Read more

Read more

1. 定义与概述

2. StackStorm是一个开源的自动化平台，用于事件驱动的自动化操作。它能够将各种系统、工具和服务集成在一起，通过自动化流程来响应事件，从而提高系统的运维效率、可靠性和敏捷性。例如，在一个复杂的云计算环境中，当监测到某个虚拟机的CPU使用率过高时，StackStorm可以自动触发一系列操作，如扩展虚拟机资源或者迁移虚拟机到其他主机。

3. 核心组件与架构

4. 传感器（Sensors）：这是StackStorm的输入部分，用于检测事件。传感器可以监控各种来源的事件，如系统日志、消息队列、网络设备的SNMP陷阱等。例如，一个文件系统传感器可以监控文件系统的变化，如文件的创建、修改...

Read more

数据库地址 192.168.3.3 端口 27017 数据库名 stock_database 集合名 为 predictPriceFiveMinuteSum

写一个函数，参数为 日期 格式 2025-08-26 匹配集合predictPriceFiveMinuteSum中的 date字段 返回所有满足条件的记录，所有字段都要

数据库地址 192.168.3.3 端口 27017 数据库名 src_db 集合名 为 stockDailyHist

匹配字段 股票代码 日期
返回值为 股票代码 日期 收盘 实现功能 查询某只股票某日的收盘价 写有个函数

Read more

TimeXer：融合外部变量的时间序列预测新范式

TimeXer 是清华大学研究团队在2024年提出的一种创新型时间序列预测模型，它专门设计用于有效融合外生变量（外部因素） 来提升对目标序列（内生变量）的预测精度。该模型基于经典的Transformer架构，通过巧妙的嵌入策略和注意力机制调整，使其能够同时捕捉时间序列的内在模式和外部因素的影响。

核心设计与原理

TimeXer 的核心创新在于其差异化的嵌入策略和双注意力机制，解决了传统方法在处理外生变量时面临的挑战。

1. 差异化的嵌入策略

   • 内生变量嵌入：采用分块（Patching）策略（将时间序列分割为不重叠的片段，每个片段视为一个 t...

Read more

洞察市场的脉搏：动态条件相关模型（DCC）深度解析

在金融市场的波澜诡谲中，资产之间的关系绝非一成不变。牛市时，股票齐涨，相关性增强；危机中，所有资产似乎都同步下跌，相关性骤然飙升；而在平静期，它们又可能各自为政。这种如同“情绪”般不断变化的关联性，是风险管理的核心，也是传统模型无法捕捉的盲区。而动态条件相关模型（Dynamic Conditional Correlation, DCC）正是为了洞察这一“市场脉搏”而诞生的强大工具。

一、 核心思想：从“静态”到“动态”的革命

在DCC模型出现之前，分析多种资产风险的主流方法是使用常相关假设，比如经典的资本资产定价模型（CAPM）或风险矩...

Read more

CUDA GPU Compute Capability

Read more

动态条件相关系数（DCC）模型：理论与应用解析

一、引言：动态相关性的金融现实与模型需求

在金融市场中，资产间的相关性并非恒定不变。例如，股市暴跌时，不同股票的相关性往往显著上升，这种“同涨同跌”的动态依赖关系，对投资组合优化、风险度量至关重要。传统静态相关系数（如Pearson相关）无法捕捉这种时变特征，因此，Engle（2002）提出动态条件相关系数模型（Dynamic Conditional Correlation, DCC），为多变量时间序列的动态相关结构建模提供了有效工具。

二、DCC模型的核心架构：从波动率到相关性

DCC模型的设计分为两步：先建模单个资产的边际波动率（使用G...

Read more

基于注意力机制的LSTM多因子股指预测研究

Read more

K线形态相似度 DTW 算法深度解析

在金融市场的技术分析中，识别相似的K线形态是预测价格走势的关键。然而，K线形态天然具有时间轴扭曲、长度不一、局部波动差异大等特性，传统欧氏距离对此束手无策。动态时间规整（Dynamic Time Warping, DTW）算法正是解决这一难题的利器。

一、为何DTW是K线形态识别的理想选择？

1. 时间轴弹性对齐
   DTW允许“拉伸”或“压缩”时间轴，使形态的关键节点（如顶部、底部）最优匹配，克服了传统方法要求等长的缺陷。

2. 局部特征优先
   算法聚焦于局部走势的相似性（如长上影线、十字星），而非全局绝对位置，更符合技术分析逻辑。

3. 多维度...

Read more