TTMTTM 是 Trailing Twelve Months 的缩写，意思是过去连续 12 个月
1. 计算方法TTM 不是按自然年（1 月到 12 月），而是取最近连续的四个季度的数据相加。
数值最近最近最近最近
其中 Q表示季度数据，可以是净利润、营收、EPS 等。
2. 为什么用 TTM
最新性：比上一完整财年更及时，反映公司最近 12 个月的实际表现。
去季节性影响：比如零售业第四季度旺季，TTM 结合四个季度消除了单季波动影响。
可比性：投资分析中常用 TTM 数据来比较不同公司的盈利能力，因为它都是“滚动 12 个月”的概念。
3. 例子假设今天是 2025 年 8 月，某公司最近四个季度净利润分别是：
2025 Q2：280 亿美元
2025 Q1：270 亿美元
2024 Q4：300 亿美元
2024 Q3：260 亿美元
则：
TTM 净利润=280+270+300+260=1110 亿美元
每股收益（EPS, Earnings Per Share）
公式净利润流通在外普通股股数
其中净利润用过去 12 个月（TTM）或预计未来 12...
结论：， 这类杠杆 单边市下📈超过三倍，📉不到三倍，但震荡市相反。如果对行情把握比较好，且是单边上涨，可以长期持仓，效果会超级好，否则不建议长期持有
1. 单边上涨（📈 正股持续涨）
由于杠杆ETF是每日按「目标倍数」调仓，每天涨 1% → 杠杆ETF 涨 3%。
正股连续上涨 假设： SOXX 连续 20 天每天涨 +1% SOXL 则每天 +3% 初始净值：100 计算： SOXX 最终净值： 100 × (1.01)^{20} ≈ 122.0（涨幅 +22%） SOXL 最终净值： 100 × (1.03)^{20} ≈ 180.6（涨幅 +80.6%） SOXX 涨 22%，而 SOXL 实际涨了 80.6%。
复利叠加后，20天下来，实际涨幅会超过线性 3 倍。
原因：复利放大效应——每天在更高的净值基础上继续乘以 3% 的涨幅，结果会超出单纯的 3 倍计算。
结论：单边上涨时，杠杆ETF超额跑赢。
2. 单边下跌（📉 正股持续跌）
每天跌 1%，杠杆ETF 跌 3%。
正股连续下跌 假设： SOXX 连续 20 天每天跌 -...
这里采用 计算链表长度法：
第一次遍历链表，得到链表长度 length。
计算要删除节点的正序位置：length - n + 1。
用一个虚拟头节点 dummy 来统一处理删除头结点的情况。
第二次遍历，将要删除的节点跳过，即让前驱节点指向要删除节点的下一个节点。
解题过程
遍历一次链表，用 length 记录节点总数。
计算要删除的节点前一个节点的位置，也就是 length - n。
使用一个 dummy 节点 指向 head，用 tail 指针遍历到该位置。
直接跳过目标节点：tail.next = tail.next.next。
返回 dummy.next 作为新链表头。
12345678910111213141516171819202122232425262728293031323334353637383940414243# Definition for singly-linked list.# class ListNode:# def __init__(self, val=0, next=None):# self....
当损失函数（Loss）不再下降时
训练模型时最常遇到的问题：当损失函数（Loss）不再下降时，我们该怎么办？
通常，我们的第一反应是认为模型走到了一个“临界点”（Critical Point），比如局部最小值（Local Minima）或鞍点（Saddle Point），在这些点上梯度为零，模型无法再更新。
然而，老师指出，这其实是一种误解。在实际的高维复杂模型中，Loss不再下降，但梯度（Gradient）的模长（Norm）可能依然非常大。这意味着参数的更新步伐并没有停止，模型并非“卡”在一个点上。真正的原因更可能是在一个狭长的“山谷”地带，模型在谷底的两侧来回震荡，虽然每一步都在更新，但宏观上Loss值却无法有效下降
优化失败：不只是局部最小值当模型训练停滞，梯度下降算法无法继续更新参数时，我们通常会假设梯度（Gradient）已经接近于零。梯度为零的点被称为“关键点”（Critical Point），它主要分为两类：
局部最小值 (Local Minima)：这是一个大家都很熟悉的概念。当模型走到一个点，其周围所有方向的损失都比当前点高时，这个点就是局部最小值。此时，模型...
分类问题当作回归问题分析
回归输出的是一个数值，而分类的目的是将输入进行归类。一种简单的方法是将类别视为数值标签进行回归，但如果类别之间没有内在的数值关系，这种方法可能会产生问题。
一个常见的误区是直接用回归的方法来处理分类问题。比如，给“猫”赋予标签1，“狗”赋予标签2，“猪”赋予标签3，然后用一个回归模型去预测这个数值。
这样做有什么问题呢？
隐含的顺序关系：这样做会给模型一个错误的暗示，即这些类别之间存在某种数学关系（例如，狗是猫和猪的平均值？猪比狗更“大”？）。这在大多数分类场景下是不成立的。
多分类的局限：如果类别之间没有明确的顺序，这种方法很难扩展到多分类问题。
正确地表示分类目标： One-Hot 编码
概念：One-Hot 编码是一种将类别变量转换为机器学习算法易于处理的形式的方法。它将每个类别表示为一个向量，向量的长度等于总类别数，其中只有一个元素是1（表示当前类别），其余所有元素都是0。
举例：
类别1: [1, 0, 0]
类别2: [0, 1, 0]
类别3: [0, 0, 1]
这样做的好处是，类别之间是相互独立的，模型不会错误地...
搞懂Docker核心概念第一站：初识Cursor与开发容器(Dev Container)一切的开端，是AI为我总结了视频内容：一个名为Cursor的AI代码编辑器，可以通过自然语言，自动为一个项目配置好包含Docker的开发容器（Dev Container）。
我的第一个疑问是：“这不就是把项目打个包吗？有什么用？”
学习笔记1：为什么需要开发容器？为了解决“环境一致性”
我了解到，这“简单的一步”解决了开发者最大的噩梦之一：“在我电脑上能跑，在你电脑上就不行”。
传统痛点：团队成员的电脑系统、软件版本、库版本各不相同，导致代码无法统一运行，大量时间浪费在搭建和调试环境上。
容器化解决方案：通过一个配置文件（devcontainer.json和docker-compose.yml），将项目的运行环境（操作系统、Python版本、所有依赖库、甚至数据库服务）代码化。
最终效果：任何拿到这个项目的人，只需一键（视频中是Cursor的AI指令，传统方法是docker-compose up），就能在几分钟内复刻出一个与我100%一致、完全隔离的开发环境。
第二站：深入Docke...