股票价格预测 目录 介绍 该项目是我对Udacity的数据科学家纳米学位计划的基本项目。 我们将实现两种机器学习算法（移动平均值和LSTM）来预测公司的未来股价。 然后，我们从这两种算法中选择最佳算法来开发自己的股价预测指标。 该项目包括Python脚本，交易者可以在其中输入历史股票价格数据以获得训练有素的LSTM模型。 然后，可以使用经过训练的模型来预测未来的股票价格。 该项目随附的博客文章 档案说明 股票价格预测.ipynb-用于股票价格预测的Jupyter笔记本。 train.py-借出历史股价数据并训练LSTM模型的Python脚本。 Forecastor.py-用于借出历史股价数据和将来预测股价的Python脚本。 文件夹：数据 排爆INTC.csv -历史股价数据从 。 文件夹：型号 model.pkl-腌制文件中经过训练的LSTM模型。 scaler.gz-保存在存档文

用于单层前馈神经网络（SLFN）的极限学习机（ELM）是一种强大的机器学习技术，并且以其快速的学习速度和良好的泛化性能而受到关注。 最近，提出了加权ELM来处理具有不平衡类分布的数据。 加权ELM的关键本质是为每个训练样本分配了额外的权重。 尽管提供了一些经验加权方案，但是如何确定更好的样本权重仍然是一个悬而未决的问题。 在本文中，我们提出了一种Boosting加权ELM，它将加权ELM无缝地嵌入到经过修改的AdaBoost框架中，以解决上述问题。 直观地，反映训练样本重要性的AdaBoost框架中的分布权重被输入到加权ELM中作为训练样本权重。 此外，在两个方面对AdaBoost进行了修改，以更有效地实现不平衡学习：（i）初始分布权重设置为不对称，以便AdaBoost以更快的速度收敛； （ii）针对不同类别分别更新分配权重，以避免破坏分配权重的不对称性。 对KEEL存储库中的16个二进制数据集和5个多类数据集的实验结果表明，与加权ELM相比，该方法可以实现更均衡的结果。

此demo算法参考论文Sensor fusion for robust outdoor Augmented Reality tracking on mobile devices，有多个传感器融合的例子，可将此算法结合到自己的android定位程序中。详细信息参考资源中的说明文件

浅谈如何提高现代化奶牛场的效益.pdf

PROE野火版入门与提高教程借鉴.pdf

对于某个城市的出租车数据，一天就有33210000条记录，如何将每辆车的数据单独拎出来放到一个专属的文件中呢？ 思路很简单： 就是循环33210000条记录，将每辆车的数据搬运到它该去的文件中。 但是对于3000多万条数据，一个一个循环太消耗时间，我花了2个小时才搬运了60万数据，算算3000万我需要花费100个小时，也就需要4-5天。并且还需要保证这五天全天开机，不能出现卡机的事故。 因此，需要使用并行进行for循环的技巧： 由于3000万数据放到csv中导致csv打不开，因此我就把一个csv通过split软件将其切分成每份60万，共53个csv。 我原来的思路是读取文件夹，获取由每一个60

应用C++特性提高执行速度及节省内存空间（1）

索引 内容 位置 阿布量化系统源代码 abupy目录 阿布量化使用教程 abupy_lecture目录 阿布量化非编程界面操作 abupy_ui目录 《量化交易之路》示例代码 ipython／python目录 《机器学习之路》示例代码 https://github.com/maxmon/abu_ml 特点 使用多种机器学习技术智能优化策略 在实盘中指导策略进行交易，提高策略的实盘效果，战胜市场 支持的投资市场: 美股，A股，港股 期货，期权 比特币，莱特币 工程设计目标： 分离基础策略和策略优化监督模块 提高灵活度和适配性 APP下载 & 网址 谢谢您来使用我们的应用! 电脑浏览器访问网址: https://www.abuquant.com iOS苹果手机AppStore下载链接 android手机下载链接页面 量化技术博客地址 K线课堂地址 量化课堂地址 APP简介 量化系统 阿布量化综合AI大数据系统, K线形态系统, 经典指标系统, 走势趋势分析系统, 时间序列维度系统, 统计概率系统, 传统均线系统对投资品种进行深度量化分析, 彻底跨越用户复杂的代码量化阶段, 更适合普通人群使用, 迈向量化2.0时代. 量化模型 上述系统中结合上百种子量化模型, 如: 金融时间序列损耗模型, 深度形态质量评估模型, 多空形态组合评定模型, 多头形态止损策略模型, 空头形态回补策略模型, 大数据K线形态历史组合拟合模型, 交易持仓心态模型, 多巴胺量化模型, 惯性残存阻力支撑模型, 多空互换报复概率模型, 强弱对抗模型, 趋势角度变化率模型, 联动分析模型, 时间序列的过激反应模型, 迟钝报复反应模型, 趋势启动速度模型, 配对对冲模型等. AI量化 阿布量化针对AI人工智能从底层开发算法, 构建适合量化体系的人工智能AI系统, 训练了数个从不同角度识别量化特征的评分模型，整体上分为三个系别：物理模型组、多巴胺生物模型组、量化形态模型组。不同系别模型群从不同角度(主要物理交易实体分析、人群心理、图表等三个方向)评估走势，系别的模型群是由若干个独有的识别算法和参数遗传淘汰，组成族群，加权投票评分. 量化策略 阿布量化结合了传统基于代码策的量化系统, 对未来择时信号发出时机的预判, 系统基于数百种简单种子交易策略，衍生出更多的量化交易策略新策略在这些种子基础上不断自我学习、自我成长，不断分裂，适者生存，淘汰选择机制下繁衍，目前应用的量化买入卖出信号策略共计18496种。 量化应用 阿布量化结合多种量化分析数据构建了数百种量化应用, 如: AI高能预警, AI高光时刻, 智能预测涨跌幅, 下跌五浪量化, 上涨五浪量化, 阻力支撑强度分析, 上升三角形突破, 下降三角形, 三重底 (头肩底), 三重顶 (头肩顶), 圆弧顶, 圆弧底, 乌云盖顶形态, 上升三部曲形态, 好友反攻形态, 单针探底形态, 射击之星形态, 多方炮形态, 上涨镊子线, 向上突破箱体, 跳空突破缺口, 黄金分割线量化, 趋势跟踪信号, 均值回复信号, 止损风险控制量化, 止盈利润保护量化, 综合指标分析等. 安装 部署 推荐使用Anaconda部署Python环境，详见 量化环境部署 测试 import abupy 界面操作（非编程） 更多界面操作示例 使用文档 1：择时策略的开发 第一节界面操作教程视频播放地址 择时策略决定什么时候买入投资品，回测告诉我们这种策略在历史数据中的模拟收益如何。 买入择时因子的编写 分解模式一步一步对策略进行回测 卖出择时因子的实现 在对的时间，遇见对的人(股票)，是一种幸福 在对的时间，遇见错的人(股票)，是一种悲伤 在错的时间，遇见对的人(股票)，是一声叹息 在错的时间，遇见错的人(股票)，是一种无奈 详细阅读 2: 择时策略的优化 通过止盈止损保护策略产生的利润，控制风险。 基本止盈止损策略 风险控制止损策略 利润保护止盈策略 详细阅读 3: 滑点策略与交易手续费 考虑应用交易策略时产生的成交价格偏差及手续费。 滑点买入卖出价格确定及策略实现 交易手续费的计算以及自定义手续费 type date symbol commission buy 20150423 usTSLA 8.22 buy 20150428 usTSLA 7.53 sell 20150622 usTSLA 8.22 buy 20150624 usTSLA 7.53 sell 20150706 usTSLA 7.53 sell 20150708 usTSLA 7.53 buy 20151230 usTSLA 7.22 sell 20160105 usTSLA 7.22 buy 20160315 usTSLA 5.57 sel

四年级上册数学课件-6.1 整理与提高（大数与凑整）▏沪教版 (共14张PPT)(1).pptx

绿化施工中提高植树成活率的关键环节技术.docx