-
大锅饭
“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。
4 min read
-
transformer要用前复权的数据
✅ 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…
4 min read
-
均线选股用前复权
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。…
4 min read
-
为什么多头分析不用后复权？
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） ❌…
4 min read
-
所以股价变换，sigmoid，softmax，tanh都不好
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…
4 min read
-
模型保存
✅ 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() ✅…
4 min read
