- 综合排序
- 最热优先
- 最新优先
- 来自专栏从流域到海域
在针对Bluemix的Lookback应用中进行身份认证
/authentication-in-loopback-applications-against-bl 译者：@从流域到海域 译者博客：blog.csdn.net/solo95 在针对Bluemix的Lookback
1.6K100发布于 2018-01-08 - 来自专栏子晓AI量化
【Python技术】寻找全市场形态相似的股票例子
# --------------------------配置参数-------------------------- TARGET_SYMBOL = "600519" # 目标股票代码（贵州茅台） LOOKBACK_DAYS 无法获取目标股票{TARGET_SYMBOL}数据") return # 提取最近的形态变化 target_prices = target_df['收盘'].values[-LOOKBACK_DAYS continue # 确保足够历史数据 # 滑动窗口遍历历史形态 for i in range(len(df) - LOOKBACK_DAYS - PREDICT_DAYS): # 当前窗口数据 window_prices = df['收盘'].values[i:i + LOOKBACK_DAYS - 1] # 窗口最后一天收盘价 future_price = df['收盘'].values[i + LOOKBACK_DAYS + PREDICT_DAYS -
16610编辑于 2026-04-23 IRIS / Chronicles 定义 Item 中的 Add Type 属性
Lookback从字面上来看这个就是查找时间。这个 Response Each Time 对比起来的不同就是修改的频率。 为了节约存储空间，对医生这个字段我们就可以设置为 lookback，这样的话只要和上次看的医生相同，那么数据显示的就是上次的医生名字，虽然我们这里什么都没有输入。 针对上面的情况，在 Lookback 中又细分了 2 类：with 和 without deletion。Lookback with deletion这种约束允许 Lookback 中的字段内容为空。 那么我们的 Lookback 的时候，上面有关医生的关联数据就删除了，那么数据在查询的时候就会显示为 Null，我们用 “” 来表示。 Lookback without deletion这种约束不允许 Lookback 中的字段内容为空。
33710编辑于 2024-03-28- 来自专栏Coding迪斯尼
LSTM和GRU网络的高级运用实例
， 因此有1440/6=240条数据会作为训练数据，这就是代码中的lookback//step于是我就把1点前10天内的抽样数据作为训练数据，2点是的气温作为数据对应的正确答案，由此 可以对网络进行训练 ''' def generator(data, lookback, delay, min_index, max_index, shuffle=False, batch_size while 1: if shuffle: rows = np.random.randint(min_index + lookback, max_index, = 1440 step = 6 delay = 144 batch_size = 128train_gen = generator(float_data, lookback=lookback, step=step, batch_size=batch_size) test_gen = generator(float_data, lookback=lookback,
86611编辑于 2022-01-17 - 来自专栏算法进阶
Python实现时间序列的分类预测
以下代码显示了此功能： def get_training_data(symbol, start_date, end_date, monthly_bool=True, lookback=10): 参数 lookback 指定预测中包含过去多少天。 get_sequence_data()代码如下 ： def get_sequence_data(data_up_down, lookback): shape = (data_up_down.shape [0] - lookback + 1, lookback) strides = data_up_down.strides + (data_up_down.strides[-1],) 它返回一个新的 NumPy 数组，该数组表示具有指定窗口大小的 data_up_down 数组的滑动窗口视图，该窗口大小由 lookback 参数确定。
75231编辑于 2023-08-28 - 来自专栏CV学习史
Deep learning with Python 学习笔记（6）
while 1: if shuffle: rows = np.random.randint(min_index + lookback, max_index = 1440 step = 6 delay = 144 batch_size = 128 train_gen = generator(float_data, lookback=lookback, delay =lookback, delay=delay, min_index=200001, max_index=300000, step=step, batch_size=batch_size) test_gen = generator(float_data, lookback=lookback, delay=delay, min_index=300001, max_index=None, step=step, model = Sequential() model.add(layers.Flatten(input_shape=(lookback // step, float_data.shape[-1]
97420发布于 2019-09-10 - 来自专栏数据派THU
将时间序列转换为分类问题
以下代码显示了此功能： def get_training_data(symbol, start_date, end_date, monthly_bool=True, lookback=10): ) data_up_down = data['up_down'].to_numpy() training_data = get_sequence_data(data_up_down, lookback 参数 lookback 指定预测中包含过去多少天。 [0] - lookback + 1, lookback) strides = data_up_down.strides + (data_up_down.strides[-1],) return 它返回一个新的 NumPy 数组，该数组表示具有指定窗口大小的 data_up_down 数组的滑动窗口视图，该窗口大小由 lookback 参数确定。
1.3K10编辑于 2023-05-11 - 来自专栏拓端tecdat
深度强化学习、蒙特卡洛模拟与时序预测：LSTM、GRU、Attention、DQN多策略智能体的股票交易决策体系构建—以Google股价为例 | 附代码数据
, price_series, step_gap, mini_batch): self.state_dim = state_dim self.lookback = lookback self.half_lookback = lookback // 2 self.price_series = price_series self.step_gap def build_state(self, time_index): # 根据时间窗口构建状态向量（价格差分） window_len = self.lookback + , price_series, step_gap): self.state_dim = state_dim self.lookback = lookback self.half_lookback = lookback // 2 self.price_series = price_series self.step_gap = step_gap
93520编辑于 2026-03-09 - 来自专栏腾讯云原生团队
TKE 助力 Agent 可观测及评估体系建设，靠谱助手轻松养成！
(self): return"Custom Azure OpenAI Model" # 拉取 traces def fetch_traces(langfuse_cli: Any, lookback_minutes = 30 traces = fetch_traces(langfuse_cli=langfuse, lookback_minutes=lookback_minutes) logging.info (f"Fetched {len(traces)} traces for last {lookback_minutes} minutes = 30 traces = fetch_traces(langfuse_cli=langfuse, lookback_minutes=lookback_minutes) logging.info(f"Fetched {len(traces)} traces for last {lookback_minutes} minutes.")
94700编辑于 2025-06-09 - 来自专栏机器学习之量化投资
[量化]夏普比率3.27，通过DQN算法进行上证指数择时强化学习策略
预处理 方式为计算 t-lookback+1 至 t 日行情数据相对于过去 252 个交易日收盘价的 Z 分数。因此状态空间为 lookback*4 维实空间。 回看区间 lookback 取 5 个交易日，同时测试 10 和 15。动作空间动作空间定义为{buy, sell, hold}。 数据预处理，每个交易日 t，计算 t-lookback+1 至 t 日指数开高低收价格相对过去 252 日收盘价的 Z 分数，作为该日的观测状态；3. 不同回看区间收益率表现：lookback=5 最好，lookback=10和15 接近，lookback=15 略好。过于久远的信息指示意义可能有限，降低数据信噪比，回看区间取短一些较好。 优化后的超参数为：折扣因子 γ=0.5，回放内存 replay_memory=32，回看区间 lookback=5， 预测区间 horizon=10。
2.3K00编辑于 2023-01-18 - 来自专栏AI SPPECH
线性回归不是简单模型，而是一切的起点
- 1): # 使用过去lookback天的数据作为特征 X.append(historical_data[i:(i+lookback)]) }'] = df_features[target_col].rolling(window=lookback).mean() df_features[f'rolling_std_{lookback }'] = df_features[target_col].rolling(window=lookback).std() df_features[f'rolling_max_{lookback }'] = df_features[target_col].rolling(window=lookback).max() df_features[f'rolling_min_{lookback + 1)] + [ f'rolling_mean_{lookback}', f'rolling_std_{lookback}', f'rolling_max
19610编辑于 2026-01-15 - 来自专栏拓端tecdat
R语言动量和马科维茨Markowitz投资组合(Portfolio)模型实现
*********** weight.limit = data.frame(last(pric obj = portfoli(data$prices, periodicity = 'months', lookback.len ********************************************** obj = portfolio(data$prices, periodicity = 'months', lookback.len
1K20发布于 2020-11-30 - 来自专栏科学最Top
记录和分享抓取的数字货币和大A时序数据
pd # 初始化客户端 client = Client() # 获取历史k线数据 def get_binance_btc_data(symbol='BTCUSDT', interval='1h', lookback_days =365*3): end_time = datetime.datetime.now() start_time = end_time - datetime.timedelta(days=lookback_days
28200编辑于 2025-05-12 - 来自专栏拓端tecdat
动量和马科维茨Markowitz投资组合(Portfolio)模型实现
*** weight.limit = data.frame(last(pric obj = portfoli(data$prices, periodicity = 'months', lookback.len **************************************** obj = portfolio(data$prices, periodicity = 'months', lookback.len
1K20编辑于 2022-03-11 - 来自专栏知识累积
使用TestServer测试ASP.NET Core API
videoService.HomeVideoList(); var identityList = new List<string>(); identityList.AddRange(result.LookBack.Select x.VideoImg = ReplaceVideoImg(x.VideoImg, VideoMaxImg); }); result.LookBack.ForEach
1.2K30发布于 2019-04-16 - 来自专栏桃花源记
[Deep-Learning-with-Python] 文本序列中的深度学习
,lookback=lookback,delay=delay, min_index=0,max_index=200000,shuffle=True,step=step, batch_size =batch_size) val_gen = generator(float_data,lookback=lookback,delay=delay, min_index=200001,max_index =300000,step=step,batch_size=batch_size) test_gen = generator(float_data,lookback=lookback,delay=delay 数据准备 step = 3 lookback = 720 delay = 144 train_gen = generator(float_data,lookback=lookback,delay=delay lookback) // 128 test_steps = (len(float_data) - 300001 - lookback) // 128 1D卷积+GRU网络层 from keras.models
4.7K10发布于 2020-07-23 100天跟着CP学PostgreSQL+AI,第25天 :timescaledb结合机器学习实战(应PGer同学留言临时增加)
数据预处理模块 import pandas as pd def load_data(device_id, lookback=24): """ 加载指定设备数据并生成时序特征 :param device_id: 设备ID :param lookback: 时间窗口大小（小时） :return: 特征矩阵X，标签y """ conn = get_db_connection map(pd.Timestamp.timestamp) df = df.set_index('time') X, y = [], [] for i in range(lookback , len(df)): X.append(df['temperature'][i-lookback:i].values) y.append(df['temperature 数据库端数据聚合优化 def load_aggregated_data(device_id, lookback=24, interval='15 minutes'): """ 使用TimescaleDB
39810编辑于 2025-08-27- 来自专栏子晓AI量化
聊一聊N字涨停战法，附代码
charset=utf8") def get_n_shape_potential_stocks(lookback_days=30, bias_period=6): """ 筛选具备N字板潜力的股票 参数: lookback_days: 查询的历史数据天数，用于计算技术指标。 bias_period: 计算BIAS指标所用的均线周期。 return pd.DataFrame() start_date = (pd.to_datetime(end_date) - timedelta(days=lookback_days)).strftime ") # 调用函数进行筛选 # lookback_days=30 表示用最近30天的数据来计算均线等指标 potential_stocks = get_n_shape_potential_stocks (lookback_days=30, bias_period=6) if not potential_stocks.empty: print(f"\n 找到 {len(potential_stocks
20810编辑于 2026-04-23 - 来自专栏子晓AI量化
聊一聊箱体突破法，附代码
个交易日的数据") return [] latest_date = recent_dates.iloc[0]['trade_date'] # 计算回看开始日期 lookback_days FROM stock_daily WHERE trade_date <= '{latest_date}' ORDER BY trade_date DESC LIMIT {lookback_days start_date_query, engine) if len(all_dates) < breakout_days + 5: print("历史数据不足") return [] lookback_start_date stock_daily sd LEFT JOIN stock_basic sb ON sd.ts_code = sb.ts_code WHERE sd.trade_date >= '{lookback_start_date
16110编辑于 2026-04-23 - 来自专栏云原生应用工坊
IT咖啡馆｜全栈可观测数据库 ETL 设计
job/tenant/window ux_job_once 一次性保证/队列 pkg/scheduler Tick() dim_tenant & etl_job_run 入队窗口 Align/Delay/Lookback 设计要点与边界 窗口推进：upper = floor(now - Delay, Align)，从上次成功窗口末尾或 initial_lookback 起步。 T9 — 配置加载与初始回看 描述：pkg/config 已有；在 scheduler 注入 Cfg 并使用 tenants.initial_lookback.oo-agg 等。 测试/验证： 删除 etl_job_run 记录后启动，观察从 initial_lookback 开始补跑。
30110编辑于 2025-09-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号