2016.09.14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 · 205 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。

博客主要提及完成了id5验证接口。验证接口在信息技术中较为重要，可用于确保数据或用户身份的合法性等。

主要就是做好了id5验证接口

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
2016.09.13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
2016.09.06回顾
strwolf的专栏
09-07 326
1、昨天主要就是改好了接口，测试，上线 2、看了下优矿，随便捣鼓了一下，尝试了一个简单的策略，回测了9年数据，收益率还是可以接受
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...
基于Python3615环境实现国密SM2椭圆曲线非对称加密算法与数字签名完整流程的演示与验证项目_包含密钥生成模块加密签名模块解密验证模块的完整实验流程通过generater.zip
12-28
基于Python3615环境实现国密SM2椭圆曲线非对称加密算法与数字签名完整流程的演示与验证项目_包含密钥生成模块加密签名模块解密验证模块的完整实验流程通过generater.zip
上海市建筑轮廓带高度属性矢量SHP数据合集wgs84坐标系（非OSM）.zip
12-28
上海市建筑轮廓带高度属性矢量SHP数据合集wgs84坐标系（非OSM）.zip
341107631_1766844767rT2PMi.xlsx
12-28
341107631_1766844767rT2PMi.xlsx
成都信息工程大学数据库头歌答案.zip
最新发布
12-28
成都信息工程大学数据库头歌答案
CRF.pdf
12-28
CRF.pdf
【python毕业设计】基于Python的天气预报(天气预测分析)(Django+sklearn机器学习+selenium爬虫)可视化系统.zip 源码+论文+sql脚本 完整版
12-28
这个是完整源码 python实现 Django 【python毕业设计】基于Python的天气预报(天气预测分析)(Django+sklearn机器学习+selenium爬虫)可视化系统.zip 源码+论文+sql脚本 完整版 数据库是mysql 本研究旨在开发一个基于Python的天气预报可视化系统，该系统结合了Django框架、sklearn机器学习库和Selenium爬虫技术，实现对天气数据的收集、分析和可视化。首先，我们使用Selenium爬虫技术从多个天气数据网站实时抓取气象数据，包括温度、湿度、气压、风速等多项指标。这些数据经过清洗和预处理后本研究旨在开发一个基于Python的天气预报可视化系统，该系统结合了Django框架、sklearn机器学习库和Selenium爬虫技术，实现对天气数据的收集、分析和可视化。首先，我们使用Selenium爬虫技术从多个天气数据网站实时抓取气象数据，包括温度、湿度、气压、风速等多项指标。这些数据经过清洗和预处理后，将其存储在后端数据库中，以供后续分析。 其次，采用s，将其存储在后端数据库中，以供后续分析。 其次，采用sklearn机器学习库构建预测模型，通过时间序列分析和回归方法，对未来天气情况进行预测。我们利用以往的数据训练模型，以提高预测的准确性。通过交叉验证和超参数优化等技术手段，我们优化了模型性能，确保其在实际应用中的有效性和可靠性。 最后，基于Django框架开发前端展示系统，实现天气预报的可视化。用户可以通过友好的界面查询实时天气信息和未来几天内的天气预测。系统还提供多种图表类型，包括折线图和柱状图，帮助用户直观理解天气变化趋势。 本研究的成果为天气预报领域提供了一种新的技术解决方案，不仅增强了数据获取和处理的效率，还提升了用户体验。未来，该系统能够扩展至其他气象相关的应用场景，为大众提供更加准确和及时的气象服务。
___ ____ ____ ____ ____ © /__ / ____/ / ____/ 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