PIT

https://zhuanlan.zhihu.com/p/107991124 导读：红利选股是一类重要的投资策略。能够进行现金分红的上市公司通常基本面良好，账面有充足的现金流；而分红再投资则能为投资者带来长期的复利收益。本报告介绍了市场上主流的红利指数，对其编制方案的优缺点进行了讨论（第1部分）。基于米筐科技量化投研产品（详见附录4.3~4.5节），本报告构建了沪深300和中证500指数增强型股息率策略（第2部分），并对不同情况下策略的表现进行了详细测试（第3部分）。基于历史表现对比，本报告提出的预期股息率策略取得了较好的指数增强效果；此外，市场上红利指数具有高个股/行业集中度的特征，导致其在不同市场环境下表现容易出现起伏。而本报告提出的股息率策略行业配置较为均衡，并展示出较好的风险控制效果，因此更适合用于长期资产配置。 一 目录 1 红利指数介绍 2 预期股息率策略 2.1 预期股息率指标 2.2 选股方式 2.3 权重优化 2.4 收益计算中的现金分红 3 策略历史表现分析 3.1 考虑/不考虑市盈率对比 3.2各种加权方式对比 3.3控制/不控制量化因子风险敞口对比 3.4中证500预期股息率增强 3.5策略总结 一 红利指数介绍 稳定的现金分红是企业经营情况稳健的重要标志。在市场下行阶段，高股息个股稳定的现金收益，加上低估值提供的安全边际，会使其具有类固收的特征

简介： 随着云原生技术的不断发展，数据库也逐渐进入了云原生时代。在云原生时代，如何高效、安全且稳定地管理云上与云下的数据库成为摆在企业面前的一大难题。在第十一届中国数据库技术大会（DTCC2020）上，阿里巴巴数据库生态工具团队高级技术专家程实（花名：时勤）就为了大家分享了云原生时代的数据库管理体系以及解决方案。 本文内容根据演讲录音以及PPT整理而成。 本次分享将为大家介绍如何组合使用阿里巴巴云原生数据库管理体系产品为用户打造完整的解决方案。 云原生的数据库管理体系 云原生时代的主要特征可以大致归纳为两点，即硬件特征和软件特征，前者指的是硬件资源池化所带来的高可用和弹性等；后者指的是在云原生时代，很多工具无需企业自己研发，而可以通过API的方式调用软件功能的组合，进而有机地组合成软件生态。 那么，云原生时代的数据库管理需要哪些技术呢？其实可以主要分为三类，即管理、迁移和备份。其中，管理需要安全、智能化以及面向混合云的能力；迁移主要面对的挑战在于数据库的异构；而对于备份而言，如今需要解决的并不是能否备份成功，而是如何激活数据价值。 阿里云数据库工具体系 如上图所示的是阿里云数据库工具体系。从图中可以看到，首先，通过DBS、DTS数据迁移、数据库备份这样的工具可以打通从其他云或者云下到阿里云上的数据库，并且还可以使得阿里云上的数据库与阿里云上的计算平台

就看了几道题目。。 day1t1 良心题啊。。 经过一波转化就变成了求某一个数后面有几个比它大的 并且是有长度的（固定的） 然后这样暴力是nlogn的 再写个后面的部分分大概就有70了 其实100也很简单。。 发现每个数只会+1 -1，那么就开个数组维护一下每个数的个数就可以了 day1t2我可能只会写暴力 day2t1 不错的题啊 发现就是要求每个组合数都是奇数 然后n^2dp显然 然后打了一波表求x，y何时满足组合数为1 发现有点规律但是我看不出来啊。。 看了一发题解发现好简单啊。。。就是x&y==x 那就变成枚举子集了啊。。 然后就过了 day2t2 不错的题啊。。 满分可能跟我不是很相关就没有看 5档部分分 可能我下面说的下降都是不升。。。 pits 1 :树状数组优化最长下降子序列（竟然不是完全的暴力） pits 2:能发现就是求两个下降子序列并 然后这个东西是可以dp的 f[i][j]表示两个串最后的位置分别在i，j 转移的时候，假设j是后面那个，我们就枚举j的前一个状态 为什么是这么做？因为要避免重复，如果枚举i的前一个，那我们就不知道i是否在j的子序列中出现过 而枚举i的话，由于i在j后面，所以一定没有出现过 pits3:状压dp 用状压表示出当前为i的最长上升子序列的个数 这一位是1代表比前一个多1，是0代表和前一个一样 pit4：如果想到网络流这个就非常简单了

本地电脑环境 window10 jdk1.8 maven 3.5.4 IDEA 2020.1 首先配置好maven环境 这里面有一些坑，可以看我的另一篇博客，踩过的坑希望大家不要在踩了。 https://blog.csdn.net/ibo123/article/details/108034402 无法加载主类的问题在于你的maven环境没有进行全局配置，请务必配置好全局maven。要不然IDEA会自动加载默认的maven。 1 构建一个简单的maven项目 file -> project -> Maven-> next 填写 Goupid Artifactid -> Next 项目名称和路径根据自己需要填写，最后点击Finish. 2 pom.xml设置 < ? xml version = "1.0" encoding = "UTF-8" ? > < project xmlns = "http://maven.apache.org/POM/4.0.0" xmlns : xsi = "http://www.w3.org/2001/XMLSchema-instance" xsi : schemaLocation = "http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd" > <

from: https://blog.csdn.net/zhangamxqun/article/details/80295833 FFMPEG拥有强大的视频处理能力，可惜的是有很多人不知道如何使用。本文深入介绍如何用编译好ffmpeg.exe程序处理视频，既有常用的简单的处理，也有一些比较少见的高大上的处理，一定能让你受益匪浅。ffmpeg是一把宝刀，在视频处理上，基本是一刀在手，天下我有。 首先下载编译好的ffmpeg程序，可以去下面的网址， https://ffmpeg.zeranoe.com/builds/# 点击"Donload Build"按钮下载最新编译的版本，解压后可以看到ffmpeg.exe文件用于处理视频，ffplay.exe文件用于播放视频。也可以去ffmpeg的官网http://ffmpeg.org/ 下载源码自己编译（这个工作量比较大）。 打开命令行窗口，使用cd命令行进入到ffmpeg所在的目录，接下来就可以直接输入处理命令了。下面就来介绍各种各样的命令。下面命令行中的输入视频和输出视频的路径必须正确，如果路径不存在会出错的哦。 1、知道了视频流地址如何保存出本地文件： ffmpeg -i rtmp://122.202.129.136:1935/live/ch4 -map 0 d:\work\yyy.mp4 2、知道了流地址，播放视频文件： ffplay

C0FHYYCJ22-eyJsaWNlbnNlSWQiOiJDMEZIWVlDSjIyIiwibGljZW5zZWVOYW1lIjoid2VpIGh1YW5nIiwiYXNzaWduZWVOYW1lIjoiIiwiYXNzaWduZWVFbWFpbCI6IiIsImxpY2Vuc2VSZXN0cmljdGlvbiI6IiIsImNoZWNrQ29uY3VycmVudFVzZSI6ZmFsc2UsInByb2R1Y3RzIjpbeyJjb2RlIjoiSUkiLCJmYWxsYmFja0RhdGUiOiIyMDE3LTAyLTI2IiwicGFpZFVwVG8iOiIyMDE4LTAyLTI1In1dLCJoYXNoIjoiNTA2NDQ3MS8wIiwiZ3JhY2VQZXJpb2REYXlzIjo3LCJhdXRvUHJvbG9uZ2F0ZWQiOmZhbHNlLCJpc0F1dG9Qcm9sb25nYXRlZCI6ZmFsc2V9-pujnwQxf3C8yHf0amTTAId+Oj1LzpvTsn71x0pvgjvXtx7MWs0AAbAX2L5frRvM/0AzmF7aQuayU5EEcew+J5j0O6RsCxMUilbeeQuCBDZK1bm9NKlAYf90RSKqQ9ViMyjsBVTHoABM0XHNi+

A. 研究目的 ：本文利用优矿提供的行情数据、公司基本面数据、非公开发行数据等，参考 天风证券《定增系列之一：定增节点收益全解析》 （原作者：吴先兴等）的方法，对定增数量、募资金额等进行了统计分析，并从定增目的、企业属性、行业分类等维度统计了成功率、区间收益、区间超额收益（相对ZZ500）。在收益计算时，为了更好贴近于实际投资的情况，也考虑了买入日一字涨停、卖出日一字跌停、停牌的情况。 B. 研究结论 ： 整体来看定增的金额逐年呈现往上走的趋势，其中2015和2016年是最近15年来的异常高点位置，从17年开始，定增数量开始下降，但募资规模依然高于14年之前 根据定增目的划分，项目融资、融资收购资产、配套融资占据融资目的的绝大部分，总占比在80%以上。 在不同年份，定增目的占比变动较大，总的来看，融资收购资产所占比例近两年有所下降，而项目融资在2020年（截止4月）占比较大 定增中民营企业占据主要部分，达到60%，其次是地方国有企业的19.21%和中央国有企业的11% 从分年的情况来看，国有企业定增占比呈现整体下降的趋势，而民营企业占比处于整体上升的趋势 从成功率来看：国有企业的成功率都在55%以上，而相对的民营企业成功率只有48%；国防军工、银行、交通运输行业的定增成功率在58%以上，轻工制造、房地产和综合行业的成功率都在50%以下

目录 ML-Agents（五）GridWorld Visual Observations Masking Discrete Actions 环境与训练参数 场景基本结构 代码分析 环境初始化代码 Agent脚本 初始化与重置 动作遮罩 Agent动作反馈 FixedUpdate() 手动操作代码 关于GridSetting 关于其他 训练模型 泛化参数配置 开始训练 总结 ML-Agents（五）GridWorld GridWorld这个例子比较有意思，它还是运用了Reinforcement Learning来进行学习的，不同的是它运用了视觉观察值（Visual Observations）来训练agent。 如上图所示，Agent就是蓝色的方块，每次它可以移动一格（上、下、左、右），要求不能碰到红叉，最终到达绿色加号目标。 Visual Observations 先来了解一下视觉观察值是怎么回事。在ml-agents里主要通过 CameraSensor 或 RenderTextureSensor 两种方式来向Agent提供视觉观察。通过这两个组件收集的图像信息输入到agent policy的CNN（卷积神经网络）中，这使得agent可以从观察图像的图像规律中学习。Agent可以同时使用视觉观察值（ Visual Observations）和矢量观察值（ Vector

python实现 安装api sudo pip3 install baidu-aip 安装音频处理模块pydub sudo pip3 install pydub from aip import AipSpeech from pydub import AudioSegment from pydub.playback import play ​ access_token = ' 24.4dff6ec411c7cd81fdc22c41b646358d.2592000.1590571668.282335-19****** ' payload = { " cuid " : " 1 " , " ctp " : " 1 " , " aue " : " 3 " , " per " : " 5 " , " tok " :access_token} ​ ​ """ 你的 APPID AK SK """ APP_ID = ' 19631*** ' API_KEY = ' vdIt2ch5uy749BrKDZNTG*** ' SECRET_KEY = ' BLAzKrFGzzTXdd4lSeQFMb7L5IRFG*** ' ​ client = AipSpeech(APP_ID, API_KEY, SECRET_KEY) ​ # 发送请求，下载语音音频 result = client.synthesis(

目录 ML-Agents（五）GridWorld Visual Observations Masking Discrete Actions 环境与训练参数 场景基本结构 代码分析 环境初始化代码 Agent脚本 初始化与重置 动作遮罩 Agent动作反馈 FixedUpdate() 手动操作代码 关于GridSetting 关于其他 训练模型 泛化参数配置 开始训练 总结 ML-Agents（五）GridWorld GridWorld这个例子比较有意思，它还是运用了Reinforcement Learning来进行学习的，不同的是它运用了视觉观察值（Visual Observations）来训练agent。 如上图所示，Agent就是蓝色的方块，每次它可以移动一格（上、下、左、右），要求不能碰到红叉，最终到达绿色加号目标。 Visual Observations 先来了解一下视觉观察值是怎么回事。在ml-agents里主要通过 CameraSensor 或 RenderTextureSensor 两种方式来向Agent提供视觉观察。通过这两个组件收集的图像信息输入到agent policy的CNN（卷积神经网络）中，这使得agent可以从观察图像的图像规律中学习。Agent可以同时使用视觉观察值（ Visual Observations）和矢量观察值（ Vector