“首席执行官 John D. Idol 的管理风格受到批评”意思是指John D. Idol在其领导下的管理方式、决策或行为，遭到了外界（包括媒体、员工、股东或行业分析人士等）的负面评价或反对。通常，这类批评会集中在以下几个方面： 1. 决策不当 2. 沟通不畅 3. 员工管理 4. 公司文化 5. 经营策略 6. 财务问题 举例： 如果我们具体讨论John D. Idol，他是Capri Holdings（原Michael Kors）公司的CEO。他的管理风格可能会面临批评，比如： 总的来说，CEO的管理风格受到批评通常是因为其决策和行为未能得到员工、股东或外界的广泛认同，可能影响公司的稳定性、增长或形象。 Read more

德为本：道德是根本。强调立身处世、做事做人的基础是“德”，即诚信、正直、责任心。无德则不立。 法为纲：法律或制度是纲领。组织和社会的运行需要有章可循，有法可依，用制度规范行为。 勤为径：勤奋是通往成功的路径。无论是学习还是工作，勤劳踏实都是最可靠的通道。 术为器：技术和能力是工具。技能和方法是实现目标的手段，但它们要在“德”和“法”的框架下使用，不能本末倒置。 Read more

“大锅饭”是一个来自中国计划经济时期的俗语，原意是大家在一个大锅里做饭、吃饭，吃多少不看贡献多少，后来引申为： “干多干少一个样、干好干坏一个样”的平均主义分配制度。 ✅ 具体表现： ✅ 举个例子： 在一个国企里： ✅ 为什么要改革“大锅饭”？ 改革开放后，中国逐步建立起市场经济，大锅饭的问题暴露出： 于是就开始进行绩效考核、股份制改革、市场化运营，来打破大锅饭制度。 Read more

✅ 推荐：用前复权数据送入 Transformer 📌 原因： 🚫 不推荐使用“原始（不复权）”数据 ✅ 总结建议： 数据类型 是否推荐送入 Transformer 说明 原始（不复权） ❌ 不推荐 有突变，不利于建模 前复权 ✅ 推荐 连续平滑，适合学习趋势和周期性 后复权 ✅ 有特定用途 如果你在做资产净值预测（不是股价预测）时使用 🚀 一句话总结： 用 Transformer 预测股价或对数收益率，请优先使用 前复权（qfq）数据！ Read more

这是因为你在用 akshare 抓取A股历史行情数据，其中： pythonCopyEditdf = ak.stock_zh_a_hist(symbol=code, period=”daily”, adjust=”qfq”) 这一行代码的作用是： 📌 含义拆解 参数 说明 symbol=code 股票代码，比如 “000001.SZ”。你可以循环传入不同的股票代码。 period=”daily” 表示获取的是日线数据（可选还有 “weekly”, “monthly” 等）。 adjust=”qfq” 复权方式，qfq 表示前复权，保持价格连贯性（推荐用于技术分析）。 ✅ 为什么用 adjust=”qfq”（前复权）？ 在股票历史数据中，有分红送股、拆股等事件，会让“收盘价”出现突变。 前复权（qfq） 会将历史价格向前调整，以便股价曲线连续、平滑，更适合用于： 例如，假如 2024 年公司送股 10 股，股价从 20 元瞬间掉到 10 元： ✅ 如果不复权会怎样？ 🎯 总结 使用： pythonCopyEditak.stock_zh_a_hist(symbol=code, period=”daily”, adjust=”qfq”) 是因为你希望获得： Read more

很好的问题！你提到的“为什么不是后复权”，其实触及到了技术分析 vs 实际投资的核心区别。 🔍 前复权 vs 后复权：核心差别 项目 前复权（qfq） 后复权（hfq） 调整方向 把历史价格调整到当前价位 把当前价格调整到历史价位 适用场景 ✅ 技术分析、趋势判断、绘图 ✅ 模拟买入持仓后资产增长，用于真实投资回测 图形走势 平滑连续，技术指标不会突跳 当前价格会变小，历史价格更接近真实当时买入成本 示例 历史价格被“调低”，跟现价连贯 当前价格被“调高”，用于还原你当年买入时的走势 均线分析 ✅ 推荐（用于判断多头排列等） ❌ 不推荐（会让均线走势偏离真实结构） 🎯 为什么技术分析用前复权？ 技术指标（如均线、MACD、布林带、你现在提到的多头排列）强调的是价格形态的连续性。 使用**前复权（qfq）**的优势： ❌ 为什么后复权不适合技术分析？ ✅ 那什么时候用“后复权”？ 如果你是为了： 那就该用： pythonCopyEditadjust=”hfq” # 后复权 ✍️ 总结一句话： 技术分析（均线、多头排列、K线分析）用前复权，回测资产收益/策略净值用后复权。 Read more

你说得很有道理：在处理股价这类回归问题（连续值预测）时，sigmoid、softmax、tanh 这些非线性函数通常不是首选的变换方式**。 🚫 为什么这些激活函数不适合直接处理股价： 函数 范围 用途 为什么不适合预测股价 sigmoid (0, 1) 二分类/概率输出 会把数值压缩到 (0,1)，丢失价格尺度信息 tanh (-1, 1) 中心对称/情绪类模型 同样压缩幅度大，难以还原价格本身 softmax 所有值加和为1 多分类，输出概率分布 完全不适合回归，输出的是类别分布概率 ✅ 那股价处理用什么？ 预测股价属于回归问题，目标是还原一个真实的连续值。 推荐方法： 方法 说明 不加激活函数 回归模型最后一层通常直接输出线性值 标准化/归一化输入 比如 MinMaxScaler 或 StandardScaler log return 对数收益率，适合处理价格的相对变化 🎯 所以应该怎么做？ Read more

✅ 用 .pth 保存的只是模型的权重参数（state_dict）❌ 并不会保存模型的结构（即 class MyModel(nn.Module): … 的代码） ✅ 解决方法：保存整个模型对象（包括结构 + 权重） PyTorch 提供了另一种方式： pythonCopyEdit# 保存完整模型对象（包含结构和参数） torch.save(model, ‘models/full_model.pt’) 加载时： pythonCopyEdit# 加载完整模型（不需要再次定义 class） model = torch.load(‘models/full_model.pt’) model.eval() ✅ 优点 vs 缺点 方法 保存结构 灵活性 推荐用途 torch.save(model.state_dict()) ❌ 高 通常训练 & 复现 torch.save(model) ✅ 低 快速部署 / demo ❗ 需要注意的是：torch.save(model) 这种方式使用了 Python 的 pickle，因此保存/加载时 模型定义代码必须在内存中或不能缺失依赖环境，对长期部署和迁移性略差。 ✅… Read more

✅ 方法一：固定比例按时间划分（推荐） 比如你有 N 条时间序列样本，按比例切分（例如 80% 训练，20% 测试）： pythonCopyEdit# 假设 X 是 (num_samples, window_size, feature_dim) num_samples = X_tensor.shape[0] train_size = int(num_samples * 0.8) X_train = X_tensor[:train_size] y_train = y_tensor[:train_size] X_test = X_tensor[train_size:] y_test = y_tensor[train_size:] ✅ 保持了时间的因果性，训练集早于测试集。 ✅ 方法二：滑动预测 + 留一法（适合在线预测） 每次训练一个滑动窗口，测试的是窗口后面的数据点（适合逐步更新模型）。 例如： textCopyEdit训练用 X[:t]，测试 X[t] 然后滑动到 t+1，再训练 X[:t+1]，测试 X[t+1] 这个适合模拟真实交易环境，但对训练时间要求较高。 ✅ 方法三：多步预测场景下使用验证集 如果你要做 多步预测（multi-step… Read more

🔁 sigmoid vs softmax 特性 sigmoid softmax 📌 定义 σ(x)=11+e−x\sigma(x) = \frac{1}{1 + e^{-x}}σ(x)=1+e−x1​ softmax(xi)=exi∑jexj\text{softmax}(x_i) = \frac{e^{x_i}}{\sum_j e^{x_j}}softmax(xi​)=∑j​exj​exi​​ 📊 输出范围 每个值在 [0,1][0, 1][0,1]，互相 独立 所有输出加起来为 1（形成 概率分布） 🔢 输出总和 不固定 恒为 1 ✅ 用在哪 二分类或多标签（二分类） 多分类（互斥） 🧠 用的损失函数 BCEWithLogitsLoss（或 BCELoss + sigmoid） CrossEntropyLoss（自动带 softmax） ⚠️ 类别之间的关系 无竞争，非互斥标签 有竞争，互斥类别 📦 PyTorch 中是否需要显式调用？ 是的（除非用了 BCEWithLogitsLoss） 否，CrossEntropyLoss 自带… Read more