2016.11.18回顾

最新推荐文章于 2022-02-24 22:09:48 发布
原创 最新推荐文章于 2022-02-24 22:09:48 发布 · 241 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、送转派基本上搞清楚了，除权除息和前复权，前复权实际上把之前的数据按照每一次除权除息日去进行除权除息，后复权相当于是前复权的逆运算，平滑k线，把后面的k线向上移，送股派息都是来自于净利润结余？而转是来自资本公积，送和派需要上税，我不知道送股如果资金账户没有结余该如何上税？

2、大多数私募是自己搭的回测框架

3、一个客户经理透露说广发证券可以提供web api

4、然后又研究了下自己的小市值，发现回测框架存在一定的问题，和以前的结果不一样了，最后一次回测的时候根本就不能调仓，uqer的策略必须手动核对一下！然后随便看了下joinquant的一些策略！


2016年以来AI电网前沿论文最新进展 2018.11.03 方建勇1
08-03
自2016年以来，众多研究学者在AI电网前沿领域展开了一系列深入的研究，并取得了显著进展。本文将对这些研究进展进行回顾，重点分析四篇代表性论文的核心观点和创新之处。 首先，关于无线功率传输技术的研究为智能...
S3C2440移植 u-boot-2016.11
lzhf1122的博客
03-21 637
移植完成后使用以下命令制作补丁文件：make distclean mv u-boot-2016.11 u-boot-2016.11_new tar xjf u-boot-2016.11.tar.bz2 diff -urN u-boot-2016.11 u-boot-2016.11_new > u-boot-2016.11_new.patch patch -p1 < ../u-boot-...
2016.11.21回顾 卡方检验
strwolf的专栏
11-22 1450
昨天更新到了fraud v2（使用mysql），然后用剩下的时间做了一个分析，关于上浮下调对于逾期的影响，逾期按照了领导的定义，上浮下调分成了3组，对于其中应该温习的知识点归纳一下 1、spss对于rc表做卡方检验，可以把excel的数据直接导入到spss中，用表头做列明，然后直接用交叉表中的分析，这种方法应该是最简便的，还有种方法就是自己去统计每一种可能的数量，对于后者要麻烦一点儿，有个个案加
WayToGo@2016.11.17
越努力越幸运
11-17 563
近期要看的： 一.机器学习算法相关 数学之美番外篇：平凡而又神奇的贝叶斯方法 机器学习知识点其中包含了很多算法，慢慢的当做对统计学习方法的回顾总结来看吧。 生成模型与判别模型 从最大似然到EM算法浅解 当时看统计学习方法，觉得理解了许多，但是不应用转眼间又忘了，这篇当做温习，顺便可能可以从另一个角度加深理解。 使用sklearn进行集成学习——理论 ensemble这么常用
2016.10.01
dongguan5448的博客
10-01 121
前一段时间里，系统的学习的多线程，趁着这个假期，一一回顾下 10月和11月，开始学习io。要加快速度了 转载于:https://www.cnblogs.com/Iqiaoxun/p/5926330.html...
centos装pandas 2016.05.06回顾
strwolf的专栏
05-09 2304
这个本来应该周五写的，拖了一个周末，现在对周五的工作总计如下： 1、周五开始看梯度下降法，有一些前置高数的知识，看了一点，本周要继续功克，目标是最后自己实现一遍logistic算法 2、周五还做了一个很重要的事情就是在开发服务器上把trigger服务调通了，记录一下过程，同事已经封装成了相应的类，我只负责调用，需要在centos下安装几个模块， numpy pandas python-L
2016.7.11---- 2017.7.11总结
sowhat
08-02 842
回顾一年工作学习，目前第四阶段欠缺点，工作一年从什么都不会的门外汉到 大概了解个一个项目的整体流程。未来的学习之路还很长。也不知道下一份工作是什么样的性质。 8.18日没去jd 去了一个搞开源机器学习的公司 也不知道自己选择对不对 努力把还是！ ...
Node.js 13岁了，回顾Node历史
小帅的编程笔记
02-24 1167
至今2022年，Node.js已经13岁了。 相比之下，JavaScript已有26年历史，Web拥有33年历史。 13年在技术领域来说并不算很长时间，一个新事物的诞生总是有着原因。 历史 几乎每本技术书籍中都会多多少少的介绍JavaScript的历史。 JavaScript是一个编程语言，由Netscape公司创建，作为脚本工具用于在Netscape Navigator浏览器中操作网页。 Netscape公司的一部分商业模式是销售Web服务器，其中包括一个叫Netscape LiveWire的环境，这个环
javascript 大前端 完全升级之 npm+gulp+systemjs+typescript by 2016.01
cz_jjq的专栏
01-02 8748
个人最近比较侧重基于javascript的大前端，感叹技术发展的日新月异。当前我自己的架构库中已将上文提到的npm+bower+grunt的方式都标记为deprecated。尤其是bower，在使用最新的javascript库时，你就会发现其非常的out了，当前我的构建方案已经全部升级为npm+gulp的方式，bower+grunt只保留极少构建部分过渡使用。
echarts sys.stdout.flush() 2016.05.19回顾
strwolf的专栏
05-20 987
上午主要看了下echarts，决定用php来作服务端语言，也想重新回顾一下php，回顾了一下jquery，AJAX请求，获取数据，返回到前台，用echarts生成图表 然后就是后台缓冲区的问题，python -u这个参数听说是不启动缓冲区，但是我没成功，我觉得是因为python manage.py会多生成一个进程，而子进程没有-u参数，所以失败，后来我综合考虑采用了sys.stdout.flush(
【2016.9-2017.2】年终总结——扬帆起航
热门推荐
至尊宝
01-31 2万+
强烈推荐一个大神的人工智能的教程：http://www.captainbed.net/zhanghan 2016回顾 关于读书：回首这半年，我开始使用微信读书来提高自己了，让我这个讨厌历史的人渐渐爱上了历史，改变了历史一直在我脑海中的印象，记得在上初中的时候老师天天逼着背历史，然后上课就会听写，在哪一年某某带领着谁睡开启了什么战争，签订了什么条约，记性不好的我不喜欢背诵，所以很不喜欢历...
青岛版四年级（下册）科学（全册）教（学）案2016.doc
10-10
- 第11课《认识光》：介绍光的基本概念和传播方式。 - 第12课《玩镜子》：通过实验观察光的反射现象。 - 第13课《筷子“折”了》：探讨光的折射和视觉错觉。 - 第14课《彩虹的秘密》：解释彩虹形成的原因。 - 第15课...
2016年中考英语小题狂做专题6副词含2015真题回顾.doc
09-12
11. 幸运地："I fell off the bike on my way to school. _______, I wasn’t hurt."，答案是"A. Luckily"，幸运的是没有受伤。 12. 如此...以至于："The Silk Road was _______ long that it passed through many ...
2016年中考英语小题狂做专题2名词含2015真题回顾.doc
09-12
【真题回顾】 1. 【2015 云南】32题考察的是名词的正确选择。选项中的"mistakes"意为"错误"，在写作中犯错误是常见的用法，而其他选项如"trouble"（麻烦）、"matter"（问题）和"problems"（问题）并不符合语境。 2...
2016.12.09回顾 dataframe获取某一个值的索引
strwolf的专栏
12-13 1万+
1、我上午玩了会儿joinquant，按照自己的算法实现一些卖点，进行回测比较 2、改良了一个风控系统方面的功能 3、要记录股票的市值排名，学习了一下pandas.dataframe的用法，我要在dataframe中取出索引，最后是把dataframe的某一列拿出来，也就是说是一个series，然后用list()或者tolist()方法把series转换成list，然后对于list中没有重复的
2016.12.15回顾 mysql截取字符串
strwolf的专栏
12-16 575
1、更新了自动邮件增加字段逻辑，给AS和TS增加了三要素验证 2、SQL截取字符串后两位，right(field_name,2)，取前两位是left(field_name,2)，还有个以前用到的截取字符串方法，substr(field_name,7,8) 3、去joinquant，又跑了几种能想到的策略，只能说有时候想法很好，但是实际效果还不一定有那种不那么make sence的效果好，下一步
2016.12.08回顾 SQL模块化与子查询 SELECT NULL变换 JOINQUANT探索
strwolf的专栏
12-09 557
1、昨天基本上全天都在弄同盾多头借贷和同盾严重逾期的规则，我想一下学到了哪些东西呢？      - 可以join表，拿相关的字段，也可以直接写子查询根绝关键字段比如customer_id去拿，如果查询比较复杂，后者方法更佳，这样sql显得更模块化，不然这部分sql就是写在from后面      - where后的条件不满足，查出来是NULL，如果对NULL进行条件处理，如CASE WHEN，C
2016.11.04到2016.11.11回顾
strwolf的专栏
11-14 359
1、python的function中不能对全局变量进行修改，例如 a = 3 def func(): a = a + 2这种就会报错，a这里被看作是全局变量，如果想修改全局变量，需要在前面用global关键词声明 a = 3 def func(): global a a = a + 2还有种方法就是设置另外一个局部变量就可以了，比如 a = 3 def func():
2016.11.02回顾
strwolf的专栏
11-03 277
1、进一步看了下有效市场假说，感觉没啥用啊，就是一个信息的曝光程度，越多越接近有效，但是只是个假说而已，没有什么指导意义，指导意义就是A股是一个介于无效和弱有效之间的市场，所以可以获取阿尔法收益，可以进行技术面和基本面的分析，就是这样，多的我也不明白了 2、上午还看了个小市值因子的模型，回测结果非常好，我始终感觉里面有潜在的未来函数，但是具体我不知道在哪里，还需要进一步研究 3、总股本和流通股
rml2016.10a数据集np
最新发布
04-01
<think>好的，我需要帮助用户找到如何使用NumPy处理rml2016.10a数据集的示例或方法。首先，我得先理解这个数据集的结构。根据用户提供的引用[3]，这个数据集的每个样本是形状为(2, 128)的数组，包含I/Q两路数据，总共有220,000条样本，信噪比从-20dB到18dB，间隔2dB，共有11种调制方式。 用户的问题集中在NumPy的使用上，所以需要展示如何用NumPy进行数据加载、预处理、分割和特征提取。我需要先回顾NumPy处理这类数据的一般步骤，然后结合数据集的特性来具体说明。 首先，数据加载。数据集的原始格式可能是.mat文件，因为引用[3]提到读取数据集，而通常RML数据集是MATLAB格式的。使用NumPy的话，可能需要使用scipy.io.loadmat来加载，但用户可能希望主要用NumPy处理，所以虽然scipy不是NumPy，但加载数据是必要的一步，之后的数据处理可以集中在NumPy操作上。 接下来是数据预处理。可能需要归一化处理，比如对I/Q两路分别进行标准化。这里可以用NumPy的均值和标准差计算，然后进行缩放。例如，使用np.mean和np.std，然后进行减法除法操作。 然后是数据集分割，用户可能需要将数据分为训练集、验证集和测试集。可以用NumPy的索引或者随机排列来实现。比如，使用np.random.permutation来打乱数据，再按比例分割。 特征提取方面，可能需要计算幅度和相位，或者进行傅里叶变换得到频域特征。这可以通过NumPy的数组操作实现，比如np.abs计算幅度，np.arctan2计算相位，或者使用np.fft.fft进行快速傅里叶变换。 在示例代码部分，需要展示这些步骤的具体实现。例如，加载数据后，提取I/Q数据，进行归一化，分割数据集，然后计算幅度和相位。同时，要注意保持代码的简洁和可读性，使用NumPy的函数来提高效率。 另外，引用[2]中提到了使用ResNet处理类似的数据集，可能涉及到将数据转换为适合神经网络的输入形状，比如调整维度，这也可以作为预处理的一部分，用NumPy的reshape或transpose来实现。 需要确保所有步骤都使用NumPy库的功能，避免使用其他库如Pandas，除非必要。同时，引用的部分要正确标注，比如数据集的描述来自引用[3]，而可能的可视化部分可以参考引用[1]中的时间域图绘制，但用户的问题集中在NumPy处理，所以可视化可能不是重点，但可以作为扩展提到。 最后，生成相关问题时要围绕数据处理的其他方面，比如可视化、深度学习结合、数据增强等，帮助用户进一步探索。</think>### 使用NumPy处理rml2016.10a数据集的示例 #### 1. 数据加载与结构解析 根据引用[3]，该数据集包含220,000个形状为$(2,128)$的复数样本，每个样本对应I/Q两路信号。使用NumPy加载数据的核心步骤如下： ```python import numpy as np from scipy.io import loadmat # 用于读取MATLAB格式文件 # 加载数据集 data = loadmat('rml2016.10a.mat') complex_data = data['data'] # 获取复数信号数据 labels = data['labels'] # 获取调制类型标签 snr = data['snr'] # 获取信噪比信息 # 查看数据结构 print("样本形状:", complex_data.shape) # 输出 (220000, 2, 128) print("标签类型:", np.unique(labels)) # 输出11种调制方式[^3] ``` #### 2. 数据预处理 **归一化处理**：对I/Q两路分别进行标准化 ```python # 提取I/Q数据并转换为float32类型 i_data = complex_data[:,0,:].astype(np.float32) q_data = complex_data[:,1,:].astype(np.float32) # 计算均值和标准差 i_mean, i_std = np.mean(i_data), np.std(i_data) q_mean, q_std = np.mean(q_data), np.std(q_data) # 标准化处理 i_normalized = (i_data - i_mean) / i_std q_normalized = (q_data - q_mean) / q_std ``` #### 3. 数据集划分 ```python # 生成随机索引 indices = np.random.permutation(len(complex_data)) # 按7:2:1划分数据集 train_idx = indices[:154000] # 70% val_idx = indices[154000:198000] # 20% test_idx = indices[198000:] # 10% # 创建数据子集 train_data = np.stack([i_normalized[train_idx], q_normalized[train_idx]], axis=1) ``` #### 4. 特征工程 **计算幅度和相位**： ```python # 幅度计算：sqrt(I^2 + Q^2) amplitude = np.sqrt(i_normalized**2 + q_normalized**2) # 相位计算：arctan(Q/I) phase = np.arctan2(q_normalized, i_normalized) ``` **频域转换**（参考引用[1]的时间域图原理）： ```python # 快速傅里叶变换 fft_i = np.fft.fft(i_normalized, axis=1) fft_q = np.fft.fft(q_normalized, axis=1) # 取对数幅度谱 log_spectrum = np.log(np.abs(fft_i) + 1e-8) ``` #### 5. 数据增强示例 **添加高斯噪声**： ```python def add_noise(signal, snr_db): signal_power = np.mean(signal**2) noise_power = signal_power / (10 ** (snr_db / 10)) noise = np.random.normal(0, np.sqrt(noise_power), signal.shape) return signal + noise # 为0dB信噪比添加噪声 noisy_i = add_noise(i_normalized, snr=0) ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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