一图胜千言，使用Python的matplotlib库，可以快速创建高质量的图形。我们团队推出一个新的系列教程：Python数据可视化，针对初级和中级用户，将理论和示例代码相结合，分别使用matplotlib, seaborn, plotly等工具实现可视化。本文主题是如何用Matplotlib创建柱状图。import numpy as npimport matplotlib.pyplot as p

一图胜千言，使用Python的matplotlib库，可以快速创建高质量的图形。用matplotlib生成基本图形非常简单，只需要几行代码，但要创建复杂的图表，需要调用更多的命令和反复试验，这要求用户对matplotlib有深入的认识。蜂鸟数据推出一个新的系列教程：Python数据可视化，针对初级和中级用户，将理论和示例代码相结合，分别使用matplotlib, seaborn, plotly等工

一图胜千言，使用Python的matplotlib库，可以快速创建高质量的图形。用matplotlib生成基本图形非常简单，只需要几行代码，但要创建复杂的图表，需要调用更多的命令和反复试验，这要求用户对matplotlib有深入的认识。我们推出一个新的系列教程：Python数据可视化，针对初级和中级用户，将理论和示例代码相结合，分别使用matplotlib, seaborn, plotly等工具实

什么是Julia？Julia是一种相对较新的编程语言，在机器学习领域越来越受欢迎。这篇文章将解析为什么以及如何使用Julia进行机器学习。本文来自《数据黑客》，登录官网可阅读更多精彩资讯和文章。为什么选择Julia？1. 速度与编译与其他机器学习语言相比，Julia的主要优势是速度。Julia的速度优势来源于两点：第一，它是一种编译语言；第二，它是为并行而设计的。2. 脚本式语法尽管具有速度优势，

机器学习实战：这里没有艰深晦涩的数学理论，我们将用简单的案例和大量的示例代码，向大家介绍机器学习的核心概念。我们的目标是教会大家用Python构建机器学习模型，解决现实世界的难题。当数据集包含很多特征，例如超过100个，该如何处理？有的特征可能是噪音，没有预测能力，部分特征之间可能高度相关，如果把所有数据喂到机器学习算法，会导致糟糕的结果：预测精度低，这点容易理解，即所谓垃圾进垃圾出(garbag

研究目标：构建一个基于决策树模型的最小可行性策略，深度拆解 Zorro 机器学习引擎的底层机制，特征预处理逻辑以及目标变量的加权运算原理。

近期我尝试利用 Zorro 内置的决策树模型构建机器学习交易策略。在初步构建的模型中，策略未能实现稳定的盈利。经过复盘，我认为根本原因主要集中在两点：1. 选用的特征缺乏足够的非线性预测能力；2. 选择了错误的目标变量。接下来的核心工作将围绕特征工程重构与目标变量调整展开，期望通过这一轮优化，能够逐步逼近“创建稳定盈利的机器学习策略”这一最终目标。

在量化交易领域，准确识别当前及未来的“市场结构”是策略能否获利的关键。传统的趋势过滤工具（如均线、通道）往往在行情转换期表现滞后。本文将探讨如何通过机器学习中的随机森林（Random Forest）模型，结合 Zorro 回测框架与 R 语言的高级计算能力，构建一个能够预测未来市场结构的分类模型。本文不仅涵盖了底层的技术实现逻辑，还将通过“基准策略”与“机器学习策略”的对比实验，客观评估机器学习在

使用JupyterLab（Jupyter Notebook）分析数据时，一遍又一遍地重新运行同一单元格（每次稍微修改参数）的代码是非常低效的。尽管如此我还是会这么做，例如为函数选择不同的值，为分析选择不同的日期范围，甚至调整图表的主题。这不仅效率低下，而且令人沮丧，破坏了探索性数据分析的流程。解决问题的理想方案是使用交互式控件来更改输入，而无需重新运行代码。幸运的是已经有人创造了解决问题的工具。在

机器学习实战：这里没有艰深晦涩的数学理论，我们将用简单的案例和大量的示例代码，向大家介绍机器学习的核心概念。我们的目标是教会大家用Python构建机器学习模型，解决现实世界的难题。为什么要约简维数？当数据集包含大量特征，有的特征包含大量预测信息，有的仅包含少量信息或纯粹是噪音，很多特征之间也可能高度相关。维数约简的目的在于剔除噪音，只保留有意义的特征，这不仅使数据集更容易管理和理解，预测模型的准确