是计算机分配的一块内存，其下有类型、大小和引用计数等属性。引用计数是说多少个变量名“指向”该对象，当引用计数为零时，意味着没有任何变量名引用，因此可以被回收。为什么

1]。如果你选了第四个，你可以关闭页面，如果不是，请往下看，绝对能学到一些新的知识。你能需要的知识点是：了解什么是不可更改对象和可更改对象了解函数的默认参数了解在

print(f'{name}是{actors[index]}')小罗伯特唐尼是钢铁侠托比·马奎尔是蜘蛛侠克里斯蒂安·贝尔是蝙蝠侠杰森·莫玛是水行侠结果是对的，但是代码不够优雅。来，zip()

厘米。显然，这个记录是错误的，这种情况下最有效的方法是删除它而不是花时间查找原因。但是，我们仍需要知道有多少个类似这样的错误数据，如果很少删除它没有问题，如果很多我们需要查明原因。cond

)plt.show()现在线条更明显了，而深青色看起来也比较有品位。2.5设置边界横轴怎么是数字，不应该是日期么？另外这条线快碰到天花板了。这个需求合理，设置下横轴和纵轴的边界就可以了。下面代码第

MXnet接着上篇继续后面三个章节数据表的合并和连接数据表的重塑和透视数据表的分组和整合4数据表的合并和连接数据表可以按「键」合并，用

DataFrame。2.2一步登天法不喜欢量化的读者可跳过本节，不影响本帖的完整性。上节都是手敲一些数据来创建「多维数据表」的，现实中做量化分析时，数据量都会很大，一般都是从量化平台中或者下载好的

3个月/12个月。具体步骤如下：计算曲线上「标准日期」到「估值日」之间的天数差计算「起始日」和「终止日」到「估值日」之间的天数差插出「起始日」和「终止日」上的折现因子

当对两个形状不同的数组按元素操作时，可能会触发「广播机制」。具体做法，先适当复制元素使得这两个数组形状相同后再按元素操作，两个步骤：

本节讲数组的「保存」和「加载」，我知道它们没什么技术含量，但是很重要。假设你已经训练完一个深度神经网络，该网络就是用无数参数来表示的。比如权重都是

这样怎么改变参数顺序都可以打印出有意义的结果了。读者可能会说了我也记不住「关键字」啊，是的，但是「关键字」看上去有具体的意义，绝对比你记住参数顺序容易多了吧。

就是为了搞量化交易希望能躺着赚钱)，别管这目标难度如何，起码可以保证我累得时候还鸡血满满不会轻言放弃。这样我就足够主动的去学一样东西并学精学深，目标越难完成，我主动性就越强。

'000001.XSHE',start_date='2019-01-03',end_date='2019-01-03',frequency='daily',fields=['close']

流程是为特定的投资目标创建最佳的投资组合。优化目标可以是用来实现投资组合的最高回报、最低风险、最高夏普比率、最高分散比率等等。下面几节就分别对这几个优化目标来分配资产权重。

深度学习研究人员都愿意编写程序实施想法，而很少愿意手动做误差分析。他们认为这是浪费时间，其实通过误差分析可以权衡具体问题、优先安排项目、指出新的方向，而用在上面的时间可以帮助你节省很多时间和人力。

name="training_op")小结以上已经完成构建所有的网络结构，接下来训练和测试的步骤都非常标准化，就不再多言了。需要提醒的是，在训练时，mask_with_labels

回归那段代码非常相似，而结构几乎一模一样，包括引入数据，确定算法，创建网络，训练网络，测试网络，可视化网络，可视化最终结果。整个代码逻辑非常清晰，如果在哪个步骤需要小改，可以参考小节

引言胡碧才，斯蒂文和孟榨田都是玩机器学习的，他们都觉得自己的模型厉害谁也不服谁。有一次他们来一场比赛，他们三个人的模型在前两个数据训练数据上表现非常好，模型的输出完全和样例真实标记一样。其中

引言王妮梅连续搞砸了妈妈介绍的40个男生，要么不约要么约完再无联系，她妈妈心急如焚又给她找了20个男生。王妮梅疯了，因为她失败了这么多次，已经不再相信自己对男生喜好的判断了。这时她找来闺蜜刘舒，想让刘舒帮她捋一捋，告诉她这20个男生哪个喜欢应该去约哪个讨厌应该不约？王妮梅刘舒，能帮我捋一捋这

意见做一个决策。对于是否投资一个组合，他会问这三位的意见，但是他会根据不同的实际情况而用三种不同结合意见的方式：如果只是主观的觉得他们在相同的程度上都很厉害，那么斯蒂文让他们投票，并将其意见均匀

黑色多边形根结点粉色菱形内结点：表示特征长相、性格、类绿色红色叶结点：表示类，绿色正类“见”，红色反类“不见”天蓝色矩形：表示特征值长相：好看、一般、难看性格：好、坏收入：高、低决策树桩决策树桩

工作日惯例：当今几乎金融产品的付息日都调整在工作日上，原因是处理利息的机构在非工作日上不办公。试想以后所有这些产品结算都是机器运行，而机器是永不停息的，对它们来讲，每天都是工作日，不需要任何调整。

段就可以了。下一贴充满着真实数据，实际问题和编程代码的一贴。学而不编则罔，编而不学则殆，希望下一贴用代码来复习前两帖的内容，包括，单变量线性回归，多变量线性回归，单变量多项式回归，岭回归和套索回归

在训练，测试，处理和预测速度方面，一些算法和模型类型需要更多的时间，并且需要比其他算法和存储器更大的计算能力和内存。在一些应用中，速度和可扩展性是关键因素，特别是在任何广泛使用的接近实时的应用