Daisy的博客

原创 Datawhale 量化入门笔记：买得多不等于分散，先看相关性

本文探讨了通过多只股票分散投资风险的实际效果。研究发现，仅增加股票数量未必能有效分散风险，关键在于所选股票的相关性。通过构建包含不同行业股票（如科技股AAPL、MSFT与能源ETF XLE）的组合，并计算其相关系数矩阵和年化波动率，发现低相关性的组合能降低整体波动。然而，组合波动不一定低于每只成分股，且相关性会随市场变化。文章强调数据对齐、相关性分析和基准比较的重要性，并指出需考虑再平衡、交易成本等因素才能评估组合的长期适用性。

原创 Datawhale量化入门笔记：最大回撤和仓位，决定策略能否拿住

本文探讨了投资策略评估中最大回撤和仓位管理的重要性。首先指出仅看Sharpe比率可能忽略投资者心理承受的实际体验，提出应关注最大回撤及其恢复周期。通过数学公式和Python代码演示了如何计算回撤序列和最大回撤（MDD），并强调净值数据必须按时间排序。文章使用水下曲线可视化方法，同时观察回撤深度和持续时间。在仓位管理部分，对比了满仓、半仓和买入持有策略的表现差异，说明仓位调整会同时影响收益和风险。最后提供了包含关键公式的检查清单，并指出下一步将研究组合相关性对分散效果的影响。全文强调评估策略时需兼顾收益、风险

原创 Datawhale 量化入门笔记：夏普比率和Beta

本文探讨了投资评估中仅关注收益率指标的局限性，并通过夏普比率和Beta系数补充了风险调整视角。夏普比率衡量单位波动获得的超额收益（公式：(年化收益-无风险利率)/年化波动），数值大于1表示风险调整后收益较好；Beta系数反映资产对市场波动的敏感程度。文章提供了Python实现方法，包括年化收益/波动率计算、夏普比率和Beta系数的双算法验证（numpy/pandas），并以美股数据为例展示风险-收益散点图分析。核心观点：投资评估需结合收益与风险，避免单一收益率指标的误导性。

原创 Datawhale 量化入门学习笔记：理解波动率

本文系统介绍了量化金融中的波动率概念及其应用。通过对比两只收益相同但波动差异显著的股票案例，形象展示了波动率对投资体验的影响。文章详细讲解了如何用Python计算日收益率、标准差（波动率）及年化波动率，并通过苹果、特斯拉、英伟达等真实股票数据验证了不同资产的风险特征。核心观点包括：波动率是衡量投资风险的重要指标，高波动可能导致投资者在回撤阶段非理性操作，长期来看低波动组合可能带来更稳定的收益。文中还提供了关键公式汇总和风险-收益选择实验，强调在追求收益时需兼顾波动率控制。

原创 lesson2_AI绘图核心技法与工具链

我需要记住：科研绘图不是单纯让 AI 生成一张好看的图片，而是要让图像的结构、箭头、标签、逻辑关系和论文内容保持一致。根据论文、摘要、方法、图注、研究方案等内容，生成可以复制给 AI 绘图模型的科研绘图 prompt。AI 生成模型只负责核心生成，真正可用的科研图需要前处理、生成提示词、后处理和人工校对共同完成。这种写法太宽泛，容易让 AI 自由发挥，生成一张看起来科技感很强但结构不严谨的图。让 AI 生成结果从“好看的图片”变成“可编辑、可校对、可用于科研表达的图”。但本章的方法论并不绑定某一个模型。

原创 Task5 策略回测学习笔记

回测就是用历史数据，假装自己过去真的按照一套交易规则执行了一遍。这个策略过去有没有赚钱；赚钱过程是否稳定；中间最大亏损有多深；策略是否跑赢简单的买入持有或大盘基准。我对这句话印象最深：回测是体检，不是算命。也就是说，回测结果好不代表未来一定赚钱，只能说明这个策略在历史样本里表现如何。

原创 AI 时代，科研绘图该怎么做？——《Happy Figure》第 1 章学习笔记

认识科研绘图：AI 时代，科研绘图该怎么做？科研绘图不是单纯追求“好看”，而是把科学信息准确、清晰、高效地转译成视觉表达。哪些图可以让 AI 辅助？哪些图绝对不能让 AI 生成？什么样的科研图才算是一张好图？AI 在科研绘图中到底应该扮演什么角色？下面是我的学习整理。这一章最重要的收获是：科研绘图的关键不只是“会不会画”，而是要先知道“什么能画、什么不能画、该怎么判断一张图是否合格”。可以用一句口诀总结：数据和证据，AI 不许编；逻辑和示意，AI 可辅助。

原创 移动平均线策略学习笔记

移动平均线，简称 MA，是最近一段时间价格的平均值。MA5：最近 5 个交易日收盘价的平均值MA20：最近 20 个交易日收盘价的平均值移动平均线可以让价格曲线更平滑，帮助我们减少噪声干扰。

原创 Datawhale 量化学习 Task3 学习笔记

这一章我从最基础的 OHLCV 开始，逐步完成了收益率计算、图表绘制、波动对比和作业挑战。虽然中间遇到了不少报错，但这些报错反而让我更理解代码运行的过程。现在我对"第一个量化实验"的理解是：量化分析不是直接预测涨跌，而是先把价格数据变成收益率，再用图表和统计量观察它的行为特征。这是我进入量化学习的第一步。

原创 量化学习-第1章-什么是量化金融（2）

自己做数据分析师多年，一直用powerbi或者Tableau进行一些数据可视化的展现，但是vibe coding的普及让html成为了趋势，我也在尝试用html做可展示的美观图表，因为第一章的内容已经学过了，所以这一节就尝试用echarts改写下原代码。

原创 量化学习-第1章-什么是量化金融

用数学、统计、计算机 + 金融理论，把交易想法写成规则，用数据验证，让机器批量执行。不是：预测明天涨跌的"黑科技"是：从历史数据中寻找统计规律，长期依靠正期望赚钱。

原创 coze ai assistant Task5

没想到coze的组队学习这么快就过去了，我也从一个不懂coze的小白变成了一个能简单尝试小程序的懵懂小白。虽然几次学习并不能掌握很多的技能，但也让我知道coze的无限可能，组队结束后我会继续努力学习，做更多使自己偷懒的小工具~需要注意，API分享只能分享智能体，应用并没有找到，应该是用OAuth，但还没学会……

原创 AI+办公 Task3

不符合我的预期，目前AI制作的PPT的美观度有待改善，而且文字占比过高，看起来不易读取。暂时也没有其他可以解决的办法，只能下载后另行修改。你认为讯飞智文做的PPT符合你的预期吗？如果没有，展开讲讲用AI做PPT的局限性以及如何解决问题的思路。要求：PPT必须能准确、形象的表达出你的中心思想。· 有详实的内容，PPT页数下限30；· 可以不用具体数据图表；· 可以用写意类配图；

原创 coze ai assistant Task 3

Coze工作流支持通过可视化的方式，对插件、大语言模型、代码块等功能模块进行组合，从而实现复杂、稳定的业务流程编排。当目标任务场景包含较多的步骤，且对输出结果的准确性、格式有严格要求时，适合配置工作流来实现。

原创 AI+办公 Task2

如果数据量过大，可将表格按时间、部门等维度拆分，分批次上传分析；判断AI表格正确：可以对关键指标（如平均值、总和）手动抽样计算。

原创 coze ai assistant Task 2

添加前：添加后：

原创 coze ai assistant Task 1

来源于Coze的官方文档>

原创 AI+办公 Task1

AI幻觉，是指大语言模型编造它认为是真实存在的甚至看起来合理或可信的信息。大模型出现幻觉，简而言之就是“胡说八道”，准确而言，是指模型生成的内容与现实世界事实或用户输入不一致的现象。研究人员将大模型的幻觉分为事实性幻觉(Factuality Hallucination)和忠实性幻觉(Faithfulness Hallucination)。致使大模型产生幻觉的原因主要有数据缺陷、数据中捕获的事实知识的利用率较低，长尾知识回忆不足、难以应对复杂推理的情况等。<引用自百度百科>

原创 Binary classification

以下是数据集 churn_df 的前几行（.head()）的示例。你可以预期数据集中其余部分包含类似值。监督学习有两种类型——分类和回归。二元分类用于预测仅包含两个标签的目标变量，通常用0或1的数值表示。查看这些数据，哪一列可能是二元分类的目标变量？

原创 动手学深度学习 Task03：线性神经网络

假设1：影响房价的关键因素是卧室个数，卫生间个数和居住面积，记为。线性回归是对n维输入的加权，外加偏差。线性回归有显示解（只有线性回归有）假设2：成交价是关键因素的加权和。权重和偏差的实际值在后面决定。1/2是因为求导时候容易消去。训练数据：过去6个月卖的房子。线性回归是单层神经网络。

原创 动手学深度学习 Task02：预备知识

4-d：N个三维数组（一个RGB图片批量）2-d（矩阵）：一个样本的特征矩阵。3-d：RGB图片（宽、高、通道）1-d（向量）：一个特征向量。0-d（标量）：一个类别。5-d：一个视频的批量。

原创 大话设计模型 Task06：桥接、职责链、中介

桥接模式、职责链模式、中介模式

原创 大话设计模型 Task05 状态、适配、单例

状态模式（State），当一个对象的内在状态改变时允许改变其行为，这个对象看起来像是改变了其类。适配器模式（Adapter），将一个类的接口转换成客户希望的另外一个接口。Adapter模式使得原本由于接口不兼容而不能一起工作的那些类可以一起工作单例模式（Singleton），保证一个类仅有一个实例，并提供一个访问它的全局访问点。通常我们可以让一个全局变量使得一个对象被访问，但它不能防止你实例化多个对象。一个最好的办法就是，让类自身负责保存它的唯一实例。

原创 大话设计模型 Task04：实现商场订单需求

实现商场订单需求

原创 大话设计模型 Task03：工厂、制造、观察

制造者模式，观察者模式、原型模式、模板方法模式、外观模式、抽象工厂模式

原创 大话设计模型 Task02：策略、装饰、代理

简单工厂模式，工厂方法模式，策略模式，装饰模式，代理模式

原创 大话设计模型 Task01：设计原则

我们在做任何系统的时候，都不要指望系统一开始时需求确定，就再也不会变化，这是不现实也不科学的想法，而既然需求是一定会变化的，那么如何在面对需求的变化时，设计的软件可以相对容易修改，不至于说，新需求一来，就要把整个程序推倒重来，怎样的设计才能面对需求的改变却可以保持相对稳定，从而使得系统可以在第一个版本以后不断推出新的版本呢？类之间的耦合越弱，越有利于复用，一个处在弱耦合的类被修改，不会对有关系的类造成波及.也就是说，信息的隐藏促进了软件的复用。即对于扩展是开放的，对于更改是封闭的。也即这个类只有一个职责。

原创 西瓜书Task05

原创 西瓜书Task04

原创 西瓜书Task03

最近实在太忙了，连续三天10点后到家，所以没有学完，知识点会后补。

原创 西瓜书Task02

原创 西瓜书Task01

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar

原创 学术前沿趋势分析Task05

一、任务说明学习主题：作者关联（数据建模任务），对论文作者关系进行建模，统计最常出现的作者关系；学习内容：构建作者关系图，挖掘作者关系学习成果：论文作者知识图谱、图关系挖掘二、数据处理步骤将作者列表进行处理，并完成统计。具体步骤如下：将论文第一作者与其他作者（论文非第一作者）构建图；使用图算法统计图中作者与其他作者的联系；三、社交网络分析图是复杂网络研究中的一个重要概念。Graph是用点和线来刻画离散事物集合中的每对事物间以某种方式相联系的数学模型。Graph在现实世界中随处可见，

原创 学术前沿趋势分析Task04

一、任务说明学习主题：论文分类（数据建模任务），利用已有数据建模，对新论文进行类别分类；学习内容：使用论文标题完成类别分类；学习成果：学会文本分类的基本方法、TF-IDF等；二、数据处理步骤在原始arxiv论文中论文都有对应的类别，而论文类别是作者填写的。在本次任务中我们可以借助论文的标题和摘要完成：对论文标题和摘要进行处理；对论文类别进行处理；构建文本分类模型；三、文本分类思路思路1：TF-IDF+机器学习分类器直接使用TF-IDF对文本提取特征，使用分类器进行分类，分类器

原创 学术前沿趋势分析Task03

一、任务说明任务主题：论文代码统计，统计所有论文出现代码的相关统计；任务内容：使用正则表达式统计代码连接、页数和图表数据；任务成果：学习正则表达式统计；二、数据处理步骤在原始arxiv数据集中作者经常会在论文的comments或abstract字段中给出具体的代码链接，所以我们需要从这些字段里面找出代码的链接。确定数据出现的位置；使用正则表达式完成匹配；完成相关的统计；三、正则表达式正则表达式(regular expression)描述了一种字符串匹配的模式（pattern），可

原创 学术前沿趋势分析Task02

一、任务说明任务主题：论文作者统计，统计所有论文作者出现评率Top10的姓名；任务内容：论文作者的统计、使用 Pandas 读取数据并使用字符串操作；任务成果：学习 Pandas 的字符串操作；二、数据处理步骤在原始arxiv数据集中论文作者authors字段是一个字符串格式，其中每个作者使用逗号进行分隔分，所以我们我们首先需要完成以下步骤：使用逗号对作者进行切分；剔除单个作者中非常规的字符；在原始数据集中authors_parsed字段已经帮我们处理好了作者信息，可以直接使用该字段

原创 编程实践（Pandas）期末综合练习

1. 显卡日志下面给出了3090显卡的性能测评日志结果，每一条日志有如下结构：Benchmarking #2# #4# precision type #1##1# model average #2# time : #3# ms其中#1#代表的是模型名称，#2#的值为train(ing)或inference，表示训练状态或推断状态，#3#表示耗时，#4#表示精度，其中包含了float, half, double三种类型，下面是一个具体的例子：Benchmarking Inference f

原创 学术前沿趋势分析Task01

一、任务说明任务主题：论文数量统计，即统计2019年全年计算机各个方向论文数量；任务内容：赛题的理解、使用 Pandas 读取数据并进行统计；任务内容：任务成果：学习 Pandas 的基础操作；二、数据集介绍数据集的格式如下：id：arXiv ID，可用于访问论文；submitter：论文提交者；authors：论文作者；title：论文标题；comments：论文页数和图表等其他信息；journal-ref：论文发表的期刊的信息；doi：数字对象标识符，https://www

原创 编程实践（Pandas）Task10

一、时序中的基本对象几个概念：时间戳（Date times）的概念：在 pandas 中称为 Timestamp 。同时，一系列的时间戳可以组成 DatetimeIndex ，而将它放到 Series 中后， Series 的类型就变为了 datetime64[ns] ，如果有涉及时区则为 datetime64[ns, tz] ，其中tz是timezone的简写。时间差（Time deltas）的概念：两个 Timestamp 做差就得到了时间差，pandas中利用 Timedelta 来表示。类似

原创 编程实践（Pandas）Task09

一、cat对象1. cat对象的属性在 pandas 中提供了 category 类型，使用户能够处理分类类型的变量，将一个普通序列转换成分类变量可以使用 astype 方法。df = pd.read_csv('data/learn_pandas.csv', usecols = ['Grade', 'Name', 'Gender', 'Height', 'Weight'])s = df.Grade.astype('category')s.head()0