<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Me.Myself.I]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/yrunagate</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; yrunagate]]></copyright><item><title><![CDATA[R中设置图形参数--函数par()详解]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/52971818</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/52971818</guid><author>yrunagate</author><pubDate>Sun, 30 Oct 2016 13:47:44 +0800</pubDate><description><![CDATA[R有着非常强大的绘图功能，我们可以利用简单的几行代码绘制出各种图形来，但是有时候默认的图形设置没法满足我们的需要，甚至会碰到各种各样的小问题：如坐标轴或者标题出界了，或者图例说明的大小或者位置遮挡住了图形，甚至有时候默认的颜色也不能满足我们的需求。如何进行调整呢？这就用到了“强大”的函数par()。我们可以通过设定函数par()的各个参数来调整我们的图形，这篇博文就是对函数par()的各个参数进行]]></description><category></category></item><item><title><![CDATA[R语言里面的lag()和diff()函数]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/52971671</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/52971671</guid><author>yrunagate</author><pubDate>Sun, 30 Oct 2016 13:10:34 +0800</pubDate><description><![CDATA[R里面的LAG只适用于时间序列，不适合于dataframe或者向量，因此需要自己写一个小小的函数来实现lag的功能。
lagdf 
    c(rep(NA, k), x)[1 : length(x)] 
}
y
cbind(x,y)

R 里面的diff()函数倒是支持数值向量

另外一种常用的计算lag()的方法

log.yahoo 


如果直接使用diff(l]]></description><category></category></item><item><title><![CDATA[c]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/52798890</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/52798890</guid><author>yrunagate</author><pubDate>Wed, 12 Oct 2016 17:34:25 +0800</pubDate><description><![CDATA[10200-日期
收盤價
40300-日期
收盤價


########
6174
########
229.4


########
6080
########
224.8


########
6013
########
222.9


########
6017
########
222.5


########
5965
##]]></description><category></category></item><item><title><![CDATA[共整合r]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/52798300</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/52798300</guid><author>yrunagate</author><pubDate>Wed, 12 Oct 2016 16:38:01 +0800</pubDate><description><![CDATA[# 指定路徑為桌面
setwd("C:/Users/user2/Desktop")




#  讀入csv檔
rawdata




#  把title名稱轉為英文
#  x = 10200 y = 40300
names(rawdata)[1]
names(rawdata)[2]
names(rawdata)[3]
names(rawdata)[4]

]]></description><category></category></item><item><title><![CDATA[資料庫]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/52732993</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/52732993</guid><author>yrunagate</author><pubDate>Tue, 04 Oct 2016 11:01:05 +0800</pubDate><description><![CDATA[http://mirlab.org/jang/books/asp/odbc&dsn.asp?title=18-1%20ODBC%20%BBP%20DSN%20%C2%B2%A4%B6




18-1 ODBC 與 DSN 簡介]]></description><category></category></item><item><title><![CDATA[共整合.協整]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/52728709</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/52728709</guid><author>yrunagate</author><pubDate>Mon, 03 Oct 2016 17:20:11 +0800</pubDate><description><![CDATA[https://www.douban.com/note/299044068/


用R检验配对股票的协整性
http://www.quantmod.com/examples/intro/#data]]></description><category></category></item><item><title><![CDATA[留學資料]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/52728043</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/52728043</guid><author>yrunagate</author><pubDate>Mon, 03 Oct 2016 14:38:47 +0800</pubDate><description><![CDATA[http://www.1point3acres.com/bbs/thread-95831-1-1.html
14Fall 非名校本科的统计PhD/部分MS申请经验]]></description><category></category></item><item><title><![CDATA[ARMA]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/52671556</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/52671556</guid><author>yrunagate</author><pubDate>Mon, 26 Sep 2016 16:46:02 +0800</pubDate><description><![CDATA[http://www.morefund.com/a/duichongshidian/2011/0422/327.html


http://lidequan12345.blog.163.com/blog/static/28985036201321074325444/



http://classroom.dufe.edu.cn/spsk/c102/wlkj/CourseConten]]></description><category></category></item><item><title><![CDATA[广告联盟中的CPA、CPS、CPC、CPM分别是什么意思]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/51384213</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/51384213</guid><author>yrunagate</author><pubDate>Thu, 12 May 2016 15:04:38 +0800</pubDate><description><![CDATA[http://wenku.baidu.com/view/4db5874cfe4733687e21aaab.html]]></description><category></category></item><item><title><![CDATA[CRM]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/51384131</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/51384131</guid><author>yrunagate</author><pubDate>Thu, 12 May 2016 14:58:22 +0800</pubDate><description><![CDATA[CRM
 锁定

本词条由“科普中国”百科科学词条编写与应用工作项目 审核 。



CRM即客户关系管理，是指企业用CRM技术来管理与客户之间的关系。在不同场合下，CRM可能是一个管理学术语，可能是一个软件系统。通常所指的CRM，指用计算机自动化分析销售、市场营销、客户服务以及应用等流程的软件系统。它的目标是通过提高客户的价值、满意度、赢利性和忠实度来缩减销售周期和销售成本、增加收]]></description><category></category></item><item><title><![CDATA[关键意见领袖]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/51383711</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/51383711</guid><author>yrunagate</author><pubDate>Thu, 12 May 2016 14:54:35 +0800</pubDate><description><![CDATA[关键意见领袖




关键意见领袖（Key Opinion Leader,简称KOL）






目录
[隐藏]

1 什么是关键意见领袖2 关键意见领袖的特征3 相关条目





[编辑]



什么是关键意见领袖


　　在营销学上，为各厂家宣传的专家或权威被称为“关键意见领袖（Key Opinion Leader），通常被定义为：拥]]></description><category></category></item><item><title><![CDATA[大數據統計建模案例課]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/51183914</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/51183914</guid><author>yrunagate</author><pubDate>Mon, 18 Apr 2016 22:14:17 +0800</pubDate><description><![CDATA[20160301 

了解方法後　如何用在具體問題中　
嘗試從具體問題出發不侷限於案例　基本分析框架下運用新學的知識　結合
 
抓住問題本質
建模：真實世界　量化　抽出數字概念考慮變量之間的關係　建立模型分析誤差結論
 
統計在大數據環境下能做的不多，
真實>>變量(計數)>>整合到模型 總結變量間的關係 比直接從經驗更可靠 >>誤差  
 
關於全樣本誤差的議題：雖然目前有]]></description><category></category></item><item><title><![CDATA[基于Item的推荐系统-使用RHadoop运算]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/51183777</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/51183777</guid><author>yrunagate</author><pubDate>Mon, 18 Apr 2016 22:09:59 +0800</pubDate><description><![CDATA[一、基本想法
    基于物品的推荐系统是基于用户对物品的偏好找到相似的物品，然后根据用户的历史偏好，推荐相似的物品给他。从计算的角度来看，就是将所有用户对某个物品的偏好作为一个向量来计算物品之间的相似度，得到物品的相似物品后，根据用户历史的偏好预测当前用户还没有表示偏好的物品，计算得到一个排序的物品列表作为推荐。
 
二、算法
    Item-based 推荐系统根据用户对相似物品的评]]></description><category></category></item><item><title><![CDATA[大數據統計建模上課筆記]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/51183569</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/51183569</guid><author>yrunagate</author><pubDate>Mon, 18 Apr 2016 22:03:16 +0800</pubDate><description><![CDATA[20160223
一、關於課程
1.        大數據統計建模是一門新課，沒人開過，沒有教科書，也沒有足夠論文形成體系。（論文正在做，還沒發表例如：分佈式的高微計算）
2.        書的形成：研究　→　形成體系　→　形成學科　→　重要內容被提取　→　整理成教科書'
3.        是必修中最後一門課。其他五門都是成熟的課，來自成熟的學科，其他五門沒教到的，剩下的都是這門課。]]></description><category></category></item><item><title><![CDATA[1]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/51134443</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/51134443</guid><author>yrunagate</author><pubDate>Tue, 12 Apr 2016 16:13:10 +0800</pubDate><description><![CDATA[http://xueqiu.com/9292284780/57212883
http://www.p5w.net/fund/clbg/201604/t20160412_1413740.htm

http://www.p5w.net/fund/clbg/201604/t20160412_1413687.htm

http://zhidao.baidu.com/question/170320]]></description><category></category></item><item><title><![CDATA[PYTHON 併行]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/51131197</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/51131197</guid><author>yrunagate</author><pubDate>Tue, 12 Apr 2016 11:14:52 +0800</pubDate><description><![CDATA[併行
要在cmd裡面先指定要看幾個進程
python裡面的併行包
from ipyparallel import Client]]></description><category></category></item><item><title><![CDATA[交易型開放式指數基金ETF]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/51098827</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/51098827</guid><author>yrunagate</author><pubDate>Fri, 08 Apr 2016 18:30:50 +0800</pubDate><description><![CDATA[ETF是如何在一、二级市场交易的？
　　ETF实现套利有两种方式，当ETF溢价交易时，即二级市场价格高于其净值交易的时候，ETF的一级市场参与者可以通过买入与基金当日公布的一揽子股票构成相同的组合，在一级市场申购ETF，然后在交易所卖出相应份额的ETF。这样，如果不考虑交易费用，投资者在股票市场购入股票的成本应该等于ETF的单位净值，由于ETF在二级市场是溢价交易的，投资者就可以获取其中的差价。]]></description><category></category></item><item><title><![CDATA[基金介紹]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/51098643</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/51098643</guid><author>yrunagate</author><pubDate>Fri, 08 Apr 2016 18:01:04 +0800</pubDate><description><![CDATA[大数据投资

通过大数据挖掘，可以更精准地估算宏观经济、行业景气度、上市公司基本面，甚至一些前沿的行为金融学领域也可以进行数据量化，是传统投资的有益补充。


相關名詞


一级市场&二级市场

一级市场是发行市场，就是投资者从发行人那里认购股票或基金；
二级市场是交易市场，就是各个投资者之间进行的上市证券的交易买卖；

有个三板市场，就是对退市股票或股改的股票进行交易。]]></description><category></category></item><item><title><![CDATA[A股,B股,ST股]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/51098586</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/51098586</guid><author>yrunagate</author><pubDate>Fri, 08 Apr 2016 17:58:48 +0800</pubDate><description><![CDATA[股票的分类有个国际的通用标准，中国涨跌停板都是10％！
一个公司可以同时发行a、b、h股，当然要看具体的部门的审批了。
具体分析如下：
－－－－－－－－－－－－－－－－－－－
 
1.A股的正式名称是人民币普通股票。
它是由我同境内的公司发行
供境内机构、组织或个人（不含台、港、澳投资者）
以人民币认购和交易的普通股股票
我国A股股票市场经过几年快速发展，已经初具规模。
－－－]]></description><category></category></item><item><title><![CDATA[社交網絡一]]></title><link>https://blog.youkuaiyun.com/yrunagate/article/details/51064555</link><guid>https://blog.youkuaiyun.com/yrunagate/article/details/51064555</guid><author>yrunagate</author><pubDate>Tue, 05 Apr 2016 16:13:07 +0800</pubDate><description><![CDATA[鄰居節點
鄰接矩陣


網路的度



連通分支
無向圖
有像圖 弱連通分支>>當成無向圖


巨大連通分支-子圖規模達到整個網路的規模




節點之間的距離  最短路徑
網絡直徑  兩個節點間距離的最大值  包含所有節點






現實網絡  無標度分佈  冪律分佈




hub節點 度大的節點


聚類係數


現]]></description><category></category></item></channel></rss>