智能Agent場景實戰指南 Day 11：財務分析Agent系統開發

【智能Agent場景實戰指南 Day 11】財務分析Agent系統開發

文章標簽

AI Agent,財務分析,LLM應用,智能財務,Python開發

文章簡述

本文是"智能Agent場景實戰指南"系列第11篇，聚焦財務分析Agent系統的開發。文章深入解析如何構建一個能夠自動處理財務報表、識別財務風險并提供決策建議的智能Agent。內容包括：財務分析場景的特殊性分析、基于LangChain的財務數據處理框架設計、財務報表解析與趨勢預測的核心算法實現、風險預警系統的開發方法，以及與企業ERP系統的集成方案。通過一個完整的上市公司財務分析案例，展示如何從原始數據到生成專業分析報告的全流程實現。開發者將掌握構建專業級財務分析Agent的關鍵技術，包括多源數據整合、財務指標計算模型、自然語言報告生成等核心能力。

開篇

歡迎來到"智能Agent場景實戰指南"系列第11天！今天我們將深入探討財務分析Agent系統的開發。在數字化轉型浪潮中，財務分析作為企業決策的核心環節，正面臨數據處理量大、分析維度復雜、時效性要求高等挑戰。智能Agent技術通過自動化數據采集、智能指標計算和自然語言報告生成，能夠顯著提升財務分析的效率和深度。

本篇文章將帶您從零構建一個專業的財務分析Agent，涵蓋從基礎數據清洗到高級風險預測的完整技術棧。您將學習到：

  1. 如何解析結構化和非結構化財務數據
  2. 財務指標計算的核心算法實現
  3. 基于大語言模型的財務報告自動生成技術
  4. 與企業現有財務系統的集成方案

場景概述

業務價值

財務分析Agent能夠為企業帶來以下價值：

  • 效率提升：自動化處理90%以上的常規分析工作，分析師可聚焦戰略性問題
  • 風險預警：實時監控財務健康度，提前發現潛在風險
  • 決策支持：提供數據驅動的投資和運營建議
  • 報告生成：自動生成符合監管要求的專業分析報告

技術挑戰

構建財務分析Agent面臨以下技術難點：

  1. 多源數據整合：需要處理Excel、PDF、數據庫等多種格式的財務數據
  2. 專業領域理解：要求Agent掌握會計原理和財務分析專業知識
  3. 時序數據分析：財務數據具有強時序特性，需要特殊處理
  4. 解釋性要求：分析結果需要可解釋的推導過程，不能是"黑箱"

技術原理

財務分析Agent的核心技術棧包含以下層次：

  1. 數據采集層：通過OCR和API集成獲取原始財務數據
  2. 數據處理層：使用Pandas進行財務數據清洗和標準化
  3. 分析引擎層：實現財務比率計算、趨勢分析和預測模型
  4. 報告生成層：利用LLM生成結構化分析報告
  5. 交互接口層：提供自然語言查詢和可視化展示

關鍵技術原理：

  • 財務指標計算：基于杜邦分析體系的核心算法
  • 異常檢測：采用時間序列分解(STL)和統計過程控制(SPC)
  • 報告生成：使用Few-shot prompting引導LLM輸出專業分析

架構設計

財務分析Agent的系統架構分為以下模塊：

Financial Analysis Agent System
├── Data Connectors
│   ├── ERP API Adapter
│   ├── Excel/PDF Parsers
│   └── Database Connector
├── Core Engine
│   ├── Data Preprocessing
│   ├── Financial Ratios Calculator
│   ├── Trend Analysis Module
│   └── Risk Assessment
├── LLM Interface
│   ├── Report Generator
│   └── Q&A System
└── Integration Layer
├── Notification Service
└── Visualization Dashboard

各組件協作流程：

  1. 數據連接器從不同源獲取原始數據
  2. 核心引擎進行指標計算和風險分析
  3. LLM接口生成自然語言報告和回答查詢
  4. 集成層將結果推送到業務系統

代碼實現

以下是財務分析Agent的核心實現代碼：

import pandas as pd
import numpy as np
from langchain.agents import AgentType, initialize_agent
from langchain.chat_models import ChatOpenAI
from langchain.tools import Tool
from typing import Dict, Listclass FinancialDataProcessor:
"""財務數據預處理模塊"""def __init__(self, raw_data: pd.DataFrame):
self.data = raw_datadef clean_data(self) -> pd.DataFrame:
"""數據清洗：處理缺失值和異常值"""
# 填充缺失值
self.data = self.data.interpolate()
# 去除極端值
for col in self.data.select_dtypes(include=np.number).columns:
q1 = self.data[col].quantile(0.25)
q3 = self.data[col].quantile(0.75)
iqr = q3 - q1
self.data = self.data[
(self.data[col] >= q1 - 1.5*iqr) &
(self.data[col] <= q3 + 1.5*iqr)
]
return self.datadef calculate_ratios(self) -> Dict[str, float]:
"""計算關鍵財務指標"""
ratios = {}
# 盈利能力指標
ratios['gross_margin'] = self.data['gross_profit'].sum() / self.data['revenue'].sum()
ratios['roa'] = self.data['net_income'].sum() / self.data['total_assets'].mean()
# 償債能力指標
ratios['current_ratio'] = self.data['current_assets'].mean() / self.data['current_liabilities'].mean()
# 運營效率指標
ratios['inventory_turnover'] = self.data['cogs'].sum() / self.data['inventory'].mean()
return ratiosclass FinancialAnalystAgent:
"""財務分析Agent主類"""def __init__(self, llm_model="gpt-4"):
self.llm = ChatOpenAI(model=llm_model, temperature=0)
self.tools = self._setup_tools()
self.agent = initialize_agent(
tools=self.tools,
llm=self.llm,
agent=AgentType.OPENAI_FUNCTIONS,
verbose=True
)def _setup_tools(self) -> List[Tool]:
"""配置Agent工具集"""
return [
Tool(
name="calculate_financial_ratios",
func=self._calculate_ratios,
description="""
計算財務比率。輸入應為包含以下字段的JSON：
{
"revenue": 營業收入,
"gross_profit": 毛利,
"net_income": 凈利潤,
"total_assets": 總資產,
"current_assets": 流動資產,
"current_liabilities": 流動負債,
"cogs": 營業成本,
"inventory": 存貨
}
"""
),
Tool(
name="generate_financial_report",
func=self._generate_report,
description="生成財務分析報告。輸入應為財務比率JSON"
)
]def _calculate_ratios(self, input_json: str) -> Dict:
"""財務比率計算工具"""
data = pd.read_json(input_json)
processor = FinancialDataProcessor(data)
return processor.calculate_ratios()def _generate_report(self, ratios: Dict) -> str:
"""報告生成工具"""
prompt = f"""
你是一名資深財務分析師，請基于以下財務指標生成專業分析報告：
{ratios}報告需包含以下部分：
1. 盈利能力分析
2. 償債能力評估
3. 運營效率評價
4. 綜合建議使用專業術語但保持易于理解，關鍵指標用【】標出。
"""
return self.llm.predict(prompt)def analyze(self, query: str) -> str:
"""執行財務分析"""
return self.agent.run(query)# 使用示例
if __name__ == "__main__":
# 模擬財務數據
financial_data = {
"revenue": [1000, 1200, 1100, 1300],
"gross_profit": [400, 480, 440, 520],
"net_income": [100, 120, 110, 130],
"total_assets": [2000, 2100, 2050, 2150],
"current_assets": [800, 850, 820, 880],
"current_liabilities": [400, 420, 410, 430],
"cogs": [600, 720, 660, 780],
"inventory": [300, 320, 310, 330]
}agent = FinancialAnalystAgent()
query = "請分析以下財務數據并生成報告：" + str(financial_data)
report = agent.analyze(query)
print(report)

關鍵功能

1. 財務數據解析

實現多格式財務數據統一處理：

class FinancialDataParser:
"""多源財務數據解析器"""@staticmethod
def parse_excel(file_path: str) -> pd.DataFrame:
"""解析Excel格式財務報表"""
return pd.read_excel(file_path, sheet_name='Balance Sheet')@staticmethod
def parse_pdf(file_path: str) -> pd.DataFrame:
"""解析PDF財報(需要OCR支持)"""
import pdfplumber
with pdfplumber.open(file_path) as pdf:
text = "\n".join(page.extract_text() for page in pdf.pages)
# 使用正則表達式提取關鍵數據
import re
pattern = r"營業收入\s+([\d,]+)"
matches = re.findall(pattern, text)
return pd.DataFrame({'revenue': [float(m.replace(',','')) for m in matches]})

2. 趨勢分析與預測

實現基于時間序列的財務預測：

from statsmodels.tsa.arima.model import ARIMAclass FinancialTrendAnalyzer:
"""財務趨勢分析模塊"""def __init__(self, data: pd.DataFrame):
self.data = data.set_index('period')def predict(self, target_column: str, periods: int = 4) -> pd.DataFrame:
"""預測未來periods期的財務指標"""
model = ARIMA(self.data[target_column], order=(1,1,1))
model_fit = model.fit()
forecast = model_fit.forecast(steps=periods)
return pd.DataFrame({
'period': pd.date_range(
start=self.data.index[-1],
periods=periods+1,
freq='Q'
)[1:],
target_column: forecast
})

3. 風險預警系統

實現財務風險實時監測：

class RiskMonitor:
"""財務風險監測系統"""RISK_THRESHOLDS = {
'current_ratio': 1.5,
'debt_to_equity': 0.7,
'interest_coverage': 3.0
}def check_risks(self, ratios: Dict) -> Dict:
"""檢查財務風險點"""
alerts = {}
for metric, threshold in self.RISK_THRESHOLDS.items():
if metric in ratios and ratios[metric] < threshold:
alerts[metric] = {
'value': ratios[metric],
'threshold': threshold,
'severity': self._calculate_severity(
ratios[metric], threshold
)
}
return alertsdef _calculate_severity(self, value: float, threshold: float) -> str:
"""計算風險嚴重程度"""
deviation = (threshold - value) / threshold
if deviation > 0.3:
return 'critical'
elif deviation > 0.1:
return 'warning'
return 'notice'

測試與優化

測試方法

  1. 數據質量測試：驗證數據清洗效果
def test_data_cleaning():
test_data = pd.DataFrame({
'revenue': [100, 120, None, 130],
'cost': [60, 80, 70, None]
})
processor = FinancialDataProcessor(test_data)
cleaned = processor.clean_data()
assert cleaned.isna().sum().sum() == 0
print("數據清洗測試通過")
  1. 指標計算測試：驗證財務公式正確性
def test_ratio_calculation():
test_data = pd.DataFrame({
'revenue': [100],
'gross_profit': [40],
'current_assets': [80],
'current_liabilities': [40]
})
processor = FinancialDataProcessor(test_data)
ratios = processor.calculate_ratios()
assert abs(ratios['gross_margin'] - 0.4) < 0.01
assert abs(ratios['current_ratio'] - 2.0) < 0.01
print("指標計算測試通過")

性能優化

  1. 緩存機制：對重復查詢進行緩存
from functools import lru_cacheclass CachedAnalyst(FinancialAnalystAgent):
"""帶緩存的財務分析Agent"""@lru_cache(maxsize=100)
def analyze(self, query: str) -> str:
return super().analyze(query)
  1. 批量處理優化：
def batch_analyze(self, queries: List[str]) -> List[str]:
"""批量處理分析請求"""
from concurrent.futures import ThreadPoolExecutor
with ThreadPoolExecutor(max_workers=4) as executor:
return list(executor.map(self.analyze, queries))

案例分析：上市公司財務健康度評估

業務場景

某上市公司需要每季度自動生成財務健康度報告，包含：

  • 關鍵指標趨勢分析
  • 行業對標分析
  • 風險點識別
  • 改進建議

Agent解決方案

  1. 數據準備：從SEC Edgar API獲取歷史財報
  2. 指標計算：計算20+核心財務指標
  3. 行業對標：從Bloomberg API獲取行業基準
  4. 報告生成：按管理層偏好格式生成分析

實現代碼

class CorporateFinanceAgent(FinancialAnalystAgent):
"""上市公司財務分析專用Agent"""def __init__(self, ticker: str):
super().__init__()
self.ticker = ticker
self.industry = self._get_industry()def _get_industry(self) -> str:
"""獲取公司所屬行業"""
from sec_api import EdgarClient
client = EdgarClient(api_key="your_api_key")
filings = client.get_filings(ticker=self.ticker)
return filings[0]['industry']def compare_with_peers(self) -> Dict:
"""與行業對標分析"""
peer_data = self._fetch_peer_data()
company_ratios = self._calculate_ratios(self._fetch_financials())
return {
metric: {
'company': company_ratios[metric],
'industry_avg': peer_data[metric]['avg'],
'percentile': self._calculate_percentile(
company_ratios[metric],
peer_data[metric]['values']
)
}
for metric in company_ratios
}def generate_health_report(self) -> str:
"""生成財務健康度報告"""
analysis = self.compare_with_peers()
return self._generate_report(analysis)# 使用示例
agent = CorporateFinanceAgent("AAPL")
report = agent.generate_health_report()
print(report)

實施建議

部署策略

  1. 分階段實施：
  • 階段1：實現基礎財務報表分析
  • 階段2：增加預測和風險預警功能
  • 階段3：集成到企業BI系統
  1. 數據安全：
  • 財務數據加密存儲
  • 實施嚴格的訪問控制
  • 使用私有化部署的LLM
  1. 性能監控：
class PerformanceMonitor:
"""Agent性能監控"""def __init__(self, agent):
self.agent = agent
self.metrics = {
'response_time': [],
'accuracy': []
}def log_performance(self, query: str, expected: str):
"""記錄性能指標"""
start = time.time()
response = self.agent.analyze(query)
elapsed = time.time() - startself.metrics['response_time'].append(elapsed)
self.metrics['accuracy'].append(
self._calculate_similarity(response, expected)
)def _calculate_similarity(self, text1: str, text2: str) -> float:
"""計算文本相似度"""
from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer = TfidfVectorizer()
tfidf = vectorizer.fit_transform([text1, text2])
return (tfidf * tfidf.T).A[0,1]

集成方案

  1. ERP集成：
class ERPConsumer:
"""從ERP系統消費財務數據"""def __init__(self, erp_config):
self.connection = self._connect_erp(erp_config)def get_balance_sheet(self, period: str) -> pd.DataFrame:
"""獲取資產負債表"""
query = f"""
SELECT * FROM balance_sheet
WHERE period = '{period}'
"""
return pd.read_sql(query, self.connection)
  1. BI可視化：
def generate_visualization(ratios: Dict):
"""生成財務指標可視化"""
import matplotlib.pyplot as plt
plt.figure(figsize=(10,6))
plt.bar(ratios.keys(), ratios.values())
plt.title('Financial Ratios Analysis')
plt.xticks(rotation=45)
plt.tight_layout()
return plt

總結

今天我們完成了財務分析Agent系統的完整開發，關鍵收獲包括：

  1. 核心技術棧：掌握了財務數據處理、指標計算、風險分析和報告生成的全套技術方案
  2. 專業領域知識：學習了如何將會計原理轉化為可計算的算法邏輯
  3. 系統集成：了解了如何與企業現有財務系統深度集成
  4. 實踐方法：通過上市公司案例分析掌握了實際業務場景的應用方法

財務分析Agent的開發要點：

  • 準確理解各類財務指標的計算邏輯
  • 處理財務數據的時序特性
  • 確保分析結果的可解釋性
  • 保持與企業會計準則的一致性

明天我們將探討【Day 12】醫療咨詢Agent的設計模式，學習如何構建符合醫療行業規范的智能咨詢系統。醫療Agent在數據隱私、專業準確性和倫理合規方面有特殊要求，這將是一個極具挑戰性的主題。

參考資料

  1. SEC Edgar API文檔
  2. Pandas金融數據分析指南
  3. LangChain Agents官方文檔
  4. 財務比率分析標準
  5. 時間序列預測方法

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/news/914184.shtml
繁體地址，請注明出處：http://hk.pswp.cn/news/914184.shtml
英文地址，請注明出處：http://en.pswp.cn/news/914184.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

人工智能安全基礎復習用：可解釋性

人工智能安全基礎復習用：可解釋性

一、可解釋性的核心作用1. 錯誤檢測與模型改進發現模型的異常行為&#xff08;如過擬合、偏見&#xff09;&#xff0c;優化性能。例&#xff1a;醫療模型中&#xff0c;可解釋性幫助識別誤診原因。2. 安全與可信性關鍵領域&#xff08;醫療、軍事&#xff09;需透明決策&#…
閱讀更多...
Qt：QCustomPlot類介紹

Qt：QCustomPlot類介紹

QCustomPlot的核心類就是QCustomPlot類。這個類繼承自QWidget&#xff0c;因此可以像其他QWidget一樣使用&#xff0c;比如放入布局中。QCustomPlot類基本結構一個QCustomPlot對象可以包含多個圖層&#xff08;通過QCPLayer表示&#xff09;&#xff0c;通常使用默認圖層。它包…
閱讀更多...
Visual Studio 2022 上使用ffmpeg

Visual Studio 2022 上使用ffmpeg

目錄 1. 添加包含目錄 2. 添加庫目錄 3. 添加依賴項 4. 添加動態庫目錄 5. 測試 在解決方案中右擊項目名稱&#xff0c;彈出的窗口中選擇 "屬性"。 1. 添加包含目錄 "C/C" -> "常規" -> "附加包含目錄"中添加 ffmpeg中的…
閱讀更多...
Elasticsearch 線程池

Elasticsearch 線程池

Elasticsearch 線程池「每個線程池到底采用哪種實現策略」&#xff1a;Elasticsearch 線程池&#xff08;ThreadPool&#xff09;中 **所有內置線程池名稱的常量定義**。 每個字符串常量對應一個 **線程池的名字&#xff08;name&#xff09;**&#xff0c;也就是你在 Thread…
閱讀更多...
深入理解 Next.js API 路由：構建全棧應用的終極指南

深入理解 Next.js API 路由：構建全棧應用的終極指南

Next.js 是一個強大的 React 框架&#xff0c;不僅支持服務端渲染&#xff08;SSR&#xff09;和靜態站點生成&#xff08;SSG&#xff09;&#xff0c;還提供了內置的 API 路由功能&#xff0c;使開發者能夠輕松構建全棧應用。傳統的全棧開發通常需要單獨搭建后端服務&#xf…
閱讀更多...
【6.1.2 漫畫分布式事務技術選型】

【6.1.2 漫畫分布式事務技術選型】

漫畫分布式事務技術選型 &#x1f3af; 學習目標&#xff1a;掌握架構師核心技能——分布式事務技術選型與一致性解決方案&#xff0c;構建高可靠的分布式系統 &#x1f3ad; 第一章&#xff1a;分布式事務模式對比 &#x1f914; 2PC vs 3PC vs TCC vs Saga 想象分布式事務就…
閱讀更多...
液冷智算數據中心崛起，AI算力聯動PC Farm與云智算開拓新藍海（二）

液冷智算數據中心崛起，AI算力聯動PC Farm與云智算開拓新藍海（二）

從算法革新到基礎設施升級&#xff0c;從行業滲透到地域布局&#xff0c;人工智能算力正以 “規模擴張 效率提升”雙輪驅動中國數字經濟轉型。中國智能算力規模將在 2025 年突破 1000 EFLOPS&#xff0c;2028 年達到 2781.9 EFLOPS&#xff0c;五年復合增長率 46.2%&#xff0…
閱讀更多...
《QtPy：Python與Qt的完美橋梁》

《QtPy：Python與Qt的完美橋梁》

QtPy 是什么 在 Python 的廣袤編程宇宙中&#xff0c;當涉及到圖形用戶界面&#xff08;GUI&#xff09;開發&#xff0c;Qt 框架宛如一顆璀璨的明星&#xff0c;散發著獨特的魅力。而 QtPy&#xff0c;作為 Python 與 Qt 生態系統交互中的關鍵角色&#xff0c;更是為開發者們開…
閱讀更多...
ubuntu環境下調試 RT-Thread

ubuntu環境下調試 RT-Thread

調試 RT-Thread 下載源碼 github 搜索 RT-Thread 下載源碼 安裝 python scons 環境 你已經安裝了 kconfiglib&#xff0c;但 scons --menuconfig 仍然提示找不到它。這種情況通常是由于 Python 環境不一致 導致的&#xff1a;你在一個 Python 環境中安裝了 kconfiglib&#xff…
閱讀更多...
【數據結構初階】--順序表(二)

【數據結構初階】--順序表(二)

&#x1f525;個人主頁&#xff1a;草莓熊Lotso &#x1f3ac;作者簡介&#xff1a;C研發方向學習者 &#x1f4d6;個人專欄&#xff1a; 《C語言》 《數據結構與算法》《C語言刷題集》《Leetcode刷題指南》 ??人生格言&#xff1a;生活是默默的堅持&#xff0c;毅力是永久的…
閱讀更多...
Java中的方法傳參機制

Java中的方法傳參機制

1. 概述Java中的方法傳參機制分為兩種&#xff1a;值傳遞&#xff08;Pass by Value&#xff09; 和 引用傳遞&#xff08;Pass by Reference&#xff09;。然而&#xff0c;Java中所有的參數傳遞都是值傳遞&#xff0c;只不過對于對象來說&#xff0c;傳遞的是對象的引用地址的…
閱讀更多...
C++——this關鍵字和new關鍵字

C++——this關鍵字和new關鍵字

一、this 關鍵字1. 什么是 this&#xff1f;this 是 C 中的一個隱式指針&#xff0c;它指向當前對象&#xff08;即調用成員函數的對象&#xff09;&#xff0c;在成員函數內部使用&#xff0c;用于引用調用該函數的對象。每個類的非靜態成員函數內部都可以使用 this。使用 thi…
閱讀更多...
Python中類靜態方法：@classmethod/@staticmethod詳解和實戰示例

Python中類靜態方法：@classmethod/@staticmethod詳解和實戰示例

在 Python 中&#xff0c;類方法 (classmethod) 和靜態方法 (staticmethod) 是類作用域下的兩種特殊方法。它們使用裝飾器定義&#xff0c;并且與實例方法 (def func(self)) 的行為有所不同。1. 三種方法的對比概覽方法類型是否訪問實例 (self)是否訪問類 (cls)典型用途實例方法…
閱讀更多...
FastGPT革命：下一代語言模型的極速進化

FastGPT革命：下一代語言模型的極速進化

本文深度解析FastGPT核心技術架構&#xff0c;涵蓋分布式推理、量化壓縮、硬件加速等前沿方案&#xff0c;包含完整落地實踐指南&#xff0c;助你掌握大模型高效部署的終極武器。引言&#xff1a;當大模型遭遇速度瓶頸2023年&#xff0c;ChatGPT引爆全球AI熱潮&#xff0c;但企…
閱讀更多...
Geant4 安裝---Ubuntu

Geant4 安裝---Ubuntu

安裝工具 C/C工具包 sudo apt install build-essentialCmake sudo apt install -y cmakeccmake sudo apt install -y cmake-curses-gui安裝Qt可視化工具(不需要可視化可以不安裝) sudo apt-get install qtbase5-dev qtchooser qt5-qmake qtbase5-dev-tools qtcreator 安裝Ope…
閱讀更多...
Spring Boot中請求參數讀取方式

Spring Boot中請求參數讀取方式

目錄 一、前言 二、六種參數讀取方式 1.RequestParam 2.PathVariable 3.RequestBody 4.RequestHeader 5.CookieValue 6.MatrixVariable 三、對比和搭配 1.適用方法類型及建議使用場景 2.建議使用的請求路徑注解 3. 多種參數同時使用 4.同一請求不同方案&#xff1f…
閱讀更多...
2025華為OD機試真題最新題庫 (B+C+D+E+2025A+2025B卷) + 在線OJ在線刷題使用（C++、Java、Python C語言 JS合集）（正在更新2025B卷，目前已收錄710道）

2025華為OD機試真題最新題庫 (B+C+D+E+2025A+2025B卷) + 在線OJ在線刷題使用（C++、Java、Python C語言 JS合集）（正在更新2025B卷，目前已收錄710道）

2025年&#xff0c;已經開始使用AB卷題庫&#xff0c;題目和往期一樣&#xff0c;舊題加新題的組合&#xff0c;有題目第一時間更新&#xff0c;大家可以跟著繼續學習&#xff0c;目前使用復用題較多&#xff0c;可在OJ上直接找到對應的AB卷學習&#xff0c;可以放心學習&#…
閱讀更多...
分析新舊因子相關性

分析新舊因子相關性

計算一組新因子、并分析它們與已有因子間的相關性1. 導入庫和初始化環境功能代碼解析數據加載2. 定義新因子計算函數功能代碼解析因子 1&#xff1a;波動率過濾器&#xff08;filter_001_1&#xff09;因子 2&#xff1a;ATR 過濾器&#xff08;filter_001_2&#xff09;因子 3…
閱讀更多...
Unity Demo——3D平臺跳躍游戲筆記

Unity Demo——3D平臺跳躍游戲筆記

今天是一個3D平臺跳躍游戲的筆記。我們按照以下分類來對這個項目的代碼進行學習&#xff1a;核心游戲系統 (Core Game Systems)核心游戲系統是IkunOdyssey項目的基礎&#xff0c;負責所有游戲對象&#xff08;如玩家、敵人、道具等&#xff09;的通用行為和物理交互。它通過實體…
閱讀更多...
【C語言】回調函數、轉移表、qsort 使用與基于qsort改造冒泡排序

【C語言】回調函數、轉移表、qsort 使用與基于qsort改造冒泡排序

文章目錄數組指針/指針數組函數指針函數指針數組函數指針數組用途(轉移表)回調函數qsort函數基于qsort改造冒泡排序源碼數組指針/指針數組 int arr1[5] { 1,2,3,4,5 };int (*p1)[5] &arr1; //p1是數組指針變量int* arr2[5] { 0 }; //arr2是指針數組指針數組是存放指…
閱讀更多...
最新文章

Copyright @ 2022~2023