转发一篇在聚宽上看到的关于机器学习的好文章

最新推荐文章于 2024-08-06 15:08:43 发布
转载 最新推荐文章于 2024-08-06 15:08:43 发布 · 266 阅读 · 0
文章标签：

#聚宽

本文深入探讨了量化交易策略的制定与执行，详细分析了市场趋势预测、风险控制及投资组合优化的方法。通过实例讲解，帮助读者理解如何利用数学模型和算法进行高效交易。
[Python从零到壹] 十二.机器学习之回归分析万字总结全网首发（线性回归、多项式回归、逻辑回归）
杨秀璋的专栏
07-03 5万+
前一篇文章讲述了数据分析部分，主要普及网络数据分析的基本概念，讲述数据分析流程和相关技术，同时详细讲解Python提供的若干第三方数据分析库，包括Numpy、Pandas、Matplotlib、Sklearn等。本文介绍回归模型的原理知识，包括线性回归、多项式回归和逻辑回归，并详细介绍Python Sklearn机器学习库的LinearRegression和LogisticRegression算法及回归分析实例。进入基础文章，希望对您有所帮助。
[Python从零到壹] 十三.机器学习之聚类算法四万字总结全网首发（K-Means、BIRCH、树状聚类、MeanShift）
杨秀璋的专栏
07-06 2万+
欢迎大家来到“Python从零到壹”，在这里我将分享约200篇Python系列文章，带大家一起去学习和玩耍，看看Python这个有趣的世界。所有文章都将结合案例、代码和作者的经验讲解，真心想把自己近十年的编程经验分享给大家，希望对您有所帮助，文章中不足之处也请海涵。Python系列整体框架包括基础语法10篇、网络爬虫30篇、可视化分析10篇、机器学习20篇、大数据分析20篇、图像识别30篇、人工智能40篇、Python安全20篇、其他技巧10篇。您的关注、点赞和转发就是对秀璋最大的支持，知识无价人有情，希望
聚宽机器学习判断大盘SVM使用
数理文章
01-26 791
这里写自定义目录标题 import talib from jqdata import * test_stock = '399300.XSHE' start_date = datetime.date(2007, 1, 4) end_date = datetime.date(2016, 6, 8) trading_days = get_all_trade_days() start_date_ind...
聚宽API，机器学习在量化投资中的web应用
01-09
线上量化交易平台就是为量化投资的策略开发者提供工具、回测模拟、实盘和交流社区的地方。其中最早的是2011年在美国成立的Quantopian。中国的首选平台就是聚宽，其他还有优矿和京东量化。本文档教你十行代码入门量化交易。
转发一篇在聚宽上看到的关于机器学习在股票上应用的好文章
weixin_44919839的博客
04-14 302
https://www.joinquant.com/view/community/detail/7f23104467742dd188576007773492d4?type=1
聚宽策略(基于编程的量化交易)
weixin_30768175的博客
02-22 1371
直接参考官网:https://www.joinquant.com/ 　　官网的比较详细,看一下就ok了 　　补一张图: 　　 转载于:https://www.cnblogs.com/tjp40922/p/10420849.html
python如何将聚宽平台数据倒到本地文件进行量化研究
abracadabraa的博客
04-25 2641
聚宽平台可以方便进行策略编写、投资研究、数据回测等各项功能，云端的python环境可以很好支持。不过使用下来也有些不便之处，比如代码调试困难，虚拟机内存1G限制等问题。有时候需要将数据倒到本地调试代码。 下面简单讲下实现过程。 一. 安装聚宽的jqdatasdk库必须通过这个库使用JQData。JQData是聚宽数据团队专门为有志于从事量化投资的金融机构、研究人员以及个人量化爱好者提供的本地量化金...
[Python从零到壹] 十四.机器学习之分类算法五万字总结全网首发（决策树、KNN、SVM、分类对比实验）
热门推荐
杨秀璋的专栏
07-09 2万+
分类（Classification）属于有监督学习（Supervised Learning）中的一类，它是数据挖掘、机器学习和数据科学中一个重要的研究领域。分类模型类似于人类学习的方式，通过对历史数据或训练集的学习得到一个目标函数，再用该目标函数预测新数据集的未知属性。本章主要讲述分类算法基础概念，并结合决策树、KNN、SVM分类算法案例分析各类数据集，从而让读者学会使用Python分类算法分析自己的数据集，研究自己领域的知识，从而创造价值。 19.1 分类 19.1.1 分类模型 与前面讲述的聚类模型类似
谈一谈机器学习的基本原理
白话机器学习
04-17 6399
这次我们期望在不涉及到任何复杂的数学理论的前提下，尽量把机器学习的基本原理讲清楚。使大家对机器学习能有一个更加直观的概念。我们将主要探讨两个问题，一个是机器学习能做什么；另一个是它到底是怎么做的。这两个问题看似简单，但是想用通俗、易懂的语言解释清楚还是有一定难度的。下面的内容是我在搜集、整理了大量的资料后进行的精炼和总结，希望对大家理解能够有所帮助。
科学的机器学习量化回测方法
Edenfranx的博客
08-06 1227
主要分享了一套科学且适合实盘的机器学习回测方法。并且提供相关的因子计算代码。代码获取方法于文章结尾。
【聚宽本地数据JQData】一个简单的股票回测策略
jingjingdeyekong的专栏
04-19 3080
点击查看jqdata sdk 详细内容 打开聚宽，https://www.joinquant.com/ 注册登录 策略 新建股票策略 填入下面代码： def initialize(context): g.stock='000300.XSHG' g.N=60 g.high=0 g.drawdown=0.4 set_benchmark('000300.XSHG') set_option('use_real_price',True) .
聚宽源码40
程序化小学生的博客
12-11 561
原文策略源码如下： #无模型评估的多因子模型 import pandas as pd import numpy as np import math from sklearn.svm import SVR from sklearn.model_selection import GridSearchCV from sklearn.model_selection import learning_curv...
【聚宽本地数据JQData】【转载】结合jqdata数据源的基于滤波降噪和LSTM期货量化研究
kuangguanggx的博客
04-22 356
近年来，机器学习技术发展迅速，已经在视觉图像等领域取得很大突破，同时，也有越来越多的人着眼使用机器学习方法研究金融领域的问题，本文主要基于机器学习算法对金融时间序列进行预测分析，具体步骤为，先对期货主力合约价格数据使用去噪自编码器过滤掉随机噪声波动，再用一维卷积对滤波后的数据降维，提取主要信息，再将滤波降噪后的价格数据输入到LSTM神经网络，之后将LSTM网络的输出作为全连接网络的输入，使用交叉验证的方法训练出一个可以捕捉期货价格大幅波动前的特征的模型，再通过这个模型在实时价格序列上预测价格大幅波动的可能性
聚宽数据（JQData）本地化解决方案：基于MongoDB（上）
joinquantdata的博客
11-20 1970
—— 本篇文章 by 。大咖 MongoDB是由C++语言编写的一个基于分布式文件存储的开源NoSQL数据库系统，它提供了可扩展的高性能数据存储解决方案。 由于MongoDB是一个面向文档存储的数据库，所以操作起来比较简单和容易。MongoDB支持丰富的查询表达式，高性能的插入与查询操作，并在负载调节方面提供了较好的支持。MongoDB的这些特性很好地适应了量化策略开发项目对证券数据存储的需...
Python构建一个“聚宽式”的策略回测平台
qq_31872713的博客
04-17 7196
1.用户编写的策略脚本，和聚宽风格保持一致，代码可以在聚宽平台运行。userconfig = { "start":"2018-01-01", "end":"2018-03-29" } def initialize(context): context.current_dt = '2018-01-01' g.today = "2018-03-23" run_d...
talib实现聚宽选股所有的形态指标
qq_31872713的博客
04-17 6879
导入函数库 import jqdata import warnings import numpy as np from kuanke.wizard import * # 初始化函数，设定基准等等 def initialize(context): security = '000001.XSHE' st = attribute_history('000001.XSHE', ...
聚宽回测数据(18/12---19/01)
前端交互开发
04-21 885
低估价值选股策略 核心算法
数据在edgex上如何流转
最新发布
04-10
<think>好的，用户想了解EdgeX框架中的数据流转过程。我需要先回忆一下EdgeX的架构和各个组件的功能。根据提供的引用，特别是引用3提到EdgeX Foundry理论篇，里面提到了数据如何从设备层到导出服务层。首先，设备数据由设备服务采集，然后传输到核心数据服务。核心数据服务负责持久化存储，但也可以通过配置直接传递到导出服务层，而无需存储。引用2和4也提到了数据预处理和导出到云端的过程。 接下来，我需要将数据流转的步骤分阶段说明。第一阶段是数据采集，设备服务通过REST API或其他协议获取数据。第二阶段是核心数据处理，数据被验证和存储，或者直接转发。第三阶段是导出服务，将数据通过ZeroMQ或MQTT发送到云端或其他外部系统。同时，用户可能关心数据的安全性、预处理以及如何集成机器学习模型，比如引用1提到的TensorFlow模型部署到EdgeX进行边缘推理。 需要确保每个步骤都引用正确的文献，比如引用3提到数据本地存储和导出，引用2提到数据预处理和上传，引用4涉及边缘计算框架的应用。最后，生成的相关问题要覆盖数据安全、协议支持、性能优化和实际应用场景，帮助用户进一步探索。</think>### EdgeX框架数据流转过程分步解析 EdgeX Foundry作为开源边缘计算平台，其数据流转遵循分层架构模式，主要分为设备层、核心服务层和应用集成层[^3]。以下是详细流转过程： #### 一、数据采集阶段 1. **设备服务层（Device Service）** - 通过协议转换器对接物理设备，支持Modbus、MQTT、HTTP等协议 - 持续轮询或接收设备推送的原始数据 - 示例代码结构： ```python # 模拟Modbus温度传感器数据采集 def read_sensor(): return {"device_id": "temp-sensor-01", "value": 23.5, "timestamp": time.time()} ``` 2. **元数据注册** - 新接入设备自动注册到核心元数据服务 - 记录设备类型、通信协议等关键信息[^3] #### 二、核心处理阶段 $$ \begin{aligned} &\text{原始数据} \xrightarrow{\text{设备服务}} \text{核心数据服务} \\ &\quad \downarrow \ \text{数据校验} \\ &\quad \downarrow \ \text{格式标准化(转为EdgeX Event对象)} \end{aligned} $$ 3. **核心数据服务（Core Data）** - 默认启用数据持久化存储（MongoDB/Redis） - 可通过`persist.data=false`配置跳过存储[^3] - 事件数据结构： ```json { "device": "HVAC-001", "readings": [ {"name": "temperature", "value": "22.3"}, {"name": "humidity", "value": "58%"} ] } ``` #### 三、数据分发阶段 4. **导出服务层（Export Services）** - 支持两种传输模式： - **推送模式**：通过ZeroMQ/MQTT实时推送[^3] - **拉取模式**：通过REST API对外暴露接口 - 数据过滤与路由： ```python # 示例：温度阈值过滤 def filter_events(event): if event['readings']['temperature'] > 30: send_alert(event) return event ``` 5. **外部系统集成** - 云端对接：通过HTTPS/MQTT上传至AWS IoT/Azure IoT等平台 - 本地应用：通过消息总线对接规则引擎[^1] - 边缘分析：集成TensorFlow Lite模型进行实时推理[^1] #### 四、增强处理流程 6. **边缘预处理（引用[2][4]）** - 异常值检测：滑动窗口算法识别突增/缺失数据 - 数据压缩：保留关键特征，减少传输量 - 加密处理：TLS加密或添加数字签名 $$ \text{传输效率提升} = \frac{\text{原始数据量} - \text{处理后数据量}}{\text{原始数据量}} \times 100\% $$ 7. **安全控制点** - 设备认证：X.509证书双向验证 - 传输加密：MQTT over TLS - 访问控制：基于角色的API权限管理 ###
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