X的因子链

题目

题目链接

题目描述

输入正整数 X X X,求 X X X的大于 1 1 1的因子组成的满足任意前一项都能整除后一项的严格递增序列的最大长度,以及满足最大长度的序列的个数。

输入格式

输入包含多组数据,每组数据占一行,包含一个正整数表示 X X X

输出格式

对于每组数据,输出序列的最大长度以及满足最大长度的序列的个数。

每个结果占一行。

数据范围

1 ≤ X ≤ 2 20 1 \le X \le 2^{20} 1X220

输入样例:

2
3
4
10
100

输出样例:

1 1
1 1
2 1
2 2
4 6

分析

算数基本定理:任何一个大于 1 1 1的自然数 N N N,如果 N N N不为质数,那么 N N N可以唯一分解成有限个质数的乘积 N = P 1 a 1 P 2 a 2 P 3 a 3 . . . . . . P n a n N=P_1^{a_1}P_2^{a_2}P_3^{a_3}......P_n^{a_n} N=P1a1P2a2P3a3......Pnan,这里 P 1 < P 2 < P 3...... < P n P1<P2<P3......<Pn P1<P2<P3......<Pn均为质数,其中指数 a i a_i ai是正整数。

后一项能整除前一项,即后一项为前一项乘任意一个质因子 P i P_i Pi。最大长度由分解质因数可得,即 m a x L e n g t h = ∑ n = 1 n a n maxLength=\sum\limits_{n=1}^na_n maxLength=n=1nan

本题还问到了满足最长序列的个数,即求所有质因子的全排列,但由于其中有重复的元素,所以转换成多冲击组合数问题。(多重集组合数:一共有 k k k种物品,每一种有 n i n_i ni个, 1 ≤ i ≤ k 1\le i\le k 1ik,总共有 n n n个物品,则 n n n个物品的全排列为 n ! n 1 ! n 2 ! n 3 ! . . . n k ! \frac{n!}{n_1!n_2!n_3!...n_k!} n1!n2!n3!...nk!n!

用到的知识

1.算数基本定理以及质因数分解

2.多重集组合数

代码

#include <iostream>
#include <cstdio>
#include <cstring>
#include <algorithm>

using namespace std;

typedef long long LL;

const int N = (1 << 20) + 10;

int x;
int fact[30], sum[30];

LL f(int n)
{
    LL res = 1;
    for (int i = 1; i <= n; i++)
        res *= i;
    return res;
}

int main()
{
    while (scanf("%d", &x) != EOF)
    {
        int k = 0;
        for (int i = 2; i <= x / i; i++)
        {
            if (x % i == 0) fact[++k] = i;
            while (x % i == 0)
            {
                sum[k]++;
                x /= i;
            }
        }
        if (x != 1) fact[++k] = x, sum[k]++;

        int tot = 0;
        for (int i = 1; i <= k; i++)
            tot += sum[i];
            
        LL res = f(tot);
        for (int i = 1; i <= k; i++)
            res /= f(sum[i]);
        
        cout << tot << " " << res << endl;

        memset(sum, 0, sizeof(sum));
    }
    
    return 0;
}
### 量化投资中的因子分析方法 #### 因子的概念 在量化投资领域,因子是指能够解释资产收益差异的特定变量。这些变量可以反映公司的基本面特性、市场行为或其他统计学上的显著特征[^1]。常见的因子包括价值因子(Value)、动量因子(Momentum)、规模因子(Size)、波动率因子(Volatility)以及质量因子(Quality)。每种因子都试图捕捉某种特定的风险溢价。 #### 因子的有效性检验 为了验证某个因子是否具有持续性的超额收益能力,在实际操作中会采用多种技术手段来评估其有效性。具体过程可能包括但不限于以下几个方面: - **特征分析**:研究单个或多个因子如何单独或者联合影响目标证券的表现。 - **中性化处理**:消除其他已知风险源的影响,比如大小盘风格轮动效应或者是不同行业的估值水平差异等问题。这一步骤可以通过回归模型完成,其中自变量选取那些需要控制住不变的部分,而因变量则是原始待测因子本身[^2]。 ```python import statsmodels.api as sm def neutralize(factor_data, control_variables): X = sm.add_constant(control_variables) model = sm.OLS(factor_data['factor'], X).fit() residuals = model.resid return residuals ``` 上述代码片段展示了如何利用Python库`statsmodels`来进行简单的线性回归并获取残差作为经过中性化的因子值。 - **回归法分析**:进一步深入探讨各个候选因子对于未来回报的具体贡献程度,并估计相应的敏感度系数β。 - **IC测试(Information Coefficient)**:计算因子与下一期收益率之间的斯皮尔曼等级相关系数(Spearman Rank Correlation),以此衡量两者关联强度的好坏情况。较高的绝对数值意味着更强的信息含量。 #### 应用实例 假设我们正在构建一个多因子选股框架,则可以从公开渠道收集到的历史财务报表数据开始提取潜在有用的指标集合{X₁,X₂,...}之后按照前述提到的方法逐一筛查保留下来最优秀的几个维度组合成最终使用的评分体系。例如借助第三方工具包如`acrab`提供的实用函数简化开发流程如下所示: ```python from acrab.utils.factor_function import FactorUtil # 假设df为包含个股历史行情及相关基础资料的大表形式DataFrame对象 processed_factors = FactorUtil.process_raw_data(df) effective_factors = [] for factor_name,factor_series in processed_factors.items(): ic_value = calculate_ic(factor_series,next_period_return) if abs(ic_value)>threshold: effective_factors.append((factor_name,factor_series)) print(f"Selected {len(effective_factors)} out of total factors.") ``` 此段伪代码说明了从原始素材准备到最后挑选出合格项目的整个逻辑条概貌。
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