- 博客(82)
- 资源 (9)
- 收藏
- 关注
RSS订阅原创 算法相关-经典排序算法(python实现)
概述插入排序将未排序的元素同已排序的元素从后往前比较，带排序元素:a,被比较元素：b,如果a<b则， swap(a,)快速排序每趟排序把基准值放到对的位置即左边的元素都比它小，右边的元素都比它大冒泡排序每一趟排序（包括多次两两比较和交换）找出余下的最大元素放在数组的最后，叫沉底排序更贴切。选择排序对未排序的元素找出最小的元素， 放到未排序数组的0号位置希尔排序插入排序的改进；插入排序比较移动的步长是1，希尔排序中改进该步长，从大缩小到1堆排序利用大顶堆
2021-07-20 14:48:33
255
原创 算法相关-经典排序算法(goland实现)
概述插入排序将未排序的元素同已排序的元素从后往前比较，带排序元素:a,被比较元素：b,如果a<b则， swap(a,)快速排序每趟排序把基准值放到对的位置即左边的元素都比它小，右边的元素都比它大冒泡排序每一趟排序（包括多次两两比较和交换）找出余下的最大元素放在数组的最后，叫沉底排序更贴切。选择排序对未排序的元素找出最小的元素， 放到未排序数组的0号位置希尔排序插入排序的改进；插入排序比较移动的步长是1，希尔排序中改进该步长，从大缩小到1堆排序利用大顶堆
2021-07-20 11:08:23
355
2
转载 区块链/以太坊/读书笔记/精通以太坊思维导图
第一章～第三章学习笔记 思维导图附：文本结构精通以太坊-基础1～3章 概念 基于区块链技术打造的平台 智能合约 以太坊计算基础框架上执行的程序 DApp 狭义 基于智能合约开发的用户界面 至少包含一个智能合约 广义 开放的去中心化的网络应用 以太币 以太坊官方货币 由挖矿成功得以产生 成功打包区块的奖励 可购买gas 运行智能合约需消耗gas 特点 任何人都可以在平台上发布dapp，区块链应用
2021-07-07 22:32:21
1161
原创 区块链/solidity-address payable和address
solidity 0.5将地址类型细分为address和address payable的目的:它有助于强制智能合约开发人员认真考虑一个地址是否应当接收以太币，如果该地址根本不需要接收以太币，那么就应当使用address类型。当地址被声明为address类型后，如果开发者试图向该地址转入以太币，就会导致编译时类型错误。address和address payable类型都用来存储160位的以太坊地址，两者的区别仅在编译时存在，在编译后的合约代码中就没有区别了——也就是说，引入地址类型细分的唯一 目的:
2021-07-07 21:49:32
7207
1
转载 区块链/以太坊/DEX-在以太坊上构建 GraphQL API
dapp[5]的数量继续爆炸性增长，对开发人员（使用 Solidity[6]或其他区块链语言的）的需求[7]也越来越大。作为一名刚进入这个领域[8]的开发人员，我很快就发现，与区块链交互和与传统网络的交互有很大的不同。在以太坊(或者其他区块链)上，数据不可以直接从其他 app 或前端拿来用，你需要重新组织数据并给数据建索引，以便可以有效的检索。在传统网络上，这是数据库在中心化技术栈中所做的工作，但在Web3 栈[9]中缺少索引层。在传统的 web 堆栈中，数据库、服务器和 api 在将数据返回到应用程
2021-06-27 22:54:54
566
转载 Go-标准库log学习
前言本文是转载自李文周老师的博客，go语言入门是自学他的课程1.使用Loggerlog包定义了Logger类型，该类型提供了一些格式化输出的方法。本包也提供了一个预定义的“标准”logger，可以通过调用函数Print系列(Print|Printf|Println）、Fatal系列（Fatal|Fatalf|Fatalln）、和Panic系列（Panic|Panicf|Panicln）来使用，比自行创建一个logger对象更容易使用。例如，我们可以像下面的代码一样直接通过log包来调用上面提到的方法
2021-03-29 20:03:07
119
转载 区块链/加密算法-对称加密算法常用的五种分组模式（ECB/CBC/CFB/OFB/CTR）
Q:为什么需要分组模式？A:明文的长度不固定，而分组密码只能处理特定长度的一块数据，这就需要对分组密码的算法进行迭代，以便将一段很长的明文全部加密，而迭代的方法就是分组的模式。一图全览五种分组模式五种模式详解1.ECB - Electronic Code Book, 电子密码本模式特点: 简单, 效率高, 密文有规律, 容易被破解最后一个明文分组必须要填充des/3des -> 最后一个分组填充满8字节aes -> 最后一个分组填充满16字节不需要初始化向量2.
2021-03-21 15:19:11
1264
转载 阿里云服务器ssh连接自动断开-解决
服务器连接之后，老是一段时间没有操作，就自动断开连接。这是因为服务器设置了连接断开的时间，修改即可。$ vim /etc/ssh/sshd_config找到下面两行#ClientAliveInterval 0#ClientAliveCountMax 3去掉注释，改成ClientAliveInterval 30ClientAliveCountMax 86400这两行的意思分别是1、客户端每隔多少秒向服务发送一个心跳数据2、客户端多少秒没有相应，服务器自动断掉连接重启sshd服务
2021-03-13 15:29:48
651
原创 golang-面试题（填空题）
1.【初级】声明一个整型变量i__________参考答案：var i int2.【初级】声明一个含有10个元素的整型数组a__________参考答案：var a [10]int3.【初级】声明一个整型数组切片s__________参考答案：var s []int4.【初级】声明一个整型指针变量p__________参考答案：var p *int5.【初级】声明一个key为字符串型value为整型的map变量m__________参考答案：var m map[string]int6.【
2021-03-08 22:00:19
521
原创 golang-面试题（选择题）
1.【初级】下面属于关键字的是（）A. funcB. defC. structD. class参考答案：AC2.【初级】定义一个包内全局字符串变量，下面语法正确的是（）A. var str stringB. str := “”C. str = “”D. var str = “”参考答案：AD知识点：str:=，只有在函数内才可以单引号表示字符， 双引号表示字符串，反引号表示多行字符串3.【初级】通过指针变量 p 访问其成员变量 name，下面语法正确的是（）A. p.nam
2021-03-03 20:20:57
2788
3
转载 云氏菜谱-糖醋排骨
用的这个1:2:3:4比例来做的，在原方子的基础上稍作了点修改。纯记录一下。这道菜色香味俱全，非常受欢迎。????我用的薄盐生抽，所以加了点老抽上色。如果就是普通生抽，老抽可以不加。????1茶匙5ml，1汤匙15ml。????新手不会炒糖色就不要炒了，厨友试过了说上色也挺好的。糖醋排骨的做法排骨洗净，锅中倒入冷水，放排骨煮开后捞出沥干备用。锅内倒入适量的油和冰糖①4. 中火加热至变成焦糖色，转小火。千万不要炒过头，不然发黑发苦。5. 倒入排骨快速翻炒上色。（此步骤为炒糖色
2021-02-19 21:33:02
151
原创 机器学习-数据预处理与特征工程
1.概述1.1.数据挖掘的五大流程：获取数据数据预处理数据预处理是从数据中检测，纠正或删除损坏，不准确或不适用于模型的记录的过程 可能面对的问题有：数据类型不同，比如有的是文字，有的是数字，有的含时间序列，有的连续，有的间断。也可能，数据的质量不行，有噪声，有异常，有缺失，数据出错，量纲不一，有重复，数据是偏态，数据量太大或太小数据预处理的目的：让数据适应模型，匹配模型的需求特征工程：特征工程是将原始数据转换为更能代表预测模型的潜在问题的特征的过程，可以通过挑选最相关的特征，提取特征以及创造
2021-01-25 21:38:51
2098
原创 机器学习-调参的基本思想
1. 调参思路。模型调参，第一步是要找准目标：我们要做什么？一般来说，这个目标是提升某个模型评估指标，比如对于随机森林来说，我们想要提升的是模型在未知数据上的准确率（由score或oob_score_来衡量）。找准了这个目标，我们就需要思考：模型在未知数据上的准确率受什么因素影响？在机器学习中，我们用来衡量模型在未知数据上的准确率的指标，叫做泛化误差（Genelization error）。泛化误差当模型在未知数据（测试集或者袋外数据）上表现糟糕时，我们说模型的泛化程度不够，泛化误差大，模型的效果
2021-01-06 19:58:08
331
原创 sklearn-随机森林
1.随机森林1.1 集成算法概述集成学习（ensemble learning）是时下非常流行的机器学习算法，它本身不是一个单独的机器学习算法，而是通过在数据上构建多个模型，集成所有模型的建模结果。基本上所有的机器学习领域都可以看到集成学习的身影，在现实中集成学习也有相当大的作用，它可以用来做市场营销模拟的建模，统计客户来源，保留和流失，也可用来预测疾病的风险和病患者的易感性。在现在的各种算法竞赛中，随机森林，梯度提升树（GBDT），Xgboost等集成算法的身影也随处可见，可见其效果之好，应用之广集
2021-01-04 22:05:26
617
原创 sklearn - 决策树
前言简要记录分类树的参数和属性，回归树与分类树区别主要是criterion参数，回归树参照分类树1 sklearn中的决策树tree.DecisionTreeClassifier分类树tree.DecisionTreeRegressor回归树tree.export_graphviz将生成的决策树导出为DOT格式，画图专用tree.ExtraTreeClassifier高随机版本的分类树tree.ExtraTreeRegressor高随
2021-01-04 20:37:33
402
原创 sklearn与XGBoost库xgboost算法参数总结
1 sklearn与XGBoost1.2 xgboost库与XGB的sklearn API1.3 XGBoost的三大板块2 梯度提升树2.1 提升集成算法：重要参数n_estimators2.2 有放回随机抽样：重要参数subsample2.3 迭代决策树：重要参数eta3 XGBoost的智慧3.1 选择弱评估器：重要参数booster3.2 XGB的目标函数：重要参数objective3.3 求解XGB的目标函数3.4 参数化决策树 ：参数alpha， lambda3.5 寻
2020-12-27 16:49:40
4366
原创 机器学习-xgboost
看了几篇博客，比较好的博客如下：https://blog.csdn.net/program_developer/article/details/103655906（感觉最好）https://blog.csdn.net/program_developer/article/details/79405822https://blog.csdn.net/tyhj_sf/article/details/84954120https://blog.csdn.net/meihao5/article/details/8
2020-12-23 22:01:21
117
原创 数学知识-核函数的通俗解释实例
1.核函数本质核函数其实准确来说就是一个内积(低维和高维的内积相等)，相似度，和那个映射函数没有任何关系（因为有时候你根本找不到那个映射函数），即使找到了映射函数也没啥意义。比如说你想把二维映射到三维，自己凑项数恰好凑成了二次多项式函数，最大的意义就是让你看清楚了原理。你的根本目的就是图个省事在低维空间里面算然后再说一下英文里kernel trick本质是是个tirck就说明他确实不是什么太高深的东西，就是一个计算内积的工具2. 核函数的性质核函数必须是连续的，对称的，并且最优选地应该具有正（半）
2020-12-13 20:45:50
5197
原创 数学知识-SVD-矩阵奇异值分解
1 简介SVD 全称：Singular Value Decomposition。SVD 是一种提取信息的强大工具，它提供了一种非常便捷的矩阵分解方式，能够发现数据中十分有意思的潜在模式。主要应用领域包括：隐性语义分析 (Latent Semantic Analysis, LSA) 或隐性语义索引 (Latent Semantic Indexing, LSI)；推荐系统 (Recommender system)，可以说是最有价值的应用点；矩阵形式数据（主要是图像数据）的压缩2 线性变换在做
2020-12-13 15:59:11
233
原创 数学知识-特征值，特征向量
数学定义对于给定矩阵A，寻找一个常数λ和非零向量x，使得向量x被矩阵A作用后 所得的向量Ax与原向量x平行，并且满足Ax=λx解释在线性变换作用下，向量仅仅在尺度上变为原来的倍。称是线性变换的一个特征向量，是对应的特征值。矩阵是一个表示二维空间的数组，矩阵可以看作是一个变换。在线性代数中，矩阵可以把一个向量变换到另一个位置，或者说从一个坐标系变换到另一个坐标系。矩阵的基，实际就是变换时所用的坐标系。矩阵乘法对应了一个变换，是把任意一个向量变成另一个方向或长度都大多不同的新向量。在
2020-12-08 22:28:42
1073
原创 数学知识-矩阵基础
方阵：行和列一样就是方阵啦，一般叫做n阶方阵三角矩阵：对角阵：单位矩阵：同型矩阵：两个矩阵行列数相同的时候称为同型矩阵矩阵相等：在同型矩阵的前提下，对应元素相等（就是一模一样）矩阵运算：略对称矩阵：A矩阵的转置后与A矩阵相等，则A是对称矩阵（矩阵关于对角线对称）逆矩阵：A为n阶方阵，如果存在n阶方阵B，使得：AB=BA=I（单位阵）记作：B=A−1B=A^{-1}B=A−1矩阵的秩:一个矩阵A的列秩是A的线性独立的纵列的极大数目。类似地，行秩..
2020-12-08 22:06:19
1312
原创 数学知识-泰勒公式
前言机器学习过程中补充数学知识，作为自己简要记录的重要知识点1 公式泰勒公式麦克劳林公式2 出发点用简单的熟悉的多项式来近似代替复杂的函数易计算函数值，导数与积分仍是多项式多项式由它的系数完全确定，其系数又由它在一点的函数值及其导数所确定3 以直代曲小结：在某一点或者说某一点附近可以用直线代替4 一点一世界：每次求导都是预测原函数的的走势，或者说是趋势走势可以让人预测曲线上邻接的下一点的大致位置，那么走势的走势便可以相对精确地预测邻接下一点的具体位置，紧接
2020-12-07 22:40:41
189
原创 数学知识-微积分，定积分
前言：机器学习过程中补充数学知识，作为自己简要记录的重要知识点1.微积分Δy是中曲线的增量，dy是dx切线的增量2.定积分2.1 性质2.2 第一中值定理2.3 积分上限函数2.4 牛顿—莱布尼茨公式 ## 2.5 微积分基本公式...
2020-12-07 22:14:24
562
转载 Android adb 命令发送短信 && 拨打电话
发送短信adb shell am start -a android.intent.action.SENDTO -d sms:10086 --es sms_body "hello" --ez exit_on_sent trueadb shell input keyevent 66PS:sms：短信目的号码2.sms_body：短信内容，不可为中文3.双卡不支持(还没验证设置默认卡的情况)拨打电话adb shell service call phone 2 s16 "10086"
2020-12-03 22:28:24
3001
转载 adb 命令模拟按键事件
//这条命令相当于按了设备的Backkey键adb shell input keyevent 4 //可以解锁屏幕adb shell input keyevent 82//在屏幕上做划屏操作，前四个数为坐标点，后面是滑动的时间（单位毫秒）adb shell input swipe 50 250 250 250 500//在屏幕上点击坐标点x=50 y=250的位置。adb shell input tap 50 250//输入字符abcadb shell i
2020-12-03 22:25:11
525
原创 Android adb启动关闭app的几种方式
1.获取主(要启动的)Activity和包名dumpsys window w | grep mCurrent # 可直接获取系统应用dumpsys activity | grepmFocusedActivity # 主要 针对第三方应用dumpsys window windows | findstr “Current” # 主要 针对第三方应用2.启动app命令行输入 adb shell am start +包名/.Activity (要启动的Activity)例如：adb
2020-12-03 22:19:10
11608
原创 机器学习-K-近邻算法
学习目标掌握K-近邻算法实现过程知道K-近邻算法的距离公式知道K-近邻算法的超参数K值以及取值问题知道kd树实现搜索的过程应用KNeighborsClassifier实现分类知道K-近邻算法的优缺点知道交叉验证实现过程知道超参数搜索过程应用GridSearchCV实现算法参数的调优1 K-近邻算法简介1.1 什么是K-近邻算法K Nearest Neighbor算法又叫KNN算法，这个算法是机器学习里面一个比较经典的算法， 总体来说KNN算法是相对比较容易理解的算法定义如果
2020-11-27 20:33:28
435
原创 机器学习-模型评估与选择
1. 过拟合过拟合是指学习模型对训练样本预测得很好，但对新样本预测很差的现象。这通常是由于学习模型能力过于强大，以至于把训练样本自身的一些特点当做了一般性质。过拟合是无法彻底避免的，只能缓解。模型选择就是要旨在避免过拟合并提高模型的预测能力。2. 评估方法通常用测试误差来近似模型的泛化误差。下面介绍几种常用的评估方法：2.1 留出法（hold-out）留出法直接将数据集D DD划分为两个互斥的部分，其中一部分作为训练集S SS，另一部分用作测试集T TT。通常训练集和测试集的比例为70%：30
2020-11-24 20:04:14
242
原创 生活记录-常见水果清洗方法
摘要1.面粉去除脏物2.盐1. 葡萄(葡萄食品)葡萄表面有一层白霜，，学名叫「果粉」。其实不用怕，这层白霜是葡萄自身分泌的糖醇类物质，这层看起来脏脏的白色存在，不仅对人体无害，反而说明葡萄很新鲜葡萄表面有一层白霜，还粘附着一些泥土啊，手重了洗烂，手轻了洗不掉，怎么办？有个方法挺简单，把葡萄放在水里面，然后放入两勺面粉或淀粉，不要使劲的去揉它，只需来回倒腾，然后放水里来回地刷筛洗，面粉和淀粉都是有粘性的，它会把那些乱七八糟的东西都给带下来。2. 苹果(苹果食品)平常吃苹果，有许多人喜欢连
2020-11-21 20:42:12
171
原创 数据分析-数据合并与重塑(concat,append,merger,join,combine_first,update )
1. concatconcat函数是在pandas底下的方法，可以将数据根据不同的轴作简单的融合，默认axis=0连接pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False)常用参数说明:objs: series，dataframe或者是panel构成的序列lsit， 必须是
2020-11-20 22:49:05
927
转载 机器学习-线性回归原理推导与算法描述
1. 概念线性回归（LinearRegression）是一种通过属性的线性组合来进行预测的线性模型，其目的是找到一条直线或者一个平面或者更高维的超平面，使得预测值与真实值之间的误差最小化。2. 特点优点：结果具有很好的可解释性（w直观表达了各属性在预测中的重要性），计算熵不复杂。 缺点：对非线性数据拟合不好适用数据类型：数值型和标称型数据3. 原理推导给定数据集 D={(xi,yi)}i=1,mD=\left\{\left(x_{i}, y_{i}\right)\right\}_{
2020-11-20 21:45:47
140
原创 机器学习-贝叶斯公式
1. 贝叶斯公式在已知B事件发生的情况下A事件发生的概率。本身最直观的形式是即AB两事件的交集除以B事件发生的概率最简单的理解方法就是画图:如图所示，A和B为样本空间S中两个存在交集的事件。假设面积对应事件发生的概率，P（S）=1, P（A）= 0.3，P (B) = 0.4,P(A∩B)=0.1前提为B事件发生，那么我们只需要关注B事件发生后的情况，如图阴影部分是A和B事件的交集。它占B事件的比例即为贝叶斯公式所描述的概率 0.1/0.4=1/42.个人理解：P(A∩B)=P(B|
2020-11-20 19:58:59
634
原创 金融量化-股债平衡交易策略—面向对象实现 & 仓位控制
股债平衡交易策略股债平衡策略最早源于格雷厄姆《聪明的投资者》一书，在这本书里，格雷厄姆提出了著名的股债50%:50%平衡策略，即将总资产的分为两半各50%，一半买股票，一半买债券。当股票价格上涨导致股票资产的仓位超过目标仓位(即50%)时，卖掉多余股票部分并买入债券，反之，当股票价格下跌导致股票资产的仓位低于目标仓位(即50%)时，卖掉部分债券并买入股票。总之就是通过动态调仓使股债维持50%:50%的目标配比。当然，股和债的配比不一定要局限于50%:50%，也可以20%:80%或者80%:20%，具
2020-11-14 17:44:02
1023
原创 金融量化- CTA_交易系统(Aberration)_趋势跟踪系统_股票修改版
1.基本原理股票价格多围绕某一价格上下波动。当股价远离基准价格超过一定幅度则可能形成长期趋势，而短期股价偏离基准价格过多则可能因过度偏离均值而形成大幅回撤甚至趋势终止。由此以观察期内均线作为基准价格，以观察期内标准差的一定倍数作为开仓价或止盈价，采用移动止损方式进行止损构建此策略。开仓条件当日最高价 > 均价 + 开仓触发倍数 × 观察期内标准差最大值止盈条件当天最高价 > 均价 + 止盈触发倍数 × 观察期内标准差最大值止损条件同样结合了移动止损和固定止损两种止损
2020-11-14 16:58:57
3052
3
原创 金融量化-基于K线形态锤子线的趋势跟踪策略
1.基本原理1.1 K线部位定义：实体：某一根K线开盘价和收盘价之间部分;上影线：某一根K线最高价到实体上端的部分;下影线：某一根K线最低价到实体下端的部分;1.2 锤子线定义实体处于整个价格区间上端，实体颜色本身不影响;下影线长度至少达到实体高度的2倍;上影线很短;1.3 策略原理在下跌过程中，当某一日出现锤子线，意味着当天行情先继续下跌后出现大幅反弹，行情可能由此反转;由此以观察期均线识别趋势下跌，以下跌趋势中出现锤子线作为开仓信号; 采用移动止损方式进行止损构建此策
2020-11-14 16:04:08
1385
1
原创 金融量化 - 技术分析策略和交易系统_SMA+CCI交易系统
双技术指标：SMA+CCI交易系统以SMA作为开平仓信号，同时增加CCI作为过滤器；当股价上穿SMA，同时CCI要小于-100，说明是在超卖的情况下，上穿SMA，做多；交易信号更可信；当股价下穿SMA，同时CCI要大于+100，说明是在超买的情况下，下穿SMA，做空；交易信号更可信；import numpy as npimport pandas as pdimport talib as taimport tushare as tsimport matplotlib as mplimport
2020-11-11 20:49:11
1649
原创 金融量化-技术分析策略和交易系统_CCI指标的策略实现
技术分析策略和交易系统_CCI指标的策略实现CCI指标详解及实战用法import numpy as npimport pandas as pdimport talib as taimport tushare as tsimport matplotlib as mplimport matplotlib.pyplot as pltimport seaborn as snsplt.style.use('seaborn')%matplotlib inline# 确保可以显示‘-’号mpl.r
2020-11-11 20:44:34
857
转载 CCI指标详解及实战用法
1. 定义CCI指标又叫 顺势指标，其英文全名为Commodity Channel Index，是由美国股市分析家唐纳德•R.兰伯特（Donald R.Lambert）于20世纪80年代所创，是指导股市投资的一种中短线指标。2.原理CCI指标是一种超买超卖指标。所谓超买超卖指标，顾名思义，“超买”，就是已经超出买方的能力，买进股票的人数超过了一定比例，那么，这时候应该反向卖出股票。"超卖"则代表卖方卖股票卖过了头，卖股票的人数超过一定比例时，反而应该买进股票。这是在一般常态行情，但是，如果行情
2020-11-11 19:42:16
11611
原创 金融量化 — 配对交易策略 （Pair Trading）
1. 配对交易策略1.1、引言在量化投资领域，既然严格的无风险套利机会少、收益率微薄，实际的执行过程中也不能完全消除风险。那么如果有一种选择，能够稍微放松100%无风险的要求，比如允许有5%的风险，但同时却能够让套利机会增加100%以上，那岂不是一个更好的选择？今天，我们就来介绍这样一种方法——配对交易。1.2、统计套利1.2.1 定义统计套利即主要以对历史数据进行统计分析为基础，估计目标统计量的分布，再结合股票自身基本面数据来指导套利交易。1.2.2 评价统计套利相对于无风险套利，它增加了一
2020-11-09 22:18:11
7284
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人