这篇文章介绍了一个基于目标持仓信号的期货交易回测框架，主要特点包括： 采用FIFO（先进先出）原则管理多空持仓明细，逐笔记录开平仓操作 交易执行逻辑：根据前一交易日收盘信号，在次日开盘价执行交易 支持完整的交易操作：开仓、平仓、加仓、减仓及多空双向操作 盈亏计算包含： 平仓时计算已实现盈亏 每日收盘后计算未实现浮动盈亏 累计总权益并输出每日收益 支持设置开仓、平仓的固定手续费 框架输出两个结果表：

本文介绍了如何通过docker-compose配置n8n工作流自动化平台及其Python任务运行器。主要内容包括：1) 创建docker-compose.yml文件，配置n8n主服务和Python任务运行器服务；2) 设置环境变量启用外部任务执行模式；3) 配置认证令牌和数据持久化；4) 演示Python代码节点的基本使用方法。配置完成后，用户可以直接使用Python节点执行自定义脚本，实现更灵活

本文介绍了如何配置Python环境以连接开拓者量化平台(TBPY)。首先需要安装Anaconda并创建Python 3.12虚拟环境，然后安装平台提供的tbpy库。使用时需注意：1)主界面必须打开所需数据源才能获取对应合约数据；2)默认支持200个合约同时订阅。文中提供了获取沪深300股指主力合约及分钟级数据的示例代码，并指出若想切换其他合约需相应调整主界面显示。

本文介绍了在N8N工作流中配置AI agent后只需连接两个节点的简化方法：1) Markdown节点用于格式化文本输出；2) HTML节点用于最终呈现。文中提供了两个节点的配置截图，展示了Markdown节点的参数设置界面和HTML节点的可视化配置面板，帮助用户快速实现AI输出内容的格式转换与网页展示功能。这种简洁的节点组合方案优化了工作流设计，提高了处理效率。

D star lite 算法的论文网址：http://idm-lab.org/bib/abstracts/papers/aaai02b.pdf根本思想是从后往前计算，每当客观环境发生变化时就可以节省未变环境的计算量：Github复现代码：https://github.com/avgaydashenko/d_starclone这份代码后，运行main.py:from d_star import DS

这个工具函数使用pandas的merge_asof方法实现快速匹配去年同期数据。函数首先将日期列转换为datetime类型并排序，然后创建去年同期日期列（当前日期减1年）。merge_asof以direction="backward"参数进行模糊匹配，查找小于等于目标日期的最近记录。该函数适用于需要分析同比数据的场景，能高效地将当前值与去年同期值进行关联。示例展示了函数如何将2

文章目录1.基本概念过拟合与欠拟合根据学习曲线判断过拟合、欠拟合2.示例代码：绘制学习曲线3.解决过拟合、欠拟合1.基本概念过拟合与欠拟合过拟合（学成书呆子了）：指模型在训练集上表现优秀，在测试集上表现很差欠拟合（还没学明白）：指模型难以学习已有的规律，在训练集和测试集上表现得都很差；或是模型过早的停止训练根据学习曲线判断过拟合、欠拟合上图是一个比较经典的示意图：左上角：我们看到随着训练数据的增加

分红数据参考：- 分红数据源网站：[https://data.eastmoney.com/yjfp/](https://data.eastmoney.com/yjfp/)- Akshare参考网站：[https://akshare.xyz/data/stock/stock.html#id148](https://akshare.xyz/data/stock/stock.html#id148)

本文介绍了使用xtquant库下载和获取行情数据的方法。下载数据时需注意周期参数设置：1分钟K线用于合成1-5分钟数据，5分钟K线用于合成更长时间段数据。文中提供了parse_period函数用于自动解析下载所需的基础周期，并给出示例代码演示如何下载指定股票的历史数据（如000001.SZ），以及如何通过get_market_data_ex获取本地存储的行情数据。该方法支持分钟、日、周等不同时间周

集成模型就是把多个模型融合在一起使用，通过构建一层层的模型体系，最终得到不同模型的预测结果首先安装：pip install mlens案例import pandas as pdfrom sklearn.model_selection import train_test_splitfrom sklearn.datasets import make_classificationfrom sklearn