首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

A股指数图谱:是否有月份效应?

股市涨涨跌跌,如潮起潮落,千千万万人前赴后继试图寻求股市涨跌的规律,破解投资和财富增值的密码,然而大多数人都无功而返。获得投资经验有四种方法:实践、历史、理论和统计。大多数人是通过第一种,即实际操作,这是最重要的经验获取方法。但是实际操作经验存在时代背景偏差,且经验积累非常有限,特别是对于经历少于一两轮股市周期的交易者而言。好的投资策略一定是历史和逻辑的统一,通过多层次、多维度的思考,综合利用理论、统计和历史研究方法,通过在实践中检验,不断优化自己的投资哲学和策略。今天为大家分享如何运用Python编程语言,实现对A股历史走势、涨跌频率和“月份效应”的量化分析和统计检验,试图从历史数据中挖掘有用的信息。尽管交易市场是人性的复杂博弈场,其涨跌规律难以准确度量,但历史总是惊人的相似,正如《圣经》所言:“已有的事,后必再有。已行的事,后必再行,日光之下并无新事”。

04
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    中文预训练模型泛化能力挑战赛Baseline

    自从2017年具有划时代意义的Transformer模型问世以来,短短两年多的时间内,如雨后春笋般的出现了大量的预训练模型,比如:Bert,Albert,ELECTRA,RoBERta,T5,GPT3等等。然而之前的基准评测体系存在两个缺陷:评测强度不够,模型不通用。评测强度不够指的是选手只提交结果,不提交inference的代码。模型不通用指的是预训练模型不能保证在相同超参数情况下在所有任务上都获得比较好的性能。以上两点极大限制了预训练技术的应用和发展。如果我们能通过算法实现泛化能力强的中文预训练模型,这将提高下游业务的准确性,从而提升企业的核心竞争力,并为企业创造更多的价值。

    02
    领券