3.2 知识图谱研究现状 3.2.1 通用知识图谱案例 国外的 DBpedia [Auer et al,2007]使用固定的模式从维基百科中抽取信息实 体，当前拥有 127 种语言的超过两千八百万实体以及数亿 RDF 三元组；Yago [Suchanek et al,2007]则整合维基百科与 WordNet 的大规模本体， 拥有 10 种语言 约 459 万个实体，2400 万个事实；Babelnet [Navigli et al,2012]则采用将 WordNet 词典与 Wikipedia 百科集成的方法，构建了一个目前最大规模的多语言词典知识 库，包含 271 种语言 1400 万同义词组、36.4 万词语关系和 3.8 亿链接关系。 国内的 Zhishi.me 从开放的百科数据中抽取结构化数据，当前已融合了包括 百度百科、互动百科、中文维基三大百科的数据，拥有 1000 万个实体数据、一 亿两千万个 RDF 三元组；以通用百科为主线，结合垂直领域的 CN-DBPedia [Xu et al,2017]，则从百科类网站的纯文本页面中提取信息，经过滤、融合、推断等操 作后形成高质量的结构化数据；XLore[Wang et al,2013]则是基于中文维基百科、 英文维基百科、百度百科、互动百科构建的大规模中英文知识平衡知识图谱。 3.2.2 领域知识图谱案例 领域知识图谱常常用来辅助各种复杂的分析应用或决策支持，如下图所示， 在多个领域均有应用，不同领域的构建方案与应用形式则有所不同，本文将以电 商、企业商业、图情、创投四个领域为例，从图谱构建与知识应用两个方面介绍 领域知识图谱的技术构建应用与研究现状。 图2 行业知识图谱应用一览15 15 引自 2017CCKS《行业知识图谱的构建与应用》

基于同花顺的PYTHON程序化交易DEMO，可以A股下单 只支持买入买入买入（其余可以自行编写脚本，方法相同）！！！ 本python脚本支持的交易软件： 1、同花顺通用版电脑客户端+银河账户（其他券商使用方法类似，没有测试过。） 2、双子星新一代行情交易终端-中国银河证券 测试版本：客户端内核版本5.58.91.121 功能： 1、模拟键盘鼠标操作，自动买入某只股票 2、定时买入，失败重试直到成功

定量分析 利用python对国内各大券商的金工研报进行复现 数据依赖： 和 每个文件夹中有对应的券商研报及相关的论文，py文件中为ipynb的复现文档 目录 指数择时类 RSRS择时指标 一种。 CSVC为一个防过拟框架 b。 因子 量化价值 组合优化

aladdin股市量化分析论坛软件11.06版源代码-----中远海控-----实例版 aladdin股市量化分析论坛软件11.06版源代码-----中远海控-----实例版

python量化交易教程，从Python入门到量化交易策略，量化交易师的python日记，股票量化交易，alpha多因子模型，宏观研究，布林带，均线系统，cci顺势指标探析，EMV技术指标的构建及应用，FPC指标选股，动量模型，基于胜率的趋势交易模型，机器学习，算法交易，中高频交易，易经、传统文化、老黄历诊股。

hb-electron-quantitativeTrading 先说明下这程序 这是一款基于electron 开发的量化交易程序 对接的是火币API 为什么要使用electron开发呢？ 最初我是打算用java+vue做一套稍微大型的量化交易系统 但因为时间的关系 最终选择了electron做了套阉割版 当然 后续如果有时间了 我会重新用java+vue开发一套。 其实一开始是自己打算自己一个人用的，所以代码规范方面没考虑太多怎么方便怎么来.... 展示 界面 UI界面用的是这位大哥的 作为一名java后端 写的UI真的不能看 核心文件 邮箱配置: email.js K线计算： line.js 币种以及url等配置 ： env.js 改币种的话记得吧 Home.vue 571行 汇率改下 注意 使用前先把电脑本地时间改成 UTC(协调世界时) ...... 安装依赖 npm instal

上海证券交易所A股股票日线数据，1095支股票，时间区间为 1999.12.09 至 2016.06.08，前复权，剔除假期休市。

CFA一级财务报表分析框架.pdf

《从编程小白到量化宗师之路》系列课程是一套综合性实战课程，涵盖股票，期货，虚拟货币等的交易方法和策略手段。 《基于BackTrader开发一套WorkForward前向分析框架》是本系列的第二个中级课程。课程宗旨是缩短个人或小型投资者与大型机构投资者之间的的差距。 目前市场上的所有量化策略编写系统，都是从获取一段时间的数据开始，利用指标或者各种模型，进行订单的买卖操作，直到跑完这段时间的数据，运行出结果，并给出各种各样的统计分析，就结束了！？然而实际上，这远没有结束，我们就以指标为例，不同时间不同的行情，指标的效果有很大的差别，更别说不同的年份有不同的行情，只使用一段时间测试怎么足够？ 一次性用所有数据，又是一种极端过拟合，更何况，你不能使用2019年测试好的策略，用在2018年之前的任何时间，这些限制，正是金融时间序列数据的不同之处。为了解决这个问题，就应该使用WorkForward前向分析，也就是通常意义上的“边走边看，走一步看一步”。这本应该是最基础的功能，然而市面上大多数的量化分析系统，完全没有提到或者提供这项功能，让初步入门的量化学习者还要自己组装这一基础功能。 本课程基于b