原创 風火編程--量化交易之極值處理, 標準化, 市值中性化

極值處理 分位數去極值 from scipy.stats.mstats import winsorize se = winsorize(se, limits=0.025) se .plot() 中位數去極值 import num

原创 風火編程--量化交易之聚寬DEMO

聚寬DEMO 包含倉位管理和風險管理 from jqdata import * MA_WIN_1 = 10 MA_WIN_2 = 30 ATR_WIN_SIZE = 20 RISK_RATIO = 0.001 # 初始化函

原创 風火編程--linux常用命令

linux常用命令 根據名稱查看進程 ps aux | grep python 批量關閉進程 ps -ef|grep 諸?找房二手|grep -v grep|cut -c 9-15|xargs kill -9 強制刪除文件夾

原创 風火編程--mongodb使用筆記

修改字段名 db.getCollection(‘表名’).update({}, {$rename : {“old” : “new”}}, false, true)

原创 風火編程--python設計哲學

python設計哲學 查看方法 1. 進入交互界面 使用ipython 或者juputer notebook 2. 輸入 import this 3. 輸出如下內容 The Zen of Python, by Tim Peters

原创 風火編程--mongodb使用記事

mongodb的基本使用

原创 風火編程---內置生成器函數iter()生成器工廠

iter(func, r) / iter(seq) 生成器工廠函數 重複調用func,如果返回的結果不爲r則輸出,直到func返回r, 返回生成器對象 也可以將可迭代對象轉成生成器對象 DEMO import random gen =

原创 風火編程--內置生成器函數islice()截取生成器

內置生成器函數islice()截取生成器 islice(gen, n) 截取生成器的前n各元素, 不影響源生成器 DEMO from itertools import islice g = range(10) g1 = islice(

原创 火編程--內置生成器函數dropwhile()和takewhile()通過第一個元素進行篩選, 返回序列

內置生成器函數dropwhile()和takewhile() 對序列內的第一個元素進行逐個判斷, 決定去留,返回序列 t dropwhile(func, seq) 把seq的第一個元素傳入func,如果func返回真,則返回刪除第一個

原创 額風火編程--內置生成器函數groupby()和zip() / longest(),分組和打包, max() / min()聚合函數

groupby(seq, key) 對seq中連續的元素按照key的返回值進行分組, 不連續的重新分組. DEMO from itertools import groupby s = “1221” gen = groupby(s) f

原创 風火編程--itertools中的內建函數filter, 返回篩選出元素的生成器對象

內建函數gilter和compress filter(func, seq) 返回經func處理後爲真的元素, func可以顯式指定爲None,過濾真值的元素. DEMO li = [0,1,2,3] r1 = filter(None,

原创 風火編程--itertools中的內建函數product和combinations, 返回笛卡爾積的生成器對象

內建函數product和combinations product(seq1, seq2, seq3) 用於生成多個可迭代對象的笛卡爾積, (組合) DEMO from itertools import product r = prod

原创 風火編程--線程鎖RLock(遞歸鎖)的使用

線程鎖使用示例 遞歸鎖RLock DEMO # coding: utf-8 import random import time from threading import Thread, RLock num1, num2 = 0, 0

原创 風火編程--遞歸函數的返回值

遞歸函數的返回值 遞歸函數遇到返回值爲None的問題 代碼如下: def fun(i): # 函數內部i+1,期望返回值爲5 i += 1 if i < 5: fun(i) else

原创 風火編程--機器學習之標準化和歸一化

標準化和歸一化 標準化 描述 把數據縮放到指定的範圍之內. 接口 from sklearn.preprocessing.scale X = scale(X) # 分別處理Xtrain和X_test from sklearn.prepr