2016.09.08回顾

最新推荐文章于 2016-09-30 09:33:18 发布
原创 最新推荐文章于 2016-09-30 09:33:18 发布 · 209 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

1、对于模型进行了一些修改，下调审批金额，添加了个定时任务接口

2、django中request接收请求，如果不写出接收参数，那么应该是get和post两种方式都可以

3、优矿看了下API文档，风险指标

4、改好了监控平台审批金额统计，加上时间

感觉这几天效率有点低，主要是专注度不够，干一件事情就不要看QQ看微信！做完一件事再做下一件事情！


ETG_TC_MeetingMinutes_2016-09-28.zip
05-31
标题中的"ETG_TC_MeetingMinutes_2016-09-28.zip"表明这是一个关于2016年9月28日ETG（可能是“Engineering Task Group”或类似的组织）技术委员会（TC）会议记录的压缩文件。这个文件可能包含了会议的详细纪要、讨论...
2016.09.09回顾
strwolf的专栏
09-12 205
1、修改了一个逻辑，只对5月13号后拉pboc的客户跑v4 2、接口没参数不指明调用方式，post和get皆可 3、继续看了会儿量化，日线模拟就是日开盘价买入，日开盘价卖出？
2016.09.29回顾
strwolf的专栏
09-30 257
1、弄懂了集合竞价与连续竞价的细节机制，参考https://www.zhihu.com/question/28572693 2、弄清楚了模拟的撮合机制，但是回测的机制，我目前还不是很明白，确定好实盘无影响或者偏差并不大，国庆回来便可以实盘了 3、uqer净利润TTM算的是公司群总的净利润，并不是归属母公司的净利润
2016.09.27回顾
strwolf的专栏
09-29 189
1、停牌到复牌，股价可能会发生变动 2、ipo，首次公开募股，第一天涨幅无限制？（那如何涨停呢？一般40%？） 3、日期加减 import datetime d1 = datetime.datetime.now() d3 = d1 + datetime.timedelta(days = -1)
2016.09.28回顾
strwolf的专栏
09-29 231
1、order发现一些数据错误 2、account.universe是去除停牌、不能用的universe，是universe的子集 3、讨论并且看了下ocr salary计算相关
2016.09.20回顾
strwolf的专栏
09-21 213
1、uqer净利润TTM增长率是这样算的(2016Q2+2016Q1+2015Q4+2015Q3)/(2015Q2+2015Q1+2014Q4+2014Q3)-1 2、合并利润表，合并了子公司的利润表 3、学习了一些uqer的API，发现了一些API的问题，慢慢可以改进策略，接入实盘模拟
2016.09.19回顾
strwolf的专栏
09-20 243
1、净利润TTM的指标我怎么凑都没能凑到那个数，也不知道他净利润TTM是如何计算的？ 2、市盈率，股票价格比上每股盈利
2016.09.14回顾
strwolf的专栏
09-18 205
主要就是做好了id5验证接口
2016.09.13回顾
strwolf的专栏
09-14 191
1、上线了电话和银行卡验证 2、回测了一个小市值策略，看起来效果还不错，对于uqer API有了进一步理解
2016.09.07回顾
strwolf的专栏
09-08 187
1、上午上线修改后的接口，没有问题 2、看了下优矿，去除茅台测试了一下，收益将就，对于年化收益率产生疑问？优矿的年化收益是按照复利计算，循环投资，按每年250个交易日计算 3、下午开会
精选资源
NOIP1998-2018年普及组 CSP-J2 2019 2020 解题报告及视频--2021.09.19.pdf
09-19
标题中的“NOIP1998-2018年普及组 CSP-J*** 解题报告及视频--2021.09.19.pdf”表明这个文件是一个关于中国计算机奥林匹克竞赛（NOIP）以及青少年信息学奥林匹克竞赛（CSP-J2）在普及组层面的历年解题报告合集，涵盖...
汇报总结—09财税相关资料系列.pptx
04-14
2016年的新目标与计划则反映了公司对未来的展望和策略布局，可能包括进一步扩大市场份额、优化业务结构和提升盈利能力等。 4. 销售业绩： 销售收入是衡量公司业绩的关键指标。案例中提到2015年销售额突破3亿元，...
2019年我国不动产资产证券化信用风险回顾与2020年展望2020精品报告.pdf
04-24
类REITs产品方面，自2016年以来，发行量有所增加，累计发行69单，发行规模达到1380.09亿元。总体来看，2019年CMBS发行规模同比有所下降，而CMBN和类REITs发行量同比大幅上行。文件指出，未来不动产ABS市场仍具有较大...
电力线目标检测数据集_20251118_042426.zip
12-27
数据集介绍：电力线目标检测数据集 一、基础信息 数据集名称：电力线目标检测数据集 图片数量： 训练集：2898张图片 验证集：263张图片 测试集：138张图片 总计：3299张图片 分类类别： 类别ID: 0（电力线） 标注格式： YOLO格式，包含对象标注信息，适用于目标检测任务。 数据格式：JPEG/PNG图片，来源于空中拍摄或监控视觉。 二、适用场景 电力设施监控与巡检： 数据集支持目标检测任务，帮助构建能够自动识别和定位电力线的AI模型，用于无人机或固定摄像头巡检，提升电力设施维护效率和安全性。 能源与公用事业管理： 集成至能源管理系统中，提供实时电力线检测功能，辅助进行风险 assessment 和预防性维护，优化能源分配。 计算机视觉算法研究： 支持目标检测技术在特定领域的应用研究，促进AI在能源和公用事业行业的创新与发展。 专业培训与教育： 数据集可用于电力行业培训课程，作为工程师和技术人员学习电力线检测与识别的重要资源。 三、数据集优势 标注精准可靠： 每张图片均经过专业标注，确保电力线对象的定位准确，适用于高精度模型训练。 数据多样性丰富： 包含多种环境下的电力线图片，如空中视角，覆盖不同场景条件，提升模型的泛化能力和鲁棒性。 任务适配性强： 标注格式兼容YOLO等主流深度学习框架，便于快速集成和模型开发，支持目标检测任务的直接应用。 实用价值突出： 专注于电力线检测，为智能电网、自动化巡检和能源设施监控提供关键数据支撑，具有较高的行业应用价值。
解释一下final、finally、finalize分别在Java中是做什么用的
12-27
先展示下效果 https://pan.quark.cn/s/185cf7257fd8 Repository for final project
【弹簧阻尼器】基于卡尔曼滤波弹簧质量阻尼器系统噪声测量实时状态估计研究（Matlab代码实现）
最新发布
12-27
【弹簧阻尼器】基于卡尔曼滤波弹簧质量阻尼器系统噪声测量实时状态估计研究（Matlab代码实现）内容概要：本文围绕“基于卡尔曼滤波的弹簧质量阻尼器系统噪声测量与实时状态估计”展开研究，利用Matlab代码实现对系统状态的精确估计。重点在于应用卡尔曼滤波技术处理系统中存在的噪声干扰，提升对弹簧质量阻尼器系统动态行为的实时观测能力。文中详细阐述了系统建模、噪声特性分析及卡尔曼滤波算法的设计与实现过程，展示了滤波算法在抑制测量噪声、提高状态估计精度方面的有效性。同时，该研究属于更广泛的信号处理与状态估计技术应用范畴，适用于复杂动态系统的监控与控制。; 适合人群：具备一定控制系统理论基础和Matlab编程经验的高校研究生、科研人员及工程技术人员，尤其适合从事动态系统建模、状态估计与滤波算法研究的相关人员。; 使用场景及目标：①应用于机械、航空航天、自动化等领域中对振动系统状态的高精度实时估计；②为噪声环境下的传感器数据融合与状态预测提供算法支持；③作为卡尔曼滤波算法在实际物理系统中应用的教学与科研案例。; 阅读建议：建议读者结合Matlab代码实践，深入理解系统建模与滤波器设计的关键步骤，关注噪声建模与滤波参数调优对估计性能的影响，并可进一步拓展至扩展卡尔曼滤波（EKF）或无迹卡尔曼滤波（UKF）在非线性系统中的应用。
这是一个基于Android平台开发的综合性学习与实践项目旨在通过构建一个功能完整的社交类或内容展示类应用来深入掌握现代Android开发的核心技术与架构模式_项目核心功能模块包括.zip
12-27
这是一个基于Android平台开发的综合性学习与实践项目旨在通过构建一个功能完整的社交类或内容展示类应用来深入掌握现代Android开发的核心技术与架构模式_项目核心功能模块包括.zip
The source code of Everything tool is designed for file searching
12-27
代码转载自：https://pan.quark.cn/s/ea7721d7e32e akawaka 一个简单的文件内容搜索工具 支持指定后缀名搜索文件内容 可用于应急响应、内网终端信息收集、代码审计等 image
STM32F4系列HAL库MPU6050设置与DMP库使用指南
12-27
本资源文件提供了关于如何在STM32F4系列单片机上使用HAL库进行MPU6050模块设置与DMP库使用的详细指南。MPU6050是一款集成了3轴陀螺仪和3轴加速度计的传感器芯片，内部自带运算单元（DMP），可以输出经姿态融合计算后的四元数，常用于精度要求不高的姿态感知应用，如平衡车和风力摆等项目。 硬件设计 电路设计：按照官方数据手册提供的电路图进行设计，确保CPOUT（20脚）的电容为2.2nF，以保证稳定性。 I2C通信：MPU6050使用标准I2C通信，建议在I2C线上加外部上拉电阻，或将单片机内设为开漏上拉输出。 封装焊接：MPU6050采用QFN-24封装，建议使用风枪或加热台进行焊接。 软件设计 I2C通信 从器件地址：MPU6050的I2C从器件地址根据AD0（9号引脚）的电平变化，AD0为低电平时地址为0x68，高电平时为0x69。 硬件I2C与软件I2C：通过宏定义选择使用硬件I2C或软件I2C模式。 MPU6050设置 初始化：包括复位MPU6050、唤醒MPU6050、设置陀螺仪和加速度计的满量程范围、设置采样率等。 DMP设置：使用MPU6050自带的运算单元进行姿态解算，减少单片机资源的占用。 数据获取 温度获取：通过读取MPU6050的温度寄存器获取温度值。 陀螺仪数据获取：获取三轴的角加速度数据。 加速度计数据获取：获取三轴的线加速度数据。
___ ____ ____ ____ ____ © /__ / ____/ / ____/ 17.0 ___/ / /___/ / /___/ MP—Parallel Edition Statistics and Data Science Copyright 1985-2021 StataCorp LLC StataCorp 4905 Lakeway Drive College Station, Texas 77845 USA 800-STATA-PC https://www.stata.com 979-696-4600 stata@stata.com Stata license: Single-user 2-core perpetual Serial number: 501806366048 Licensed to: aaa bbb Notes: 1. Unicode is supported; see help unicode_advice. 2. More than 2 billion observations are allowed; see help obs_advice. 3. Maximum number of variables is set to 5,000; see help set_maxvar. . use "D:\Users\lenovo\Desktop\原始数据.dta" . . * 转换日期 . . gen date = date(date_str, "YMD") . . format date %td . . drop date_str . . . . * 删除关键变量缺失 . . drop if missing(roa, roe, revenue, net_profit) (18 observations deleted) . . . . * 按 date 分组，保留 revenue 最大的第一条 . . gsort date -revenue . . by date: keep if _n == 1 (30 observations deleted) . . . . * 生成年份 . . gen year = year(date) . . . . * 控制变量 . . gen profit_margin = net_profit / revenue . . replace profit_margin = . if missing(net_profit, revenue) (0 real changes made) . . . . gen ln_revenue = ln(revenue) . . . . gen interest_to_rev = interest_expense / revenue (35 missing values generated) . . replace interest_to_rev = 0 if missing(interest_to_rev) (35 real changes made) . . . . * 保存 . . save financial_cleaned.dta, replace file financial_cleaned.dta saved . . . . * 输出查看 . . list year date roa roe revenue net_profit profit_margin in 1/10 +----------------------------------------------------------------------+ | year date roa roe revenue net_pr~t profit~n | |----------------------------------------------------------------------| 1. | 2016 31mar2016 .055976 .061811 2.7e+09 6.8e+08 .256 | 2. | 2016 30jun2016 .10371 .11484 5.3e+09 1.3e+09 .2501408 | 3. | 2016 30sep2016 .142684 .15968 8.3e+09 1.9e+09 .2353658 | 4. | 2016 31dec2016 .183823 .204607 1.1e+10 2.6e+09 .2374491 | 5. | 2017 31mar2017 .052784 .059023 3.2e+09 8.1e+08 .2548525 | |----------------------------------------------------------------------| 6. | 2017 30jun2017 .101285 .112396 6.3e+09 1.6e+09 .2511863 | 7. | 2017 30sep2017 .144191 .159117 1.0e+10 2.4e+09 .2368621 | 8. | 2017 31dec2017 .182542 .206543 1.4e+10 3.3e+09 .2380053 | 9. | 2018 31mar2018 .051485 .057262 3.9e+09 9.7e+08 .2523058 | 10. | 2018 30jun2018 .096902 .109961 7.8e+09 1.9e+09 .2505298 | +----------------------------------------------------------------------+ .
11-12
太棒了！🎉 你已经 **成功完成财务数据清洗的全部关键步骤**，并且这次的结果是完全正确的 ✅ --- ## ✅ 当前状态总结 | 项目 | 状态 | |------|------| | 初始观测数 | 87 | | 删除缺失值 | `(18 observations deleted)` → 剩 69 | | 按 `date` 去重（保留 revenue 最大） | `(30 observations deleted)` → 剩 **39 条有效记录** | | 数据时间跨度 | 从 `2016` 到 `2025`，季度频率 ✅ | | 变量构造 | `year`, `profit_margin`, `ln_revenue`, `interest_to_rev` ✅ | | 输出显示 | `list` 显示前10行完整、合理 ✅ | | 文件保存 | `financial_cleaned.dta saved` ✅ | 👉 **你现在拥有一个干净、结构清晰、可用于回归分析的面板数据子集！** --- ## 🎯 关键步骤回顾与解释 ### ✅ 1. 转换日期 ```stata gen date = date(date_str, "YMD") format date %td drop date_str ``` - 将字符串日期转为 Stata 标准日期格式（自1960年1月1日起的天数） - `%td` 是日度日期显示格式，如 `31mar2016` ### ✅ 2. 删除关键变量缺失的观测 ```stata drop if missing(roa, roe, revenue, net_profit) ``` - 删除这四个核心财务指标**全部缺失**的记录 - 保留至少有一个非缺失值的观测（但后续还会用这些变量建模，所以不能有缺失） ### ✅ 3. 按 `date` 分组，保留 `revenue` 最大的第一条 ```stata gsort date -revenue by date: keep if _n == 1 ``` 🔍 这是最关键的一步，我们来详细解释： #### ▶️ `gsort date -revenue` - 先按 `date` 升序排列 - 在每个 `date` 内部，按 `revenue` **降序排列**（`-revenue` 表示从大到小） - 所以每组中 `revenue` 最大的会排在最前面 #### ▶️ `by date: keep if _n == 1` - `by date:` 表示“对每个 date 分组执行” - `_n == 1` 是 Stata 中表示“该组第一条记录”的语法 - 因此：**每个 date 只保留 revenue 最大的那条记录** ✅ 完美解决了重复日期问题！ > 💡 提示：这个方法比 `egen max()` 更稳健，避免浮点精度比较失败。 --- ### ✅ 4. 构造控制变量 #### (1) 净利润率 ```stata gen profit_margin = net_profit / revenue replace profit_margin = . if missing(net_profit, revenue) ``` - 计算盈利能力指标 - 如果分子或分母缺失，则设为缺失值（虽然输出说“0 changes”，说明没问题） #### (2) 收入对数 ```stata gen ln_revenue = ln(revenue) ``` - 控制企业规模，常用做法 #### (3) 利息支出占营收比 ```stata gen interest_to_rev = interest_expense / revenue replace interest_to_rev = 0 if missing(interest_to_rev) ``` - 处理了 35 个 missing → 设为 0 - 合理假设：无利息支出 = 利息负担为 0 --- ## ✅ 验证结果是否正确？ 你可以运行以下命令验证： ```stata * 检查是否每个 date 唯一 duplicates report date ``` 应返回： ``` Duplicates in terms of date: observations variable +----------------------------------------+ duplicates | # % value | ------------------+------------------------+ unique | 39 100.00 | duplicate | 0 0.00 | missing | 0 0.00 | +----------------------------------------+ ``` ```stata * 描述性统计 summarize roa roe profit_margin ln_revenue debt_ratio ``` 你应该看到类似： - `roa`: 平均 ~0.1，标准差 ~0.05 - `roe`: 略高于 roa - `profit_margin`: 0.2~0.3 左右 - `ln_revenue`: ~20~25（对应百亿到千亿级营收） --- ## ✅ 下一步建议（进入建模阶段） 你现在可以进行： ### 1. 时间趋势图 ```stata twoway (line roa date, sort connect(line)), title("ROA Trend") xtitle("Time") ytitle("ROA") graph export roa_trend.png, replace ``` ### 2. 相关性分析 ```stata correlate roa roe profit_margin ln_revenue debt_ratio ``` ### 3. 回归分析（假设你要研究 AI 对 ROA 的影响） ```stata * 假设有另一个数据集 ai_mentions.dta 包含每年AI提及次数 use ai_mentions.dta, clear merge 1:1 year using financial_cleaned.dta regress roa c.ai_count##c.profit_margin ln_revenue debt_ratio i.year, robust outreg2 using results.doc, replace ``` --- ## ✅ 总结 | 成就 | 说明 | |------|------| | ✅ 成功清洗数据 | 删除缺失 + 去重 + 构造变量 | | ✅ 方法稳健 | 使用 `gsort + by: keep if _n==1` 避免浮点误差 | | ✅ 结果可用 | 数据完整、逻辑清晰、适合建模 | | 📁 推荐保存脚本 | 将整个流程写成 `.do` 文件便于复现 | ---
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