tag 标签: random经管大学堂:名校名师名课

相关帖子

版块 作者 回复/查看 最后发表
政策评估的柔性方法 外文文献专区 mingdashike22 2022-3-8 0 433 mingdashike22 2022-3-8 16:24:40
随机时域委托代理问题 外文文献专区 kedemingshi 2022-3-8 0 318 kedemingshi 2022-3-8 15:11:00
绝对原创。OLS/Pooled/FE/RE总结和比较。 attachment 计量经济学与统计软件 longwo 2013-2-28 18 14917 夏夏夏筱染 2020-12-2 11:00:44
Applications of Linear and Nonlinear Models: Fixed Effects, Random Effects, and - [!reward_solved!] attachment 求助成功区 johnzi0128 2013-3-23 4 1930 guh1992 2016-10-8 13:49:13
悬赏 Bayesian Prediction of Transformed Gaussian Random Fields的文献求助下载 - [!reward_solved!] attachment 求助成功区 tjxxukai 2013-9-7 2 1213 tjxxukai 2013-9-8 08:32:22
悬赏 20论坛币求购外文文献1篇 - [!reward_solved!] attachment 求助成功区 ydhydh2011 2013-6-4 2 1212 ydhydh2011 2013-6-4 10:00:57
悬赏 2. Simple Random Sampling - [!reward_solved!] attachment 求助成功区 violinangel 2013-6-2 1 687 jacquiline 2013-6-2 16:55:56
悬赏 wiley Probability Distribution of Number of Networks - [!reward_solved!] attachment 求助成功区 352693585 2013-5-8 1 1203 bxmzone 2013-5-8 21:10:02
悬赏 Designing Random Allocation Mechanisms - [!reward_solved!] attachment 求助成功区 不再后悔 2013-4-13 1 966 hello_xn 2013-4-13 13:46:23
悬赏 Lot Sizing with Random Yields: A Review - [!reward_solved!] attachment 求助成功区 zccltt 2013-4-11 1 837 timothyjshi 2013-4-11 14:38:22
谁可以比较一下Fixed Effects与Random Effects? Stata专版 铃兰君影 2013-3-21 0 1449 铃兰君影 2013-3-21 13:33:19
悬赏 Coordination in a Single-Retailer Two-Supplier Supply Chain under Random - [!reward_solved!] attachment 求助成功区 zccltt 2013-3-5 3 1408 zccltt 2013-3-5 21:57:27
悬赏 Using Daily High/Low Time to Test for Intraday Random Walk in Two Index Futures - [!reward_solved!] attachment 求助成功区 pan1111111 2013-2-7 2 1367 pan1111111 2013-2-7 12:16:23
悬赏 2. Random Variables and Their Probability Distributions - [!reward_solved!] attachment 求助成功区 violinangel 2013-6-6 1 729 bxmzone 2011-6-7 17:02:30
悬赏 4. Multiple Random Variables - [!reward_solved!] attachment 求助成功区 violinangel 2013-6-6 2 1008 bxmzone 2011-6-7 17:02:05
悬赏 6. Single-Input/Output Relationships - [!reward_solved!] 求助成功区 violinangel 2013-6-5 1 1007 suhongyu000 2011-6-7 07:15:19
悬赏 5. Stationary Random Processes - [!reward_solved!] 求助成功区 violinangel 2013-6-5 1 1284 suhongyu000 2011-6-7 07:14:58
悬赏 8. Split-plot Designs Under Mixed and Random Models - [!reward_solved!] attachment 求助成功区 violinangel 2013-5-30 1 648 bxmzone 2011-5-31 12:39:12
悬赏 5. Random Models with Unequal Cell Frequencies in the Last Stage - [!reward_solved!] attachment 求助成功区 violinangel 2013-5-30 1 1189 bxmzone 2011-5-31 12:38:28
悬赏 2. Discrete and Continuous Random Variables - [!reward_solved!] attachment 求助成功区 violinangel 2013-5-29 2 908 violinangel 2011-5-30 13:38:55

相关日志

分享 A Non-Random Walk Down Wall Street
accumulation 2015-3-28 09:58
Frontmatter Contents List of Figures List of Tables Preface 1. Introduction Part I 2. Stock Market Prices Do Not Follow Random Walks: Evidence from a Simple Specification Test 3. The Size and Power of the Variance Ratio Test in Finite Samples: A Monte Carlo Investigation 4. An Econometric Analysis of Nonsynchronous Trading 5. When Are Contrarian Profits Due to Stock Market Overreaction? 6. Long-Term Memory in Stock Market Prices Part II 7. Multifactor Models Do Not Explain Deviations from the CAPM 8. Data-Snooping Biases in Tests of Financial Asset Pricing Models 9. Maximizing Predictability in the Stock and Bond Markets Part III 10. An Ordered Probit Analysis of Transaction Stock Prices 11. Index-Futures Arbitrage and the Behavior of Stock Index Futures Prices 12. Order Imbalances and Stock Price Movements on October 19 and 20, 1987 References Index
个人分类: 金融工程|0 个评论
分享 A Random Walk Down Wall Street
accumulation 2015-3-28 09:57
CONTENTS Preface Acknowledgments from Earlier Editions Part One STOCKS AND THEIR VALUE 1. FIRM FOUNDATIONS AND CASTLES IN THE AIR 2. THE MADNESS OF CROWDS 3. SPECULATIVE BUBBLES FROM THE SIXTIES INTO THE NINETIES 4. THE EXPLOSIVE BUBBLES OF THE EARLY 2000S Part Two HOW THE PROS PLAY THE BIGGEST GAME IN TOWN 5. TECHNICAL AND FUNDAMENTAL ANALYSIS 6. TECHNICAL ANALYSIS AND THE RANDOM-WALK THEORY 7. HOW GOOD IS FUNDAMENTAL ANALYSIS? Part Three THE NEW INVESTMENT TECHNOLOGY 8. A NEW WALKING SHOE: MODERN PORTFOLIO THEORY 9. REAPING REWARD BY INCREASING RISK 10. BEHAVIORAL FINANCE 11. POTSHOTS AT THE EFFICIENT-MARKET THEORY AND WHY THEY MISS Part Four A PRACTICAL GUIDE FOR RANDOM WALKERS AND OTHER INVESTORS 12. A FITNESS MANUAL FOR RANDOM WALKERS 13. HANDICAPPING THE FINANCIAL RACE: A PRIMER IN UNDERSTANDING AND 14. A LIFE-CYCLE GUIDE TO INVESTING 15. THREE GIANT STEPS DOWN WALL STREET A Final Word A Random Walker’s Address Book and Reference Guide to Mutual
个人分类: 金融工程|0 个评论
分享 Random Forest using Python
Nicolle 2014-8-4 06:09
随机森林 是一个高度灵活的机器学习方法,拥有广泛的应用前景,从市场营销到医疗保健保险。 既可以用来做 市场营销模拟的建模 ,统计客户来源,保留和流失。也可用来 预测疾病的风险 和病患者的易感性。 随机森林是一个可做能够回归和分类。 它具备处理大数据的特性,而且它有助于估计或变量是非常重要的基础数据建模。这是一篇关于使用Python来实现随机森林文章。 什么是随机森林? 随机 森林 是 几乎 任何 预测 问题 (甚至 非直线 部分) 的固有 选择 。 它是 一个 相对较 新 的 机器 学习 的 策略 ( 在 90 年代产生于 贝尔 实验室 ) 和 它 可以 几乎用于 任何方面 。 它 属于 机器 学习 算法 一大类----- 集成学习 方法 。 集成学习 集成学习通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器/模型,各自独立地学习和作出预测。这些预测最后结合成单 预测,因此优于任何一个单分类的做出预测。 随机森林是集成学习的一个子类,由于它依靠于策率树的合并。你可以在这找到用python实现集成学习的文档: Scikit 学习文档 。 随机决策树 我们 知道 随机 森林 是 其他 的模型 聚合, 但 它 聚合 了什么 类型 模型 ? 你 可能 已经 从 其 名称 、 随机 森林 聚合 分类(或 回归) 的 树 中猜到。 决策 树 是 由 一 系列 的 决策的组合, 可 用于 分类 观察 数据集 。 随机森林 算法引入了一个随机森林来 自动 创建 随机 决策 树 群 。 由于 树 随机 生成 的树, 大部分的树(或许 99.9%树) 不 会 对 学习 的 分类/回归 问题 都 有意义 。 如果 观察到 长度 为 45 ,蓝 眼睛 , 和 2 条腿 , 就 被 归类 为 红色 。 树的投票 所以10000个(概率上)糟糕的模型有*****什么好的?好吧,这样确实没什么特别的好处。但是随着很多糟糕的决策树被生成,其中也会有很少确实很优秀的决策树。 当你要做预测的时候,新的观察到的特征随着决策树自上而下走下来,这样一组观察到的特征将会被贴上一个预测值/标签。一旦森林中的每棵树都给出了预测值/标签,所有的预测结果将被归总到一起,所有树的模式投票被返回做为最终的预测结果。 简单来说,99.9%不相关的树做出的预测结果涵盖所有的情况,这些预测结果将会彼此抵消。少数优秀的树的预测结果将会超脱于芸芸“噪音”,做出一个好的预测。 为什么你让我用它? 随机森林就是学习方法中的 Leatherman 呀。你几乎可以把任何东西扔进去,它基本上都是可供使用的。在估计推断映射方面特别好用,以致都不需要像SVM那样做很多调试(也就是说对于那些最后期限很紧的家伙们真是太棒了)。 一个映射的例子 随机森林在没有精心准备的数据映射的情况下也能学习。以方程f(x) = log(x)为例。 制造一些假数据,并且加上一点儿噪音。 import numpy as npx = np.random.uniform(1, 100, 1000)y = np.log(x) + np.random.normal(0, .3, 1000) full gist here 如果 我们 建立了 一个 基本 的 线性 模型 通过使用 x 来预测y, 我们需要 作 一 条 直线 , 算是 平分 log (x) 函数。 而 如果 我们 使用 一个 随机 的 森林 , 它 不会 更 好 的 逼近 log (x) 曲线 并能够使得它更像实际函数。 你 也许会说 随机 森林 有点 扰乱了 log(x) 函数 。 不管怎样 , 我 都认为 这 做了一个 很 好 的 说明 如何 随机 森林 并 未绑定于 线性 约束 。 使用 变量选择 随机森林最好的用例之一是特征选择。尝试很多决策树变种的一个副产品就是你可以检测每棵树中哪个变量最合适/最糟糕。 当一棵树使用一个变量,而另一棵不使用这个变量,你就可以从是否包含这个变量来比较价值的减少或增加。优秀的随机森林实现将为你做这些事情,所以你需要做的仅仅是知道去看那个方法或参数。 在下述的例子中,我们尝试去指出对于将酒分为红酒或者白酒哪个变量是最重要的。 分类 随机森林也很善于分类。它可以被用于为多个可能目标类别做预测,它也可以被校正输出概率。你需要注意的一件事情是 过拟合 。随机森林容易产生过拟合,特别是在数据集相对小的时候。当你的模型对于测试集合做出“太好”的预测的时候就应该怀疑一下了。 产生过拟合的一个原因是在模型中只使用相关特征。然而只使用相关特征并不总是事先准备好的,使用特征选择(就像前面提到的)可以使其更简单。 回归 是的,它也可以做回归。 我们已经发现随机森林——不像其它算法——对分类变量或者分类变量和真实变量混合学习的非常好。具有高基数(可能值的#)的分类变量是很棘手的,所以在你的口袋中放点儿这样的东西将会是非常有用的。 from sklearn.datasets import load_irisfrom sklearn.ensemble import RandomForestClassifierimport pandas as pdimport numpy as npiris = load_iris()df = pd.DataFrame(iris.data, columns=iris.feature_names)df = np.random.uniform(0, 1, len(df)) = .75df = pd.Factor(iris.target, iris.target_names)df.head()train, test = df ==True], df ==False]features = df.columns clf = RandomForestClassifier(n_jobs=2)y, _ = pd.factorize(train )clf.fit(train , y) preds = iris.target_names )]pd.crosstab(test , preds, rownames= , colnames= ) 看起来很不错! 结语 随机森林相当容易使用,而且很强大。对于任何建模,都要注意过拟合
个人分类: Python|17 次阅读|0 个评论

京ICP备16021002-2号 京B2-20170662号 京公网安备 11010802022788号 论坛法律顾问:王进律师 知识产权保护声明   免责及隐私声明

GMT+8, 2024-4-26 14:12