资本资产定价模型简介-多因子寻找Alpha&统计套利

ADS2023实战：2.4GHz超外差接收机从设计到链路预算全流程解析

本文以ADS 2023软件为平台，详细解析了2.4GHz超外差接收机从核心指标定义、架构原理到完整链路搭建与仿真的全流程。通过实战演练，重点阐述了如何利用ADS进行谐波平衡仿真和链路预算分析，以量化评估系统增益、噪声系数等关键性能，为射频工程师提供了一套从理论到仿真的系统级设计方法。

多因子模型(持续更新)

多因子模型构建流程一、数据预处理二、单因子测试三、收益模型的构建四、风险模型的构建五、投资组合的优化六、业绩归因七、参考资料 一、数据预处理 （一）去极值 1. MAD(Median Absolute Deviation, 绝对值差中位数法) 步骤: （1）计算因子数据的中位数XmedianX_{median}Xmedian​. （2）计算因子数据与中位数的绝对偏差值∣Xi−Xmedian∣|X_i-X_{median}|∣Xi​−Xmedian​∣. （3）计算绝对偏差值∣Xi−Xmedian∣|X_i-X_{median}|∣Xi​−Xmedian​∣的中位数MADMADMAD. （4）确

金融大规模毁灭性武器--高频统计套利

转载自：http://www.dataguru.cn/article-5423-1.html 偶然与金融街一位专家聊天，得知“高频统计套利”这一所谓“金融大规模毁灭性武器”的术语。这种基于3毫秒操作的系统、650纳秒的交换机数据传输、多线程并行以及复杂数学模型和统计规律等，一系列复杂技术的系统，真能够实现几乎零风险的投资？乍一看，真有些不可思议。。 还是从一些基础性的资料看起吧

统计套利策略

1.什么是量化交易 在介绍统计套利之前，我们可以再温习一下量化交易的概念。量化交易是通过数学方法（特别是统计学方法）来分析历史数据，从而来识别交易的机会的交易方式。量化交易的方法论适用于从宏观经济事件到期货tick价格数据等各种可量化的信息。当量化交易模型被交易者使用时，其交易决策将严格基于计算机算法来进行。 统计套利就是将统计学分析方法应用于套利交易的一个例子。 2. 统计套利 套利交易本身有悠久的历史，我们可以认为人类的贸易活动，即利用商品在不同地点的定价不同来获利，就是最早的（跨市场）套利交易

证券统计套利（一）之模型浅析

套利分理论定价套利与统计学套利两种。 由于benre

金融套利策略：理解统计套利的工作原理

作者：chen_h 微信号 & QQ：862251340 微信公众号：coderpai 我的博客：请点击这里1. 什么是定量交易定量交易是通过统计技术（或者别的技术）来分析历史数据，从而来识别交易的机会。定量交易适用于宏观经济事件和证券价格数据等可量化的信息。当定量交易模型被算法交易者使用时，证券交易将严格基于计算机算法进行买卖决策。统计套利决策就是利用定量技术应用于算法交易的一个例子。2...

用于资产定价的FAFA三因素模型的案例实现

本文中我们使用模拟数据实现了Fama-French三因子模型。在这个实例中，我们首先生成了市场投资组合的日回报率、无风险利率，以及小公司股票和大公司股票、价值股和成长股的平均回报率。然后，我们计算了市场风险因子（Market Risk Premium）、规模因子（SMB）和价值因子（HML）。最后，我们进行了多元线性回归分析，以个股回报率作为因变量，市场风险因子、SMB和HML作为自变量。

简述回归分析及其在车险定价中的应用

简述什么是回归分析，为何要把普通线性模型推广到广义，为什么要关注被解释变量服从什么分布、连结函数的选择与被解释变量所属分布是否有关、为什么说最小二乘法是训练广义线性模型的一种特例、如何处理离散且无序的解释变量、如何训练模型、如何检验模型效果等一系列问题。并通过代码给出一个在车险纯风险保费定价中的应用示例。

时间序列（一）：时间序列数据与时间序列预测模型

时间序列定义： 时间序列是按照一定的时间间隔排列的一组数据，其时间间隔可以是任意的时间单位，如小时、日、周月等。比如，每天某产品的用户数量，每个月的销售额，这些数据形成了以一定时间间隔的数据。 通过对这些时间序列的分析，从中发现和揭示现象发展变化的规律，并将这些知识和信息用于预测。比如销售量是上升还是下降，销售量是否与季节有关，是否可以通过现有的数据预测未来一年的销售额是多少等。 对于时间序列的预测，由于很难确定它与其他变量之间的关系，这时我们就不能用回归去预测，而应使用时间序列方法进行预测。 采用时间序列

生成模型(四)：扩散模型（Diffusion Models）

这里的合并标准差是\sqrt{(1-\alpha_t)+ \alpha_t (1-\alpha_{t-1})} = \sqrt{1-\alpha_t\alpha_{t-1}}。在数据密度低的区域，分数估计的可靠性较低。\theta来预测\tilde{\boldsymbol{\mu}}_t = \frac{1}{\sqrt{\alpha_t}}\Big(\mathbf{x}_t - \frac{\beta_t}{\sqrt{1 - \bar{\alpha}_t}} \mathbf{z}_t \Big)。

统计学习方法 第7章：支持向量机

统计学习方法 第7章：支持向量机 github链接：https://github.com/gdutthu/Statistical-learning-method 知乎专栏链接：https://zhuanlan.zhihu.com/c_1252919075576856576

常用概率分布简介

概要 在统计分析中，经常会有假设参数服从某种分布，所以在此文中，参考《概率论与数理统计》（茆诗松著），简单罗列一下经常碰到的分布，做下简单介绍，并且结合 Python 中 Scipy.stats 模块进行模拟。将要介绍的分布目录如下：   二项分布   泊松分布   正态分布   多元正态分布   均匀分布   指数分布   伽玛分布   贝塔分布   卡方分布   \(F\) 分布   \(t\...

数理基础·概率论与数理统计

本文主要介绍了概率论中的核心概念与方法，包括随机变量、联合概率、边缘概率、条件概率及其相关公式。内容涵盖离散型和连续型随机变量的概率分布特性，重点讲解了联合概率与边缘概率的计算，以及条件概率的定义与链式法则。此外，详细阐述了贝叶斯公式的原理和应用场景，通过先验概率和似然函数推导后验概率。最后总结了常见概率分布及其数字特征，如二项分布、泊松分布和正态分布等。全文系统性地梳理了概率论的基础知识框架。

概率论与数理统计B 重点/笔记梳理 第六章

概率论第六章归纳总结

模糊 DEA 模型：手算推导与 DEA Performance 软件计算结果的一致性验证

本文研究了基于α截集的区间模糊BCC模型在不确定数据效率评价中的应用。通过将模糊数据转化为不同置信水平下的区间值，构建悲观与乐观两组线性规划模型，求解效率区间。以6个决策单元为例，完整推导投入导向模糊BCC模型的手算过程，并与软件计算结果进行对比验证。结果表明，手算与软件计算的所有效率值完全一致，验证了模型实现的正确性。对于上界模型不可行情况，按通用规则将效率上界设为1.0（完全有效）。该研究为模糊DEA模型的学术可信度提供了严谨校验，适用于工程审计、企业绩效评价等不确定数据场景的效率分析。

bayesian-stats-modelling-tutorial分层模型实战：冰 cream 店数据分析案例

bayesian-stats-modelling-tutorial是一个使用numpy和PyMC3进行贝叶斯统计建模的开源项目，本教程将通过冰 cream 店数据分析案例，带您掌握分层模型的实战应用，让您轻松上手贝叶斯统计建模。 ## 什么是分层模型？🤔 在贝叶斯统计建模中，分层模型是一种强大的工具，它能够将数据中的层次结构融入模型中。简单来说，分层模型假设不同组别的数据来自不同的分布，而这

八股-大语言模型基础

模型生成文本的一部分。

数学建模中的相关性分析：选对模型、避坑落地的实战指南

相关性分析是统计建模与机器学习的基础前置步骤，用于量化变量间线性或单调关联强度，支撑特征筛选、因果探索与模型诊断。其核心原理在于通过协方差标准化（皮尔逊）、秩次变换（斯皮尔曼）或一致对计数（肯德尔）等方法，将原始数据映射为[-1,1]区间内的可解释系数，并结合p值与样本量判断统计显著性。技术价值在于高效识别关键变量关系、剔除冗余特征、预警混杂偏倚，广泛应用于数学建模竞赛、经济预测、环境影响评估及智能决策系统。本文聚焦数学建模实战场景，系统解析皮尔逊、斯皮尔曼、肯德尔三大主流方法的适用边界、常见误用陷阱及可视

OpenCV计算机视觉开发入门与实践＜六＞：OpenCV架构模块简介

OpenCV 是一个功能强大的计算机视觉库，其模块化架构包含多个功能模块，如核心功能(core)、图像处理(imgproc)、深度学习(dnn)、特征检测(features2d)等。文章重点介绍了图像输入输出模块(imgcodecs)，详细讲解了imread函数读取图像文件的各种路径格式支持，以及imwrite函数保存图像的方法和注意事项。通过代码示例展示了如何正确加载、判断和保存图像，包括处理带透明通道的PNG图像。OpenCV提供了跨平台的图像处理能力，开发者可以灵活选择不同模块的功能来处理各种视觉任务

Android编程入门精要

本书系统讲解Android应用开发基础，涵盖Java核心语法、Android Studio使用、UI设计、数据存储与高级组件实战。通过项目驱动学习，帮助初学者掌握从零构建完整App的能力，深入理解字符串资源、命名规范、ListView、Fragment及数据库操作等关键技术，奠定移动开发坚实基础。