大麦app抢票脚本需要依赖appium，因此需要现在安装appium server&client环境，步骤如下：进入大麦网，选择你需要抢票的演唱会。假设如下图所示： 接下来按照下图的标注对配置文件进行修改： 最终`config.json`的文件内容如下 - `index_url`为大麦网的地址，**无需修改** - `login_url`为大麦网的登录地址，**无需修改** - `target_url`为用户需要抢的演唱会票的目标地址，**待修改** - `users`为观演人的姓名，**观演人需要用户在手机大麦APP中先填写好，然后再填入该配置文件中**，**待修改** - `city`为城市，**如果用户需要抢的演唱会票需要选择城市，请把城市填入此处。如无需选择，则不填** - `date`为场次日期，**待修改** - `price`为票档的价格，**待修改** - `if_commit_order`为是否要自动提交订单，**改成 true** 启动脚本程序cd damai_appium python3 damai_appium.py 顺利抢票

游资与大宗农产品价格波动之间关系的实证分析 --以食糖和棉花为例，周四清，张宏羽，2010年，我国大宗农产品价格轮番持续上涨，且上涨幅度较大。除了劳动力成本大幅上升、临时性因素导致供给减少以及国际大宗农产品�

基于Bluenext和欧洲气候交易所（ECX）的交易数据，本文通过最大熵谱和小波方差分析了欧盟碳排放权的周期性价格波动。 结果表明：1）欧盟碳交易市场存在明显的周期性价格波动，最长周期为33个月，最短为5.7； 2）对影响碳排放权价格周期性波动的因素的研究表明，电价（POWER）对碳排放权价格的影响最大，其次是煤炭价格（COAL）。 电力每变化1％，碳排放权价格就向同一方向变化10.95％。 煤的每变化1％，碳排放价格就会反过来变化9.28％； 3）基于方差分解的研究表明，电价对碳排放价格变化的贡献最大，在30天的滞后周期中，方差贡献率为13％。

预测基于机器学习的时间序列价格预测

黄金价格数据集.zip

目标：根据历史数据，预测当天股票最高价 模块导入 import pandas as pd import matplotlib.pyplot as plt import datetime import torch import torch.nn as nn import numpy as np from torch.utils.data import Dataset, DataLoader 数据读取 原始数据获取 预测股票价格的简单小程序，LSTM 实现，基于 Pytorch。数据预处理时，将训练数据和验证数据进行了统一处理，发生了数据泄露，因此仅供娱乐，并不实用。

R语言数据分析报告：汽车风险价格预测分析

采用LSTM神经网络，基于时间线可以实现数据的预测，包括股票价格随时间的变化预测、多地天气的温湿度数据的预测。本资源已经跑通，用户替换掉数据集data.csv等文件即可，简单易上手。

链家二手房爬虫工具 本工具分为爬虫端与客户端，爬虫端用于爬取链家页面二手房数据并存储于数据库，客户端用于分析展示数据库数据。 实现功能 爬虫端（Python） 二手登山爬取，可指定城市，地区，户型以及价格范围。 每日数据存储，数据库为sqlite3，数据库文件为./lianjia.db 已售的记录记录，当某套房源不再能被抓取取到时，转换套房源从交换表迁移到售出表，保留售出前历史数据。 客户端（Nodejs） 数据可视化展示，使用电子实现跨平台，展示内容包括包括id，小区，户型，面积，朝向，偏移，年份，建筑类型，总价，单价。出。 历史价格展示，预先设定的预期高度后可进入历史价格页面，展示每次抓取获取到的价格，逐步价格的变化用箭头标出。 卖出上市展示，展示已售出上市及售出日期（最后一次抓取日期） 目录结构 . ├── README.md ├── config │   └── config.js

Black-Scholes 模型 使用 Black Scholes 公式计算欧洲价格期权的 R 函数。 输入作为（当前股票价格、现货价格、时间（以年为单位）、利率、方差/波动率）提供，对于欧式看涨期权和欧式看跌期权，函数的输出分别为 2 个值。 实验数据 (option_pricing.csv) 用于计算特定股票的期权价格。 Script.R 计算股票价格的均值和方差，并将这些值与当前 Stcok 价格和 Quote 价格一起提供给函数。 由此获得的值已从 Yahoo! 验证。 金融。