Week 7-8: 交易策略构建与回测成果一、策略设计背景本阶段目标是构建类似“网格交易+技术指标融合”的策略，追踪每一个仓位的累计收益率，并结合以下逻辑制定交易决策：实际日收益率与LSTM预测值之间的偏差单个仓位的累计收益变化总加权累计收益是否突破止盈或止损阈值波动率显著上升时的特殊防御机制二、策略结构要素技术指标构建：20日/50日移动平均线RSI 相对强弱指标布林带上下轨MACD 指标ATR 波动率指标技术指标图示如下：日收益率分布图（NVDA, AMD, INTC）用于评估波动性与回报密度：预测模型（LSTM）使用9类特征（'1. open', '2. high', '3. low',...

1. 数据导入与数据库构建负责了每日交易数据的导入流程，具体包括以下几个方面：读取 Excel 数据：使用 pandas 从 Excel 表格（如“交易所期货结算保证金率（指定日）.excel”）中读取期货合约的每日结算数据。数据清洗与选择：筛选所需字段，包括交易日、合约代码，以及投机、套利、套保的多头与空头资金数据。SQLite 数据库管理：建立本地 SQLite 数据库 futures_data.db。创建表格 daily_contract_data，使用交易日和合约代码作为联合主键以保证数据唯一性。插入或更新数据，通过 INSERT OR REPLACE 实现每日数据的自动覆盖。支持表结...

Week 1: 数据收集与探索性分析（NVDA）任务目标我们将围绕英伟达（NVIDIA, 股票代码：NVDA）开展量化研究。第一周的目标是掌握如何通过公开数据源获取金融数据，并对这些数据进行基础处理和可视化分析。一、数据来源通过 yfinance 与 pandas-datareader 获取以下数据：股票基本信息（名称、行业、市值等）日线行情数据（近5年）年度与季度财报资产负债表现金流量表二、数据预处理步骤将所有日期列转换为标准时间格式。清洗缺失数据：如部分列数据缺失严重则删除；少量缺失则使用均值填补。检查重复行，确保数据唯一性。类型统一（数值列转为float/int）。三、探索性数据分析（E...

华润集团（全称：华润（集团）有限公司，英文名：China Resources (Holdings) Co., Ltd.）是一家由国务院国资委直接监管的中央企业，总部位于中国香港，前身是1938年中国共产党为抗日战争在香港建立的地下交通站“联和行”。经过多年发展，华润已成为业务多元化的跨国企业集团，涉及大消费、综合能源、城市建设运营、大健康、产业金融、科技及新兴产业六大核心领域。华润集团的基本信息成立时间：1938年（前身“联和行”），1983年正式改组为华润（集团）有限公司。总部：香港，并在深圳设有大陆总部。企业性质：国有资本投资公司（2022年正式转型）。董事长：王祥明（2025年仍在任）。...

济南万象城作为济南的大型高端购物中心，拥有丰富的品牌组合，涵盖零售、餐饮、娱乐、运动等多个业态。以下是各楼层的主要品牌分布：L1层（国际名品与美妆）重奢品牌：巴黎世家（预计开业）、HUGO BOSS等。美妆护肤：Chanel、Dior、SEPHORA等。轻奢与配饰。L2层（轻奢时尚与生活方式）轻奢女装。运动与潮流。数码与体验。L3层（女装与设计师品牌）高端女装。设计师品牌。L4层（潮流运动与休闲娱乐）潮流运动餐饮与体验娱乐体验L5层（美食与数码科技）餐饮：绿茶、黑牛的店、船歌等。数码科技：联想、华为、三星、HP等品牌专卖店。L6层（美食）LG1层时尚与运动服饰：Zara、Nike等。餐饮与体验...

项目背景与目标：在国债期货市场中，挖掘基于 PPI、CPI 等宏观经济指标的多因子策略信号；使用 Python 读取并处理自 2013 年以来的 5 年期国债期货（TF 主力合约）数据，包括净多空持仓与排名、收盘价、成交量等；搭建回测框架，测试多种基本面与技术面指标组合的有效性，评估策略收益、回撤、夏普比率等关键指标；目标是帮助量化团队快速验证并迭代国债期货投研策略，为客户或内部资金提供可执行的交易参考。1. 数据获取与处理数据来源： 同花顺 iFind 及其他宏观数据接口（PPI/CPI）；数据范围： 2013 年国债期货上市起至今（涵盖完整牛熊周期）；字段内容： 日度收盘价、持仓量、成交量...

一、项目简介主要目标： 通过对澳大利亚东海岸地区的 Airbnb 房源数据进行分析，构建一套价格预测模型，为房东提供数据驱动的定价决策，提升市场竞争力与盈利能力。数据规模： 包含 12,500 条训练数据和 2,500 条测试数据，涵盖价格（price）、地理位置（经纬度）、房屋特征（如 bedrooms、beds 等）以及文本描述等信息。技术与方法：数据清洗与预处理： 针对缺失值、异常值进行处理，并对类别过多的字段（如 property type）进行合并；探索性分析 (EDA)： 通过可视化手段洞察价格分布、地理分布与各特征间关系；特征工程： 包含文本分词、TF-IDF 向量化，以及针对部...

一、项目简介核心目标： 基于澳大利亚不同地区的用户屋顶光伏系统数据，构建预测模型，评估未来太阳能发电量。数据规模： 使用 Python 对 10000+ 组用户数据进行全面分析（包含屋顶角度、容量、阴影情况等关键因子）。技术与方法：数据清洗与特征工程：剔除或修正缺失值，新增屋顶方向等非线性特征；三种线性回归模型对比：含多元线性回归、带交互/二次项的回归模型等；最终选择均方误差（MSE）最优的模型做报告与可视化输出。成果：建立了针对不同屋顶类型与光伏系统容量的预测模型，为政府与企业决策提供量化参考；报告较系统地展示了太阳能发电量在澳洲不同城市/纬度下的分布与趋势。二、项目主要思路与流程数据概览与...

一、项目简介（简历原文精简版）两阶段模型设计与开发：阶段 1（分类模型）： 主要使用随机森林等算法，预测客户是否会进行交易，精准识别过去成交量为 0 的客户。阶段 2（回归模型）： 在阶段 1 结果基础上，对预测为 0 的客户进行修正后，针对其余客户进行成交量预测；应用随机森林、梯度提升、模型堆叠等回归方法，显著提升预测精度。预测指标： 两阶段模型的 R² 可达 0.87，并针对高度不平衡数据集进行了处理和优化。成果： 两阶段方法有效提高了潜在高价值客户的挖掘与成交量预测的准确度，为后续个性化营销与重点客户管理提供数据支持。二、项目主要思路与流程变量维度：1. 客户身份维度CustomerID...