396銀行代碼的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

模型思維：簡化世界的人工智能模型

為了解決396銀行代碼的問題，作者龔才春 這樣論述：

對從事演算法研究與演算法開發的人來說，模型的學習與使用必不可少。尤其是在目前備受關注的人工智慧領域裡，人人談模型，新模型也是層出不窮，讓人眼花繚亂。   模型讓人又愛又恨：可愛的地方在於它確實能夠解決實際問題，而且其有效性一般都經過了檢驗；可恨的地方在於學習它是一件非常痛苦的事情，尤其是對人工智慧的初學者來說。   《模型思維》將人工智慧在現實生活場景中解決的問題分類，並根據這個分類來介紹各種模型。書中將人工智慧問題分為權重問題、狀態問題、序列問題、表示問題、相似問題和分類問題六大類，方便讀者瞭解各個模型之間的關係，也方便讀者理解各個模型的適用場景。   《模型思維》儘量更多地結合模型的使用場

景，更多地介紹實際業務需求之間的關係，更多地採用生活中淺顯易懂的例子，方便人工智慧的初學者學習模型。   《模型思維》不僅適合希望學習和運用人工智慧模型到具體應用場景的企業工程師、科研院所的學生和科研人員，也適合對人工智慧模型感興趣的讀者，説明其將模型思維應用到生活中。 龔才春 畢業於中國科學院計算技術研究所，工學博士學位；教授，博士生導師；長期從事人工智慧與人力資源等領域的研究。   中關村科金技術人工智慧研究院院長，職品匯創始人，大街網原首席科學家，阿裡巴巴原搜索研發專家。   在大資料採擷方面有許多成功經驗，創辦了大資料虛假簡歷識別平臺職品匯；在自然語言處理，尤其是語

義理解、知識圖譜等方面有深刻理解，中文幽默識別是其一個有特色的研究工作；曾負責淘寶評論的情感分析等工作。 第1篇 模型為什麼這麼神奇 模型是一個很常見的名詞。與人力資源管理相關的有漏斗模型、人才模型、定級模型等；與工程師相關的有線性回歸模型、隱瑪律可夫模型、LDA模型等；與業務相關的有價格預測模型、銷量預測模型等；與銷售相關的有SSM模型、銷售漏斗模型、銷售能力模型等；與行銷相關的有市場衝突矩陣模型、品牌五力模型、區域行銷模型等……但到底什麼是模型、怎麼選擇合適的模型、怎麼創新模型，則是仁者見仁，智者見智。 第1章 為什麼要建立模型 2 1.1 什麼是模型 2 1.2 無處不在的模型 4 1

.3 模型的意義 4 1.3.1 萬有引力定律 4 1.3.2 大陸漂移假說 5 1.3.3 日心說 5 1.4 模型都是對的嗎 6 1.4.1 模型可以是錯的 7 1.4.2 模型可以是未被證實的 7 1.4.3 模型可以是互相矛盾的 7 1.5 什麼模型是好模型 8 1.5.1 表示客觀事物的能力 8 1.5.2 簡化客觀事物的能力 9 1.5.3 評價模型好壞的模型 9 1.6 模型的演化 9 1.7 正確看待模型的價值與缺陷 10 1.7.1 正確看待模型的局限性 10 1.7.2 用歷史的觀點看模型 10 1.7.3 拋棄對模型的階級觀點 11 1.7.4 用發展的觀點看模型 11

1.8 本書的特點 12 1.8.1 對讀者的基礎要求 12 1.8.2 從場景出發講模型 12 1.8.3 從方法論的視角講模型 13 1.8.4 用類比的技巧講模型 13 1.8.5 避免讀者被數學公式嚇倒 13 1.8.6 避免“知識的詛咒” 14 1.9 本書主要內容 14 1.9.1 權重模型 15 1.9.2 狀態模型 15 1.9.3 序列模型 15 1.9.4 表示模型 16 1.9.5 相似模型 16 1.9.6 分類模型 16 第2章 模型的運用 18 2.1 用知識圖譜表示問題 18 2.1.1 知識圖譜的基本理念 18 2.1.2 建立知識圖譜的一般步驟 19 2.1.

3 問題的屬性研究 19 2.1.4 問題的關係研究 20 2.2 問題分析的示例 20 2.2.1 前提假設分析 20 2.2.2 已有資料的分析 21 2.2.3 待求資料的分析 21 2.2.4 關係分析 21 2.3 權重問題的判斷 22 2.4 狀態問題的判斷 24 2.5 序列問題的判斷 25 2.6 表示問題的判斷 25 2.7 相似問題的判斷 26 2.8 分類問題的判斷 26 2.9 模型之間的關係 27 第2篇 權重模型：計算你的分量 世界上的萬事萬物，紛繁複雜，讓人眼花繚亂。幾千年來，人類一直在試圖發現事物背後的共性規律。在電腦學者眼裡，世界上幾乎所有問題，最終都可以歸

結為權重計算的問題。 權重問題是一個通用問題，在各個學科中都已經有許多深入的研究，也有了許多計算各種各樣權重的方法。將這些權重計算方法進行整理並抽象，就簡化為模型了。 第3章 TF-IDF模型 33 3.1 應用場景 33 3.2 詞頻率—逆文檔頻率模型的計算 34 3.2.1 詞頻率模型 34 3.2.2 逆文檔頻率模型 37 3.2.3 TF-IDF模型 39 3.3 詞權重模型的平滑 40 3.4 引申閱讀 40 3.4.1 發明歷史 41 3.4.2 發明人簡介 41 3.4.3 最新研究 42 3.5 本章總結 42 第4章 線性回歸模型 43 4.1 應用場景 43 4.2 直觀理

解回歸問題 44 4.3 一元線性回歸問題 45 4.3.1 鋼軌長度與溫度的關係 45 4.3.2 判斷最合適直線的兩個原則 47 4.3.3 最小二乘法 50 4.4 多元線性回歸問題 52 4.5 標準方程法 53 4.5.1 一些符號定義 53 4.5.2 矩陣表示 54 4.5.3 參數求解 55 4.5.4 用標準方程法計算銀行授信額度 58 4.6 梯度下降法 60 4.6.1 梯度下降法的直觀理解 60 4.6.2 坡度最陡下山法 63 4.6.3 坡度最陡下山法的類比 64 4.6.4 梯度下降法的計算 66 4.6.5 銀行授信額度的計算 67 4.7 梯度下降法與標準方程

法的區別 68 4.8 引申閱讀 69 4.8.1 最小二乘法的發明 69 4.8.2 梯度下降法的發明 69 4.8.3 最新研究 69 4.9 本章總結 71 第5章 PageRank模型 73 5.1 應用場景 73 5.2 PageRank的直觀演算法 74 5.2.1 直觀理解 75 5.2.2 模型的初始化 77 5.2.3 模型的反覆運算 79 5.3 直觀演算法的漏洞修復 81 5.3.1 非連通漏洞 81 5.3.2 過河拆橋型漏洞 82 5.3.3 孤芳自賞型漏洞 85 5.3.4 過分謙虛型漏洞 85 5.3.5 隨機遊走模型 86 5.4 PageRank模型的計算 8

8 5.4.1 連結關係表 88 5.4.2 連結流覽矩陣 88 5.4.3 直接流覽矩陣 89 5.4.4 狀態轉移矩陣 89 5.4.5 反覆運算計算 90 5.4.6 計算示例 91 5.5 引申閱讀 92 5.5.1 收斂性證明 93 5.5.2 發明歷史 94 5.5.3 發明人簡介 94 5.5.4 相關研究 95 5.6 本章總結 95 第3篇 狀態模型：加官進爵的模型 事物是變化的，我們也要從意識形態上跟上客觀事物的變化，否則就會犯“刻舟求劍”的笑話。目前，最好的描述事物狀態改變的模型是自動機模型，又被稱為有限狀態自動機模型。 在電腦領域，有很多自動機模型的應用場景。例如常見

的正向最大匹配分詞演算法其實就是一個自動機模型；在自然語言處理中，中文分詞、語音辨識、詞性標注、字串查找、拼寫糾錯、模糊匹配等都是自動機模型的變種；在網路安全領域中，我們最熟悉的病毒掃描場景，很多都使用了AC自動機模型，這也是一種狀態轉移自動機模型。 第6章 有限狀態自動機模型 100 6.1 應用場景 100 6.1.1 Java詞法分析 100 6.1.2 Java詞法分析示例 101 6.2 直觀理解與形式化描述 103 6.2.1 自動機模型的直觀理解 103 6.2.2 形式化描述 105 6.3 詞法分析自動機模型 105 6.3.1 注釋識別自動機 105 6.3.2 保留字識別

自動機 107 6.4 位址解析自動機模型 108 6.4.1 位址解析場景概述 108 6.4.2 地址解析的難度 109 6.4.3 標準地址庫建設 110 6.4.4 位址識別自動機模型 111 6.5 引申閱讀 113 6.5.1 發明歷史 113 6.5.2 發明人簡介 114 6.5.3 最新研究 115 6.6 本章總結 115 第7章 模式匹配自動機模型 116 7.1 應用場景 116 7.2 形式化描述 118 7.3 BF模式匹配演算法 118 7.3.1 BF演算法的直觀理解 118 7.3.2 BF演算法的匹配過程示例 119 7.3.3 BF演算法的偽代碼表示 12

1 7.3.4 BF演算法的自動機模型 121 7.4 RK模式匹配演算法 122 7.5 KMP模式匹配演算法 123 7.5.1 KMP演算法的直觀理解 123 7.5.2 KMP演算法的匹配過程示例 125 7.5.3 移動長度的計算 127 7.5.4 KMP演算法的自動機模型 129 7.5.5 KMP演算法的總結 129 7.6 BM模式匹配演算法 129 7.6.1 後向BF演算法 130 7.6.2 實現跳躍式匹配 131 7.6.3 基於壞字元的模式匹配過程 132 7.6.4 壞字元匹配演算法的缺陷 137 7.6.5 好尾碼的匹配規則 138 7.6.6 BM模式匹配演算

法介紹 141 7.6.7 BM演算法的自動機模型 143 7.7 AC模式匹配演算法 143 7.7.1 TRIE樹的使用 144 7.7.2 TRIE樹的構建 145 7.7.3 失效指針的直觀理解 146 7.7.4 失效指針的設置示例 147 7.7.5 失效指標的設置演算法 150 7.7.6 AC演算法的匹配過程示例 152 7.8 Wu-Manber模式匹配演算法 153 7.8.1 Wu-Manber演算法的直觀理解 153 7.8.2 Wu-Manber演算法的總體思路 155 7.8.3 字元塊 156 7.8.4 後移長度陣列 157 7.8.5 字元塊的雜湊值 159

7.8.6 倒排鏈表 159 7.8.7 首碼雜湊值 160 7.8.8 Wu-Manber演算法示例 161 7.9 引申閱讀 163 7.10 本章總結 166 第4篇 序列模型：揭示現象背後的規律 序列模型，就是根據可觀察的現象序列，探索其背後不可觀察的神秘序列。我們能夠想到的需要探索現象背後的邏輯、本質、規律等，都可以歸結為序列模型。 第8章 隱瑪律可夫模型 170 8.1 應用場景 171 8.2 瑪律可夫鏈 171 8.3 隱瑪律可夫模型的定義 173 8.3.1 直觀定義 173 8.3.2 形式化定義 174 8.3.3 盲人與苔蘚的例子 174 8.4 兩個假設 176 8

.4.1 齊次瑪律可夫假設 176 8.4.2 觀察獨立性假設 176 8.5 評估問題 177 8.5.1 評估問題的應用價值 177 8.5.2 暴力求解法 178 8.5.3 前向演算法 179 8.5.4 前向演算法的形式化描述 185 8.5.5 前向演算法的演算法描述 186 8.5.6 後向演算法 187 8.6 解碼問題 190 8.6.1 暴力求解法 190 8.6.2 維特比演算法 190 8.6.3 維特比演算法的形式化描述 197 8.7 學習問題 198 8.7.1 監督學習 199 8.7.2 非監督學習 201 8.7.3 一個更簡單的EM演算法例子 202 8.

7.4 更好一點的演算法 205 8.7.5 直觀方法 206 8.7.6 Baum-Welch演算法 207 8.7.7 Baum-Welch演算法的偽代碼表示 212 8.8 引申閱讀 213 8.8.1 發明人簡介 213 8.8.2 最新研究 214 8.9 本章總結 215 第9章 最大熵模型 216 9.1 應用場景 216 9.1.1 語義消歧 216 9.1.2 音字轉換 217 9.1.3 其他常見場景 217 9.2 直觀理解最大熵 217 9.2.1 熵增加原理 217 9.2.2 熵的定義 218 9.2.3 不要把雞蛋放在同一個籃子裡 219 9.2.4 不要隨意添加

主觀假設 219 9.3 最簡單的最大熵計算示例 220 9.3.1 方程組求解 220 9.3.2 最大熵化 221 9.3.3 拉格朗日乘子法 221 9.3.4 骰子的概率計算 223 9.3.5 計算複雜度分析 225 9.4 形式化定義 226 9.4.1 經驗分佈 226 9.4.2 特徵函數 227 9.4.3 特徵範本 228 9.4.4 約束條件及其期望 228 9.4.5 條件熵 230 9.4.6 最大熵的定義 230 9.5 最大熵模型的計算流程 231 9.5.1 模型訓練 231 9.5.2 模型執行 232 9.6 平滑方法 232 9.6.1 拉普拉斯平滑 23

3 9.6.2 古德—圖靈平滑 236 9.6.3 Jelinek-Mercer平滑 238 9.6.4 Katz平滑 239 9.6.5 絕對折扣平滑 241 9.6.6 Witten-Bell平滑 241 9.6.7 Kneser-Ney平滑 242 9.6.8 各種平滑方法的演化關係 243 9.7 特徵選擇 245 9.7.1 基於閾值的特徵選擇 245 9.7.2 增量式特徵選擇 245 9.8 參數計算 246 9.8.1 參數計算的形式化 246 9.8.2 參數的數值計算 248 9.9 引申閱讀 250 9.10 本章總結 251 第5篇 表示模型：萬事萬物的表示 當人們在

看到某個事物或現象後，需要向沒有看到的人描述這個事物或現象時，就需要盡可能找一個讓對方可以接受並理解的方式來表示該事物或現象。對事物或現象的表示，是這個事物或現象區別於其他事物或現象的基礎，是進行轉述、分析、處理的前提。 到了現代社會，表示方法越來越普遍，使用也越來越頻繁。重大的科技創新，往往都是從表示方法創新開始的。 第10章 向量空間模型 256 10.1 應用場景 256 10.2 之前的文本表示方法 257 10.3 向量空間模型 258 10.3.1 文檔的詞袋化 258 10.3.2 文檔的向量化 259 10.3.3 詞項的權重計算 261 10.4 相似度計算 263 10.5

引申閱讀 264 10.5.1 發明人介紹 264 10.5.2 最新研究 264 10.6 本章總結 265 第11章 潛在語義分析模型 266 11.1 應用場景 266 11.2 LSA模型的計算 268 11.2.1 詞—文檔矩陣 268 11.2.2 奇異值分解 270 11.2.3 降維處理 272 11.3 結果的解讀 275 11.3.1 3個矩陣的物理含義 275 11.3.2 實驗結果解讀 275 11.4 為什麼LSA模型有效 277 11.5 LSA模型的應用 278 11.5.1 識別同義詞和近義詞 278 11.5.2 文檔的聚類和分類 280 11.5.3 跨語

言語義檢索 281 11.6 LSA模型的不足 282 11.7 引申閱讀 283 11.7.1 發明人介紹 283 11.7.2 最新研究 283 11.8 本章總結 284 第6篇 相似模型：誰與我臭味相投 在現實生活的許多場景中，都需要判斷兩個事物有多相似。各種事物之所以可以比較，是因為我們已經潛在地計算了事物之間的相似度。之所以稱這種相似度是“潛在的”，是因為我們以為是在尋找事物之間的差異，其實在尋找差異之前我們已經找到了相似之處。 第12章 相似模型 288 12.1 歐幾裡得距離 288 12.2 曼哈頓距離 289 12.3 切比雪夫距離 292 12.4 閔可夫斯基距離 29

3 12.5 馬哈拉諾比斯距離 293 12.5.1 用歐氏距離計算身材相似度 293 12.5.2 歐氏距離失效的原因 294 12.5.3 引入原因 295 12.5.4 方差與協方差 295 12.5.5 馬氏距離的定義 298 12.5.6 馬氏距離為什麼有效 299 12.6 皮爾遜相關係數 299 12.7 Jaccard相關係數 300 12.8 余弦相似度 302 12.9 漢明距離 304 12.10 KL散度 305 12.11 海林格距離 307 12.12 編輯距離 307 12.13 本章總結 312 第7篇 分類模型：物以類聚，人以群分 分類問題是我們在日常生活中

每時每刻都可能遇到的。分類也是所有決策制定的基礎，沒有分類，就不可能有決策的制定與實施。各行各業每天都在處理各式各樣的分類問題：高校要根據高考成績判斷是否錄用考生；HR要根據候選人簡歷判斷是否安排面試；公司CEO要根據市場情況及時調整產品戰略和銷售目標；農民要根據天氣、作物生長狀況等決定是否澆水、施肥；廚師要根據火候判斷菜品是否應該出鍋；司機要根據目的地和交通狀況決定是直行還是轉向…… 在現實生活中，我們可能遇到的分類問題千差萬別，可以對分類問題進行分類，從而使每一類分類問題可以用一類分類模型來處理。 第13章 感知機模型 315 13.1 應用場景 315 13.2 神經元的工作原理 317

13.3 感知機模型的原理 320 13.3.1 感知機模型的數學表示 320 13.3.2 感知機模型的分類原理 320 13.3.3 距離的計算 323 13.3.4 代價函數 323 13.4 參數訓練 324 13.4.1 梯度下降法 324 13.4.2 計算示例 325 13.5 引申閱讀 326 13.5.1 發明歷史 326 13.5.2 最新研究 327 13.5.3 與其他模型的關係 327 13.6 本章總結 328 第14章 邏輯回歸模型 329 14.1 應用場景 329 14.2 直觀理解邏輯回歸模型 330 14.2.1 邏輯回歸的目標模型 330 14.2.2

邏輯回歸模型的工作原理 332 14.3 邏輯回歸模型的計算 333 14.3.1 相關符號表示 333 14.3.2 代價函數 334 14.3.3 梯度下降法 335 14.4 引申閱讀 336 14.4.1 發明人簡介 336 14.4.2 發明歷史 337 14.4.3 最新研究 337 14.5 本章總結 338 第15章 樸素貝葉斯模型 339 15.1 應用場景 339 15.2 先驗概率和後驗概率 340 15.3 貝葉斯公式 341 15.3.1 全概率公式 341 15.3.2 逆概率公式 342 15.4 獨立假設 343 15.5 文本分類的案例 344 15.5.1

訓練樣本介紹 345 15.5.2 詞典與先驗概率 345 15.5.3 直接使用貝葉斯公式 346 15.5.4 拉普拉斯平滑 347 15.6 引申閱讀 349 15.7 本章總結 349 第16章 決策樹模型 350 16.1 應用場景 350 16.2 決策樹模型的直觀理解 351 16.2.1 猜數字的遊戲 351 16.2.2 猜動物的遊戲 352 16.2.3 決策樹模型要解決的問題 354 16.3 最佳決策樹 354 16.3.1 蠻力的方法 355 16.3.2 從數據中領悟審批原則 355 16.3.3 什麼是好問題 356 16.4 信息量的計算 357 16.4.1

資訊熵的定義 357 16.4.2 熵的計算示例 358 16.4.3 熵的單位 359 16.5 資訊增益與ID3演算法 359 16.5.1 條件熵的定義 360 16.5.2 資訊增益的計算 360 16.5.3 使用資訊增益選擇特徵 361 16.5.4 ID3演算法 364 16.6 資訊增益比與C4.5演算法 364 16.6.1 資訊增益比的定義 364 16.6.2 計算示例 365 16.6.3 C4.5演算法 365 16.7 基尼係數與CART演算法 366 16.7.1 基尼係數定義 367 16.7.2 基尼係數計算示例 368 16.7.3 CART分類樹演算法

372 16.7.4 CART回歸樹 373 16.8 引申閱讀 375 16.8.1 發明歷史 375 16.8.2 最新研究 377 16.9 本章總結 377 第17章 支援向量機模型 378 17.1 應用場景 378 17.2 一元支持向量機 379 17.3 二元支持向量機 383 17.3.1 實例場景描述 383 17.3.2 最佳分類面 384 17.3.3 最佳分類直線的函數形式 385 17.3.4 分類間隔的計算 387 17.3.5 最大化問題的數學表示 388 17.3.6 拉格朗日乘子法 389 17.4 支持向量機的對偶問題 391 17.4.1 SVM模型的數

學描述 391 17.4.2 SVM模型的對偶問題 392 17.5 支持向量機的參數求解 396 17.5.1 SMO演算法的形式描述 396 17.5.2 SMO演算法的整體思路 397 17.5.3 參數更新過程 399 17.5.4 乘子的啟發式選擇 401 17.6 引申閱讀 402 17.6.1 發明歷史 402 17.6.2 發明人簡介 403 17.6.3 最新研究 403 17.7 本章總結 404

趨勢跟蹤（原書第5版）

為了解決396銀行代碼的問題，作者（美）邁克爾•W.卡沃爾 這樣論述：

在資本市場中，投資者總是渴望尋找漲跌間的“因果關係”，認為這樣能給自己的策略更多的安全感。   但趨勢跟蹤策略卻反其道而行之，它不能預測市場的走向，而是更強調自律與精准的交易規則，還有嚴密的風控以應對市場的波動性。   趨勢跟蹤理論試圖訓練投資者在面對市場波動時，建議一套明確而回饋的交易體系。   本書通過厘清困擾投資者的五大問題，幫助每個投資者定制一套屬於自己的趨勢跟蹤交易系統   ·選擇什麼投資品種買賣？ ·如何確定買入賣出比例？ ·如何擇時買賣？ ·當面臨虧損時，如何離場？ ·當面臨盈利時，如何鎖定收益？ 邁克爾·W.卡沃爾   趨勢跟蹤投資公司創始人 海龜交易者網站創

始人 享譽全球的趨勢跟蹤大師   第一代海龜交易員，多年來，邁克爾·W. 卡沃爾不遺餘力地傳授趨勢跟蹤理念，他的近萬名學生遍佈全球70 多個國家和地區。他經常應邀出席各大主流媒體的活動，其文章和觀點多次被《華爾街日報》《彭博週刊》《巴倫週刊》等權威媒體引用。曾數次到訪中國，向投資者普及趨勢交易的思想。   他熱衷於探索、挖掘，善於從交易數位的帷幕中總結出系統思想。   他所宣導的趨勢交易之所以為世人廣為關注，是因為便於重複，而且有不錯的盈利前景，正因為他對趨勢跟蹤理論的思考與拓展，才讓他在國際上享有盛譽。並被中國、新加坡在內的多家機構邀請講座。他的趨勢跟蹤播客更是擁有500萬以上的收聽。

讚譽 譯者序 推薦序 前言 第一部分　趨勢跟蹤方法 第1章　趨勢跟蹤 / 2 投機是什麼 / 3 盈利還是虧損 / 9 投資還是投機 / 11 基本面分析還是技術分析 / 13 感性決策還是系統決策 / 18 趨勢跟蹤：無處不在卻又視而不見 / 20 變化即市場 / 23 直到趨勢盡頭 / 27 駕馭風浪 / 33 第2章　偉大的趨勢跟蹤者 / 38 大衛·哈丁 / 41 比爾·鄧恩 / 45 約翰·W.亨利 / 59 艾德·斯科塔 / 73 凱斯·坎貝爾 / 83 傑瑞·派克 / 87 賽勒姆·亞伯拉罕 / 89 理查·鄧尼斯 / 91 理查·唐奇安 / 99 傑西·利弗莫

爾與狄克森·瓦茨 / 104 第3章　趨勢跟蹤的績效證據 / 109 絕對收益 / 110 波動率與風險 / 112 回撤 / 118 相關性 / 124 零和博弈 / 127 喬治·索羅斯 / 129 伯克希爾-哈撒韋 / 133 第4章　大事件、混亂與恐懼 / 137 事件1：2008年金融危機 / 141 事件2：互聯網泡沫 / 153 事件3：長期資本管理公司的崩潰 / 167 事件4：亞洲金融危機 / 180 事件5：巴林銀行 / 184 事件6：德國金屬公司 / 188 事件7：黑色星期一 / 191 第5章　跳出思維的界限 / 202 棒球 / 203 比利·比恩 / 207 比

爾·詹姆斯 / 208 用資料說話 / 211 第6章　趨勢跟蹤與行為金融 / 216 前景理論 / 218 情商更重要 / 224 神經語言程式學 / 226 斯科塔的交易部落 / 227 保持好奇心 / 229 追求卓越 / 231 第7章　趨勢跟蹤的決策過程 / 236 奧卡姆剃刀原理 / 238 快速決策 / 239 創新者的窘境 / 243 過程、結果與大膽 / 244 第8章　趨勢跟蹤：用科學的方法 / 248 批判性思考 / 250 線性與非線性 / 251 複利的威力 / 257 第9章　交易聖杯 / 260 買入持有的幻夢 / 263 沃倫·巴菲特的聖杯 / 265 失敗者才

攤平虧損 / 267 不要犯傻 / 274 第10章　交易系統 / 286 風險、回報和不確定性 / 287 趨勢跟蹤系統的5個問題 / 293 建立你自己的交易系統 / 307 常見問題 / 308 第11章　交易遊戲 / 319 投資者會接受趨勢跟蹤嗎 / 320 不該怪罪趨勢跟蹤 / 323 降低杠杆也會降低收益 / 325 財富青睞勇氣 / 327 第二部分　趨勢跟蹤訪談錄 第12章　艾德·斯科塔 / 331 第13章　馬丁·盧埃克 / 345 第14章　讓-菲力浦·布紹 / 366 第15章　伊萬·柯克 / 377 第16章　亞曆克斯·格雷瑟曼 / 396 第17章　坎貝爾·哈威

/ 418 第18章　拉斯·哈吉·佩德森 / 436 第三部分　趨勢跟蹤研究 第19章　趨勢跟蹤：數個世紀以來的實證 / 457 趨勢跟蹤的故事：歷史研究 / 459 數個世紀以來的收益特徵 / 461 數個世紀以來的風險特徵 / 470 數個世紀以來的組合收益 / 471 第20章　兩個世紀以來的趨勢跟蹤策略 期貨趨勢跟蹤：1960年以來 / 478 擴展時間序列：案例分析 / 481 兩個世紀以來的趨勢 / 485 第21章　趨勢跟蹤：品質而非數量 / 493 各類趨勢跟蹤模型簡介 / 494 趨勢跟蹤模型的分散化 / 495 趨勢跟蹤：寬立資本的方法 / 497 寬立趨勢模型與其他模型

的比較 / 499 第22章　交易策略評估 / 502 其他科學領域的檢驗 / 503 重新評估候選策略 / 505 多重檢驗：兩種觀點 / 507 偽發現和未發現 / 510 調整夏普比率 / 511 以標普智匯（標準普爾Capital IQ）為例 / 513 樣本內和樣本外 / 514 交易策略和金融產品 / 515 第23章　揭開面紗：趨勢交易的“黑箱” / 517 策略部分 / 519 業績展示和圖表 / 522 不同類型的市場表現 / 524 多頭和空頭的交易表現 / 526 參數的穩定性 / 528 CTA可以用作標準普爾500的分散或者對沖嗎 / 530 第24章　風險管理 /

534 風險 / 535 風險管理 / 535 最佳下注 / 536 直覺和系統 / 536 模擬 / 538 金字塔加倉與鞅加倉 / 538 優化：使用模擬 / 539 優化：使用微積分 / 540 優化：使用凱利公式 / 541 運氣、收益比和最佳下注比例之間的圖形關係 / 542 非平衡分佈和高收益 / 542 幾乎必死的策略 / 543 分散化 / 544 撤資點 / 545 衡量投資組合的波動性：夏普比率、風險價值、湖泊比率和壓力測試 / 545 壓力測試 / 547 投資組合選擇 / 547 頭寸分配 / 548 心理因素 / 549 第25章　GRAB策略低價買入期貨研究 / 5

50 如何按照GRAB以低價買入期貨 / 551 趨勢跟蹤並非易事 / 551 弄清楚專家是怎麼做的 / 553 專家的量化模型 / 553 可怕的發現 / 554 解謎：為什麼GRAB系統會失敗 / 555 它通常與市場不同步 / 555 更糟糕的是，它錯過了大行情 / 556 也許獲利意味著“不舒服” / 557 GRAB交易系統詳細資訊 / 557 跌破支撐位買入，突破阻力位賣出 / 558 回測中的意外情況 / 559 參數值之間的差異決定了GRAB系統的特性 / 559 GRAB交易系統代碼 / 561 第26章　為什麼宏觀策略投資仍然有意義 / 563 期貨管理 / 564 期貨管

理和CTA的定義 / 566 機構在哪裡可以做期貨管理或CTA投資 / 567 偏度和峰度 / 567 數據 / 568 基本統計特徵 / 569 股票和債券投資組合加入對沖基金或期貨管理頭寸 / 570 對沖基金和期貨管理組合 / 571 股票、債券、對沖基金和期貨管理組合 / 572 第27章　套息和趨勢：各類情形下的實證 / 590 套息和趨勢：定義、資料和實證研究 / 593 套息和趨勢：利率期貨 / 596 套息和趨勢：不同資產類別 / 597 套息和趨勢：不同利率水準 / 601 第28章　大謊言 / 604 結束語 / 624 後記 / 631 致謝 / 637 作者簡介 / 6

40 注釋 參考文獻二

一種用於跨網站指令碼攻擊檢測與預防的組合方法

為了解決396銀行代碼的問題，作者Aristophane Nshimiyimana 這樣論述：

跨站點腳本攻擊是一種類型代碼注入，它使黑客能夠將惡意腳本代碼注入受信任的Web應用程序。當用戶嘗試請求注入的網頁時，他不知道惡意腳本代碼可能正在影響他的計算機。如今，攻擊者正在針對持有敏感數據（例如銀行交易，電子郵件，醫療保健和電子銀行）的Web應用程序，以竊取用戶信息並獲得對數據的完全訪問權限，從而使Web應用程序變得更加強大。脆弱的。這項研究提出了兩種方法，第三種是稱為“與人工智能（AI），IDPS和非軍事區（DMZ）集成的Web應用程序防火牆方法”的混合方法，以找到針對這一最具挑戰性的攻擊問題的解決方案。在第一種方法中，我們實施了隨機森林（RF），邏輯回歸（LR），k最近鄰（KNN）和

支持向量機（SVM）來發現和分類XSS攻擊。在第二種方法中，實施了內容安全策略（CSP）方法以實時檢測XSS攻擊。在最後一種方法中，本研究提出了與人工智能（AI），IDPS和非軍事區（DMZ）集成的Web應用程序防火牆方法，以實時檢測和預防XSS攻擊。該研究實驗結果證明了AI算法的高性能。 CSP方法實時顯示檢測系統報告的結果。在第三種方法中，獲得了預期的系統實驗結果，這使WAF方法與AI，IDPS和DMZ集成在一起，比其他兩種方法更強大地解決了此研究問題