优势基金推荐

查询SQL

select t1.* from tb_jijin_top_1month t1
join tb_jijin_top_3month t3 on  t1.`code` = t3.`code`
join tb_jijin_top_6month t6 on  t1.`code` = t6.`code`
join tb_jijin_top_1year tn on t1.`code` = tn.`code`

基金推荐(前十强)

001410	信达澳银新能源产业股票	冯明远	-0.51	1.5370	2017/9/12	16.00	31.03	32.39	46.10		53.70
160221	国泰国证有色金属行业指数分级	徐皓	-0.59	1.3859	2017/9/12	12.51	44.44	25.00	25.86		-4.62
160620	鹏华资源分级	崔俊杰	-0.71	1.4700	2017/9/12	11.53	35.73	23.43	33.46	46.97	3.61
161032	富国中证煤炭指数分级	徐幼华	+0.41	1.4090	2017/9/12	13.17	32.80	25.80	25.08		-13.73
161217	国投瑞银中证指数	殷瑞飞	-0.86	0.8550	2017/9/12	11.47	33.80	27.61	38.80	49.74	-14.50
161724	招商中证煤炭等权指数分级	侯昊	+0.54	1.4090	2017/9/12	12.27	37.73	26.03	28.10		-3.36
161819	银华资源指数分级	马君	-0.79	1.3890	2017/9/12	10.68	36.85	26.85	35.82	37.87	-12.86
165520	信诚中证800有色指数分级	杨旭	-1.28	1.4250	2017/9/12	13.19	46.60	32.81	47.42	42.04	40.89
690008	民生中证资源指数	蔡晓	-0.75	0.9220	2017/9/12	11.49	38.23	29.13	38.86	45.66	-7.80

股票分析工具

SELECT tc.gcode,tc.gname,sum(tc.gbili)/count(*) as bili,count(*) from tb_jijin_chicang tc
group by tc.gcode,tc.gname
order by COUNT(*) desc,sum(tc.gbili)/count(*) desc

分析结果

601088    中国神华    6.9079999999999995    5
603801    志邦股份    0.022    5
601899    紫金矿业    5.575    4
601600    中国铝业    4.5225    4
601225    陕西煤业    4.3975    4
002466    天齐锂业    3.9525000000000006    4
600111    北方稀土    3.7249999999999996    4
002460    赣锋锂业    3.6875    4
600547    山东黄金    3.3200000000000003    4
603043    广州酒家    0.0225    4
002128    露天煤业    3.6266666666666665    3
603993    洛阳钼业    3.216666666666667    3
603799    华友钴业    3.1766666666666663    3
000693    *ST华泽    1.23    3
601878    浙商证券    0.06333333333333334    3
600028    中国石化    7.645    2
601857    中国石油    4.58    2
601898    中煤能源    4.3    2
600673    东阳光科    3.73    2
600219    南山铝业    3.41    2
时间: 2024-10-21 08:20:01

优势基金推荐的相关文章

探索推荐引擎内部的秘密,第 2 部分: 深入推荐引擎相关算法 - 协同过滤(转)

第 2 部分: 深入推荐引擎相关算法 - 协同过滤 本系列的第一篇为读者概要介绍了推荐引擎,下面几篇文章将深入介绍推荐引擎的相关算法,并帮助读者高效的实现这些算法. 在现今的推荐技术和算法中,最被大家广泛认可和采用的就是基于协同过滤的推荐方法.它以其方法模型简单,数据依赖性低,数据方便采集 , 推荐效果较优等多个优点成为大众眼里的推荐算法“No.1”.本文将带你深入了解协同过滤的秘密,并给出基于 Apache Mahout 的协同过滤算法的高效实现.Apache Mahout 是 ASF 的一个

推荐引擎内部的秘密2

转自:http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy2/index.html 对2005年的创新公司来说,最重要的革命性思想可能是2004年<连线>杂志主编 Chris Anderson 提出的所谓"长尾"理论.这个理论说互联网使得过去几件流行商品通吃的局面一去不返了,现在哪怕是最不流行的东西也会有人喜欢,是小众市场的时代. 互联网的大趋势,甚至可以说是整个社会的一个大趋势,是人们面临的选择越

深入推荐引擎相关算法 - 协同过滤

集体智慧和协同过滤 什么是集体智慧 集体智慧 (Collective Intelligence) 并不是 Web2.0 时代特有的,只是在 Web2.0 时代,大家在 Web 应用中利用集体智慧构建更加有趣的应用或者得到更好的用户体验.集体智慧是指在大量的人群的行为和数据中收集答案,帮助你对整个人群得到统计意义上的结论,这些结论是我们在单个个体上无法得到的,它往往是某种趋势或者人群中共性的部分. Wikipedia 和 Google 是两个典型的利用集体智慧的 Web 2.0 应用: Wikip

什么是协同过滤推荐算法?

剖析千人千面的大脑——推荐引擎部分,其中这篇是定位:对推荐引擎中的核心算法:协同过滤进行深挖. 首先,千人千面融合各种场景,如搜索,如feed流,如广告,如风控,如策略增长,如购物全流程等等:其次千人千面的大脑肯定是内部的推荐引擎,这里有诸多规则和算法在实现对上述各个场景进行“细分推荐排序”:最后是推荐引擎的算法又以“协同过滤”为最核心.最主流热门,也是当下众多内容型.电商型.社交工具.分发型的基础. 由于协同过滤的算法介绍,网上也蛮多但片段化.要么侧重讲“原理流程”,这个占了4成:要么讲算法公

指数ETF基金的组合分析方法初探

本文在Creative Commons许可证下发布 试想一下,大多数基金“推荐”的配置策略都假设某种股票/债券组合.如果我们想寻求成本最小收益最高的组合(以yahoo finance上的数据来分析,因为美国股市数据更容易获得).那么什么才是一个好的组合成为了我们的问题?指数基金包括几乎所有的股票和债券.几乎包含了美国股票及债券市场的组成的四种ETF是VTI.VXUS.BND.BNDX.让我们从这些开始数据分析.使用R语言来完成分析程序 1 # Load package 2 library(tid

3.4 新供应商引入

3.4.1   推荐或自荐新供应商 企业的各部门或供方,可以与供应链管理部门或技术研发部门联络,填写<候选供方申请表>推荐栏,明确推荐的优势,推荐作为企业的候选供方. 3.4.2   明确引入意向 企业供应链管理部门在接到<候选供方申请表>后一周内(特殊情况需知会推荐部门),根据现有供方的配套情况以及推荐供方的优势进行评估,明确引入意向,并反馈推荐部门或申请单位. 3.4.3   新供方引入申请 对于评估为不符合引入条件的停止引入. 推荐获通过或计划引入的供方,由企业供应链管理部门

数组去重方法

数组去重方法 常规方法 思路 构建一个新的数组用来存放结果 for循环中每次从原数组取出一个元素,用这个元素循环与结果数组对比 若结果数组中没有该元素,则存到结果数组中 Array.prototype.unique = function() { var res = [this[0]]; for (var i = 1; i < this.length; i++) { var repeat = false; for (var j = 0; j < res.length; j++) { if (th

zz [Recommendation System] 推荐系统之协同过滤(CF)算法详解和实现

http://yidianzixun.com/n/09vv1FRK?s=1 完全摘抄自网页 1 集体智慧和协同过滤 1.1 什么是集体智慧(社会计算)? 集体智慧 (Collective Intelligence) 并不是 Web2.0 时代特有的,只是在 Web2.0 时代,大家在Web 应用中利用集体智慧构建更加有趣的应用或者得到更好的用户体验.集体智慧是指在大量的人群的行为和数据中收集答案,帮助你对整个人群得到统计意义上的结论,这些结论是我们在单个个体上无法得到的,它往往是某种趋势或者人群

[Recommendation System] 推荐系统之协同过滤(CF)算法详解和实现

1 集体智慧和协同过滤 1.1 什么是集体智慧(社会计算)? 集体智慧 (Collective Intelligence) 并不是 Web2.0 时代特有的,只是在 Web2.0 时代,大家在 Web 应用中利用集体智慧构建更加有趣的应用或者得到更好的用户体验.集体智慧是指在大量的人群的行为和数据中收集答案,帮助你对整个人群得到统计意义上的结论,这些结论是我们在单个个体上无法得到的,它往往是某种趋势或者人群中共性的部分. Wikipedia 和 Google 是两个典型的利用集体智慧的 Web