当前位置: 首页 > news >正文

电子产品东莞网站建设/二级域名免费分发

电子产品东莞网站建设,二级域名免费分发,微站和网站数据同步,wordpress 学术主题说明 不可不读书 先从经典的一些超简单信号开始 使用移动平均指标SMA(算术) 给出了信号的产生方法,还有一些测算结果,反正看起来都是盈利的 首先使用离线方法实验一组结果,然后就使用ADBS来进行类似的处理。 内容 1 原理分析…

说明

不可不读书

先从经典的一些超简单信号开始

使用移动平均指标SMA(算术)
在这里插入图片描述
给出了信号的产生方法,还有一些测算结果,反正看起来都是盈利的
在这里插入图片描述

首先使用离线方法实验一组结果,然后就使用ADBS来进行类似的处理。

内容

1 原理分析

买入信号:当短线向上穿越长线,且短信增长时,买入;

卖出信号:当短线下穿长线,且长线下跌时,卖出;

因为已经使用T周期进行了平滑,所以短线和长线一般都比较平稳,所以在制作信号时,只用了本时刻t 和上一时刻 t-1两个时刻的数据进行比较。

短线上其实只有一个判断;短线上穿则需要两组,即短线在上一时刻处于长线下方,在当前时刻已处于长线上方。

2 离线计算

基于之前整理好的数据进行计算
在这里插入图片描述
需要计算的指标很简单,我按照几个周期来算。计算均值,然后把上一个均值挪到当前时刻。

handled_df['close_T_mean_24000'] = handled_df['close'].rolling(24000).mean()
handled_df['close_T_mean_12000'] = handled_df['close'].rolling(12000).mean()
handled_df['close_T_mean_1200'] = handled_df['close'].rolling(1200).mean()
handled_df['close_T_mean_600'] = handled_df['close'].rolling(600).mean()
handled_df['close_T_mean_2400'] = handled_df['close'].rolling(2400).mean()signal_df = handled_df[['data_slot','close', 'close_T_mean_1200','close_T_mean_24000','close_T_mean_12000','close_T_mean_600', 'close_T_mean_2400']]
signal_df1 = signal_df.dropna()signal_df1['last_close_T_mean_600'] = signal_df1['close_T_mean_600'].shift(1)
signal_df1['last_close_T_mean_1200'] = signal_df1['close_T_mean_1200'].shift(1)
signal_df1['last_close_T_mean_2400'] = signal_df1['close_T_mean_2400'].shift(1)
signal_df1['last_close_T_mean_24000'] = signal_df1['close_T_mean_24000'].shift(1)
signal_df1['last_close_T_mean_12000'] = signal_df1['close_T_mean_12000'].shift(1)

在这里插入图片描述
按书上说的,生成信号

# short_t = 'close_T_mean_600'
short_t = 'close_T_mean_1200'
# short_t = 'close_T_mean_2400'
# long_t = 'close_T_mean_24000'
long_t = 'close_T_mean_12000'
# long_t = 'close_T_mean_2400'
last_short_t = 'last_%s' % short_t
last_long_t = 'last_%s' % long_t
buy_signal = (signal_df1[short_t] >signal_df1[last_short_t] ) & \(signal_df1[short_t] >signal_df1[long_t] )  & \(signal_df1[last_short_t] < signal_df1[last_long_t] )
sell_signal = (signal_df1[long_t] <signal_df1[last_long_t] ) & \(signal_df1[short_t] <signal_df1[long_t] )  & \(signal_df1[last_short_t] > signal_df1[last_long_t] )signal_df1['signal'] = 0
signal_df1['signal'] += buy_signal * 1 
signal_df1['signal']  += sell_signal * -1

同时抽取数据里的数据进行比对是一致的:
在这里插入图片描述
一开始不知道发生了什么,字段都变成字符型了,把他们变回去。
mongo的管道转整型和转浮点分别是toInt、toDouble

for varname in ['close','high','low','open','trades','vol']:command_dict = {'%s' % varname :{'$exists': True, '$type': 'string'}} command_list = [{'$set':{'%s' % varname  :  { '$toDouble': '$%s' % varname }}}]res = the_collection.update_many(command_dict, command_list)print(res.acknowledged)

这种变量的弱管辖方式有时候也算是mongo相较于mysql的弱点吧。

3 离线测试

然后开始简单的测试.

short_t = 'close_T_mean_600'
# short_t = 'close_T_mean_1200'
# short_t = 'close_T_mean_2400'
long_t = 'close_T_mean_2400'
# long_t = 'close_T_mean_24000'
# long_t = 'close_T_mean_12000'last_short_t = 'last_%s' % short_t
last_long_t = 'last_%s' % long_t
buy_signal = (signal_df1[short_t] >signal_df1[last_short_t] ) & \(signal_df1[short_t] >signal_df1[long_t] )  & \(signal_df1[last_short_t] < signal_df1[last_long_t] )
sell_signal = (signal_df1[long_t] <signal_df1[last_long_t] ) & \(signal_df1[short_t] <signal_df1[long_t] )  & \(signal_df1[last_short_t] > signal_df1[last_long_t] )signal_df1['signal'] = 0
signal_df1['signal'] += buy_signal * 1 
signal_df1['signal']  += sell_signal * -1

总体来说还是… 有点问题的,哈哈

  • 1 方法似乎有点用
  • 2 方法似乎有点呆

总结:尽信书,不如无书

测试采用简单规则:当每次产生买入信号时,购买最大不超过5000块的股票;当产生卖出信号时,将所有的库存清仓。

以下罗列了一下结果(数据是从2020-01-02~2023-2-24,2年多的数据,烧掉前面24000分钟,大约也有接近2年)

模拟交易部分的代码

signal_list = list(signal_df1['signal'])
data_slot_list = list(signal_df1['data_slot'])
price_list = list(signal_df1['close'])amt = 5000
open_orders = []
close_orders = []
for i in range(len(signal_list)):signal  = signal_list[i]data_slot = data_slot_list[i]price = price_list[i]if signal > 0 :buy_vol =  int(amt / (price * 100)) * 100order_dict = {}order_dict['buy_slot'] = data_slotorder_dict['buy_dt'] = slot_ord2str(data_slot)order_dict['buy_price'] = priceorder_dict['buy_vol'] = buy_volorder_dict['buy_amt'] = buy_vol * priceopen_orders.append(order_dict)if signal <0:if len(open_orders):tem_df = pd.DataFrame(open_orders)tem_df['sell_slot']  = data_slottem_df['sell_price']   = pricetem_df['sell_vol'] = tem_df['buy_vol']tem_df['sell_amt'] = tem_df['sell_price']   * tem_df['sell_vol'] tem_df['gp'] = tem_df['sell_amt'] - tem_df['buy_amt'] tem_df['gpr'] = tem_df['gp'] / tem_df['buy_amt'] close_orders.append(tem_df)open_orders = []

3.1 S600-L2400

交易机会,不算很多
在这里插入图片描述

模拟结束时,订单全部关闭

盈亏比不及格,胜率低
在这里插入图片描述

整体交易风格是小输大赢,一个月交易一两次的样子
在这里插入图片描述

3.2 S600-L12000

交易次数更少
在这里插入图片描述

有一个单子没close…(看起来是赚钱的)

在这里插入图片描述

亏钱的
在这里插入图片描述

3.3 S600-L24000

将长周期再拉长一点
在这里插入图片描述


在这里插入图片描述


3.4 S1200-L2400

这是长短周期比较接近的
在这里插入图片描述

1个订单没有关闭
在这里插入图片描述


在这里插入图片描述

3.5 S1200-L12000

开的单子很少
在这里插入图片描述
两个单子没关
在这里插入图片描述

不赢不输

在这里插入图片描述

3.6 S1200-L24000

单子少
在这里插入图片描述

有一个没关
在这里插入图片描述

惊人的亏
在这里插入图片描述
除了亏还是亏

在这里插入图片描述

结论:长短周期的搭配是很戏剧的,一个错误的配方可能全毁(这种方法可靠吗?)


3.7 S2400-L12000

机会少
在这里插入图片描述

不关单
在这里插入图片描述

不赚钱
在这里插入图片描述

3.8 S2400-L24000

机会少
在这里插入图片描述

不关单
在这里插入图片描述

不怎么赚

在这里插入图片描述
就抓住了一次机会
在这里插入图片描述


3.9 思考

我所希望的信号策略,不仅是能够产生一个可以盈利的交易基础,更是一种稳定,可控的方法。从上面的实验可以看出来,整个过程很像炼金配方,我觉得这个是存在问题的。

从本质上说,趋势策略相较于动量策略的交易次数肯定会偏低,但是也不应该这么低;而任何一套信号,还应该有一种自收敛的倾向,而不是机械犯错,缓慢纠偏,甚至不纠偏。

这两年的市场事实上是一个很好的市场,可以检验模型在下滑过程中的表现。

怎么办?

有错当然要改,我觉得从整体的思想上是可取的(这是可以拯救的基础)。我甚至把长短周期倒过来试了下,发现完全无法产生卖出信号。

  • 1 通过平滑,构造一个平滑的价格曲线
  • 2 当短期趋势上升,且突破长趋势线买入
  • 3 当长趋势下跌,且短线向下突破卖出

5天线对应1200分钟,10天线就是2400分钟。以S=1200,L=4800来看,最近还是能获得一次收益(当然不是最大收益)
在这里插入图片描述
为什么之前的信号是 SMA > LMA?
因为从视觉上最为明显,但是为什么非得是以这个为界限呢?因为这种视觉法,0和1很容易说清楚,但是这种离散化的方法牺牲了大量的信息。我可以用一种连续的方法来替代这种方法吗?

从趋势上来看,如果将曲线进行斜率拟合,那么在上升和下降的区间就可以进行交易。
在这里插入图片描述
蓝色是10天平均,也就是2400分钟线,我觉得在这个周期上看是比较合适的,能给我提供相对多的交易机会。绿线太慢,周期太长了。

LMA-K: 提供一个交易的保护,在斜率由正向加速减缓,或者为负时清仓,不交易。当负斜率减缓准备,为正时可以交易。

SMA-K: 尽可能的交易,最终时机的把握由SMA-K发出,我觉得600分钟线(甚至更短的)是可以接受的。

斜率:因为MA已经做了平滑,所以当前点减去前一个点就是一个斜率。

如果说斜率是一阶导,那么斜率的变化就是二阶导。如果斜率为正且比上一个斜率更小,说明斜率在衰减,也就是趋势在衰减。理论上,0的时候是顶峰,实际上,可以提前一点行动(将斜率的衰减比去价格)

一阶导:总体上还是符合预期的,长周期的K边的比较慢,一个长周期过程中有若干个短周期
在这里插入图片描述
二阶导:

在这里插入图片描述
理论上可行,但是按分钟作为周期,抖动太快了
在这里插入图片描述

在这里插入图片描述
所以,看来周期不能按分钟来滚动叠加

大概上面传统的测试失败,也是因为在分钟级的方式下叠加,很多错误噪声信号。按日k的数据来看,本质上是对一组240分钟进行统计,那样会消弭很多噪声,同时也会滤除很多有益信息。

基于分钟级的分析时,要增加这一层的过滤。所以,我不能用分钟减分钟来获取斜率,而是要拟合一串数字的斜率。

看起来是可以构成理想中的信号源的,橙色是长线,变化缓慢,用来提供短效交易的基础。

在这里插入图片描述
这是二阶信号
在这里插入图片描述
仍然会有一些毛刺,所以在使用信号时可以采用冷静时间的方法过滤(相当于三阶信号)

在这里插入图片描述
对应的价格曲线,仅以此段为例,短线在底部开始爬升时给出一段足够长的买入信号(如果采用更短的冷静时间可以更早买入);然后长线一直很平稳,仅出现过两次下翻(1),剩余都是0,1,甚至2,3等。
在这里插入图片描述
开始计算

signal_df1['close_T_mean_600_K'] = signal_df1['close'].rolling(600).apply(cal_K)
signal_df1['close_T_mean_2400_K'] = signal_df1['close'].rolling(2400).apply(cal_K)
# 为简便起见,暂时也不分辨斜率的强弱
signal_df1['close_T_mean_600_K2']  = signal_df1['close_T_mean_600_K'].diff().apply(lambda x: 1 if x > 0 else - 1 if x < 0 else x)
signal_df1['close_T_mean_2400_K2']  = signal_df1['close_T_mean_2400_K'].diff().apply(lambda x: 1 if x > 0 else - 1 if x < 0 else x)# 冷静二阶导
signal_df1['close_T_mean_600_K2_calm_down'] =  signal_df1['close_T_mean_600_K2'].rolling(10).sum()
signal_df1['close_T_mean_2400_K2_calm_down'] =  signal_df1['close_T_mean_2400_K2'].rolling(10).sum()

冷静后的二阶导就可以作为交易的原始信号了(冷静的时间也是其中一个参数)

从短期交易信号来看

sma_signal_list = list(signal_df1['close_T_mean_600_K2_calm_down'])
pd.Series(sma_signal_list).value_counts()10.0    15294
-10.0    13627
-2.0      9497
-1.0      93800.0      93691.0      9184
-3.0      89202.0      8784
-4.0      83773.0      7665
-5.0      68894.0      6489
-6.0      61165.0      5888
-7.0      53886.0      48139.0      45947.0      45838.0      4577
-8.0      4571
-9.0      4268
dtype: int64

从长期交易信号来看

lma_signal_list = list(signal_df1['close_T_mean_2400_K2_calm_down'])
pd.Series(lma_signal_list).value_counts()0.0    586041.0    38034
-1.0    35347
-2.0    103082.0     97493.0     1926
-3.0     1598
-4.0      399
-5.0      2604.0      160
-6.0       88
dtype: int64

看起来SMA会呈现比LMA更剧烈的变化,比较符合预期

以下进行简单交易回测。具体的规则是:

  • 1 sma信号达到非常显著(过去10个周期连续显示买入)以及lma信号不为负时允许买入
  • 2 sma信号相当于采取了10分钟冷静时间
  • 3 如果有240分钟内未关闭的订单,即使达到买入条件也不允许买入(冷却时间)
# pd.Series(sma_signal_list).describe()
data_slot_list = list(signal_df1['data_slot'])
price_list = list(signal_df1['close'])amt = 5000
open_orders = []
close_orders = []
for i in tqdm.tqdm(range(len(sma_signal_list))):sma_signal = sma_signal_list[i]lma_signal = lma_signal_list[i]price = price_list[i]data_slot = data_slot_list[i]sma_thres_signal = sma_signal >=10lma_thres_signal = lma_signal >=0if len(open_orders):last_buy_slot = pd.DataFrame(open_orders)['buy_slot'].max()else:last_buy_slot = 0cool_down_slot = last_buy_slot +240sma_sell_signal = sma_signal < 0lma_sell_signal = lma_signal < 0if sma_thres_signal and lma_thres_signal and (data_slot >=cool_down_slot):
#         print('buy')buy_vol =  int(amt / (price * 100)) * 100order_dict = {}order_dict['buy_slot'] = data_slotorder_dict['buy_dt'] = slot_ord2str(data_slot)order_dict['buy_price'] = priceorder_dict['buy_vol'] = buy_volorder_dict['buy_amt'] = buy_vol * priceopen_orders.append(order_dict)if sma_sell_signal and lma_sell_signal:if len(open_orders):tem_df = pd.DataFrame(open_orders)tem_df['sell_slot']  = data_slottem_df['sell_price']   = pricetem_df['sell_vol'] = tem_df['buy_vol']tem_df['sell_amt'] = tem_df['sell_price']   * tem_df['sell_vol'] tem_df['gp'] = tem_df['sell_amt'] - tem_df['buy_amt'] tem_df['gpr'] = tem_df['gp'] / tem_df['buy_amt'] close_orders.append(tem_df)open_orders = []

运行结束后,没有打开的订单
在这里插入图片描述
总体来说,这样简单的控制也不会产生大量的敞口:75分位数是2个同时打开的订单(¥10,000),最高的时候有9个(¥45,000)。平均下来,大体上还是可以以¥5,000的(长期)资金占用作为估计的。

在这里插入图片描述
交易时间不是很长,大部分一周之内关闭
在这里插入图片描述
要考虑到这个是初级信号,盈亏比还是不错的,并且这个盈亏比既有统计量上的支持(订单数量),产生的利润金额也足够。
在这里插入图片描述
以两年估算,5000本金为例的话大约是年化17%的利润

((1932.7599999999993 + 5000)/5000)**(1/2)
1.1775194265913407

因为其中可能需要更多的临时资金,不妨以10000本金作为一个保守估计

((1932.7599999999993 + 10000)/10000)**(1/2)
1.0923717316005572

所以粗略的,我们可以认为这个原始信号可以产生年化 9%~17%的利润。
以下是具体的订单明细,可以看看

part1
在这里插入图片描述
part2

在这里插入图片描述
part3

在这里插入图片描述

part4

在这里插入图片描述
总的看起来是比较理想的:

  • 1 输赢比较均匀的分布在整个时间段(说明并无大的结构偏好)
  • 2 赢的次数 plus 幅度是明显好于输的

我还试着在几个不同的参数下控制模拟,无论如何,盈亏比总是在1.1以上的,所以也不存在「炼金术的秘方」风险,可以用统计进行解释和控制。

考虑到决策的二次增强,我觉得做到年化15%以上应该是可以的。

4 总结

基于趋势法,可以获得一组稳定的信号源,并获得期望的效果。

接下来对信号方法进行描述,抽象,然后将其部署在ADBS上

  • 1 总结信号源的方法(从推理上验证方法的可靠性)
  • 2 为Step2创建新的ADBS
  • 3 将计算部署到ADBS上

相关文章:

Python 算法交易实验51 Step2 Signals 信号生成

说明 不可不读书 先从经典的一些超简单信号开始 使用移动平均指标SMA(算术&#xff09; 给出了信号的产生方法&#xff0c;还有一些测算结果&#xff0c;反正看起来都是盈利的 首先使用离线方法实验一组结果&#xff0c;然后就使用ADBS来进行类似的处理。 内容 1 原理分析…...

app上架专用软著认证电子版权在主流应用商店的使用说明2023年最新版

软著认证电子版权在主流应用商店的使用说明 目录 一、 华为应用商店 二、 腾讯应用宝 三、 小米开放平台 小米应用提交&#xff1a; 小米游戏提交&#xff1a; 四、 OPPO开放平台 OPPO应用提交: OPPO游戏&#xff08;App&#xff09;提交: OPPO小游戏&#xff08;快应…...

[Mybatis2]Mapper代理开发

文章目录 问题情境 代理开发 遵循的三条原则 1.定义与SQL映射文件同名的Mapper接口&#xff0c;并且将Mapper接口和SQL映射文件放置在同一目录下 2.设置SQL映射文件的namespace属性为Mapper接口的全限定名 3.在Mapper接口中定义方法&#xff0c;方法名就是SQL映射文件中sql…...

第十一届蓝桥杯大赛青少组国赛Python真题2

第十一届蓝桥杯大赛青少组Python 真题 第二题 提示信息&#xff1a; 杨辉三角形&#xff0c;是二项式系数在三角形中的一种几何排列。中国南宋数学家杨辉在 1261 年所著的《详 解九章算法》一书有明确记载。欧洲数学家帕斯卡在 1654 年发现这一规律&#xff0c;所以又叫做帕斯卡…...

创建springboot项目文件报红

目录 一、遇到问题 二、出现这个问题的原因 三、解决办法 三种方法 四、操作步骤 一、遇到问题 创建springboot项目的时候&#xff0c;会发现一些重要文件都变成红色了&#xff0c;但是不影响程序的运行。只是看起来会有点不舒服。 二、出现这个问题的原因 因为这个spr…...

gma 地理空间绘图:(1) 绘制简单的世界地图-3.设置地图框

内容回顾 gma 地理空间绘图&#xff1a;(1) 绘制简单的世界地图-1.地图绘制与细节调整 gma 地理空间绘图&#xff1a;(1) 绘制简单的世界地图-2.设置经纬网 方法 SetFrame(FrameColor ‘black’, FrameWidth 0.6, ShowFrame True, ShowLeft True, ShowBottom True, Sho…...

Java Web 实战 03 - 多线程基础(2)

Java Web 实战 03 - 多线程基础篇 2二 . Thread类常见方法2.1 Thread 的常见构造方法2.2 Thread 的几个常见属性getId()getName()getState()getPriority()isDaemon()案例 : 实现 getId()、getName()、 getState()、getPriority()、isDaemon()、isAlive()2.3 启动一个线程-start…...

Linux命令·cat

cat命令的用途是连接文件或标准输入并打印。这个命令常用来显示文件内容&#xff0c;或者将几个文件连接起来显示&#xff0c;或者从标准输入读取内容并显示&#xff0c;它常与重定向符号配合使用。 1&#xff0e;命令格式&#xff1a;cat [选项] [文件]...2&#xff0e;命令功…...

WPF WrapPanel、UniformGrid、DockPanel介绍

WPF WrapPanel、UniformGrid、DockPanel介绍 WrapPanel WrapPanel , 具有在有限的容器范围内, 可以自动换行, 或者换列处理。具体则取决于WrapPanel的排列方式 (Orientation)。 Orientation"Horizontal"时各控件从左至右罗列&#xff0c;当面板长度不够时&#xff…...

华为OD机试题 - TLV 编码(JavaScript)| 含思路

华为OD机试题 最近更新的博客使用说明本篇题解:TLV 编码题目输入输出描述示例一输入输出说明Code解题思路华为OD其它语言版本最近更新的博客 华为od 2023 | 什么是华为od,od 薪资待遇,od机试题清单华为OD机试真题大全,用 Python 解华为机试题 | 机试宝典【华为OD机试】全流…...

【华为OD机试真题java、python、c++】开心消消乐【2022 Q4 100分】(100%通过)

代码请进行一定修改后使用,本代码保证100%通过率。本文章提供java、python、c++三种代码 题目描述 给定一个N行M列的二维矩阵,矩阵中每个位置的数字取值为0或1。矩阵示例如: 1100 0001 0011 1111 现需要将矩阵中所有的1进行反转为0,规则如下: 1) 当点击一个1时,该1便被…...

IDEA搭建vue-cli | vue-router | 排错思路、Webpack、Axios、周期、路由、异步、重定向

&#x1f497;wei_shuo的个人主页 &#x1f4ab;wei_shuo的学习社区 &#x1f310;Hello World &#xff01; Vue.js概述 Vue 是一套用于构建用户界面的渐进式JavaScript框架。 与其它大型框架不同的是&#xff0c;Vue 被设计为可以自底向上逐层应用。Vue 的核心库只关注视图层…...

HashSet原理

HashSet原理HashSet原理1.概述2.底层代码3.原理图解4.总结4.1: 1.7原理总结4.2: 1.8原理总结HashSet原理 1.概述 ​ HashSet 实现 Set 接口&#xff0c;由哈希表&#xff08;实际上是一个 HashMap 实例&#xff09;支持。它不保证 set 的 迭代顺序&#xff1b;特别是它不保证…...

【C#进阶】C# 特性

序号系列文章10【C#基础】C# 正则表达式11【C#基础】C# 预处理器指令12【C#基础】C# 文件与IO文章目录前言1&#xff0c;特性的概念1.1 特性的属性1.2 特性的用途2&#xff0c;特性的定义2.1 特性参数2.2 特性目标3&#xff0c;预定义特性3.1 AttributeUsage3.2 Conditional3.2…...

Java速成篇-Day01笔记

提示&#xff1a;这里只记录我个人不熟悉的知识&#xff0c;并非所有内容 笔记目录课程&#xff1a;04-第一行代码① jshell② 对象.方法课程&#xff1a;05-第一份源码① Java开发程序的流程② 入口方法课程&#xff1a;06-常见问题-中文乱码① 乱码原因② 解决方法课程&#…...

从源码开始精通spring-security1

参考b站up主&#xff1a;传送门 前沿: 本章&#xff1a;spring-security 重要的成员 WebSecurity、HttpSecurity、SecurityBuilder、SecurityFilterChain、FilterChainProxy 重点&#xff1a;WebSecurity、HttpSecurity 他们都实现了 SecurityBuilder 接口 用来构建对象 WebSe…...

你应该优化的JavaScript代码,以及前端工程师日常使用的小技巧。使之更加简洁,可读性更强,更易维护。

本文主要是分享一下平时前端工程师&#xff0c;在写前端代码过程中的一些代码优化&#xff0c;以及使用的一些小技巧&#xff0c;来使我们的代码更加简洁&#xff0c;可读性更强&#xff0c;更易维护。 1. 字符串的自动匹配&#xff08;includes的优化&#xff09; includes是…...

自动化测试

文章目录前言一、什么是自动化测试&#xff1f;一个简单的自动化实例二、自动化测试的分类1.接口自动化测试2.UI自动化测试&#xff08;界面测试&#xff09;移动端自动化测试web端自动化测试&#xff08;主要学习&#xff09;三、selenium工具1.为什么选择selenium作为web自动…...

leetcode-每日一题-807(中等,数组)

正常情况第一眼看这道题&#xff0c;看懂意思的话很简单就可以解出来。给你一座由 n x n 个街区组成的城市&#xff0c;每个街区都包含一座立方体建筑。给你一个下标从 0 开始的 n x n 整数矩阵 grid &#xff0c;其中 grid[r][c] 表示坐落于 r 行 c 列的建筑物的 高度 。城市的…...

【Linux】Linux项目自动化构建工具make makefile

文章目录1. 背景2.实例3.原理4.项目清理5. 文件属性中的三个时间6. Linux下第一个小程序——进度条6.1 前置知识1&#xff1a;缓冲区6.2前置知识2&#xff1a;回车换行6.3进度条的实现7 Linux下git的”三板斧“1. 背景 一个工程中的源文件不计其数&#xff0c;其按类型、功能、…...

华为OD机试题 - IPv4 地址转换成整数(JavaScript)| 含思路

华为OD机试题 最近更新的博客使用说明本篇题解: IPv4 地址转换成整数题目输入输出示例一输入输出说明示例一输入输出说明Code解题思路华为OD其它语言版本最近更新的博客 华为od 2023 | 什么是华为od,od 薪资待遇,od机试题清单华为OD机试真题大全,用 Python 解华为机试题 | …...

spring整合通用mapper

1.使用通用mapper可以更快速的进行数据库的增删查改操作,加入springboot的管理,常规的SQL都可以复用 2.整合  a)引入依赖 <dependencies><dependency><groupId>tk.mybatis</groupId><artifactId>mapper-spring-boot-starter</artifactId>…...

一天什么时间发抖音浏览量高?5个抖音最佳发布时间段

抖音作为现在一款现象级的软件&#xff0c;已经不知不觉地影响着我们生活的方方面面。那抖音想要被更多人看到&#xff0c;就需要掐准哪些时间活跃数最多&#xff0c;今天就来和大家分享一下一天什么时间发抖音浏览量高&#xff0c;又该如何抓住最佳投放契机呢?一、一天什么时…...

华为OD机试题 - 关联子串(JavaScript)| 含思路

华为OD机试题 最近更新的博客使用说明本篇题解:关联子串题目输入输出示例一输入输出说明示例二输入输出说明Code解题思路华为OD其它语言版本最近更新的博客 华为od 2023 | 什么是华为od,od 薪资待遇,od机试题清单华为OD机试真题大全,用 Python 解华为机试题 | 机试宝典...

【代码随想录训练营】【Day33休息】【Day34】第八章|贪心算法|1005.K次取反后最大化的数组和|134. 加油站|135. 分发糖果

K 次取反后最大化的数组和 题目详细&#xff1a;LeetCode.1005 这道题比较简单&#xff0c;这里直接给出贪心策略&#xff1a; 局部最优解&#xff1a; 按照 负数 > 0 > 正数 的优先级次序&#xff0c;依次对nums中的较小数值进行取反因为负负得正&#xff0c;负值越小…...

<c++> const 常量限定符

文章目录什么是 const 常量限定符const 的初始化const 的默认作用域const 的引用例外情况const 与指针const指针的声明指向 const 的指针const指针指向 const 的 const指针什么是 const 常量限定符 Q&#xff1a;什么是 const 常量限定符&#xff1f; A&#xff1a;const名叫常…...

pytorch实现transformer模型

Transformer是一种强大的神经网络架构&#xff0c;可用于处理序列数据&#xff0c;例如自然语言处理任务。在PyTorch中&#xff0c;可以使用torch.nn.Transformer类轻松实现Transformer模型。 以下是一个简单的Transformer模型实现的示例代码&#xff0c;它将一个输入序列转换为…...

【懒加载数据 Objective-C语言】

一、咱们就开始进行懒加载 1.懒加载发现,每一个字典,是不是就是四个键值对组成的: 1)answer:String,中国合伙人, 2)icon:String,movie_zghhr, 3)title:String,创业励志电影, 4)options:Array,21 items 前三个都是String类型,最后是不是Array类型, 所…...

人脸网格/人脸3D重建 face_mesh(毕业设计+代码)

概述 Face Mesh是一个解决方案&#xff0c;可在移动设备上实时估计468个3D面部地标。它利用机器学习&#xff08;ML&#xff09;推断3D面部表面&#xff0c;只需要单个摄像头输入&#xff0c;无需专用深度传感器。利用轻量级模型架构以及整个管道中的GPU加速&#xff0c;该解决…...

JMeter 控制并发数

文章目录一、误区二、正确设置 JMeter 的并发数总结没用过 JMeter 的同学&#xff0c;可以先过一遍他的简单使用例子 https://blog.csdn.net/weixin_42132143/article/details/118875293?spm1001.2014.3001.5501 一、误区 在使用 JMeter 做压测时&#xff0c;大家都知道要这么…...