速石科技-一站式研发云平台
评论
71 views
分类目录归档：知识库
提示词-ONE
评论
114 views
交易平台
过去十天-重复出现的Stock
数据库地址 192.168.3.3 端口 27017 数据库名 stock_database 集合名 为 predictPriceTwoDaysTrendT
增加新页面StockTrendSumRepeat.vue，默认展示过去5天的数据，这5天是表中last_date存在的最后5天，增加两个按钮，开始时间，结束时间， 可以选择， 页面展示内容，为表格形式，但是是卡片 的样式，每天是一列，出现的卡片按照股票代码 升序排列， 页面默认，日期的字段为 last_date
增加新功能，在卡片中展示 添加两日价格模型， 日期字段为last_date ...
TimeXer：融合外部变量的时间序列预测新范式
评论
206 views
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。
-
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...
洞察市场的脉搏：动态条件相关模型（DCC）深度解析
评论
109 views
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...
CUDA GPU Compute Capability 计算能力-对应表
评论
76 views
动态条件相关系数（DCC）模型：理论与应用解析
评论
179 views
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...
基于注意力机制的LSTM多因子股指预测研究-论文
评论
94 views
K线形态相似度 DTW 算法深度解析
评论
156 views
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？
-
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。 -
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。 -
多维度...
预测中国A股下一个交易日的全天5分钟级别的价格-V02
评论
120 views
1. 数据收集与处理
1.1 数据源
- 基础数据：A股的历史交易数据，包括
开盘价、收盘价、最高价、最低价、成交量等，可以使用Tushare或Akshare等API进行获取。 - 数据频率：需要5分钟级别的OHLCV数据。这意味着每5分钟会有一次更新的数据点。
- 市场情绪与资金流向：除了价格数据，情绪数据（新闻、社交媒体）和资金流向（主力资金、行业资金等）是非常重要的。可以通过
舆情分析、热度分析以及资金流向来增加模型的预测能力。
1.2 数据清理与预处理
- 缺失值与异常值处理：金融数据常常存在缺失或异常，需要使用插值法、均值填充、异常值检测（如IQR、Z-Score）等技术来处理。
- 时间序列...
预测中国A股下一个交易日的全天5分钟级别的价格-V01
评论
116 views
要预测中国A股下一个交易日的全天5分钟级别的价格，基本上需要以下几个步骤来构建模型和实现方案：
1. 数据收集与准备
- 历史数据：获取A股的历史价格数据，最好是高频数据（如5分钟级别的OHLCV数据：开盘价、最高价、最低价、收盘价和成交量）。可以通过
akshare、tushare等API来获取。 - 数据清理：处理缺失值，去除异常值，确保数据的质量。时间序列数据需要对齐，确保没有错过任何一个时间点。
-
特征工程：为模型构建相关特征，例如：
-
技术指标：移动平均线（MA）、相对强弱指数（RSI）、MACD等。
- 成交量特征：成交量与成交价的比值。
- 资金流向：主力资金的流入流出情况。
- 行业数据...