Quintiles

最新推荐文章于 2025-08-10 14:45:00 发布
最新推荐文章于 2025-08-10 14:45:00 发布
阅读量850 收藏
点赞数
分类专栏： 市场效率 文章标签： less

A statistical value of a data set that represents 20% of a given population. The  first quartile represents the lowest fifth of the data (1-20%); the second  quartile represents the second fifth (21% - 40%) etc.

Quintiles are often used to create cut-off points for a given  population. For example, a government sponsored socio-economic study  may use quintiles to determine the maximum wealth a family could possess in  order to belong to the lowest quintile of society. This cut-off point can  then be used as a prerequisite for a family to receive a special government  subsidy aimed to help society's less fortunate.

【AI 大模型论文中英双语阅读】让我们一步步验证 Let’s Verify Step by Step
AI天才研究院
09-22 682
最后，我们研究主动学习的影响。为了训练每个更大的奖励模型，我们选择 N 每个问题的样本 80% 是最有说服力的（根据 PRMselector ）错误答案样本，以及 20% 是剩下的最有说服力的样本（正确或错误的答案）。尽管我们有时会出现正确的解决方案（通过手动注入正确的解决方案或由于自动评分中的错误），但我们在此阶段收集的绝大多数标签都是错误的解决方案。我们发布了 PRM800K，这是用于训练我们最先进的奖励模型的人类反馈的完整数据集，希望消除这一重大的进入障碍将促进大型语言模型对齐的相关研究。
15、Python数据处理与聚合操作全解析
read5的博客
07-05 12
本文详细解析了使用Python进行数据处理和聚合操作的关键技术，涵盖数据分箱、异常值检测与过滤、数据排列与抽样、字符串处理、以及pandas库中的GroupBy分组聚合机制。通过丰富的代码示例，展示了如何在实际数据分析任务中应用这些操作，并提供了性能优化建议。适用于金融、市场、医疗等领域的数据分析实践。
IQVIA医药咨询随笔杂谈
Yiyaoshujuku的博客
07-04 979
艾昆纬IQVIA是由Quintiles(昆泰)和IMS Health于2016年10月合并的一家美国跨国公司，当时取名为QuintilesIMS。于2017年11月更名为IQVIA。主要服务于健康信息技术和临床研究综合行业，由商务咨询、药物研究于开发、综合服务三大版块构成。其中医药咨询业务是许多投融资机构及药企所热衷的，一开始基本都会涉及咨询医药某领域市场规模、销售数据、竞争企业市场情况、未来市场预测等问题，而这些问题深层次的逻辑是源于数据的支撑，所以数据来源的准确与否直接反应其咨询的信息是否可靠，这也是咨
ims医药数据库怎么购买？
Yiyaoshujuku的博客
07-08 1274
都说购房前保安是年轻强壮的帅小伙，买房后保安则变为了瘦弱无力的老大爷，可见售前与售后服务的差距是相当的大，所以大家在购买产品时需要对其有一个清晰的认识。就拿题目来说吧，这是我看见许多网友还在查找的问题，殊不知IMS Health 已经不存在了，谈何购买？ 给大家普及一下知识点，IMS药品数据库也就是指艾美什(IMS Health)健康，于2016年与Quintiles(昆泰)合并为QuintilesIMS，在2017年改名为IQVIA（艾昆纬）。所以大家不要再问IMS药品数据库怎么购买了。说到IQVIA（原
量化价值投资终极指南：利率、通胀与价值因子的三重奏
2501_92132293的博客
05-31 727
价值投资自本杰明·格雷厄姆时代以来，经历了从定性分析到量化建模的进化。传统价值因子（如市净率、市盈率）在不同宏观经济环境下表现迥异，尤其受利率政策和通胀水平的显著影响。利率变动如何影响价值股与成长股的相对估值？通胀周期中价值因子的风险溢价是否呈现规律性变化？如何将宏观经济指标嵌入价值因子模型以提升预测能力？研究范围覆盖1990-2023年美国市场数据，涉及标普500成分股、10年期美债收益率、CPI同比等关键变量，采用时间序列回归、面板数据模型等计量方法。章节核心内容核心概念。
fsQCA基础知识及操作步骤
热门推荐
weixin_63253486的博客
06-19 7万+
论文选题很重要，不是所有能确定出来条件和结果变量且能找到数据的选题就一定适合用fsQCA。 建议参考：Fuzzy-set Qualitative Comparative Analysis (fsQCA): Guidelines for research practice in Informati 备注：该文章仅是本人自用使用，如果有详细想法，请参照引用文献。
2篇3章1节：定量数据的集中趋势描述，文末有众数的自定义函数
DAT｜R科学与人工智能
08-19 766
统计描述主要通过统计指标和统计图表来描述数据的分布规律及其数量特征，从而为后续的统计推断提供基础。统计描述不仅在医学科研中应用广泛，在其他诸如经济学、社会学、工程学等领域也有着重要的作用。
14、Pandas数据操作与字符串处理全解析
stem5的博客
07-13 24
本文全面解析了使用Pandas进行数据操作和Python字符串处理的常用方法，包括删除重复行、映射操作、替换值、重命名索引、离散化与分箱、异常值检测、排列与随机抽样等Pandas核心功能，以及字符串的分割、拼接、查找、替换等内置方法。同时深入探讨了正则表达式在模式匹配、邮箱提取、HTML标签处理等场景的应用，并结合Pandas实现文本列的高效处理。文章还提供了性能优化建议和未来发展方向，适用于数据清洗、分析及文本处理等实际应用场景。
13、数据处理与转换：合并、拼接、透视与清理
dd012的博客
07-07 12
本文详细介绍了数据处理与转换的多种操作，包括基于列和索引的数据合并、数组和数据框的拼接、数据组合与对齐、分层索引透视与长宽格式转换、数据的移除与清理、重复值处理、映射操作、离散化与分箱等。同时，结合具体案例，展示了如何综合运用这些操作进行数据处理，并探讨了应用场景与注意事项，帮助提升数据分析与建模的数据质量与效率。
2021年全球疾病负担研究（GBD）社会人口指数.zip
12-24
社会人口指数（Socio-demographic Index, SDI）是全球疾病负担研究（GBD）团队开发的一个综合指标，用于评估与健康结果强相关的发展状态。SDI 是以下三个 0 至 1 指标的几何平均值： 25 岁以下总生育率（TFU25）：...
信息化 - 数据挖掘 - 挖掘持续性购买行为.pptx
09-22
接着，文档介绍了几种不同的持续性购买探勘算法，包括传统的RFM方法、Stone RFM、Customer Quintiles和Behavior Quintiles。其中，Stone RFM对时间维度进行了细化处理，考虑了不同时间段内的购买行为；Customer ...
信息化数据挖掘挖掘持续性购买行为.pptx
10-01
研究架构包含多个步骤，如数据预处理、权重敏感度分析、持续性购买顾客的个体绩效分析，以及采用动态RFM、Stone RFM、Customer Quintiles和Behavior Quintiles等方法进行持续性购买行为的探测。 Stone RFM方法引入...
sqli-labs-master/Less-62~Less-65
weixin_74124665的博客
08-10 201
这一关开始就是使用时间盲注了，并且它规定查130次。首先，我们判断他的闭合方式。页面延时了，说明闭合成功了。下面我们判断它的数据库名的长度当长度大于9时，页面延时，大于10时页面不延时，说明数据库的长度为10截取数据库从第一位开始截取一位，如果是c，则sleep一秒，依次类推，直到判断出数据库的名字为challenges为止。接下来就是判断表名了。以此类推，直到判断出表名为止。接下来爆字段下面以此类推，直到判断出需要的字段为止。下面面爆字段信息然后，将我们查出来的密钥填到下面。
sqli-labs-master/Less-51~Less-61
weixin_74124665的博客
08-10 287
这一关通过查看源代码可知，这一关是字符型以分号的方式闭合的。那我们构造语句发现插入数据成功。
计算机网络学习中学员常见问题与改进方法
08-15
计算机网络学习中学员常见问题与改进方法+
基于高斯混合模型（GMM）和主成分分析（PCA）的疲劳语音识别.zip
08-15
1.版本：matlab2014a/2019b/2024b 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
Java毕业设计基于SpringBoot+Vue开发的智慧农业系统源码+数据库（高分项目）
08-15
Java毕业设计基于SpringBoot+Vue开发的智慧农业系统源码+数据库（高分项目），个人大四的毕业设计、经导师指导并认可通过的高分设计项目，评审分99分，代码完整确保可以运行，小白也可以亲自搞定，主要针对计算机相关专业的正在做毕设的学生和需要项目实战练习的学习者，也可作为课程设计、期末大作业。 Java毕业设计基于SpringBoot+Vue开发的智慧农业系统源码+数据库（高分项目）Java毕业设计基于SpringBoot+Vue开发的智慧农业系统源码+数据库（高分项目）Java毕业设计基于SpringBoot+Vue开发的智慧农业系统源码+数据库（高分项目）Java毕业设计基于SpringBoot+Vue开发的智慧农业系统源码+数据库（高分项目）Java毕业设计基于SpringBoot+Vue开发的智慧农业系统源码+数据库（高分项目）Java毕业设计个人大四的毕业设计、经导师指导并认可通过的高分设计项目，评审分99分，代码完整确保可以运行，小白也可以亲自搞定，主要针对计算机相关专业的正在做毕设的学生和需要项目实战练习的学习者，也可作为课程设计、期末大作业。个人大四的毕业设计 收起
用bp神经网络预测油田产量
最新发布
08-15
资源下载链接为： https://pan.quark.cn/s/82cb66f4d6b4 用bp神经网络预测油田产量（最新、最全版本！打开链接下载即可用！）
2_JFM7VX690T型SRAM型现场可编程门阵列技术手册.pdf
08-15
JFM7VX690T型SRAM型现场可编程门阵列技术手册主要介绍的是上海复旦微电子集团股份有限公司（简称复旦微电子）生产的高性能FPGA产品JFM7VX690T。该产品属于JFM7系列，具有现场可编程特性，集成了功能强大且可以灵活配置组合的可编程资源，适用于实现多种功能，如输入输出接口、通用数字逻辑、存储器、数字信号处理和时钟管理等。JFM7VX690T型FPGA适用于复杂、高速的数字逻辑电路，广泛应用于通讯、信息处理、工业控制、数据中心、仪表测量、医疗仪器、人工智能、自动驾驶等领域。 产品特点包括： 1. 可配置逻辑资源（CLB），使用LUT6结构。 2. 包含CLB模块，可用于实现常规数字逻辑和分布式RAM。 3. 含有I/O、BlockRAM、DSP、MMCM、GTH等可编程模块。 4. 提供不同的封装规格和工作温度范围的产品，便于满足不同的使用环境。 JFM7VX690T产品系列中，有多种型号可供选择。例如： - JFM7VX690T80采用FCBGA1927封装，尺寸为45x45mm，使用锡银焊球，工作温度范围为-40°C到+100°C。 - JFM7VX690T80-AS同样采用FCBGA1927封装，但工作温度范围更广，为-55°C到+125°C，同样使用锡银焊球。 - JFM7VX690T80-N采用FCBGA1927封装和铅锡焊球，工作温度范围与JFM7VX690T80-AS相同。 - JFM7VX690T36的封装规格为FCBGA1761，尺寸为42.5x42.5mm，使用锡银焊球，工作温度范围为-40°C到+100°C。 - JFM7VX690T36-AS使用锡银焊球，工作温度范围为-55°C到+125°C。 - JFM7VX690T36-N使用铅锡焊球，工作温度范围与JFM7VX690T36-AS相同。 技术手册中还包含了一系列详细的技术参数，包括极限参数、推荐工作条件、电特性参数、ESD等级、MSL等级、重量等。在产品参数章节中，还特别强调了封装类型，包括外形图和尺寸、引出端定义等。引出端定义是指对FPGA芯片上的各个引脚的功能和接线规则进行说明，这对于FPGA的正确应用和电路设计至关重要。 应用指南章节涉及了FPGA在不同应用场景下的推荐使用方法。其中差异说明部分可能涉及产品之间的性能差异；关键性能对比可能包括功耗与速度对比、上电浪涌电流测试情况说明、GTH Channel Loss性能差异说明、GTH电源性能差异说明等。此外，手册可能还提供了其他推荐应用方案，例如不使用的BANK接法推荐、CCLK信号PCB布线推荐、JTAG级联PCB布线推荐、系统工作的复位方案推荐等，这些内容对于提高系统性能和稳定性有着重要作用。 焊接及注意事项章节则针对产品的焊接过程提供了指导，强调焊接过程中的注意事项，以确保产品在组装过程中的稳定性和可靠性。手册还明确指出，未经复旦微电子的许可，不得翻印或者复制全部或部分本资料的内容，且不承担采购方选择与使用本文描述的产品和服务的责任。 上海复旦微电子集团股份有限公司拥有相关的商标和知识产权。该公司在中国发布的技术手册，版权为上海复旦微电子集团股份有限公司所有，未经许可不得进行复制或传播。 技术手册提供了上海复旦微电子集团股份有限公司销售及服务网点的信息，方便用户在需要时能够联系到相应的服务机构，获取最新信息和必要的支持。同时，用户可以访问复旦微电子的官方网站(***以获取更多产品信息和公司动态。
FVIX怎么得到？具体的代码
12-05
在论文中，FVIX 是通过构建一个跟踪市场波动率创新（innovations in market volatility）的因素来获得的。具体来说，FVIX 是通过以下步骤构造的： 1. **计算每日 VIX 变化**：使用 VIX 指数的每日变化作为市场波动率的代理变量。 2. **回归分析**：对每个股票进行回归分析，以确定其对 VIX 变化的敏感性。 3. **构建基础资产组合**：基于这些敏感性（即 βVIX），将股票分为不同的组，并形成价值加权的投资组合。 4. **估计 FVIX 因素**：通过对这些基础资产组合进行回归分析，得到一个最大化与实际市场波动率创新相关的因素 FVIX。 以下是用 Python 和 pandas 进行上述步骤的具体代码示例： ### 步骤 1: 计算每日 VIX 变化 假设你有一个 DataFrame `df`，其中包含股票的每日收益和 VIX 指数的每日值。 ```python import pandas as pd import numpy as np # 假设 df 包含 'date', 'stock_return', 'VIX' 列 df['VIX_change'] = df.groupby('stock')['VIX'].diff() ``` ### 步骤 2: 回归分析 对于每只股票，计算其对 VIX 变化的敏感性（βVIX）。 ```python from statsmodels.regression.linear_model import OLS def calculate_beta_vix(stock_data): model = OLS(stock_data['stock_return'], stock_data['VIX_change']).fit() return model.params[0] # 假设 df 已经按日期排序 df['beta_VIX'] = df.groupby('stock').apply(calculate_beta_vix).reset_index(level=0, drop=True) ``` ### 步骤 3: 构建基础资产组合 根据 βVIX 将股票分成五等分（quintiles），并形成价值加权的投资组合。 ```python def form_portfolios(df, n_quintiles=5): df['beta_VIX_quantile'] = pd.qcut(df['beta_VIX'], q=n_quintiles, labels=False) portfolios = [] for quantile in range(n_quintiles): portfolio = df[df['beta_VIX_quantile'] == quantile] portfolio['weight'] = portfolio['market_cap'] / portfolio['market_cap'].sum() portfolios.append(portfolio) return portfolios portfolios = form_portfolios(df) ``` ### 步骤 4: 估计 FVIX 因素 通过对这些基础资产组合进行回归分析，得到 FVIX 因素。 ```python def calculate_fvix(portfolios, market_returns, vix_changes): # 初始化 FVIX 序列 fvix = pd.Series(index=df['date'].unique()) for date in df['date'].unique(): # 获取当天的基础资产组合数据 daily_data = [portfolio[portfolio['date'] == date] for portfolio in portfolios] # 构建权重矩阵 weights = np.array([portfolio['weight'].values for portfolio in daily_data]) # 构建收益矩阵 returns = np.array([portfolio['stock_return'].values for portfolio in daily_data]) # 计算 FVIX fvix[date] = np.sum(weights * returns, axis=1) @ vix_changes[date] return fvix # 假设 market_returns 和 vix_changes 是已知的时间序列 fvix = calculate_fvix(portfolios, market_returns, vix_changes) ``` ### 完整代码示例 ```python import pandas as pd import numpy as np from statsmodels.regression.linear_model import OLS # 假设 df 包含 'date', 'stock', 'stock_return', 'VIX', 'market_cap' 列 df['VIX_change'] = df.groupby('stock')['VIX'].diff() def calculate_beta_vix(stock_data): model = OLS(stock_data['stock_return'], stock_data['VIX_change']).fit() return model.params[0] df['beta_VIX'] = df.groupby('stock').apply(calculate_beta_vix).reset_index(level=0, drop=True) def form_portfolios(df, n_quintiles=5): df['beta_VIX_quantile'] = pd.qcut(df['beta_VIX'], q=n_quintiles, labels=False) portfolios = [] for quantile in range(n_quintiles): portfolio = df[df['beta_VIX_quantile'] == quantile] portfolio['weight'] = portfolio['market_cap'] / portfolio['market_cap'].sum() portfolios.append(portfolio) return portfolios portfolios = form_portfolios(df) def calculate_fvix(portfolios, market_returns, vix_changes): fvix = pd.Series(index=df['date'].unique()) for date in df['date'].unique(): daily_data = [portfolio[portfolio['date'] == date] for portfolio in portfolios] weights = np.array([portfolio['weight'].values for portfolio in daily_data]) returns = np.array([portfolio['stock_return'].values for portfolio in daily_data]) fvix[date] = np.sum(weights * returns, axis=1) @ vix_changes[date] return fvix # 假设 market_returns 和 vix_changes 是已知的时间序列 fvix = calculate_fvix(portfolios, market_returns, vix_changes) ``` ### 注意事项 1. **数据准备**：确保 `df` 中的数据已经按日期排序，并且包含所有必要的列。 2. **市场收益和 VIX 变化**：需要预先准备好 `market_returns` 和 `vix_changes` 时间序列。 3. **权重处理**：这里使用了市值加权，可以根据需要调整为其他权重方法。 这个过程涉及到大量的数据处理和回归分析，确保数据的质量和完整性是关键。希望这段代码能帮助你理解如何构建 FVIX 因素。如果有任何问题或需要进一步的帮助，请随时提问。
评论
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