在前文 《衡量序列相关性的三个指标》 中我们介绍了能够发现变量间非线性、非单调关联的Chatterjee相关系数。它形式简单，计算快速，尤其适用于筛选非线性机器学习的输入特征。然而，新的研究表明，对于部分非函数依赖情形它的检测效率存在不足。本文首先回顾并展开介绍 Chatterjee’s \(\xi\) 的具体原理和关键特性。最后介绍一种同样一致的、无需参数的独立性检验算法 \(\tau^*\) 作为替代方案。

电影产业作为典型的高不确定性市场，其票房表现对出品方的财务状况及市场估值具有直接影响。票房的 超预期程度 是衡量市场对电影接受度的关键指标，同时也是评估电影公司业绩的重要变量。然而，传统票房预测方法往往依赖静态的点估计模型，难以精准刻画票房随时间演化的动态特性，更难以量化票房超出市场预期的幅度及其不确定性，难以转化为可行的投资策略。

本文简要介绍了排序学习的背景、分类、性能度量，并归纳其发展历程中的几种经典算法。本文不追求深入每个技术细节，而是注重传递排序学习核心概念的直观理解，为LTR不同场景下的实际应用做铺垫。

Shaputa 是一种融合式特征选择技术，将 SHAP（SHapley Additive exPlanations）与 Boruta 的影子特征方法相结合。通过为每个特征构造随机基准线，再与模型生成的 SHAP 重要性进行对比，Shaputa 能在高维复杂数据中提供更加稳健、更加敏感于数据结构的特征选择结果，尤其适用于传统方法难以应对的非线性场景。

大语言模型（LLM）是2022年底ChatGPT横空出世以来，计算机技术中最炙手可热、日新月异的前沿领域。LLM已慢慢剥离单纯的工具属性，成为独立处理任务的智能载体。2024年，Qwen2、Llama3.1等千亿参数模型陆续发布，开源模型性能逐步接近闭源水平。作为量化研究人员，如何将大语言模型技术与金融应用相结合，提升投研水平，是必须思索的命题。本文首先参考李沐演讲分析LLM发展趋势与最佳实践，然后综述量化投资领域LLM的具体应用场景。

SHAP (SHapley Additive exPlanations)基于博弈论，是一种模型无关的机器学习解释方法，既能衡量单次预测结果中的特征贡献，也能聚合局部结果成为对模型的整体解释。SHAP方法在理论上有诸多优异性质，得益于大量工程优化，在实践中也有很强的可操作性，是XAI领域的重要方法。本文主要简介SHAP的基础理论，并给出应用示例。

本文介绍了三种度量变量相关性的指标：Pearson相关系数、Spearman相关系数和Chatterjee相关系数，最后一种可以简便地衡量非线性相关关系。

后羿（HOUYI） 定位于通用电子射击游戏瞄准辅助程序，目前支持的游戏是Apex Legends（以下简称apex）。其运行框架由识别-追踪二阶段构成，具体来说，先用目标检测算法识别出屏幕中敌人，再自动计算并校正准星位置。HOUYI的使命是用计算机技术对抗电子射击游戏对人的异化。

Don’t Panic

引言

这个社会存在着——或者说将会存在——一个问题，那就是：大部分人在大部分时间产生数据，同时受数据支配，却对此一无所知。针对这一问题人类生产了大量文章，但其中绝大多数是从各种数学符号的组合入手的——这很奇怪，因为无知的并不是这些数学符号。

本文的写作目的是让您——哪怕从没听说过微积分——掌握进入大数据时代所需的一切知识。尽管显得冗长，并且包含许多虚假或者至少是不够准确的信息，但它在两个极其重要的方面超越了那些更加高深和老派的学术著作。

第一，它是完全免费的；第二，在它的开头以大而友善的字体写着“Don’t Panic”。其内容也使得读者略过繁难的数学公式，直接获取高层次的总体概念，笔者愿称之为Math-free。

Risk of Rain 2中角色DPS可以被分解为数个子项的乘积（基础攻击力、攻速、暴击率等），因此线性堆叠攻速、暴击等属性的装备数量增加可以带来指数级的dps增长。类似地，角色的坦度也可以被分解为总血量乘以护甲。由于装备资源有限、巨大的边际收益以及提升成本不一致导致的复杂性，有必要提前计算装备数量约束下达到最大DPS和有效生命的最优配装。而这对于工程师而言是最有意义的，因为炮塔是以纯粹站桩输出的形式出现的。