arma matlab代码抽象的 该分析的目的是获得一个基于统计探索股票价格低效性的alpha。 该策略涉及将每个行业的股票价格分解为解释最大方差的主要成分，然后对这些成分的股票价格进行回归以获得股票对它们的依赖。 接下来，使用GARCH模型对组件进行预测，因此也可以基于回归结果获得股票的预测演变。 基于这些预测，我将创建一个多空的中立套利策略，以期获得高风险的调整后收益。 create_data.m用于从Yahoo Finance中提取报价器列表的数据，并将该信息解析为matlab中的相关对象。 它使用hist_stock_data.m和hist_stock_data_brief.m连接到yahoo并提取该信息。 alpha_statistical_ind.m是使用数据创建策略的主要代码。 该策略的参数在顶部列出，然后是算法。 pca_reg_pred.m是该策略的核心。 在每个重新平衡的瞬间，都要考虑股票价格，对它们进行PCA分解，以找出解释差异的最重要的因素。 然后，对这些组件的股价进行回归，并使用ARMA / GARCH对这些组件进行建模。 在对这些成分进行推断之后，它将获得近

matlab代码求含参量矩阵特征值统计压缩感知 基于贝叶斯统计实现压缩感知。 给定的 地图估计 我们找到给定y 、 Φ和Σ的x的最大后验 (MAP) 估计。 首先，我们使用贝叶斯定理 取导数找到 MAP 估计的封闭形式 使用 Woodbury 矩阵 Identity 优化逆计算 MAP估计的最终封闭形式 生成协方差矩阵 (Σ) 假设：协方差矩阵的第i个特征值的形式为：对于所有i s， i - α 。 选择一个大小为n x n的随机正交矩阵U。 定义大小为n x n的对角矩阵D ，其中对角线项为i - α 。 协方差矩阵， Σ定义为UDU' 。 实验 我们试验了两个α值：0、3。 对于每个α ，我们生成nexp n维向量 ( x s )。 我们选择一组m 。 对于每个m ，我们生成一个大小为m x n的随机传感矩阵Φ ，其条目来自 iid Gaussian ，均值为 0，方差为 1/ m 。 我们使用它来生成测量信号y ( Φx )。 我们添加 σ 为测量信号平均值的 0.01 倍的高斯噪声。 我们使用上面推导出的 MAP 估计公式重建x并计算相对均方根误差（Relative RMSE）

学习贝叶斯统计的入门。公式不复杂，适合刚入门。

the elements of statistical learning 第二版高清&第一版中文影印

很棒的决策树研究论文 精选的决策，分类和回归树研究论文清单，包括来自以下会议的实现： 机器学习 计算机视觉 自然语言处理 数据 人工智能 关于，，，和论文的类似集合以及实现。 2020年 DTCA：可解释的索赔验证基于决策树的共同注意网络（ACL 2020） 吴连伟，袁Yuan，赵永强，梁浩，安布琳·纳齐尔 隐私保护梯度提升决策树（AAAI 2020） 李勤彬，吴兆敏，温则宜，何炳生 实用联合梯度提升决策树（AAAI 2020） 李勤彬，温则宜，何炳生 最优决策树的有效推断（AAAI 2020） 弗洛伦特·阿韦拉内达（Florent Avellaneda） 使用缓存分支和边界搜索学习最佳决策树（AAAI 2020） 盖尔·阿格林（Gael Aglin），齐格弗里德·尼森（Pierre） 决策树集合分类器的抽象解释（AAAI 2020） 弗朗切斯科·朗佐托（Marco Zanella） （多任务）梯度增强树的可扩展功能选择（AISTATS 2020） Cuize Han，Nikhil Rao，Daria Sorokina，Karthik Subbia

雷达的3D占据栅格

统计补充材料 我已发表和正在进行的工作的统计补充材料代码。

学R语言的书，统计计算的教材，非常实用的书，是英文版的

多元统计分析的绝佳教材，第三版了，斯坦福大学Aderson经典之作

该讲座主要面向机器学习、计算机科学或相关学位的硕士学生，但也可能吸引其他学科的学生，如数学、物理、语言学、经济学等。如果有疑问，请参加第一堂课并与我们交谈。 该报告的重点是机器学习的算法和理论两个方面。我们将介绍许多标准算法，并了解构建良好机器学习算法的一般原理和理论结果。主题范围从已经确立的结果到最近的结果。 贝叶斯决策理论，没有免费的午餐定理。 监督学习问题(回归，分类): 简单基线(最近邻，随机森林);线性方法;正则化; 支持向量机，非线性核方法及其背后的理论 无监督学习问题:PCA降维到流形方法从k-means到谱聚类和谱图理论，从MDS到t-SNE的嵌入算法 统计学习理论:一致性和泛化界限 社会背景下的机器学习:公平、可解释性等 低秩矩阵完成，压缩感知 排序