作者文章归档：course
申万一级行业是申银万国证券对行业的划分方法，从投资管理角度出发，同时考虑实际研究需要，将上市公司划分为31个一级行业、124个二级行业和395个三级行业。以下是对申万一级行业的具体介绍：
在实际深度学习时序预测中，“数据量小/大”没有绝对标准，但有一些经验参考：
数据量小：
通常指样本数低于几千条（如<2000~3000），或者训练集天数少于1年（A股5分钟数据一天48条，1年约1万条）。 特征维度多时，样本数/特征数比值低于10~20，也算偏小。 小数据下，复杂模型（如一次性多步Seq2Seq）容易过拟合，递归单步预测更稳健。 数据量大：
样本数达到几万条以上（如>10000~20000），或训练集覆盖2年以上。 特征维度不多时，样本数/特征数比值高于50~100。 大数据下，一次性多步预测模型能学到更复杂的时序关系，效果更好。 预测步数（序列长度）：
短步...
PS D:\01-sourceCode\02-AICDA\predict-price-model> Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser PS D:\01-sourceCode\02-AICDA\predict-price-model> ..venv\Scripts\Activate.ps1
使用深度学习模型（LSTM/Transformer）基于过去24个交易日的5分钟级别历史数据，预测下一个交易日全天的5分钟级别市场数据（48个时间点）
mplfinance 是基于 Matplotlib 的 Python 库，专为金融数据可视化设计，提供了简洁的 API 用于创建专业的金融图表。以下是其核心功能与使用示例：
K线图（Candlestick Charts）
展示开盘价、收盘价、最高价、最低价，直观反映价格波动。
OHLC 图表
简化版 K 线图，用线段表示价格区间。
成交量图表
显示交易量与价格的关系，支持与价格图表叠加或分屏显示。
移动平均线
支持多种周期的 SMA、EMA 等均线指标。
技术指标叠加
可添加 MACD、RSI、Bollinger Bands 等...
在时间序列预测中，确定性过程建模是指识别和建模时间序列中那些非随机、可预测、有规律可循的组成部分。这些成分通常由已知的、固定的模式驱动，而不是由随机波动主导。
理解时间序列的典型分解有助于理解确定性过程：
https://github.com/dfkai/xtquantai 是 xtquantai 项目的 GitHub 仓库链接。以下是关于该项目的一些关键信息总结：
xtquantai 是一个基于 Model Context Protocol (MCP) 的服务器，它将迅投 (xtquant) 量化交易平台的功能与人工智能助手集成，使 AI 能够直接访问和操作量化交易数据和功能。
get_trading_dates：获取指定市场的交易日期。get_stock_list：获取特定板块的股票列表。get_instrument_detail：获取股票的详...statsmodels.tsa 是用于时间序列分析的核心模块，包含丰富的模型类和工具函数，涵盖线性模型（如AR、ARMA、VAR）与非线性模型（如Markov切换模型）。其核心功能包括 描述性统计分析（自相关ACF、偏自相关PACF、周期图）、统计测试（单位根测试ADF/KPSS、Granger因果检验、协整检验）、参数估计（极大似然MLE、条件最小二乘、卡尔曼滤波），以及时间序列滤波（Baxter-King、Hodrick-Prescott）、确定性过程建模（时间趋势、季节性） 和预测模型（Theta模型、STL分解后预测）等，支持从数据诊断、模型拟合到预测的全流程时间序...
在机器学习项目中，数据往往以各种形态呈现：用户ID、城市名称、产品类别、学历等级、日期时间……这些信息对人类而言含义清晰，但对绝大多数机器学习模型来说却如同天书。模型的核心是数学运算（向量、矩阵、梯度计算），它们只能直接处理数值型数据。这就是特征编码要解决的核心问题：将非数值型（类别型、文本型、时间型等）数据，转化为适合机器学习模型处理的数值型表示，同时尽可能保留或揭示原始数据中蕴含的有价值信息。
以下是特征编码解决的关键问题及其深层意义：
当AI化身金融研究员：一场投资研究的智能革命
在金融的世界里，每一个决策都关乎真金白银，容不得半点马虎。而投资研究，更是这场财富博弈中最关键的一环。传统的投资研究，往往需要研究员们耗费大量的时间和精力去收集、整理和分析数据，过程繁琐且效率低下。但现在，随着人工智能技术的飞速发展，一场投资研究的智能革命正在悄然上演。今天，就让我们一起走进这场革命，看看AI是如何化身金融研究员，改变投资研究的格局的。
一、技术架构：智能投资研究的核心逻辑
在这场智能革命的背后，是一套精心设计的技术架构。从相关的技术展示中，我们可以清晰地看到，其核心在于“多智能体协作 + 记忆增强 + 人类反馈 + 数据驱动...