过银行业已经发出了再融资的信号。市场担心的是美国这次对金融机构的拯救,能否从“改良”角度真的维持住金融机构的生命和业务。

就美国银行业的情况看,龚方雄观察认为,美国金融体系最坏的情况时期已经过去,再出现系统性风险的可能性比较低。所谓系统性风险就像去年9、10月份大的金融机构一家接连一家地倒闭,这样的情况应该不会出现了。从这个角度讲,龚方雄认为金融行业已经见底了。

根据龚方雄之前的预计,今年美国经济第一季度衰退5.5%,第二季度衰退0.5%至1%,第三季度会恢复到1.5%的成长水平,第四季度会恢复到2.5%的成长水平,美国全年经济将衰退1.8%。

在这个过程中,最重要的一个因素同样是取决于房地产市场的回复状况。

龚方雄观察到,近期呈现出的一个令人振奋的现象是:美国房地产市场中二级指标出现了好转。二级指标好转指的是本来是加速下滑,但现在下滑的速度不再加速,尽管仍旧处在下滑的通道中,但速度放缓了,这就表明加速度已经由负变正了。

“美国的经济仍旧在衰退,但衰退的幅度会越来越小。”在经济基本面不断改善的情况下,美国的房地产市场最近几个月的销量相比预期要好。数据显示,除去2月份房屋销量有所下跌之外,1月份和3月份的房屋销量都在上升。并且重新贷款也表现良好,而重新贷款的走好无疑会减缓美国经济下滑的风险。

龚方雄认为拐点出现的一个关键就是美国现在可以重新贷款。例如,原来美国30年的房贷利息是7%,现在重启二次贷款,30年的房贷利息可能只有5%,也就是说购房者每个月房屋的付款会节省几百美元。如此一来,每个月购房者节省下来的这几百美元在不需要削减支出的情况下便可以存储起来,这样储蓄率就会上升,他表示这是一种积极的变化。

从降低利率的角度讲,美国经济刺激的效果会慢慢得以体现。龚方雄认为美国的房地产市场出现了稳定的迹象,如此银行系统性风险再现的可能性就更低了。

?

龚方雄称自己另一个与众不同的观点是流动性未见顶。

目前市场上形成的一致看法是,中国一季度贷款增速过快,这一增速或许在一季度已经见顶,未来增速会放缓,流动性最好的时期已经过去。

龚方雄承认未来贷款增速不可避免地会放慢下来,我国贷款速度一般情况下都是前高后低。但是他坚决否认流动性见顶的说法,相反他认为,中国未来整个经济体系和市场体系里面的流动性会继续改善,就是贷款增速见顶,流动性也还未见顶。

龚方雄对此进行了详细的分析,他认为,一季度新增贷款4.6万亿元,增速确实较快,不过同时存款的速度也非常快,两者相差不多。而这个现象背后的实质问题是,第一季度贷出去的钱实际上没有流入经济体系,而是以存款的形式回到了银行体系当中,很多项目拿到贷款却没有进行开工。所以银行一季度的盈利反而不好看,因为贷出去的资金又变成了存款,存款就需要支付利息,其边际利润并不好。不过对此不必担心,随着开工项目数量的增加,这些项目会从银行里面提取存款,存款会慢慢流入经济体系。所以说,未来一段时间虽然贷款增速会降下来,但是流入经济体系的流动性反而会逐渐释放出来,流动性反而会增加。而从银行的角度来讲,贷存比例会增加,即银行的边际利润也会改善。

龚方雄认为,只要央行不改变适度宽松的货币政策,只要央行不开始紧缩流动性,流动性到今年年底前都不可能见顶,而且应该还会不断释放新流动性出来。

?

?

【YOLOv8改进[Conv]】使用OREPA助力V8更优秀 使用OREPA助力V8更优秀,降低训练成本,在不引入任何推理时间成本的情况下提高深度模型的性能。 阅读详情

相关推荐

告别‘打架’的检测头:手把手教你用PyTorch实现YOLOv11解耦头(附完整代码)

本文详细解析了YOLOv11解耦检测头的创新设计与PyTorch实现,通过解耦分类和回归任务,显著提升目标检测性能。文章包含完整的代码实现、架构设计解析及工程调优技巧,帮助开发者深入理解并应用这一先进技术。

weixin_29031057的博客 301

今天得大盘低开贵广还在努力的挣扎。又入了盐津铺子,就这行情不求其他,红着就好了

今天得大盘低开 贵广还在努力的挣扎。又入了盐津铺子,就这行情不求其他,红着就好了

m0_69007423的博客 89

无线Mesh组网全攻略:从原理、部署到调优与排障

对于布线困难的大户型、复式楼或园区,传统的无线中继往往面临带宽减半和链路不稳定的问题。无线Mesh网络通过多跳转发与自组织路由,让每个节点无需网线即可协作扩展覆盖,并依靠动态路径选择实现自愈。其核心技术涉及802.11s、HWMP路由协议,以及802.11k/v/r协同的无缝漫游,能有效提升终端切换体验。在实际部署中,设备选型、回程频段规划与布点位置直接决定网络质量。围绕无线Mesh的组网原理、设备选型、配置调优与故障排查,提供一套工程实践参考,帮助用户在复杂环境下构建稳定高效的无缝覆盖。

weixin_34098209的博客 270

价值投资交流园11.28

 我明天出去玩几天,很长时间没出去玩了,也许这是今年的最后一次旅游了。至于说股票,那么就让他去了,反正就算是我在家也是不动的,所以出去休息几天也是需要的。这几天我本来准备写一篇《如何分析公司》的文章,但总是没个清晰的思路,没那个激情或者说动力,所以就迟迟不能动手。出去玩玩,让脑子休息一下,也许就能产生一点想法,大脑迟钝了,这并不是个好的现象。    大盘尚未走稳,目前并不具备向上的动力,一般来说

303

Ubuntu22.04下安装LDAP

在Ubuntu22.04的时候可以使用apt的方式来安装,在安装LDAP的web 服务器的时候可以考虑选择 LDAP 帐户管理器 (LAM)。因为 PHPLDAPadmin 安装时需要 php 的环境依赖,相对来说安装麻烦。此外在 PHPLDAPadmin 中创建组织和用户时与平常的语法有很大不同,对新手来说不友好。

dl_11的博客 3944

Ubuntu20.04运行Vins-fusion

因已安装ROS noetic,eigen,opencv及ceres等库,这部分环境配置就不细讲,直接下载VINS-FUSION的代码库 下载编译 cd ~/vins-fusion/src git clone https://github.com/HKUST-Aerial-Robotics/VINS-Fusion.git cd ../ catkin_make source ~/catkin_ws/devel/setup.bash 编译时会发现一堆错误,别急,无非就是环境冲突问题,一个个解决 1)首先,ROS

xiaojinger_123的博客 1万+

继续跌,工作累

    股市今天继续跌,又有数千元不见了。工作一如既往的累,中午还不能睡觉。    真不知道这样的生活有什么意义,就像大口大口地喝白开水。    领导天天说厚积薄发,这样的厚积,对于瞬间万变的世界来说,是不是已经不适应了?就好像炒股跑不赢大盘一样。    要想跑赢大盘,就要有自己的想法和行动,被动的方式结果就只能输了。当然厚积还是要积的,学点东西总没有坏处。

weil的专栏 889

poincare截点

poincare映射定义比较抽象,简单理解就是每个原始周期取一个点,表现在程序中的思路如下: 以激励的周期T0为poincare的原始周期,设置1个周期取m个点,取N个周期设置T0/m为ode45的步长,每个周期的 i*m个点处取一个点(i=0.0-1.0),把这些点画出来就行了。有几个点就是几倍周期。 (注意:ode45算法是变步长的算法,所以一定要之前自己设置步长,我在这个地方吃了很大一个亏...

小树 3007

大盘涨跌预测及仓位控制思考

今天分享一篇个人在大盘涨跌上的预测及通过涨跌预测延伸的仓位控制思考。 大盘的择时个人一直认为是股票量化中最重要的部分(普通的策略)。一个好的择时方法,虽然可能会让部分盈利变少,但能够大大的降低回撤。很多策略虽然有很高的收益,但其回撤也是巨大的。基本上越有钱的人越看重策略的回撤,可以说如果一个策略的回撤超过10%都不算好的策略,当然有些人可能要求更高。 如何进行大盘择时呢?一个很简单的想法就是预测大盘的涨跌。尤其是超短策略,能够预测出第二天的涨跌对超短策略能有很大的帮助(我这里所说的超短策略主要是指:送你一份

qq_31611005的博客 2235

RT-DETR改进策略【RT-DETR和Mamba】| CVPR 2025:EfficientViM 压缩隐藏状态空间进行通道混合、单头设计减少内存操作,提升目标检测效率与精度

本文记录的是利用模块优化的目标检测网络模型。EfficientViM Block(基于隐藏状态混合器的状态空间对偶性模块) 的设计旨在,提升特征提取效率,同时兼顾全局依赖捕捉与局部细节保留。本文将深入研究的原理,并将其应用到中,通过重构特征提取流程、减少内存绑定操作、融合多阶段特征,增强模型在资源受限环境下的检测性能与速度。Depth Information Assisted Collaborative Mutual Promotion Network for Single Image DehazingLE

Limiiiing的博客 915

WRFDA如何读取风云四号A 星的GIIRS数据?

🏆本文收录于 《全栈 Bug 调优(实战版)》 专栏。专栏聚焦真实项目中的各类疑难 Bug,从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解,形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者,还是负责复杂项目的资深工程师,都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论,助你稳步进阶、放大技术价值。

**My Coding Family** 1025

大盘缩量上涨意味着什么?

首先,我们得明白什么是“缩量上涨”。简单来说,就是市场交易量减少,但股价却上涨的情况。这通常意味着在价格上涨的过程中,参与交易的投资者数量减少,或者说,市场上的买卖双方活跃度降低。总之,大盘缩量上涨是一个复杂的现象,它可能预示着市场的不同走向。作为投资者,我们需要深入分析背后的原因,并结合自己的投资策略做出合理的决策。记住,投资不是赌博,理性分析,谨慎操作才是王道。希望这篇文章能帮助大家更好地理解大盘缩量上涨的含义,以及如何应对这一现象。如果你有任何疑问或想法,欢迎在评论区留言讨论。我们下期再见!

wencaitouzi的博客 1766

基于Python的船舶AIS数据爬取与分析:从数据采集到可视化实战

本文详细介绍了如何使用Python构建一个完整的船舶AIS数据爬取与分析系统。文章从AIS系统的基本原理讲起,逐步深入到数据采集、存储、清洗、分析和可视化的全流程。我们将使用最新的Python技术栈,包括aiohttp异步爬虫、MongoDB存储、Pandas数据处理以及Pydeck三维可视化等。本文提供了完整的代码实现,并探讨了在实际应用中可能遇到的问题及其解决方案。关键词:AIS数据、Python爬虫、异步IO、数据可视化、海事分析。

2201_76125261的博客 811

大盘资金净流出为何还涨?

总之,大盘资金净流出并不意味着市场一定会下跌。我们需要综合考虑市场情绪、技术分析、资金流出的规模和速度以及资金流入的板块和个股等多个因素。投资市场复杂多变,我们要保持理性,不要被单一指标所迷惑。希望这篇文章能帮助大家更好地理解市场动态,做出更明智的投资决策。如果你有任何疑问或想法,欢迎在评论区留言讨论。我们下期再见!

wencaitouzi的博客 1561

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

大盘缩量下跌意味什么?

首先,我们得明确什么是缩量下跌。简单来说,就是市场交易量减少的同时,股价也在下跌。这种情况通常意味着买卖双方的交易热情都在减弱。

wencaitouzi的博客 1615

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

股指本周想法

8 月 14 日持仓数据显示,IF、IH 主力合约分别增仓 5578 手和 3248 手,多头主力增仓力度显著(IF 多头增 4902 手),净空头降至 23938 手(IF)和 14534 手(IH),反映出机构对大盘股的防御性配置需求上升。通胀方面呈现分化特征,CPI 环比由降转涨 0.4%(核心 CPI 同比 + 0.8%,连续 3 个月回升),PPI 环比降幅收窄至 - 0.2%,PPI-CPI 剪刀差小幅收敛,中下游企业利润压力得到一定缓解。二、资金流向与市场情绪:中小盘获利了结,大盘蓝筹吸金。

a1052534167的博客 1009

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

文化传媒成大盘下跌小棉袄

文化传媒成大盘下跌小棉袄 2011年11月25日     大盘今天再度延续昨日颓势,缩量下跌至2380点,这个走势的出现已经不让人意外,外盘方面德国国债退标,葡萄牙主权评级被降等多重消息加剧了市场悲观的情绪。此次A股行情不足一个月反弹回落,说明市场已度过政策“微调”与期待证监会换届新政的兴奋期,行情涨跌又需要寻找新的刺激性因素。现阶段左右行情的因素中,投资者在政策的局部性“微调”与经济系...

rae855jb 183

关于投资基金我的想法

第一,核心+卫星的投资这个观念还是很不错的。我建议是2个核心+4个卫星的组合。比例在初期的资本构成中核心基金应该不少于总投资的60%。看到了楼主的核心投资应该是在华夏300和嘉实主题上。华夏300我不建议做核心基金,毕竟风险有些高,如果是碰到股市不好的情况,会很惨。核心基金,尽量选晨星5星,长期表现不错的基金。任何时候都可以靠的住。 第二,资本构建时间点。如果基金选定了,这样就...

weixin_30527551的博客 110

为什么我每一个新想法就会产生损失

每一个新想法,为什么我每一个新想法都会产生损失,亲,每个新想法是不成熟的,还没有完善的方法。工厂要批批量做一批东西是,都是先用成熟的方案去先做好,不是用心用心的不成熟,哪怕觉得很合适,没有问题也不行,要拿出来反反复复测试没问题才可以,不是为了挣钱,不存在这样的方法,因为人心是变化的,人心就是恐慌指数,所以等大盘好的时候买入,大盘不好的时候很容易使人惶惶不安,不会出现你所预期的结果,就是就是满仓操作,满仓操作频繁变动,所以也是需要频繁的好运气,而还很累不见得能做好。好想法固然重要,你认为非常好很实用的金字塔模

yemaogu的专栏 133

第13篇:《以交易为生》(5-2)- 如何把交易想法,变成市场假设?

什么是市场交易假设?它不是断言“明天会涨”,而是提出一个可验证的问题——像实验前写下“如果A发生,则B应随之出现”。市场不给确定性,但给检验权。把想法变成假设,就像给航行装上锚——风浪再大,也不会随波漂走。有了工具,也掌握了论据,接下来的关键是:如何把模糊的直觉,写成一条清晰、可证伪的假设呢?作者建议,使用下面这个“万能公式”来构建你的交易假设。这个公式,脱胎于书中的思想,我把它总结为四个部分:IF(如果)... AND(并且)... THEN(那么)... BECAUSE(因为)...

bhygy的博客 709

ppct各代表什么_延边朝鲜族自治州微牛证券:股票大盘分时图中白线和黄线各代表什么?...

1、白色代表大盘加权指数,大盘加权指数就是重股引领的大盘指数走势。2色曲线代表大盘不含加权的指标,盘不含加权的指标,即不考虑股票盘子的大小,而将所有股票对指数影响看作相同而计算出来的大盘指数。3、参考白黄二曲线的相互位置可知:当大盘指数上涨时,黄线在白线之上,表示流通盘较小的股票涨幅较大;反之,黄线在白线之下,说明盘小的股票涨幅落后大盘股。当大盘指数下跌时,黄线在白线之上,表示流通盘较小...

weixin_39969340的博客 279

央行降准降息_【一分钟】央行降准降息预期落空,大盘在2650做双底概率较大!这些可以关注...

点击上方蓝色字体,关注我们右侧追涨,左侧抄底!大家好,我是抄底狂人松果,以下是今天的一分钟复盘内容。首先大盘怎么看?我们看到短期大盘在央行货币政策不明朗的情况下再次回到2701以下。我们认为大盘可能在2650附近构筑30分钟双底的概念,非常大。整个大盘有望在反复震荡中寻求底部支撑。其次,热点,怎么看,在这一波震荡过程中,我们发现以云计算、特高压以及大数据、工业互联网为代表的新基建表现非...

weixin_39557813的博客 105

Trace大盘点

一、目标 李老板: 奋飞呀,最近老听别人说Trace一下,啥是Trace呀? 奋飞:老板,先把上次的加班费结算一下。 Trace就是在更高抽象层次上去追踪程序的运行流程。 二、JNI_Trace jnitrace 在Android下混饭吃,首推的就是jnitrace https://github.com/chame1eon/jnitrace 老牌,经典,信息全,携带方便 jnitrace -l libnative-lib.so com.example.myapplication TIP: -l 是监控的s

fenfei331的博客 9870

新年思考之二,大盘运行

新年思考之二,大盘运行2008-1-1昨天,根据多空双方的交锋,我个人的结论很明显,牛市还没有结束,应该在继续进行之中。那么我们该判断如何运行的问题,虽然说如何运行是细枝末节,但还是需要重视的,因为牵涉到今年的操作问题。虽然说大盘不可预测,但我还是想努力的去判断股市的未来趋势,努力的去完成这个“哥德巴赫猜想”(老股民猜想,呵呵)。因为在大盘大幅度上涨以后的情况下,因为股市处于普遍高估的情况下,因

1500

买哪个股票稳赚,三类股票,可以买了

大盘坚挺,创业板惨崩。 有一说一,大盘也不想这么坚挺,也想赶紧把下边的缺口补了,然后踏踏实实来一波年末行情。 主要是资金太执拗,越来越多的资金冲向白马和蓝筹导致大盘挺着不跌,由此产生的虹吸效应反而把题材股干崩了,昨天的消费电子,今天的疫苗,惨的一塌糊涂。 盘中有人问我疫苗股是不是有利空,真没有,就像昨天的消费电子,也没什么利空,但该跌还是跌,根本原因是资金问题。 现在属于存量环境,场内就那么几千亿资金来回折腾,如果都去买白马和蓝筹,题材股肯定顶不住,况且白马和蓝筹全是大家伙,它们起来一个,题材股就要崩掉十个

weixin_52410269的博客 2174
上一篇: 银监会出贷后管理新规 防资金空转
下一篇: 从新基金募资说起
Labber
博客等级 码龄19年 26粉丝 1976原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值