1.VeighNa发布v3.8.0 - IB交易接口功能强化！核回回归
2.怎样开始阅读scikit-learn的归源源码？是否值得读
3.什么是web3.0时代?web1.0、web2.0和web3.0之间的码核模型
4.分位数回归及其Python源码导读
5.区间预测 | Matlab实现BP-ABKDE的BP神经网络自适应带宽核密度估计多变量回归区间预测
6.时间序列数据分析101 - (7) 自相关模型autoregressive model

VeighNa发布v3.8.0 - IB交易接口功能强化！

       VeighNa社区公众号vnpy-community于-9-发布VeighNa的核回回归3.8.0版本，主要升级了IB接口功能，归源包括API版本升级到..1，码核模型java 源码命名期权交易功能强化，核回回归增加了期权链合约数据查询和IB实时隐含波动率、归源希腊值风险数据订阅。码核模型

       已安装VeighNa Studio的核回回归用户可通过快速更新功能自动完成升级，未安装的归源用户可下载VeighNa Studio-3.8.0体验Python量化交易发行版。推荐Ubuntu或Mac用户使用VeighNa Docker量化交易容器解决方案。码核模型

       新版本IB接口API安装需前往IB官网下载对应操作系统版本的核回回归安装程序，选择Stable版本，归源安装后运行命令将ibapi接口库源代码添加至Python环境。码核模型安装目录下的source\pythonclient文件夹包含ibapi接口库源代码，使用Powershell窗口运行命令即可完成安装。

       数字代码回归，因为IB接入的金融市场数量众多，导致合约数量庞大，为简化合约代码，VeighNa核心框架设计上遵循国内金融市场规则，早期使用了由IB分配的ConId，但不便记忆。为了解决问题，后续版本中引入了IB合约描述信息的字符串组合描述代码。在使用描述代码2年后，收到期权交易相关问题反馈，为解决这一问题，版本3.8.0重新引入了数字代码支持，并且两种代码类型可以混合使用。

       期权交易增强，IB平台期权交易功能强大，3.8.0版本的IB接口在连接登录时提供了查询期权功能，订阅标的合约行情时自动查询期权链合约，满足期权策略交易所需信息。湘潭国际交友营销系统源码同时增加了IB提供的隐含波动率和希腊值风险数据支持，可通过TickData.extra字典访问获取。

       华鑫奇点接口重构，之前版本中基于奇点官方Python 3.7 API开发的vnpy_tora无法在Python 3.环境中使用，新版本使用了奇点的C++ API重构封装，实现VeighNa Station直接加载使用。

       变更日志，新增功能包括K线合成器支持日K线合成、基于华鑫奇点柜台的C++ API重构vnpy_tora、期权合约查询和扩展行情数据支持等。调整了vnpy_rest/vnpy_websocket限制在Windows上必须使用Selector事件循环、vnpy_ctp升级6.6.9版本API、支持大商所1毫秒级别行情时间戳等功能。优化了多个模块性能，修复了一些已知问题，确保用户使用体验。

怎样开始阅读scikit-learn的源码？是否值得读

       值得阅读scikit-learn源码，开启方式如下：

       一、明确目标

       在阅读scikit-learn源码之前，你需要明确自己的目的。是想深入了解某个算法的实现细节，还是希望对整个框架有更深的理解，或者是寻找性能优化的灵感？明确目标可以帮助你更有针对性地阅读源码。

       二、选择入口点

       由于scikit-learn是一个庞大的库，涵盖了许多机器学习算法和工具，建议从你最熟悉的或者最感兴趣的模块开始阅读。例如，可以从分类、回归、聚类等核心模块开始，逐步深入到相关的算法实现。

       三、阅读文档和注释

       scikit-learn的源码文档中有很多有用的注释和说明，这些可以帮助你理解代码的仿soul盲盒源码2.0逻辑和结构。在开始阅读代码之前，建议先查看官方文档和相关模块的API文档。在阅读代码时，重点关注函数的逻辑、数据结构和算法实现。

       四、逐步深入

       不要试图一次性理解整个库的源码，这可能会非常困难。建议逐步深入，先从核心模块开始，然后逐渐扩展到其他模块。在阅读代码的过程中，如果遇到不理解的地方，可以先做标记，继续阅读后面的内容，等理解了一些相关内容后再回头查看。

       关于是否值得读scikit-learn的源码：

       是的，阅读scikit-learn的源码对于深入理解机器学习和提升编程能力都非常有帮助。

       1. 理解算法原理：通过阅读源码，可以深入了解各种机器学习算法的实现细节，从而更深入地理解其原理。

       2. 学习编程技巧：scikit-learn的源码非常干净、简洁，且使用了很多高级的编程技巧，如优化、并行处理等。阅读源码可以学习到很多编程技巧和方法。

       3. 拓展视野：了解源码可以帮助你更全面地了解机器学习的生态系统，了解哪些工具和方法是最常用的，哪些是比较新的。

       总之，阅读scikit-learn的源码对于机器学习爱好者和开发者来说是非常有价值的。

什么是web3.0时代?web1.0、web2.0和web3.0之间的

       Web3.0时代，即去中心化互联网时代，阻击涨停板公式源码是对Web1和Web2时代的革新与融合。其核心特征在于利用加密技术、区块链、智能合约等创新手段，构建出更加开放、透明、可编程的网络环境，赋予用户更多自主权与经济利益。

       在Web3.0时代，去中心化组织（DAO）成为了重要的组织形式。它们通过提供更复杂的协调机制和对互联网本地金融资源的控制，使得在线社区变得更加强大且自主。在过去一年中，多个类别如金融服务、投资、内容创作、游戏、社交俱乐部等，涌现出了数千个DAO，显示了其潜力与创新空间。未来，DAO的应用领域和创新产品仍有待探索。

       经济领域是Web3.0改变互联网服务的关键之处。它取消了传统的中间层，大幅降低了收取率，为创业公司提供了吸引和培育社区的优越经济环境。例如，Instagram和Twitter等社交网络无法与创作者分享收入，而在Web3中，创作者可以直接通过NFT等产品面向观众销售，实现%或更多的收入。这种模式让Web3平台的创作者支出有望超过Web2平台，推动经济模式的变革。

       Web3.0还为营销领域带来了革命性的变化。通过代币激励，易语言修理厂源码项目可以在原生网络效应较弱的早期阶段吸引用户，克服了自举问题，帮助新兴项目快速成长。代币不仅成为自我营销的工具，还能降低获得客户的成本，让服务构建更加依赖用户热情，从而建立更高质量的社区。与现有平台构建服务不同，Web3.0通过用户自发传播，构建服务，实现了更低的成本和更高质量的社区构建。

       在人才领域，Web3.0项目能够接入一个庞大的开发者生态系统，吸引全球拥有专业知识的开发者。开放源代码的承诺和中立性保障了开发者可以信赖的平台，促进了广泛的创新。与Web2平台相比，Web3.0更注重开发者权益，避免了平台随意更改服务条款或拒绝API的问题，确保了开发者可以依靠稳定、可信的平台进行创新。

       Web3.0的精神核心在于回归互联网最初的愿景：一个由开放协议管理的分散网络，权力和资金流向边缘，而不是集中于中介机构。它结合了Web1时代分散、社区治理的开放协议与Web2时代先进的现代功能，构建了一个由建设者和用户共同拥有的互联网，通过代币实现。

       回顾Web1时代，互联网服务主要建立在开放协议之上，价值积累到了网络边缘，用户和建设者之间建立了紧密联系。而Web2时代，集中式服务主导了互联网，大部分价值被少数几家公司如谷歌、苹果、亚马逊和Facebook等公司积累。Web3.0时代正处于这一转变的开端，它旨在整合Web1的分散和Web2的先进功能，通过去中心化网络，将权力和资金下放给网络参与者。

       加密网络作为Web3.0的重要组成部分，通过区块链等共识机制维护状态，使用加密货币激励参与者，实现了网络的中立性和去中心化。它们通过开源代码、社区治理和“声音”与“退出”机制确保了网络发展过程中的中立性，避免了中心化平台的问题。

       尽管加密网络在性能和可伸缩性方面存在限制，但未来几年将解决这些限制，构建基础设施层网络。在这一阶段之后，大部分精力将转向在该基础设施之上构建应用。加密网络的优势在于能够赢得开发人员和企业家的心，通过提供更公平的竞争环境和更具吸引力的价值主张，吸引更多的资源和开发能力，从而加速产品开发过程。

       与Web2平台相比，Web3.0平台在早期阶段通常面临产品市场契合的挑战，需要经历与开发人员/企业家以及最终用户之间的两个阶段。尽管如此，它们仍然具有巨大的潜力，因为它们能够吸引高质量的开发人员和企业家，通过产品创新和市场驱动的方式实现增长。

       总的来说，Web3.0时代通过去中心化网络提供了比集中式系统更好的解决方案，它能够解决互联网上的许多问题，包括垃圾邮件、网络治理、用户数据保护等。去中心化网络在构建互联网服务时提供了更好的环境，鼓励开发社区拥有网络并为第三方开发人员、创建者和企业提供公平竞争环境，有望在未来的互联网时代中发挥关键作用。

分位数回归及其Python源码导读

       探索自变量与因变量关系时，线性回归是最直接的方法，其公式为：[公式]。通过最小二乘方法（OLS）得到无偏估计值[公式]，[公式]。然而，线性回归存在局限性，特别是当残差不满足期望值为零且方差恒定的独立随机变量假设时，或当我们需要了解在给定特定条件下的条件中位数而非均值时。为解决这些问题，分位数回归（Quantile Regression）应运而生。

       让我们以收入与食品消费为例，这一经典例子出自statasmodels的Quantile Regression应用。我们使用Python包statsmodels实现分位数回归，具体步骤如下：

       首先，进行数据预处理，确保数据准备就绪。

       接着，我们进行中位数回归（分位数回归的特例，q=0.5），结果揭示了收入与食品消费之间的关系。

       通过可视化，我们进一步拟合了个分位数回归，分位数q从0.到0.，以全面理解不同分位数下的回归关系。

       观察条回归线，对比分位数回归线与线性最小二乘回归线，我们可直观发现三个关键现象。

       分位数回归的原理基于数理统计，涉及分位数的定义、求解方法以及如何将分位数回归应用到实际问题中。简而言之，分位数回归通过最小化损失函数来估计参数，从而提供更全面的统计信息。

       实现分位数回归的源码主要包含在Python库中的QuantReg和QuantRegResults类中。QuantReg类负责核心计算，如系数估计和协方差矩阵计算，而QuantRegResults类则用于计算拟合优度并整理回归结果。

       总结，分位数回归为解决线性回归局限性提供了有效手段，其优势在于提供更丰富统计信息，如条件中位数，适用于多种应用场景。希望本文能为理解分位数回归及其Python实现提供清晰路径。

区间预测 | Matlab实现BP-ABKDE的BP神经网络自适应带宽核密度估计多变量回归区间预测

       本文介绍了一种利用BP神经网络自适应带宽核密度估计进行多变量回归区间预测的方法，该方法在Matlab平台上实现，并提供完整的源代码和数据集，方便用户学习和应用。

       在多变量回归分析中，预测结果常常伴随着不确定性，而区间预测能够提供预测值的可信区间，帮助决策者做出更加合理的决策。本文提出的BP神经网络自适应带宽核密度估计方法，能够有效解决多变量回归中的不确定性问题。通过自适应调整带宽参数，该方法能更准确地估计核密度，从而提高预测的精度。

       实现该方法的Matlab代码支持点预测、概率预测和核密度估计，覆盖了预测分析的主要方面。适用于多变量单输出的预测任务，提供多种置信区间，包括常见的R2、MAE、RMSE、MAPE、区间覆盖率（PICP）和区间平均宽度百分比（PINAW）评价指标，帮助用户评估预测结果的准确性和可靠性。

       该方法改进了固定带宽核函数，使其更具适应性和灵活性，提高了预测性能。代码实现简洁明了，参数化编程使得用户可以根据需要方便地调整参数，代码结构清晰，注释详尽，适合各个水平的用户学习和使用。直接替换Excel数据即可运行，一键生成预测结果和图表，提供直观的分析结果。

       总结，本文提出的BP神经网络自适应带宽核密度估计多变量回归区间预测方法，不仅提供了强大的预测功能，还简化了实现过程，极大地降低了学习和应用的门槛。适用于各种多变量回归预测任务，特别适用于需要考虑预测不确定性的场景。

时间序列数据分析 - (7) 自相关模型autoregressive model

       1.概述

       2.准备和处理时间序列数据

       3.探索式分析(EDA)

       4.基于统计学的时间序列分析方法

       4.1 自回归模型

       5.基于状态空间模型的时间序列分析方法

       6.基于机器学习的时间序列分析方法

       7.基于深度学习的时间序列分析方法

       8.模型优化的考虑

       所有源代码和markdown在github同步更新

       /skywateryang

       4. 基于统计学的时间序列分析方法

       本章将详细介绍时间序列分析方法，首先从统计学方法入手，这类方法在学术研究和工业应用中具有广泛的应用基础。与线性回归相似，统计学方法利用线性回归解释不同时间点的数据点关系。然而，与一般线性回归不同，时间序列分析强调数据点之间的关联性。

       4.1 自回归模型（Autoregressive）

       自回归模型的核心思想是利用历史数据预测未来，即当前时刻的数据可以通过之前时刻的函数来表示。

       自回归模型是时间序列分析中常用的模型，尤其在数据缺乏额外信息时。其基本公式如下：

       （公式）

       该公式中的1表示时间间隔为1，即当前时刻的数据值仅考虑前一个时刻的值。从公式可以看出，它类似于常规线性回归，其中[公式]代表截距项和回归系数，[公式]表示t时刻的错误项，其均值为0，方差固定。该公式表明，使用t-1时刻的时间序列值来拟合t时刻的时间序列值。

       AR模型可以扩展到p个近邻时间值，此时称为AR(p)。[公式]中的[公式]表示一系列回归系数。

       Python实战演练

       实战中，使用AR模型需要满足两个前提假设：相关性和平稳性。

       如果数据集不平稳，需要通过操作去除趋势项和季节项，使其变得平稳。

       冷知识：平稳性分为强平稳性和弱平稳性，强平稳性要求数据的分布不随时间变化，而弱平稳性仅要求数据的一阶距和二阶矩（均值和方差）不随时间变化。

       使用AR模型时，我们首先检验相关性。检验相关性的方法有两种：使用pandas的autocorrelation_plot方法检验整体自相关性，使用pandas的lag_plot方法检查单个时间间隔的相关性。

       第二步是检查平稳性，一种快捷的方法是使用statsmodels中的seasonal_decompose方法进行趋势项和季节项的分解。

       幸运的是，statsmodels包的AutoReg方法增加了对趋势和季节项特征的处理，可以直接使用该方法。