皮皮网

1.VeighNa发布v3.8.0 - IB交易接口功能强化！核回回归
2.怎样开始阅读scikit-learn的归源源码？是否值得读
3.什么是web3.0时代?web1.0、web2.0和web3.0之间的码核模型
4.分位数回归及其Python源码导读
5.区间预测 | Matlab实现BP-ABKDE的BP神经网络自适应带宽核密度估计多变量回归区间预测
6.时间序列数据分析101 - (7) 自相关模型autoregressive model

VeighNa发布v3.8.0 - IB交易接口功能强化！

       VeighNa社区公众号vnpy-community于-9-发布VeighNa的核回回归3.8.0版本，主要升级了IB接口功能，归源包括API版本升级到..1，码核模型qq界面源码下载期权交易功能强化，核回回归增加了期权链合约数据查询和IB实时隐含波动率、归源希腊值风险数据订阅。码核模型

       已安装VeighNa Studio的核回回归用户可通过快速更新功能自动完成升级，未安装的归源用户可下载VeighNa Studio-3.8.0体验Python量化交易发行版。推荐Ubuntu或Mac用户使用VeighNa Docker量化交易容器解决方案。码核模型

       新版本IB接口API安装需前往IB官网下载对应操作系统版本的核回回归安装程序，选择Stable版本，归源安装后运行命令将ibapi接口库源代码添加至Python环境。码核模型安装目录下的source\pythonclient文件夹包含ibapi接口库源代码，使用Powershell窗口运行命令即可完成安装。

       数字代码回归，因为IB接入的金融市场数量众多，导致合约数量庞大，为简化合约代码，VeighNa核心框架设计上遵循国内金融市场规则，早期使用了由IB分配的ConId，但不便记忆。为了解决问题，后续版本中引入了IB合约描述信息的字符串组合描述代码。在使用描述代码2年后，收到期权交易相关问题反馈，为解决这一问题，版本3.8.0重新引入了数字代码支持，并且两种代码类型可以混合使用。

       期权交易增强，IB平台期权交易功能强大，3.8.0版本的IB接口在连接登录时提供了查询期权功能，订阅标的合约行情时自动查询期权链合约，满足期权策略交易所需信息。打赏源码8.0同时增加了IB提供的隐含波动率和希腊值风险数据支持，可通过TickData.extra字典访问获取。

       华鑫奇点接口重构，之前版本中基于奇点官方Python 3.7 API开发的vnpy_tora无法在Python 3.环境中使用，新版本使用了奇点的C++ API重构封装，实现VeighNa Station直接加载使用。

       变更日志，新增功能包括K线合成器支持日K线合成、基于华鑫奇点柜台的C++ API重构vnpy_tora、期权合约查询和扩展行情数据支持等。调整了vnpy_rest/vnpy_websocket限制在Windows上必须使用Selector事件循环、vnpy_ctp升级6.6.9版本API、支持大商所1毫秒级别行情时间戳等功能。优化了多个模块性能，修复了一些已知问题，确保用户使用体验。

怎样开始阅读scikit-learn的源码？是否值得读

       值得阅读scikit-learn源码，开启方式如下：

       一、明确目标

       在阅读scikit-learn源码之前，你需要明确自己的目的。是想深入了解某个算法的实现细节，还是希望对整个框架有更深的理解，或者是寻找性能优化的灵感？明确目标可以帮助你更有针对性地阅读源码。

       二、选择入口点

       由于scikit-learn是一个庞大的库，涵盖了许多机器学习算法和工具，建议从你最熟悉的或者最感兴趣的模块开始阅读。例如，可以从分类、回归、聚类等核心模块开始，逐步深入到相关的算法实现。

       三、阅读文档和注释

       scikit-learn的源码文档中有很多有用的注释和说明，这些可以帮助你理解代码的现货多空源码逻辑和结构。在开始阅读代码之前，建议先查看官方文档和相关模块的API文档。在阅读代码时，重点关注函数的逻辑、数据结构和算法实现。

       四、逐步深入

       不要试图一次性理解整个库的源码，这可能会非常困难。建议逐步深入，先从核心模块开始，然后逐渐扩展到其他模块。在阅读代码的过程中，如果遇到不理解的地方，可以先做标记，继续阅读后面的内容，等理解了一些相关内容后再回头查看。

       关于是否值得读scikit-learn的源码：

       是的，阅读scikit-learn的源码对于深入理解机器学习和提升编程能力都非常有帮助。

       1. 理解算法原理：通过阅读源码，可以深入了解各种机器学习算法的实现细节，从而更深入地理解其原理。

       2. 学习编程技巧：scikit-learn的源码非常干净、简洁，且使用了很多高级的编程技巧，如优化、并行处理等。阅读源码可以学习到很多编程技巧和方法。

       3. 拓展视野：了解源码可以帮助你更全面地了解机器学习的生态系统，了解哪些工具和方法是最常用的，哪些是比较新的。

       总之，阅读scikit-learn的源码对于机器学习爱好者和开发者来说是非常有价值的。

什么是web3.0时代?web1.0、web2.0和web3.0之间的

       Web3.0时代，即去中心化互联网时代，博客自适应源码是对Web1和Web2时代的革新与融合。其核心特征在于利用加密技术、区块链、智能合约等创新手段，构建出更加开放、透明、可编程的网络环境，赋予用户更多自主权与经济利益。

       在Web3.0时代，去中心化组织（DAO）成为了重要的组织形式。它们通过提供更复杂的协调机制和对互联网本地金融资源的控制，使得在线社区变得更加强大且自主。在过去一年中，多个类别如金融服务、投资、内容创作、游戏、社交俱乐部等，涌现出了数千个DAO，显示了其潜力与创新空间。未来，DAO的应用领域和创新产品仍有待探索。

       经济领域是Web3.0改变互联网服务的关键之处。它取消了传统的中间层，大幅降低了收取率，为创业公司提供了吸引和培育社区的优越经济环境。例如，Instagram和Twitter等社交网络无法与创作者分享收入，而在Web3中，创作者可以直接通过NFT等产品面向观众销售，实现%或更多的收入。这种模式让Web3平台的创作者支出有望超过Web2平台，推动经济模式的变革。

       Web3.0还为营销领域带来了革命性的变化。通过代币激励，拆红包游戏源码项目可以在原生网络效应较弱的早期阶段吸引用户，克服了自举问题，帮助新兴项目快速成长。代币不仅成为自我营销的工具，还能降低获得客户的成本，让服务构建更加依赖用户热情，从而建立更高质量的社区。与现有平台构建服务不同，Web3.0通过用户自发传播，构建服务，实现了更低的成本和更高质量的社区构建。

       在人才领域，Web3.0项目能够接入一个庞大的开发者生态系统，吸引全球拥有专业知识的开发者。开放源代码的承诺和中立性保障了开发者可以信赖的平台，促进了广泛的创新。与Web2平台相比，Web3.0更注重开发者权益，避免了平台随意更改服务条款或拒绝API的问题，确保了开发者可以依靠稳定、可信的平台进行创新。

       Web3.0的精神核心在于回归互联网最初的愿景：一个由开放协议管理的分散网络，权力和资金流向边缘，而不是集中于中介机构。它结合了Web1时代分散、社区治理的开放协议与Web2时代先进的现代功能，构建了一个由建设者和用户共同拥有的互联网，通过代币实现。

       回顾Web1时代，互联网服务主要建立在开放协议之上，价值积累到了网络边缘，用户和建设者之间建立了紧密联系。而Web2时代，集中式服务主导了互联网，大部分价值被少数几家公司如谷歌、苹果、亚马逊和Facebook等公司积累。Web3.0时代正处于这一转变的开端，它旨在整合Web1的分散和Web2的先进功能，通过去中心化网络，将权力和资金下放给网络参与者。

       加密网络作为Web3.0的重要组成部分，通过区块链等共识机制维护状态，使用加密货币激励参与者，实现了网络的中立性和去中心化。它们通过开源代码、社区治理和“声音”与“退出”机制确保了网络发展过程中的中立性，避免了中心化平台的问题。

       尽管加密网络在性能和可伸缩性方面存在限制，但未来几年将解决这些限制，构建基础设施层网络。在这一阶段之后，大部分精力将转向在该基础设施之上构建应用。加密网络的优势在于能够赢得开发人员和企业家的心，通过提供更公平的竞争环境和更具吸引力的价值主张，吸引更多的资源和开发能力，从而加速产品开发过程。

       与Web2平台相比，Web3.0平台在早期阶段通常面临产品市场契合的挑战，需要经历与开发人员/企业家以及最终用户之间的两个阶段。尽管如此，它们仍然具有巨大的潜力，因为它们能够吸引高质量的开发人员和企业家，通过产品创新和市场驱动的方式实现增长。

       总的来说，Web3.0时代通过去中心化网络提供了比集中式系统更好的解决方案，它能够解决互联网上的许多问题，包括垃圾邮件、网络治理、用户数据保护等。去中心化网络在构建互联网服务时提供了更好的环境，鼓励开发社区拥有网络并为第三方开发人员、创建者和企业提供公平竞争环境，有望在未来的互联网时代中发挥关键作用。

分位数回归及其Python源码导读

       探索自变量与因变量关系时，线性回归是最直接的方法，其公式为：[公式]。通过最小二乘方法（OLS）得到无偏估计值[公式]，[公式]。然而，线性回归存在局限性，特别是当残差不满足期望值为零且方差恒定的独立随机变量假设时，或当我们需要了解在给定特定条件下的条件中位数而非均值时。为解决这些问题，分位数回归（Quantile Regression）应运而生。

       让我们以收入与食品消费为例，这一经典例子出自statasmodels的Quantile Regression应用。我们使用Python包statsmodels实现分位数回归，具体步骤如下：

       首先，进行数据预处理，确保数据准备就绪。

       接着，我们进行中位数回归（分位数回归的特例，q=0.5），结果揭示了收入与食品消费之间的关系。

       通过可视化，我们进一步拟合了个分位数回归，分位数q从0.到0.，以全面理解不同分位数下的回归关系。

       观察条回归线，对比分位数回归线与线性最小二乘回归线，我们可直观发现三个关键现象。

       分位数回归的原理基于数理统计，涉及分位数的定义、求解方法以及如何将分位数回归应用到实际问题中。简而言之，分位数回归通过最小化损失函数来估计参数，从而提供更全面的统计信息。

       实现分位数回归的源码主要包含在Python库中的QuantReg和QuantRegResults类中。QuantReg类负责核心计算，如系数估计和协方差矩阵计算，而QuantRegResults类则用于计算拟合优度并整理回归结果。

       总结，分位数回归为解决线性回归局限性提供了有效手段，其优势在于提供更丰富统计信息，如条件中位数，适用于多种应用场景。希望本文能为理解分位数回归及其Python实现提供清晰路径。

区间预测 | Matlab实现BP-ABKDE的BP神经网络自适应带宽核密度估计多变量回归区间预测

       本文介绍了一种利用BP神经网络自适应带宽核密度估计进行多变量回归区间预测的方法，该方法在Matlab平台上实现，并提供完整的源代码和数据集，方便用户学习和应用。

       在多变量回归分析中，预测结果常常伴随着不确定性，而区间预测能够提供预测值的可信区间，帮助决策者做出更加合理的决策。本文提出的BP神经网络自适应带宽核密度估计方法，能够有效解决多变量回归中的不确定性问题。通过自适应调整带宽参数，该方法能更准确地估计核密度，从而提高预测的精度。

       实现该方法的Matlab代码支持点预测、概率预测和核密度估计，覆盖了预测分析的主要方面。适用于多变量单输出的预测任务，提供多种置信区间，包括常见的R2、MAE、RMSE、MAPE、区间覆盖率（PICP）和区间平均宽度百分比（PINAW）评价指标，帮助用户评估预测结果的准确性和可靠性。

       该方法改进了固定带宽核函数，使其更具适应性和灵活性，提高了预测性能。代码实现简洁明了，参数化编程使得用户可以根据需要方便地调整参数，代码结构清晰，注释详尽，适合各个水平的用户学习和使用。直接替换Excel数据即可运行，一键生成预测结果和图表，提供直观的分析结果。

       总结，本文提出的BP神经网络自适应带宽核密度估计多变量回归区间预测方法，不仅提供了强大的预测功能，还简化了实现过程，极大地降低了学习和应用的门槛。适用于各种多变量回归预测任务，特别适用于需要考虑预测不确定性的场景。

时间序列数据分析 - (7) 自相关模型autoregressive model

       1.概述

       2.准备和处理时间序列数据

       3.探索式分析(EDA)

       4.基于统计学的时间序列分析方法

       4.1 自回归模型

       5.基于状态空间模型的时间序列分析方法

       6.基于机器学习的时间序列分析方法

       7.基于深度学习的时间序列分析方法

       8.模型优化的考虑

       所有源代码和markdown在github同步更新

       /skywateryang

       4. 基于统计学的时间序列分析方法

       本章将详细介绍时间序列分析方法，首先从统计学方法入手，这类方法在学术研究和工业应用中具有广泛的应用基础。与线性回归相似，统计学方法利用线性回归解释不同时间点的数据点关系。然而，与一般线性回归不同，时间序列分析强调数据点之间的关联性。

       4.1 自回归模型（Autoregressive）

       自回归模型的核心思想是利用历史数据预测未来，即当前时刻的数据可以通过之前时刻的函数来表示。

       自回归模型是时间序列分析中常用的模型，尤其在数据缺乏额外信息时。其基本公式如下：

       （公式）

       该公式中的1表示时间间隔为1，即当前时刻的数据值仅考虑前一个时刻的值。从公式可以看出，它类似于常规线性回归，其中[公式]代表截距项和回归系数，[公式]表示t时刻的错误项，其均值为0，方差固定。该公式表明，使用t-1时刻的时间序列值来拟合t时刻的时间序列值。

       AR模型可以扩展到p个近邻时间值，此时称为AR(p)。[公式]中的[公式]表示一系列回归系数。

       Python实战演练

       实战中，使用AR模型需要满足两个前提假设：相关性和平稳性。

       如果数据集不平稳，需要通过操作去除趋势项和季节项，使其变得平稳。

       冷知识：平稳性分为强平稳性和弱平稳性，强平稳性要求数据的分布不随时间变化，而弱平稳性仅要求数据的一阶距和二阶矩（均值和方差）不随时间变化。

       使用AR模型时，我们首先检验相关性。检验相关性的方法有两种：使用pandas的autocorrelation_plot方法检验整体自相关性，使用pandas的lag_plot方法检查单个时间间隔的相关性。

       第二步是检查平稳性，一种快捷的方法是使用statsmodels中的seasonal_decompose方法进行趋势项和季节项的分解。

       幸运的是，statsmodels包的AutoReg方法增加了对趋势和季节项特征的处理，可以直接使用该方法。