Ⅰ R璇瑷閲戣瀺娉㈠姩鐜囧缓妯|锘轰簬SGED鍒嗗竷镄勫彉鍙傛暟ARIMA+EARCH锷ㄦ侀勬祴妯″瀷镄勭爷绌
閲戣瀺娉㈠姩鐜囩殑R璇瑷鎺㈢储锛歋GED鍒嗗竷椹卞姩镄勫彉鍙傛暟ARIMA+EARCH锷ㄦ侀勬祴妯″瀷璇﹁В</
鐢遍噾铻岖珵璧涜幏濂栬咃纴R璇瑷涓揿堕绨绁ヤ细甯︽潵镄勬繁搴︾爷绌讹纴浠栧皢涓扑笟鐭ヨ瘑搴旂敤浜庡疄鎴桡纴鎺㈢储娌娣5镶＄殑镞ユ敹鐩婄巼娉㈠姩镐ч勬祴銆傛湰鏂囩殑铹︾偣鍦ㄤ簬鏋勫缓涓涓鍒涙柊镄勬ā鍨嬶纴鍗砈GED鍒嗗竷鏀鎸佺殑鍙桦弬鏁痨RIMA+EARCH锷ㄦ侀勬祴妯″瀷锛屾棬鍦ㄦ彮绀鸿偂绁ㄦ敹鐩婄巼镄勨滃皷宄板帤灏锯濈壒镐т笌闱炲圭О娉㈠姩銆
镙稿绩镰旂┒</
鍦ㄦ繁鍏ョ爷绌朵腑锛屾垜浠鍙戠幇锛
鍦ㄧ悊璁烘敮鎸佹柟闱锛岀爷绌跺熼壌浜嗗备笅镄勫︽湳鎴愭灉锛
榻愮ゥ浼氱殑杩欎竴绯诲垪镰旂┒锛屼笉浠呮繁鍖栦简鎴戜滑瀵归噾铻嶆尝锷ㄧ殑鐞呜В锛屼篃涓烘姇璧勮呮彁渚涗简绮惧嗳镄勯勬祴宸ュ叿锛屽姪锷涗粬浠鍦ㄩ噾铻嶅竞鍦轰腑鎶婃彙链洪亣銆
Ⅱ 请问如何用R语言做大量次数的几何布朗运动的模拟（参数μ，σ已知）
这上网搜应该搜的到吧，比如这篇文章"
股票价格行为关于几何布朗运动的模拟--基于中国上证综指的实证研究
",照着几何布朗运动的公式直接写代码应该就行了吧，代码逻辑都很清晰。
下面是照着这片文章模拟一次的代码，模拟多次的话，外面再套个循环应该就行了。然后再根据均方误差(一般用这个做准则的多)来挑最好的。
话说你的数据最好别是分钟或者3s切片数据，不然R这速度和内存够呛。
N <- 2000 #模拟的样本数
S0 <- 2000 #初始值
mu <- 0.051686/100
sigma <- 1.2077/100
St <- rep(0,N)
epsion <- rnorm(N,0,1) #正态分布随机数
for(i in 1:N) {
if(i == 1) {
delta_St <- mu * S0 + sigma * S0 * epsion[i]
St[i] <- S0 + delta_St
}else {
delta_St <- mu * St[i-1] + sigma * St[i-1] * epsion[i]
St[i] <- St[i-1] + delta_St
}
}
Final_St <- c(S0,St) #最终结果
plot(Final_St,type = "l")
Ⅲ 明年一月股票价格属于逻辑回归问题吗
是的，明年一月股票价格属于逻辑回归问题。逻辑回归这个模型很神奇，虽然它的本质也是回归，但是它是一个分类模型，并且它的名字当中又包含”回归“两个字，未免让人觉得莫名其妙。
如果是初学者，觉得头晕是正常的，没关系，让我们一点点捋清楚。
让我们先回到线性回归，我们都知道，线性回归当中 y = WX + b。我们通过W和b可以求出X对应的y，这里的y是一个连续值，是回归模型对吧。但如果我们希望这个模型来做分类呢，应该怎么办？很容易想到，我们可以人为地设置阈值对吧，比如我们规定y > 0最后的分类是1，y < 0最后的分类是0。从表面上来看，这当然是可以的，但实际上这样操作会有很多问题。
最大的问题在于如果我们简单地设计一个阈值来做判断，那么会导致最后的y是一个分段函数，而分段函数不连续，使得我们没有办法对它求梯度，为了解决这个问题，我们得找到一个平滑的函数使得既可以用来做分类，又可以解决梯度的问题。
很快，信息学家们找到了这样一个函数，它就是Sigmoid函数，它的表达式是：
.png
它的函数图像如下：
.png
可以看到，sigmoid函数在x=0处取值0.5，在正无穷处极限是1，在负无穷处极限是0，并且函数连续，处处可导。sigmoid的函数值的取值范围是0-1，非常适合用来反映一个事物发生的概率。我们认为
σ(x) 表示x发生的概率，那么x不发生的概率就是 1 - σ(x) 。我们把发生和不发生看成是两个类别，那么sigmoid函数就转化成了分类函数，如果 σ(x) > 0.5 表示类别1，否则表示类别0.
到这里就很简单了，通过线性回归我们可以得到
.png
也就是说我们在线性回归模型的外面套了一层sigmoid函数，我们通过计算出不同的y，从而获得不同的概率，最后得到不同的分类结果。
损失函数
下面的推导全程高能，我相信你们看完会三连的(点赞、转发、关注)。
让我们开始吧，我们先来确定一下符号，为了区分，我们把训练样本当中的真实分类命名为y，y的矩阵写成 Y 。同样，单条样本写成 x , x 的矩阵写成 X。单条预测的结果写成 y_hat，所有的预测结果写成Y_hat。
对于单条样本来说，y有两个取值，可能是1，也可能是0，1和0代表两个不同的分类。我们希望 y = 1 的时候，y_hat 尽量大， y = 0 时， 1 - y_hat 尽量大，也就是 y_hat 尽量小，因为它取值在0-1之间。我们用一个式子来统一这两种情况：
.png
我们代入一下，y = 0 时前项为1，表达式就只剩下后项，同理，y = 1 时，后项为1，只剩下前项。所以这个式子就可以表示预测准确的概率，我们希望这个概率尽量大。显然，P(y|x) > 0，所以我们可以对它求对数，因为log函数是单调的。所以 P(y|x) 取最值时的取值，就是 log P(y|x) 取最值的取值。
.png
我们期望这个值最大，也就是期望它的相反数最小，我们令
.png
这样就得到了它的损失函数：
.png
如果知道交叉熵这个概念的同学，会发现这个损失函数的表达式其实就是交叉熵。交叉熵是用来衡量两个概率分布之间的”距离“，交叉熵越小说明两个概率分布越接近，所以经常被用来当做分类模型的损失函数。关于交叉熵的概念我们这里不多赘述，会在之后文章当中详细介绍。我们随手推导的损失函数刚好就是交叉熵，这并不是巧合，其实底层是有一套信息论的数学逻辑支撑的，我们不多做延伸，感兴趣的同学可以了解一下。
硬核推导
损失函数有了，接下来就是求梯度来实现梯度下降了。
这个函数看起来非常复杂，要对它直接求偏导算梯度过于硬核(危)，如果是许久不碰高数的同学直接肝不亚于硬抗苇名一心。
.png
为了简化难度，我们先来做一些准备工作。首先，我们先来看下σ 函数，它本身的形式很复杂，我们先把它的导数搞定。
.png
因为 y_hat = σ(θX) ，我们将它带入损失函数，可以得到，其中σ(θX)简写成σ(θ) ：
.png
接着我们求 J(θ) 对 θ 的偏导，这里要代入上面对 σ(x) 求导的结论：
.png
代码实战
梯度的公式都推出来了，离写代码实现还远吗？
不过巧妇难为无米之炊，在我们撸模型之前，我们先试着造一批数据。
我们选择生活中一个很简单的场景——考试。假设每个学生需要参加两门考试，两门考试的成绩相加得到最终成绩，我们有一批学生是否合格的数据。希望设计一个逻辑回归模型，帮助我们直接计算学生是否合格。
为了防止sigmoid函数产生偏差，我们把每门课的成绩缩放到(0, 1)的区间内。两门课成绩相加超过140分就认为总体及格。
.png
这样得到的训练数据有两个特征，分别是学生两门课的成绩，还有一个偏移量1，用来记录常数的偏移量。
接着，根据上文当中的公式，我们不难(真的不难)实现sigmoid以及梯度下降的函数。
.png
这段函数实现的是批量梯度下降，对Numpy熟悉的同学可以看得出来，这就是在直接套公式。
最后，我们把数据集以及逻辑回归的分割线绘制出来。
.png
最后得到的结果如下：
.png
随机梯度下降版本
可以发现，经过了1万次的迭代，我们得到的模型已经可以正确识别所有的样本了。
我们刚刚实现的是全量梯度下降算法，我们还可以利用随机梯度下降来进行优化。优化也非常简单，我们计算梯度的时候不再是针对全量的数据，而是从数据集中选择一条进行梯度计算。
基本上可以复用梯度下降的代码，只需要对样本选取的部分加入优化。
.png
我们设置迭代次数为2000，最后得到的分隔图像结果如下：
.png
当然上面的代码并不完美，只是一个简单的demo，还有很多改进和优化的空间。只是作为一个例子，让大家直观感受一下：其实自己亲手写模型并不难，公式的推导也很有意思。这也是为什么我会设置高数专题的原因。CS的很多知识也是想通的，在学习的过程当中灵感迸发旁征博引真的是非常有乐趣的事情，希望大家也都能找到自己的乐趣。
今天的文章就是这些，如果觉得有所收获，请顺手点个关注或者转发吧，你们的举手之劳对我来说很重要。
相关资源：【原创】R语言对二分连续变量进行逻辑回归数据分析报告论文(代码...
文章知识点与官方知识档案匹配
算法技能树首页概览
33030 人正在系统学习中
打开CSDN，阅读体验更佳
VGG论文笔记及代码_麻花地的博客_vgg论文
VGG论文笔记及代码 VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION 牛津大学视觉组(VGG)官方网站:https://www.robots.ox.ac.uk/~vgg/ Abstract 在这项工作中,我们研究了在大规模图像识别环境中卷积网络深度对其...
...MNIST研究》论文和Python代码_通信与逆向那些事的博客_机器...
1、逻辑回归算法 逻辑回归(Logistic Regression),与它的名字恰恰相反,它是一个分类器而非回归方法,在一些文献里它也被称为logit回归、最大熵分类器(MaxEnt)、对数线性分类器等。 使用sklearn.linear_model中的LogisticRegression方法来训练...
两个重要极限的推导
两个重要极限 （1） limθ→0sinθθ=1 （θ为弧度） \underset{\theta \rightarrow 0}{\lim}\frac{\sin \theta}{\theta}=1\ \ \text{（}\theta \text{为弧度）} θ→0limθsinθ=1 （θ为弧度） （2） limx→∞(1+1x)x=e \underset{x\rightarrow \infty}{\lim}\left( 1+\frac{1}{x} \ri
继续访问
两个重要极限及其推导过程
一、 证明：由上图可知， 即 二、 证明：首先证明此极限存在 构造数列 而对于n+1 ...
继续访问
...是多项式回归】Jeff Dean等论文发现逻辑回归和深度学习一样好_qq...
其中,基线 aEWS(augmented Early Warning Score)是一个有 28 个因子的逻辑回归模型,在论文作者对预测患者死亡率的传统方法 EWS 进行的扩展。而 Full feature simple baseline 则是 Uri Shalit 说的标准化逻辑回归。 注意到基线模型(红...
数学模型——Logistic回归模型(含Matlab代码)_苏三有春的博客...
Logistic回归模型是一种非常常见的统计回归模型,在处理大量数据,揭示各自变量如何作用于因变量(描述X与Y之间的关系)时有着十分重要的作用。笔者在写Logit回归模型前参加了一次市场调研比赛,在这次比赛中学到了很多东西,同时发现,许多优秀获...
《神经网络设计》第二章中传递函数
import math #硬极限函数 def hardlim(data): if data < 0: a = 0 else: a = 1 print("fun:hardlim,result:%f"%a) #对称硬极限函数 def hardlims(data): if data < 0: a = -1 e
继续访问
两个重要极限定理推导
两个重要极限定理： limx→0sinxx=1(1) \lim_{x \rightarrow 0} \frac{\sin x}{x} = 1 \tag{1} x→0limxsinx=1(1) 和 limx→∞(1+1x)x=e(2) \lim_{x \rightarrow \infty} (1 + \frac{1}{x})^x = e \tag{2} x→∞lim(1+x1)x=e(2) 引理(夹逼定理) 定义一： 如果数列 {Xn}\lbrace X_n \rbrace{Xn}，{Yn}
继续访问
【原创】R语言对二分连续变量进行逻辑回归数据分析报告论文(代码...
【原创】R语言对二分连续变量进行逻辑回归数据分析报告论文(代码数据).docx资源推荐 资源评论 鲸鱼算法(WOA)优化变分模态分解(VMD)参数python 5星 · 资源好评率100% 1.python程序 2.有数据集,可直接运行 matlab批量读取excel表格数据...
机器学习--逻辑回归_科技论文精讲的博客
机器学习-逻辑回归分析(Python) 02-24 回归和分类方法是机器学习中经常用到的方法区分回归问题和分类问题:回归问题:输入变量和输出变量均为连续变量的问题;分类问题:输出变量为有限个离散变量的问题。因此分类及回归分别为研究这两类问题...
常见函数极限
limx→0sinx=1\lim_{x\to 0}\frac{\sin}{x}=1x→0limxsin=1 limx→∞(1+1x)x=e\lim_{x\to \infty}(1+\frac{1}{x})^x=ex→∞lim(1+x1)x=e limα→0(1+α)1α=e\lim_{\alpha\to 0}(1+\alpha)^\frac{1}{\alpha}=eα→0lim(...
继续访问
逻辑回归原理及代码实现
公式自变量取值为任意实数，值域[0,1]解释将任意的输入映射到了[0,1]区间，我们在线性回归中可以得到一个预测值，再将该值映射到Sigmoid函数中这样就完成了由值到概率的转换，也就是分类任务预测函数其中，分类任务整合解释对于二分类任务（0，1），整合后y取0只保留，y取1只保留似然函数对数似然此时应用梯度上升求最大值，引入转换为梯度下降任务求导过程参数更新多分类的softmax。............
继续访问
python手写数字识别论文_Python利用逻辑回归模型解决MNIST手写数字识别问...
本文实例讲述了Python利用逻辑回归模型解决MNIST手写数字识别问题。分享给大家供大家参考,具体如下: 1、MNIST手写识别问题 MNIST手写数字识别问题:输入黑白的手写阿拉伯数字,通过机器学习判断输入的是几。可以通过TensorFLow下载MNIST手写数据集,...
逻辑回归问题整理_暮雨林钟的博客
逻辑回归问题整理 之前只是简单的接触过逻辑回归,今天针对于最近看论文的疑惑做一个整理; 逻辑回归与极大似然的关系: 逻辑回归的提出主要是在线性问题下为分类问题而提出的; 简单来说,针对于一个二分类问题,我们需要将线性函数映射为一...
机器学习算法-逻辑回归（一）：基于逻辑回归的分类预测（代码附详细注释）
1 逻辑回归的介绍和应用 1.1 逻辑回归的介绍 逻辑回归（Logistic regression，简称LR）虽然其中带有"回归"两个字，但逻辑回归其实是一个分类模型，并且广泛应用于各个领域之中。虽然现在深度学习相对于这些传统方法更为火热，但实则这些传统方法由于其独特的优势依然广泛应用于各个领域中。 而对于逻辑回归而且，最为突出的两点就是其模型简单和模型的可解释性强。 逻辑回归模型的优劣势: 优点：实现简单，易于理解和实现；计算代价不高，速度很快，存储资源低； 缺点：容易欠拟合，分类精度可能不高 1.2
继续访问
逻辑回归：原理+代码
（作者：陈玓玏） 逻辑回归算是传统机器学习中最简单的模型了，它的基础是线性回归，为了弄明白逻辑回归，我们先来看线性回归。 一、线性回归 假设共N个样本，每个样本有M个特征，这样就产生了一个N*M大小的样本矩阵。令矩阵为X，第i个样本为Xi，第i个样本的第j个特征为Xij。令样本的观测向量为Y，第i个样本的观测值为Yi，那么就会有以下公式： （X+[1]N*1）*W = Y 也就是说，...
继续访问
浅谈逻辑回归_jzhx107的博客
LMSE回归的回归平面受左上角两个绿色样本的影响而向上倾斜。 支持向量机的分离平面只由两个支持向量决定。 另外我们看到,在本例中逻辑回归和支持向量机得到的分离平面很接近,但是支持向量机的推导和训练过程要比逻辑回归复杂很多。所以加州...
论文研究-基于HBase的多分类逻辑回归算法研究.pdf_多分类逻辑回归...
论文研究-基于HBase的多分类逻辑回归算法研究.pdf,为解决在大数据环境下,用于训练多分类逻辑回归模型的数据集可能会超过执行计算的客户端内存的问题,提出了块批量梯度下降算法,用于计算回归模型的系数。将训练数据集存入HBase后,通过设置表...
【机器学习】 逻辑回归原理及代码
大家好，我是机器侠~1 Linear Regression（线性回归）在了解逻辑回归之前，我们先简单介绍一下Linear Regression（线性回归）。线性回归是利用连续性的变量来预估实际数值（比如房价），通过找出自变量与因变量之间的线性关系，确定一条最佳直线，称之为回归线。并且，我们将这个回归关系表示为2 Logistic Regression（...
继续访问
最新发布 【大道至简】机器学习算法之逻辑回归(Logistic Regression)详解(附代码)---非常通俗易懂！
逻辑回归详细推导，附github代码
继续访问
第二重要极限公式推导过程_机器学习——一文详解逻辑回归“附详细推导和代码”...
在之前的文章当中，我们推导了线性回归的公式，线性回归本质是线性函数，模型的原理不难，核心是求解模型参数的过程。通过对线性回归的推导和学习，我们基本上了解了机器学习模型学习的过程，这是机器学习的精髓，要比单个模型的原理重要得多。新关注和有所遗忘的同学可以点击下方的链接回顾一下之前的线性回归和梯度下降的内容。讲透机器学习中的梯度下降机器学习基础——线性回归公式推导(附代码和演示图)回归与分类在机器学习...
继续访问
机器学习之逻辑回归，代码实现（附带sklearn代码，小白版）
用小白的角度解释逻辑回归，并且附带代码实现
继续访问
热门推荐 两个重要极限及相关推导极限
两个重要极限： ①limx→0sinxx=1\lim_{x \to 0}\frac{\sin x}{x} = 1 ②limx→∞(1+1x)x=e\lim_{x \to \infty}(1 + \frac{1}{x})^x = e 关于重要极限①的推导极限可以参考： 无穷小的等价代换 由重要极限②可以推导出： limx→∞(1+1x)x⇒limx→0(1+x)1x=e\lim_{x \t
继续访问
（一）机器学习——逻辑回归（附完整代码和数据集）
什么是逻辑回归？ 首先逻辑回归是一种分类算法。逻辑回归算法和预测类算法中的线性回归算法有一定的类似性。简单来讲，逻辑回归，就是通过回归的方法来进行分类，而不是进行预测，比如预测房价等。 逻辑回归解决的问题 先看下面的图，已知平面上分布的红点和蓝点，逻辑回归算法就是解决怎么根据一系列点，计算出一条直线（或者是平面）将平面上的点分成两类，一般的解决方法就是建立一个数学模型，然后通过迭代优化得到一个最优...
继续访问
机器学习：逻辑回归及其代码实现
一、逻辑回归（logistic regression）介绍 逻辑回归，又称为对数几率回归，虽然它名字里面有回归二字，但是它并不像线性回归一样用来预测数值型数据，相反，它一般用来解决分类任务，特别是二分类任务。 本质上，它是一个percetron再加上一个sigmoid激活函数，如下所示： 然后逻辑回归采用的损失函数是交叉熵： ...
继续访问
逻辑回归，原理及代码实现
Ⅰ.逻辑回归概述： 逻辑回归（LR,Logistic Regression）是传统机器学习中的一种分类模型，它属于一种在线学习算法，可以利用新的数据对各个特征的权重进行更新，而不需要重新利用历史数据训练。因此在实际开发中，一般针对该类任务首先都会构建一个基于LR的模型作为Baseline Model，实现快速上线，然后在此基础上结合后续业务与数据的演进，不断的优化改进。 由于LR算法具有简单、高效、易于并行且在线学习（动态扩展）的特点，在工业界具有非常广泛的应用。例如：评论信息正负情感分析（二分类）、用户点
继续访问
逻辑(logistic)回归算法原理及两种代码实现
①简单介绍了逻辑回归的原理 ②介绍了两种代码实现方法
继续访问
由两个重要极限推导常见等价无穷小以及常见导数公式
两个重要极限 第一个重要极限 limx→0xsinx=1 \lim_{x\rightarrow0}\frac{x}{sinx}=1x→0limsinxx=1 第二个重要极限 limx→+∞(1+1x)x=e \lim_{x\rightarrow+\infty}(1+\frac{1}{x})^x=ex→+∞lim(1+x1)x=e 等价无穷小 1. ln(1+x)~x limx→0ln(1+x)x=limx→0ln(1+x)1x=ln(limx→+∞(1+1x)x)=lne=1 \lim_{
继续访问
机器学习——逻辑回归算法代码实现
机器学习——逻辑回归算法代码实现前言一、逻辑回归是什么？二、代码实现1.数据说明2.逻辑回归代码 前言 最近准备开始学习机器学习，后续将对学习内容进行记录，该文主要针对逻辑回归代码实现进行记录！同时也准备建一个群，大家可以进行交流，微信：ffengjixuchui 一、逻辑回归是什么？ 逻辑回归概念篇可看博主之前的文章，传送门 二、代码实现 1.数据说明 你想根据两次考试的结果来决定每个申请人的录取机会。你有以前的申请人的历史数据，你可以用它作为逻辑回归的训练集。
Ⅳ 什么是量化交易
量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术磨氏族从庞大的历史数据中海核燃选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪瞎弊波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。
Ⅳ Python中怎么用爬虫爬
Python爬虫可以爬取的东西有很多，Python爬虫怎么学？简单的分析下：
如果你仔细观察，就不难发现，懂爬虫、学习爬虫的人越来越多，一方面，互联网可以获取的数据越来越多，另一方面，像 Python这样的编程语言提供越来越多的优秀工具，让爬虫变得简单、容易上手。
利用爬虫我们可以获取大量的价值数据，从而获得感性认识中不能得到的信息，比如：
知乎：爬取优质答案，为你筛选出各话题下最优质的内容。
淘宝、京东：抓取商品、评论及销量数据，对各种商品及用户的消费场景进行分析。
安居客、链家：抓取房产买卖及租售信息，分析房价变化趋势、做不同区域的房价分析。
拉勾网、智联：爬取各类职位信息，分析各行业人才需求情况及薪资水平。
雪球网：抓取雪球高回报用户的行为，对股票市场进行分析和预测。
爬虫是入门Python最好的方式，没有之一。Python有很多应用的方向，比如后台开发、web开发、科学计算等等，但爬虫对于初学者而言更友好，原理简单，几行代码就能实现基本的爬虫，学习的过程更加平滑，你能体会更大的成就感。
掌握基本的爬虫后，你再去学习Python数据分析、web开发甚至机器学习，都会更得心应手。因为这个过程中，Python基本语法、库的使用，以及如何查找文档你都非常熟悉了。
对于小白来说，爬虫可能是一件非常复杂、技术门槛很高的事情。比如有人认为学爬虫必须精通 Python，然后哼哧哼哧系统学习 Python 的每个知识点，很久之后发现仍然爬不了数据；有的人则认为先要掌握网页的知识，遂开始 HTMLCSS，结果入了前端的坑，瘁……
但掌握正确的方法，在短时间内做到能够爬取主流网站的数据，其实非常容易实现，但建议你从一开始就要有一个具体的目标。
在目标的驱动下，你的学习才会更加精准和高效。那些所有你认为必须的前置知识，都是可以在完成目标的过程中学到的。这里给你一条平滑的、零基础快速入门的学习路径。
1.学习 Python 包并实现基本的爬虫过程
2.了解非结构化数据的存储
3.学习scrapy，搭建工程化爬虫
4.学习数据库知识，应对大规模数据存储与提取
5.掌握各种技巧，应对特殊网站的反爬措施
6.分布式爬虫，实现大规模并发采集，提升效率
Ⅵ 有哪些关于 R 语言的书值得推荐
数据挖掘与R语言
本书首先简要介绍了R软件的基础知识（安装、R数据结构、R编程、R的输入和输出等）。然后通过四个数据挖掘的实际案例 （藻类频率的预测、证券趋势预测和交易系统仿真、交易欺诈预测、微阵列数据分类）介绍数据挖掘技术。这四个案例基本覆盖了常见的数据挖掘技术，从无监督的 数据挖掘技术、有监督的数据挖掘技术到半监督的数据挖掘技术。全书以实际问题、解决方案和对解决方案的讨论为主线来组织内容，脉络清晰，并且各章自成体 系。读者可以从头至尾逐章学习，也可以根据自己的需要进行学习，找到自己实际问题的解决方案。
本书不需要读者具备R和数据挖掘的基础知识。不管是R初学者，还是熟练的R用户都能从书中找到对自己有用的内容。读者既可以把本书作为学习如何应用R的一本优秀教材，也可以作为数据挖掘的工具书。
机器学习：实用案例解析
机器学习是计算机科学和人工智能中非常重要的一个研究领域，近年来，机器学习不但在计算机科学的众多领域中大显身手，而且成为一些交叉学科的重要支撑技 术。本书比较全面系统地介绍了机器学习的方法和技术，不仅详细阐述了许多经典的学习方法，还讨论了一些有生命力的新理论、新方法。
全书案例既有分类问题，也有回归问题；既包 含监督学习，也涵盖无监督学习。本书讨论的案例从分类讲到回归，然后讨论了聚类、降维、最优化问题等。这些案例包括分类：垃圾邮件识别，排序：智能收件 箱，回归模型：预测网页访问量，正则化：文本回归，最优化：密码破解，无监督学习：构建股票市早闭郑场指数，空间相似度：用投票记录对美国参议员聚类，推荐系 统：给用户推荐R语言包，社交网络分析：在Twitter上感兴趣的人，模型比较：给你的问题找到最佳算法。各章对原理的叙述力求概陆颂念清晰、表达准确，突 出理论联系实际，富有启发性，易于理解。在探索这些案例的过程中用到的基本工具就是R统计编程语言。R语言非常适合用于机器学习的案例研究，因为它是一种 用于数据分析的高水平、功能性脚本语言。
R语言经典实例
本书涵盖200多个R语言实用方法，可以帮助读者快速而有效地使用R进行数据分析。R语言给我们提供了统计分析酣一切工具，但是R本身的结 构可能有些难于掌握。本书提供的这些面向任务、简明的R语言方法包含了从基本的分析任务到输入和输出、常用统计分析、绘图、线性回归等内容，它们可以让你 马上应用R高效地工作。
每一个R语言方法都专注于一个特定的问题，随后的讨论则对问题的解决方案给出解释，并阐释该方法的工作机理。对于R的初级用户，《R语言经典实例》将帮助 你步入R的殿堂；对于R的资深用户，本书将加深你对R的理解并拓展你的视野。通过本书，你可以使你的分析工作顺利完成并学习更多R语言知识。本书由蒂特 着。
R语言编程艺术
R语言是世界上最流行的用于数据态吵处理和统 计分析的脚本语言。考古学家用它来跟踪古代文明的传播，医药公司用它来探索哪种药物更安全、更有效，精算师用它评估金融风险以保证市场的平稳运行。总之， 在大数据时代，统计数据、分析数据都离不开计算机软件的支持，在这方面R语言尤其出色。
本书将带领你踏上R语言软件开发之旅，从最 基本的数据类型和数据结构开始，到闭包、递归和匿名函数等高级主题，由浅入深，讲解细腻，读者完全不需要统计学的知识，甚至不需要编程基础。而书中提到的 很多高级编程技巧，都是作者多年编程经验的总结，对有经验的开发者也大有裨益。本书精选了44个扩展案例，这些案例都源自于作者亲身参与过的咨询项目，都 是与数据分析相关的，生动展示了R语言在统计学中的高效应用。
金融数据分析导论：基于R语言
本书由统计学领域着名专家Ruey S. Tsay（蔡瑞胸）所着，从基本的金融数据出发，讨论了这些数据的汇总统计和相关的可视化方法，之后分别介绍了商业、金融和经济领域中的基本时间序列分析和计量经济模型。
时间序列分析及应用:R语言(原书第2版)
本书以易于理解的方式讲述了时间序列模型及其应用，主要内容包括：趋势、平稳时间序列模型、非平稳时间序列模 型、模型识别、参数估计、模型诊断、预测、季节模型、时间序列回归模型、异方差时间序列模型、谱分析入门、谱估计、门限模型.对所有的思想和方法，都用真 实数据集和模拟数据集进行了说明。
本书可作为高等院校统计、经济、商科、工程及定量社会科学等专业学生的教材或教学参考书，同时也可供相关技术人员使用。
Ⅶ 请问用C#如何提取新浪等网站的股票实时动态行情数据
找到一个利用webservice的方法，希望能够帮助你
声明: 这篇文章适合在C#命令行编译器下的开发借鉴,对于已经装了MS.NET的朋友,开发客户端时将会更容易一些,我随后对登出我自己的开发程序,这篇文章为我摘录的.摘录URL:http://www.knowsky.com/2016.html
(一)
Web Services，即Web服务，是微软.NET战略中非常重要的一个概念。它的目的是将Web站点转变为集组织、应用、服务以及设备于一体的可设计Web站点，使Web站点不再处于被动的地位。
本文将介绍如何建立和使用一个在.NET 平台上提供股票报价的Web服务。我们将使用Yahoo的一项以CSV（以逗号分隔的值）的格式提供股票报价的免费服务，将其包含在我们的web 服务中。
注意：这个报价服务例程的运行大约延迟15分钟，只用于教学目的。
建立Web服务
下面将采用逐步讲解代码的形式来帮助你理解在.NET 中Web服务的编程模式。我们可以使用notepad等任何文本编辑器来编写 这里的Web服务例程代码，最后将文件存储为StockQuote.asmx。请注意：所有的Web服务文件保存时都使用扩展名 *.asmx。
＜%@ WebService Language="C#" class="DailyStock" %＞
代码的第一行定义了一个 Web 服务，使用的语言是C#。class属性用来指示Web服务应该调用和使用的类。如果在Web服务中使用了许多类，那么就应该用这个属性来表明Web服务应该首先调用的类。
using System ;
using System.Web.Services ;
using System.Net ;
using System.IO ;
using System.Text ;
以上代码负责引入必要的名称空间。 请记住永远都要引入System.Web.Services这个名称空间。根据类的需要，再引入保留的名称空间。
public class DailyStock : WebService
{
......
....
}
这里我们将公共类定义为 DailyStock，它扩展了 System.Web.Services.WebService 类。所有想暴露为 Web服务的类都应该扩展System.Web.Services.WebServices类。 另外，Web 服务的存取修饰语永远都是public。
[WebMethod]
public string GetQuote(string symbol)
{
........
........
}
以上我们定义了一个公共Web方法 GetQuote。同类的定义一样，Web 方法也都要用 public这个修饰语来声明。 [WebMethod] 属性呈现出将要被用在Web服务中的一些潜在方法，希望客户存取的所有方法都应该用[WebMethod] 属性进行标记。GetQuote方法接受一个字符串输入参数，它包含了使用者所需要的报价符号。这个方法返回一个字符串，其中包含股票报价或错误
string ret;
try
{
// The Path to the Yahoo Quotes Service
string fullpath = @"http://
// Create a HttpWebRequest object on the Yahoo url
HttpWebRequest webreq = (HttpWebRequest)WebRequestFactory.Create(fullpath);
// Get a HttpWebResponse object from the Yahoo url
HttpWebResponse webresp = (HttpWebResponse)webreq.GetResponse();
// Create a StreamReader object and pass the Yahoo Server stream as a parameter
StreamReader strm = new StreamReader(webresp.GetResponseStream(), Encoding.ASCII);
// Read a single line from the stream (from the server)
// We read only a single line, since the Yahoo server returns all the
// information needed by us in just one line.
ret= strm.ReadLine();
// Close the stream to the server and free the resources.
strm.Close();
}
catch(Exception)
{
// If exception occurred inform the user
ret="Exception Occurred" ;
}
file://Return the Quote or Exception
return ret ;
以上是GetQuote 方法的内容。这里使用一个 try-catch模块来截获从Yahoo中得到股票报价的过程中可能发生的错误。在 try-catch模块内部声明了一个字符串变量，这个变量中保存着获取yahoo服务的完整路径，用户提供的symbol字符串变量被加到这个连接字符串上。
路径建立好之后，就要从连接字符串中构造一个 HttpWebRequest对象和一个 HttpWebResponse 对象。接着，用StreamReader打开一个到Yahoo
(二)
配置Web服务
配置Web 服务与一个配置ASP.NET应用程序相同。如果自己有Web服务器，那么就创建一个称为stockquote 的虚拟目录，然后将 StockQuote.asmx复制到这个目录中。如此就完成了Web 服务的配制。要调用Web服务，首先启动浏览器，然后键入Web 服务的路径，如 http://localhost/stockquote/StockQuote.asmx，接着看到的页面就是由Web服务运行时间环境自动生成的结果。在文本框中键入符号，例如AOL 或 MS，再点击invoke按钮，这时就会弹出一个新的窗口，在其中向你显示了Web服务的输出信息。
使用Web服务
基本上有两种使用Web 服务的方法。可以通过浏览器直接调用 Web 服务，并按照上面介绍的方法来使用它。或者，也可以在应用程序使用它。下面就看看如何建立一个Web 应用程序和一个控制台应用程序，通过它们来使用Web服务。当然，也可以使用Win Form 应用程序作为替代来使用Web 服务。
获取服务的描述
为了与Web服务进行通信，客户应该知道这个Web服务支持哪种方法以及如何与它们进行通信。.NET 上的Web服务自动用SDL（服务描述语言）产生一个 XML格式文档，这样就使客户能够获取与Web服务通信时所需要的信息。 在Web 服务URL之后附加 ?SDL 使Web服务生成客户能够使用的SDL文档。要查阅这里接受的Web 服务的SDL，可以在浏览器中键入http://localhost/stockquote/StockQuote.asmx?SDL。
(三)
构造代理库
.NET 平台上的应用程序可以使用代理库来调用Web服务上的方法，这样使用Web服务就非常容易。生成代理库的第一步是从SDL中生成一个Web服务的代理类。.NET SDK提供了一个叫做WebServiceUtil.exe的工具，它能够帮助我们生成一个代理类。要生成Web服务的代理类，首先进入命令行环境，然后转到将要开发客户应用程序的那个目录，接着输入以下命令：
WebServiceUtil /c:proxy /pa:http://localhost/stockquote/StockQuote.asmx?SDL /n:Quotes
以上命令执行后，会在运行这个命令的目录中生成一个 C# 源代码文件，叫做 DailyStock.cs （要记住Web服务类的名称也是 DailyStock,）。现在来看这些自变量的含义：
l /c:proxy：告诉WebServiceUtil生成一个代理类
l /pa:http://localhost/stockquote/StockQuote.asmx?SDL：向SDL提供Web服务的路径。如果已经将Web服务的SDL 保存到了硬盘上，我们甚至可以提供SDL文件的本地路径。
l /n:Quotes：告诉WebServiceUtil将代理类放在 Quotes名称空间。这样做的目的是为了更容易地管理和使用代理库。
代理库准备好之后，我们使用C# 编译器从上面步骤中刚创建的代理类中生成一个代理库：
csc /target:library /r:System.dll;System.Web.Services.dll;System.Net.dll;
System.IO.dll;System.Xml.Serialization.dll DailyStock.cs
生成代理库的时候，我们使用了 /target:library开关以表示想要输出一个库文件。我们还引用一些曾经在Web服务中使用过的集合。编译器将在运行命令所在目录中生成一个名为DailyStock.dll 的dll 库。
(四)
创建 Web应用程序用户
下面创建一个Web应用程序StockConsumer.aspx，它作为这个StockQuote（股票报价） Web服务的第一个用户。
＜%@ Page language="C#" %＞
＜%@ Import Namespace="System.Xml" %＞
＜%@ Import Namespace="Quotes" %＞
以上引入必要的名称空间。要记住也要引入 Quotes名称空间，它是代理库的名称空间。
＜html＞
＜head＞
＜script runat=server＞
// Wire up the onClick event for a button
protected void button1_Click(object sender, EventArgs e)
{
file://Create a object of the class DailyStock (the proxy class)
DailyStock ds = new DailyStock();
// Call the GetQuote method of the proxy class DailyStock and
// pass the symbol string from the textbox
string res = ds.GetQuote(symbol.Text);
// The returned string has values which are separated
// by commas.
// Hence we split the returned string into parts
char[] splitter = {','} ;
string[] temp = res.Split(splitter);
// Check if the string array returned has more than one
// elements since if there are less than one elements
// then an exception must have been returned
if(temp.Length >1)
{
// The WebService returns a lot of information about the
// stock. We only show the relevant portions
// Set the label to current Index
curindex.Text = "Current Index :"+temp[1];
// Set the label to current Date Time
curdate.Text ="Last Update on"+temp[2]+" at "+temp[3];
}
else
{
error.Text = "Error :"+res ; file://set the error label
}
}
＜/script＞
以上ASP.NET页面代码中，首先对Web 服务DailyStock进行例示。由于已经生成了代理库，因此Web服务的调用方法与其它任何库的调用方法都相同。调用DailyStock 类的GetQuote()方法后，将返回一个字符串，其中包含了以逗号分隔的列表符号的完整信息。
我们将限制显示给客户的信息为只显示当前指数和所报告指数的日期/时间。为了将字符串分成若干不同的部分，这里使用了字符串类的Split方法，在出现逗号的地方将字符串分割成部分。并且，将分割开的字符串组成数组之后，再使用相关的数值为Web页面设置不同的标签。
代码的其余部分
＜body＞
＜center＞
＜h2＞.NET101 Stock Quote Consumer ＜/h2＞
＜form runat=server ＞
＜table border=1 celspacing=1＞
＜tr＞＜th＞Please enter the symbol below＜/th＞＜/tr＞
＜tr＞＜td＞
＜asp:textbox id=symbol runat=server /＞
＜asp:button id=button1 text="Get Quote" onClick="button1_Click" runat=server /＞
＜/td＞＜/tr＞
＜tr＞＜td＞＜asp:label id=curindex runat=server /＞＜/td＞＜/tr＞
＜tr＞＜td＞＜asp:label id=curdate runat=server /＞＜/td＞＜/tr＞
＜tr＞＜td＞＜asp:label id=error runat=server /＞＜/td＞＜/tr＞
＜/table＞
＜/form＞
＜/center＞
＜/body＞
＜/html＞
(五)
小结
下面总结一下配置Web应用程序的步骤：
l 创建一个叫做StockConsumer的虚拟目录
l 将 StockConsumer.aspx 文件复制到这个虚拟目录下
l 在wwwroot 文件夹中创建一个 bin 虚拟目录
l 设置bin目录以执行代码的权限
l 将代理 dll 文件DailyStock.dll复制到这个目录下，ASP.NET 运行时间引擎会自动从Bin目录中选择对外部库的引用。这里的例子中，这个外部库是DailyStock.dll。
现在调用文件 http://localhost/StockConsumer/StockConsumer.aspx，然后键入股票的符号，点击 "Get Quote"（获取报价）按钮，就能看到正在使用的Web服务了。注意：Web服务应该能够使用yahoo服务器，否则它就会返回一个错误信息。
Ⅷ 濡备綍绯荤粺鍦板︿範 R 璇瑷镄勫悇绉 packages
瀵逛簬R璇瑷镄勭湡姝ｄ娇鐢ㄨ呴摱琚沧℃潵璇达纴R链澶х殑闂棰树笉鏄鎱锛岃屾槸绋嫔簭鍖呯殑𨱒备贡锛屽珜瀹冩参镄勪竴寮濮嫔氨涓崭细鐢≧銆傛垜璁や负杩欎釜闂棰桦彲浠ュ垎涓轰袱閮ㄥ垎锛屼竴涓鏄濡备綍阃夋嫨镊宸遍渶瑕佺殑鍖咃纴涓涓鏄濡备綍瀛︿範杩欎簺鍖呫
鎴戞妸绋嫔簭鍖呭垎涓轰笁绫伙纴绗涓绉嶆槸锷熻兘澧炲己鍨嬶纴姣斿俩oo鍜実gplot2锛屼粬浠镄勫姛鑳藉师链鍙浠ョ敤绻佺悙镄勪唬镰佸疄鐜帮纴浣嗘槸阌嬫梺浣跨敤杩欎簺鍖呭彲浠ュ疄鐜扮殑镟村揩鎴栬呮洿濂斤绂绗浜岀嶆槸缁熻″缓妯″瀷锛屼笓闂ㄤ负镆愪釜缁熻￠嗗烟鎴栨ā鍨嬭屽仛镄勫寘锛屽皬鍒皐avelet杩欑崭笓闂ㄥ仛灏忔尝鍒呜В镄勫寘锛屽ぇ鍒瘪SA杩欑嶆墍链夌粡娴庣被涓扑笟閮界敤镄勬椂闂村簭鍒楀寘閮藉睘浜庤繖涓绫汇傜涓夌嶆槸鐗瑰畾锷熻兘鍨嬶纴杩欑嶅寘涓鑸闱炲父灏忎䌷,姣斿傚垎瑙ｅ拰鍒堕犻煶濂芥𡒄棰戠殑tuneR(鍙浠ョ敤瀹冩潵钖镶＄エ浠锋牸镄勭槠鍣澹板摝)锛屽啀姣斿傛垜镊宸卞啓镄勭敤浜巇ota2阃変汉镄凴Dota锛圧鐗堟湰镟存柊浠ュ悗宸茬粡涓嶈兘鐢ㄤ简𨱌傛椂镍掑缑镟存柊锛夛纴杩欑嶅寘涓瀹氭槸瑕佷箞寰堜笓涓氲佷箞寰埚ū涔愶纴涓嶅お闇瑕佸︿範钬淩钬,钥屾槸杩欎釜锷熻兘链韬锛岃繖涓绫婚兘涓嶅睘浜庝笅闱㈣ㄨ虹殑锣幂暣銆
濡备綍阃夋嫨镊宸遍渶瑕佺殑绋嫔簭鍖咃纻
瀵逛簬锷熻兘澧炲己鍨嫔寘锛屾垜璁や负鍊煎缑绯荤粺瀛︿範镄勫彧链塯gplot2锛屽叾浠栫殑鍖呭簲璇ユ槸浠涔堟椂鍊欑敤鍒帮纴鎴栬呬粈涔堟椂鍊栾佸埌锛屽氨浠涔堟椂鍊椤︺傛瘆濡备綘闇瑕佸勭悊镞堕棿搴忓垪浜嗗氨浼氱敤鍒皕oo锛屾垨钥呬綘涓婄绣璇剧湅鍒颁简浠涔堢壒瀹氱殑锷熻兘寰堜笉阌欙纴灏辩暀涓鍗拌薄锛屼粈涔堟椂鍊欓渶瑕佷简鍐嶅洖铡荤炕銆傚啀姣斿备綘宸ヤ綔镄勬椂鍊栾夊缑R鎱锛屾兂鐭ラ亾镐庝箞鎻愰珮R镄勬晥鐜,铡昏胺姝屼竴涓"how to improve computing performance in R",灏变细鎼滃埌CRAN瀹樻柟缁椤嚭镄勪竴鐗囨枃绔烫RAN Task View: High-Performance and Parallel Computing with R
镓浠ワ纴瑙佸埌浠涔埚氨璁帮纴闇瑕佷粈涔埚氨鎼滃氨鍙浠ヤ简锛屽傛灉浣犳寜镦R鍖呬笅杞介噺鍓10镄勫寘涓涓涓涓瀛︼纴浣犲彲鑳藉叾涓90%镄勫姛鑳介兘鐢ㄤ笉鍒帮纸娌￠敊灏辨槸90%锛屽洜涓烘疮涓鍖呴噷閮芥湁寰埚氱妱瑙掓梾镞浣犵敤涓嶅埌镄勫姛鑳斤级銆
ggplot2瀹炲湪鏄澶寮哄ぇ浜嗭纴鐢ㄧ啛鎭変互钖庡摢镐曟槸鍦╩atlab閲屽啓镄勭▼搴忔垜涔熸妸鏁版嵁璋冨埌R閲岀敾锲撅纴铹惰岃繖涓鍖呭緢澶嶆潅锛屼粠甯锷╂枃浠堕噷浣犲緢闅惧揩阃熶笂镓嬶纴锲犳ら渶瑕佺郴缁熷︿範銆
Ⅸ 股票价格的随机游走的含义
随机游走模型的提出是与证券价格的变动模式紧密联系在一起的。最早使用统计方法分析收益率的着作是在 1900年由路易·巴舍利耶（Louis Bachelier）发表的，他把用于分析赌博的方法用于股票、债券、期货和期权。在巴舍利耶的论文中，其具有开拓性的贡献就在于认识到随机游走过程是布 朗运动。1953年，英国统计学家肯德尔在应用时间序列分析研究股票价格波动并试图得出股票价格波动的模式时，得到了一个令人大感意外的结论：股票价格没 有任何规律可寻，它就象“一个醉汉走步一样，几乎宛若机会之魔每周仍出一个随机数字，把它加在目前的价格上，以此决定下一周的价格。”即股价遵循的是随机 游走规律。
这也跟市场有效原则有关
弱有效证券市场是指证券价格能够充分反映价格历史序列中包含的所有信息，如有关证券的价格、交易量等。如果这些历史信息对证券价格变动都不会产生任何影响，则意味着证券市场达到了弱有效。