投资理财-幸存者偏差的理解

博主分享了对创业和投资的看法,强调过程的艰难和结局的不确定。提到运气和信息的重要性,以及持有和交易策略的选择。告诫读者成功并非易事,更多是个人努力和适应市场波动。

分享一点感悟,我这个人不太喜欢研究成功学,什么生意圣经,商场宝典类的书我也不看。

他们说的都对,但是我知道很难行得通。很多事反着去看都是对的,但是经历的人才知道有多难。比如你遇到一个男人,这个人未来十倍增长,但是每天对你非打即骂,你活在煎熬中还不走反而更加坚定。这就是创业和投资的过程,即使结局是好的,过程大概率也不是普通人能承受的。

除非像$文这种停牌前一天重仓买入的,这也就是运气和有消息了了,之前的几年走势也是没什么特色。

如从高点下调这么多,很多人就非常难受了,所谓持有的过程,并不会轻松。如果是赚交易钱的那部分人,是不可能存在套牢的,早就走了,所以方法本身就是工具,每个人自己选择的。持有和交易,就是既交织又不同的方法。

很多事情还是靠自己去拼去闯,失败了没关系,分析一下再去试试看,累了就歇歇,仅此而已。没有十全十美,但求无愧于心就行了。

在我看来现在这个时代和阶段,有一万个一模一样的东西,朝着人群走来。

这里面有一个叫趋势,9999叫陷阱,趋势跟晚了也是陷阱,那就是最后一批接盘侠。

人群随机选择,选中了趋势的人成了未卜先知的高人,他说的话就是成功学,大家研究他分析他。

选中了其他陷阱的人,则默默无闻不做声也无人知晓。他们的经验就是反面教材。

一本成功学的书摆在那里,所有人都去读,成功的人概率也是无法提高的,这就是规律,因为不可能所有人都赚钱,也不可能所有人都成功。

很多人拼尽全力想用必然去拼一个极小概率事件,这本身就会给自己很多压力。

早安,都吃早饭了吗?

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
### 幸存者偏差在算法中的表现及影响 #### 什么是幸存者偏差幸存者偏差是一种常见的统计学谬误,指的是人们倾向于关注成功的结果或“存活下来的数据”,而忽略了未成功的部分或未能留存的信息[^1]。这种偏见可能导致错误的推断和决策。 #### 算法中的幸存者偏差现象 在机器学习和数据分析领域,幸存者偏差可能表现为训练数据的选择不当或测试集的设计不合理。例如,在构建分类器时,如果仅基于已知的成功案例来调整模型参数,则可能会忽略失败案例的重要特征[^2]。这不仅会影响模型的准确性,还可能导致其无法适应新的场景。 #### 对结果的具体影响 当存在幸存者偏差时,算法得出的结论往往具有误导性。具体来说: - **预测性能下降**:由于缺乏对负面实例的学习,模型难以处理异常情况下的输入。 - **资源分配失衡**:依据偏向性的分析做出资源配置决定,最终造成效率低下甚至浪费。 - **风险评估不足**:忽视潜在的风险因素使得系统面对突发状况时更加脆弱[^4]。 #### 解决方法探讨 为了减少由幸存者偏差带来的负面影响,可以采取以下策略之一或多组合并应用: 1. 数据增强技术 通过合成少数类样本或者引入外部知识扩充原始数据集合,从而平衡各类别的分布比例[^3]。 2. 调整评价指标体系 除了常用的精确度(Accuracy),还需要考虑召回率(Recall)、F1分数(F1-Score)等能够反映不同类别间差异程度的标准来进行综合考量。 3. 增加透明性和可解释性 开发易于理解且具备一定逻辑链条支持的AI解决方案,让用户清楚知道哪些变量参与到了最后判断当中去,并能接受质疑与检验。 4. 多角度验证假设成立条件 不仅仅依赖单一维度上的证据链路支撑起整个理论框架;而是应该从多个相互独立又彼此关联的角度出发反复论证直至形成共识为止。 ```python from sklearn.utils import resample def balance_data(X, y): X_majority = X[y == majority_class] X_minority = X[y != majority_class] # Upsample minority class X_minority_upsampled = resample(X_minority, replace=True, # sample with replacement n_samples=len(X_majority), # to match majority class random_state=123) # reproducible results # Combine majority and upsampled minority classes X_balanced = np.vstack((X_majority, X_minority_upsampled)) return X_balanced ``` 上述代码片段展示了如何通过对少数群体进行重抽样达到数据均衡的目的。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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