本代码对应着我发布的文章。 代码语言：python 开发环境：pycharm 实验数据：船舶AIS数据

Opening Window Time Ratio (OPW-TR) 的多线程实现 C/C++ 源代码包

calipso一级气溶胶产品1064nm和532nm波长的后向散射系数比值，色比垂直剖面图

rc代码显着性matlab

提出了一种新的虚拟网络嵌入（VNE）算法，该算法改进了原始子图同构搜索过程，克服了现有VNE算法的缺陷。 首先，提出了一种节点资源评估方法，该方法同时考虑了节点资源需求（能力）和拓扑属性，以改善虚拟节点的映射顺序。 其次，该算法改善了虚拟节点映射时候选衬底节点的选择过程，提高了虚拟链路映射的质量。 第三，该算法通过考虑子区域中的总资源能力，改进了衬底网络中资源分配子区域的选择。 实验结果表明，与现有算法相比，该算法在映射质量，收益，接收率和运行时间方面具有更好的表现。

风险库 量化战略资产分配，每个人都很容易。 描述 Riskfolio-Lib是一个库，用于使用秘鲁制造的Python进行定量战略资产分配或投资组合优化 :Peru: 。它的目的是帮助学生，学者和从业人员轻松地基于数学上复杂的模型建立投资组合。它基于构建，并与数据结构紧密集成。 Riskfolio-Lib提供的一些关键功能： 具有4个目标函数的平均风险投资组合优化： 最低风险。 最大回报。 最大效用函数。 最大风险调整后回报率。 具有13个凸风险度量的平均风险投资组合优化： 标准偏差。 半标准偏差。 平均绝对偏差（MAD）。 较低的第一部分矩（Ω比） 第二较低的局部矩（Sortino比率） 条件风险价值（CVaR）。 熵值风险（EVaR）。 最坏情况的实现（Minimax模型） 最大跌幅（卡尔马率） 平均亏损 有条件的风险缩水（CDaR）。 熵降风险（EDaR）。 溃疡指数。 带有10个凸风险度量

自动股票交易的深度强化学习：整体策略 该存储库提供了代码 的Jupiter Notebook重新实现了这种整体策略。 抽象的 股票交易策略在投资中起着至关重要的作用。 但是，在复杂而动态的股票市场中设计一种有利可图的战略是具有挑战性的。 在本文中，我们提出了一种深度集成强化学习方案，该方案可以通过最大化投资回报来自动学习股票交易策略。 我们训练一种深度强化学习代理，并使用三种基于行为者批评的算法来获得整体交易策略：近距离策略优化（PPO），优势参与者批评者（A2C）和深度确定性策略梯度（DDPG）。 集成策略继承并集成了三种算法的最佳功能，从而可以稳健地适应不同的市场条件。 为了避免在具有连续动作空间的训练网络中消耗大量内存，我们采用按需加载方法来处理非常大的数据。 我们在30支具有足够流动性的道琼斯股票上测试了我们的算法。 评估了具有不同强化学习算法的交易代理商的表现，并与道琼斯工业平均