1.指标权重建模系列一：白话熵权法赋权值（赋python源码）
2.SWA (Stochastic Weight Average)
3.指标权重建模系列三：白话改进CRITIC法赋权（附Python源码）
4.指标权重建模系列二：白话CRITIC法赋权（附Python源码）
5.MCST指标计算公式

指标权重建模系列一：白话熵权法赋权值（赋python源码）

       熵权法作为客观赋权的权重源码综合评价利器，其核心是权重源码数据驱动，尤其重视信息量的权重源码离散性。统计学家倾向于将高离散性视为信息量大，权重源码赋予大权重，权重源码信息熵反而小。权重源码潘多拉盒子源码要深入了解熵权法，权重源码还需深入信息论领域，权重源码但这里不再详述。权重源码

       熵权法的权重源码实施步骤如下：

       数据模型构建：假设数据集由n个样本和m个指标组成，数学表达为[公式]。权重源码

       数据归一化：对指标进行分类处理，权重源码正向指标归一化为[公式]，权重源码负向指标为[公式]，权重源码中间型指标为[公式]，权重源码梦幻源码商业端区间型指标为[公式]。对于0值，添加极小值0.以避免计算错误。

       信息熵计算：基于概率和信息量定义，信息熵为[公式]。当[公式]时，信息熵最大，标准化后为[公式]。

       权重计算：信息熵越大，权重越小。差异系数为[公式]，权重则为[公式]。

       以下为Python实现的代码片段：

       # Python代码片段

       from scipy.stats import entropy

       def entropy_weight(data, n, m):

        # 数据处理...

        # 计算信息熵...

        entropy_values = [calculate_entropy(sample, m) for sample in data]

        # 计算差异系数...

        difference_coefficients = [1 - entropy_value / max_entropy for entropy_value in entropy_values]

        # 计算权重...

        weights = [1 / difference_coefficient for difference_coefficient in difference_coefficients]

        return weights

       # 其他辅助函数...

       这段代码展示了如何在Python中应用熵权法来计算指标权重。

SWA (Stochastic Weight Average)

       SWA（Stochastic Weight Averaging），gentoo源码安装软件一种调参技巧，其实质是通过连续更新后的权重计算平均值，而非保存历史权重。PyTorch.contrib提供了相应的源码实现，让我们通过一个简单的测试代码来了解如何使用：

       代码中前两个参数的作用在于设置更新的规则，例如，s和f分别代表滑动窗口大小和步长。内部机制是(optimizer的state字典)为每个权重维护一个字典，记录swa_buff（用于计算均值的tensor）和相关计数。

       举个例子，当s=3，f=3时，只有在第1、2、外国kdj指示源码3步之后，权重才会被包含在均值计算中。下面进行实验，以CIFAR-为例，首先不使用SWA，记录训练过程:

       加入SWA后，模型性能显著提升，如无BN更新，提升%；当加入BN更新，性能进一步提升至%。这表明尽管在某些情况下BN更新可能带来影响，但SWA确能有效提升性能。

       那么，为何平均权重就能产生效果呢？可以直观地通过以下图形解释：图形展示了SWA和SGD解的泉州到重庆源码差异。SWA解位于loss曲线的平坦区域，使得模型在训练过程中损失变化平稳，有利于泛化性能的提高。

       图形的绘制方法虽然未在文中详细说明，但推测是将SWA和SGD解表示为x1和x2，通过变量w进行加权平均，当w=0时代表SWA，w=时代表SGD。这展示了SWA的稳定性在对抗训练扰动和优化泛化方面的重要性。

指标权重建模系列三：白话改进CRITIC法赋权（附Python源码）

       上节回顾

       前文讲述了CRITIC法赋权重的基本概念，其中涉及波动度与冲突度两个关键点。波动度指的是同一指标下数据的标准差，冲突度则衡量了指标间的相关性。

       数据模型介绍

       在数据集中，n个样本，m个指标，数学表达如下：

       公式略

       对CRITIC方法的改进

       改进CRITIC法需聚焦波动度与冲突度。知友反馈指出公式上的不足，经文献研究后，重审并提出改进。

       改进波动度计算

       为消除量纲影响，改进公式将标准差除以均值，获得无量纲指标。

       冲突度改进

       原冲突度公式只考虑正相关。改进后，负相关亦视为强相关，调整冲突度计算公式。

       改进后权重计算

       引入熵权法，通过加权平均，平衡指标重要性与信息量，提升权重准确性与稳定性。

       具体实现参考已发布的信息熵介绍文章。

       Python代码

       提供CRITIC法改进版的Python代码实现，便于实践操作。

       参考文献

       [1] 韩一鸣,徐鹏飞,宫建锋等.基于改进CRITIC-熵权法的电网发展经营综合评价体系研究[J].机电信息,():1-7+.DOI:./j.cnki.cn-/tm....

       [2] 弋若兰.我国上市公司信用风险评估研究——基于改进CRITIC熵权组合赋权-TOPSIS模型[J].投资与创业,,():-.

指标权重建模系列二：白话CRITIC法赋权（附Python源码）

       CRITIC权重赋值法，一种数据驱动、客观为指标赋权的方法，不同于信息熵法，其核心概念在于数据波动度和冲突度。波动度衡量指标内取值差异性，冲突度则反映指标间的线性关系。CRITIC法计算流程包括数据模型定义、归一化处理、信息承载量计算和权重计算。数据集由n个样本与m个指标构成，归一化处理需考虑指标类型：正向、负向、中间型与区间型，采用特定公式进行转换。波动度计算与标准差相似，冲突度则通过指标间相关系数衡量，冲突越小权重越小。信息承载量由波动度与冲突度决定，最后根据公式计算指标权重。此法实现过程可借助Python编程，具体步骤和代码实现需根据实际数据集进行编写。

MCST指标计算公式

       MCST指标的计算公式以源代码形式表示为：MCST = DMA(AMOUNT/(*VOL), VOL/CAPITAL)。这里的DMA代表动态移动平均，是一种统计分析工具。

       具体来说，MCST指标的构建涉及到两个关键要素。首先，"AMOUNT/(*VOL)"代表的是成交额的加权平均，其中AMOUNT是指一定时间内总的交易额，VOL则是这段时间内的成交量。这一部分的权重计算，是用成交量除以当前的流通股本，以反映市场的活跃程度和股票的流动性。

       其次，"VOL/CAPITAL"则是流通股本的倒数，用来衡量每一单位资本对应的交易规模，反映了市场的资本参与度。将这个值除以成交量，可以得到一个相对的权重，用于调整动态移动平均的计算。

       将这两个部分带入DMA公式，MCST即为根据成交量和流通股本动态调整的成交额平均值，它能够反映出市场成本的变化趋势，有助于投资者理解和分析股票的买卖压力以及市场情绪。因此，MCST是一个结合了市场交易活跃度和资本参与度的综合指标。