工具钢的性能及热处理范文第1篇
一、现场工具痕迹的概念及特点
在刑事案件的案发现场, 现场工具痕迹是指犯罪分子在作案时由于使用某种协助工具而留下的痕迹, 与指纹、手印和足迹等均属于现场犯罪痕迹[2]。现场工具痕迹既是公安部人员追捕犯罪嫌疑人及罪犯的基本依据, 也是人民法院判定其犯罪行为的重要证据, 为此保证现场工具痕迹提取及检验的准确性尤为重要。
一般来说, 案发现场工具特点如下: (1) 出现率高。据数据统计, 现场工具痕迹在刑事案件的案发现场的出现率高达85%; (2) 立体性。在实际刑事案件的案发现场, 由于现场工具尺寸不同, 呈现一定的立体性; (3) 复杂性。因现场工具痕迹是由工具造成的, 且同种工具使用时用力程度或方向不同, 产生的痕迹亦不同; (4) 利用率较低。在近年来刑事案件的案发现场, 虽然现场工具痕迹的出现率很高, 但其在刑事案件勘查中利用率取较低。
二、现场工具痕迹利用率低的原因分析
目前, 我国仍处于刑事犯罪的多发期, 社会上滋生和诱发刑事案件的不良因素仍大量存在。在实际勘查中, 现场痕迹的提取和检验是刑事案件勘破的基本途径, 在法庭上, 现场痕迹的物证及科学的鉴定结论是判定案件强有力的证据。
现场工具痕迹是案发现场勘查中较为常见的痕迹, 不易被掩饰或破坏, 出现率高, 特征较稳定, 鉴定价值较高。然而, 从现场勘查的实际结果看, 现场工具痕迹的提取率和检验率均较低, 其原因主要有主观和客观两大因素[3]: (1) 主观因素在人一般情况下, 司法工作人员均认为指纹、手印和足迹是案发现场痕迹的关键所在, 各现场侦查人员更为重视勘查案发现场的关键证据, 而对现场工具痕迹不做要求。有些勘查人员对现场工具痕迹的提取及检验技术能力较弱, 这直接阻碍现场痕迹勘查工作的整体进展; (2) 客观因素在与技术案发现场工具痕迹提取及检验工作主要指现场工具痕迹的分析和鉴定, 其分析和鉴定需要综合力学、物理学和材料学等多门科学, 且现场工具痕迹的种类繁多, 知识的深度和广度难以把握。此外, 现场工具痕迹的提取及检验技术单一, 其设备落后也直接影响现场工具痕迹的提取和检验技术。
三、现场工具痕迹提取及检验技术的有效对策
根据现场工具痕迹的复杂性和立体性特点, 公安部相关勘查人员在对其提取和检验时, 应分析提取及检验产生痕迹的原物或制作原物模型, 不可仅靠拍照这种辅助提取方式[4]。为此, 笔者提出以下对策:
(一) 准确选择提取及检验方式
当前, 在刑事案件的案发现场工具痕迹提取和检验中, 公安部相关勘查人员尽量选用多功能数码照相, 如切割、搏击或撬压等操作, 若条件合适, 可适当借助原物或制作的原物模型进行分析。此外, 对于细小的现场工具痕迹, 如砍、剪、钳和切等则采用原物提取法。
(二) 真实再现立体性特点
一般情况下, 公安部勘查人员从不同的角度观察同一现场工具痕迹, 则会得到不同的形态特征, 现场工具痕迹本身具有立体性的特点, 为充分发挥现场工具痕迹的重要作用, 提取及检验人员应尽量满足所用同一认定及仿制工具痕迹的提取和检验, 并做好相应的拍照记录工作。
(三) 正确认识拍照记录
在刑事案件案发现场工具痕迹提取及检验中, 有些勘查人员在认识上对现场工具痕迹仍存有偏见, 现场拍照记录工作仅限于形式, 只视为犯罪者破坏现场的证据, 这使勘查人员在拍照记录时带着随意的心态, 如未设三脚架、比例尺不合理、采光不准确等不能严格根据现场工具痕迹的特点拍照记录, 这在很大程度上影响后期对提取及检验工作的进一步开展。为此, 相关勘察人员需在思想上重视现场工具痕迹的拍照记录工作, 并在案发现场将其思想落实到行动中。
现场工具痕迹的提取及检验技术利用率的提高, 这是一个必然趋势, 公安部对刑事案件勘查的工作效率也随之不断提高。因此, 公安部的勘查人员应重视主观和客观两方面的因素, 并有效利用现场取证这种提取及检验方式, 全面发挥其在刑事案件勘查方面的重要作用。
摘要：与指纹、手印、脚迹及枪支上的痕迹相似, 现场工具痕迹也是一种刑事犯罪现场重要痕迹。然而, 现场工具痕迹即便出现率很高, 在实际应用中发现其提取率和检验鉴定率均较低, 同时, 检验结果的准确性有待提升。笔者从我国现场工具痕迹的研究现状入手, 首先介绍现场工具痕迹的概念及特点, 然后分析现场工具痕迹提取及检验技术鉴定率低的原因, 最后提出现场工具痕迹提取及检验技术的对策。
关键词：案发现场,工具痕迹,提取技术,检验技术
参考文献
[1] 凌伟光, 罗伟豪.试论如何提高痕迹检验技术在刑事侦查中的应用水平[J].法制与社会, 2015, 29:269-270.
[2] 冯永平.工具痕迹的数字化提取与检验研究[J].警察技术, 2013, 01:11-15.
[3] 曲耀国.分析痕迹检验技术在刑事侦查工作中的应用[J].法制与社会, 2015, 31:246-247.
工具钢的性能及热处理范文第2篇
随着资本市场的快速发展，愈来愈多投资者尝试通过股票历史数据来预测股票的涨跌，可以看到我国对量化投资方向的研究也是比较丰富的。曾武序等人通过爬取股票数据，然后对数据进行解析，对数据归一化处理，最后利用BP神经网络对股票进行预测。此方法具有重要现实意义和经济价值，但必须进行定性预测且预测精确度也尚待提升。
陈文颖利用大数据分布式计算平台Hadoop中的聚类分析对股票进行分类预测，被聚在一类中的股票走势有很大的相似性。但此方法还需要在聚类的基础上，对同一类的股票信息进行进一步的分析从而提高实用性。黄敏健等人在sklearn框架下分析清洗股票历史数据，后通过机器训练来预测股价。机器学习算法可以通过一定范围的指标评估从而辅助交易策略。然而在实际环境中，模型预测的准确率具有数据依赖性，无法适用于所有场景。
郝知远在MATLAB上用数据挖掘方法进行股票预测，投资者可以利用这个过预测系统获得股票上涨概率和选股方面的建议。但是由于计算机性能的制约和获取股票数据渠道的限制，此原理还是具有一定的局限。
本文基于Python编程工具，以威廉·欧奈尔先生的投资理念为实践对象，对欧奈尔先生的著作《How to make money in stocks》中提到的著名价格走势图进行量化并应用于Python编程工具，从而对具有涨幅潜力的股票进行筛选。
一、欧奈尔选股模型概述
二级市场的研究方法一般来说有基本面分析和技术面分析，基本面分析是对公司的基本信息及财务数据等的分析，技术面分析是分析股市数据信息，判断买卖时机。威廉·欧奈尔先生在著作《How to make money in stocks》中对基本面分析与技术面分析进行了巧妙结合，其中技术面分析中欧奈尔通过对美国历史上的股票进行归纳统计得出几种价格走势图。本文对此著作中的最著名的价格走势图———“杯柄”价格走势图进行研究。
（一）欧奈尔“杯柄”价格走势图
欧奈尔先生选股一般先是进行基本面的分析，基本面包括公司基本业务、基本发展方向、基本财务状况数据等等，对这些多方面的统计数据展开综合性的统计分析。基本面分析囊括了很多的文字性、抽象性、前瞻性分析，在这一方面的分析上现在的计算机分析水平还没有达到聘美专业人士通过大量经验进行的分析水平，因此本文不打算对基本面分析展开深入探讨。但是欧奈尔另一方面也很重视技术面分析即股票买入时机的选择，这一方面的分析其实在西方国家几十年的量化投资经验来看已经远超人们的手动择时，在我国日益壮大的资本市场引导下，有必要借鉴西方市场的经验，合理选择程序量化方案并自动择时。
欧奈尔先生对美国股票市场中绝大部分的上涨股票进行了统计归纳，总结出几种价格走势图。股票一直有一种历史相似性，其供求关系往往也会呈现出惊人的一致性，因此借助于价格走势图的技术面分析也不枉为一种可靠的分析方法。欧奈尔选股走势图中属“杯柄”走势图最为著名，如下图所示。
（二）“杯柄”价格走势图的运作机制及其量化
首先将U型杯底的时间跨度即横向跨度设定为20天或60天，茶杯形态的深度设定为33%以内，欧奈尔先生在著作中设定形态深度是为了防止反弹幅度过大导致突破杯柄的概率提升，提升模型的稳定性。根据以上描述，可以设定四个数值，以时间跨度为20天为例，分别为倒数第20天价格d0、倒数第2天到倒数第19天之间的最高价d1、倒数第1天价格d2、倒数第2天到倒数第19天之间的最低价d3。设定完毕后，筛选d1
（三）价格走势图选股策略的可行性条件
我国A股市场新股上市之时往往会出现一字涨停然后下跌调整进而再轻微反弹的初期趋势，这一走势和“杯柄”价格走势图的走势有一定的相似性，但并没有后期继续走涨的保证。因此为了保证选股策略的可行性及资金的安全性，应当剔除新股和次新股，采用业绩稳定、上市时间较长的股票来进行分析选股。
二、基于Python的实现流程及选取的第三方库
（一）股票数据来源和第三方库及交互平台的选择
1. 数据来源———Tushare财经数据接口包
做任何分析之前的第一步一直是数据的收集与清洗，本文所使用到的股票数据来源于国内免费开放的Tushare财经数据接口。Tushare数据覆盖面甚广，涵盖了公司股票、期货期权、指数、数字货币等一系列金融相关数据，能够实现对金融数据进行采集、清洗、加工及储存的功能。Tushare pro的数据可供校园用户免费使用，因此本文将应用Tushare pro数据接口来进行数据的采集储存工作。
2. 数据科学及可视化———Numpy、Pandas及Matplotlib库
Numpy是Python语言的一个拓展程序库，常见于大量的数组与矩阵运算。Pandas是Python语言的一个数据分析包，是基于Numpy研发的一个强大的研究结构化数据的工具集，常见于数据挖掘与数据分析。Matplotlib是Python语言的一个绘图库，内含包括散点图、K线、回归线等的绘图函数，在数据分析上常常搭配前面提到的Numpy、Pandas使用。
3. 数据框架———SQLAlchemy库
SQLAlchemy是一种ORM框架，采用关系对象映射的方式运行数据库系统操作。
4. 交互平台———Jupyter Notebook
Jupyter Notebook是一种交互式web笔记本，常用于创建、调试、共享程序文档，支持实时代码、数学方程、可视化，可以实现数据整理、统计建模、机器学习等功能。
5. 量化实现思路及流程
基本思路为首先利用tushare pro财经接口，输入个人token码，获取股票历史每日行情数据。利用SQLAlchemy建立数据框架，遍历所有上市股票数据并添加到数据框架，设定好时间跨度，利用pandas库对database完成择优，最终使用matplotlib绘图库对筛选出来的个股进行K线绘制，从而最为直观地进行最后的人工筛选。
三、将量化思路进行代码编制并实际运行及优化
（一）股票数据的采集及数据框架的建立
首先对tushare库、sqlalchemy库进行导入及设置，核心代码如下。
借助stock_basic接口得到基本数据信息，包括股票代码、名称等，之后利用daily接口获取历史日线行情，核心代码如下。
到此就完成了对数据库的初步建立及股票历史数据的采集，在此之后开始对数据展开处理及分析。
（二）将基本量化思路应用到Python当中
在前文中已经提到，可以设置四个参数值从而实现对“茶杯”形状走势图进行一个简单的筛选，因此我们可以利用pandas中自带的函数来对DataFrame进行数据操作。以时间跨度20天为例，核心代码如下。
（三）为提升程序筛选的稳定性及可靠性加入RPS指标
RPS指标全名为Relative Price Strength Rating，即股价相对强度，是由威廉·欧奈尔设想并运用于美国股票市场研究的一种指标。RPS指标是指在一段时间内，个股在所有股票涨幅中的位列。RPS指标背后的逻辑在于，欧奈尔对股票历史数据进行统计分析时发现，涨幅靠前的股票往往随后的表现也不会令人失望，这种强者恒强的现象，也许不难用马太效应与二八法则来解释。下面使用Python来计算RPS。首先为了排除掉新股次新股的上市后的连续上涨情况，要先对数据进行精准剔除。核心代码如下。
接下来对进行过滤后的数据进行RPS指标计算并进一步筛选，核心代码如下。
（四）对筛选出来的股票进行K线可视化
使用Pyecharts库可以生成Echarts图表———百度开源的一种数据可视化图表，其可视化效果不输其他可视化工具，可以实现在Python中直接使用数据生成图。本文将利用其内部拥有的Kline函数对筛选出来的股票进行K线的绘制。
（五）程序实际运行并输出结果
首先根据RPS指标进行初步筛选，剔除新股及劣质股票，在优质股票当中进行后续价格走势的筛选。可以看到初步筛选的结果一共有3306只股票，接下来对这些股票进行威廉·欧奈尔的“杯柄”价格走势的判断。运行上文中所述代码可得到如下结果：[‘宝塔实业’‘天和防务’‘熊猫金控’‘粤泰股份’‘中恒电气’‘道道全’]最后一共得到五个“杯柄”类价格走势的股票，对其进行可视K线绘制，以天和防务股票为例。
天和防务的近20日价格走势已经很接近于“杯柄”走势图了，在杯底左侧有一点小波动，但是不妨碍整个价格走势的连贯性，且其价格走势的上涨伴随有成交量的明显放大，属于优质股。
四、实验结果评估及未来发展方向
本文基于美国著名投资大师———威廉·欧奈尔的著作《How to make money in stocks》中的技术面分析即价格走势图的分析，挑选其中最著名的“杯柄”走势图进行量化，并基于Python实现了自动选股策略的实现。基于股票历史数据，在2019年11月13日，进行自动选股的结果，一共有五只股票，分别是宝塔实业、天和防务、熊猫金控、粤泰股份、中恒电气以及道道全，通过人工二次观察，得出天和防务在未来一段时间内具有相当大的上涨潜，其随后的一段时间内也确实可以看出此股票有一定的上涨情况。可以看出，欧奈尔的技术面分析方法应用于Python自动程序算法具有一定的有效性。当然，欧奈尔的选股方法并不局限于技术面分析，其基本面分析工作将会比技术面分析更加重要，量化投资的发展也一定不会局限于技术面的分析，基于大数据的财报、信息源的分析也一定会为量化投资的发展增添一份力量。随着量化投资技术的发展，基于量化所进行的投资收益会呈现收益率逐渐增高、抗风险能力逐渐增强的情况，这与我国持续防范重大金融风险的总基调一致。
结束语：
随着我国股票市场等金融市场的逐步开放，市场中的资本量必定会只增不减，未来我国的防范重大金融风险的总基调也不会改变，因此本文旨在通过欧奈尔的技术面分析结合Python自动量化模型选股策略，通过遍历A股中所有上市公司的股票，进行RPS指标、价格走势图判断、成交量判断的三重筛选手段，最终选出合适的具有上涨潜力的股票，从而降低投资风险。
在未来，将会基于此模型，尝试添加基本面分析的量化选股思路，并尝试将基本面分析与技术面分析进行结合，并对众多变量进行权重的分配，从而达到更加优秀的选股模型策略，这将会大大提高选股的可靠性、稳定性、收益性以及抗风险性。另外，政策导向与产业分析也会对选股产生比较大的影响，而文本分析往往进行机器分析非常困难，还是需要加以人工引导，并在程序运行过程中，需要进行在旁监督，以防止大型交易事故的发生。但是，股票投资到头来还是具有一定风险的，任何股票投资策略都不能将这种风险化为0，量化投资选股能做的只有适当降低这种风险以及量化这种风险，从而给投资者和投资机构以更加明显的风险提示，从而使资本金得以进行更加有效率的分配，提高金融市场资源分配的效率，也为广大投资者提供了一套非常科学而系统的投资思路，可以适当减少我国A股市场的乱投资、投机性的风气。
摘要：随着2020年3月1日新《中华人民共和国证券法》的正式落地及其证券发行注册制的全面实行,中国资本市场的开放度将会空前提高,股票市场无疑会注入一批新活力。面对这种大趋势,采用传统的人工选股带来的低效率、高成本、高风险的弊端可能会被逐渐放大,造成资源的浪费。通过借鉴在西方国家发展起来的业绩稳定、投资理性的量化投资技术及拥有广泛的第三方科学计算库的Python编程工具,对著名的威廉·欧奈尔先生创作的《How to make money in stocks》一书中所记载的技术分析方面“杯底”价格走势图进行量化,并结合RPS(股价相对强度)和交易量的综合判断进行智能筛选,可以提升选股效率和可靠性。
关键词：量化投资,Python,欧奈尔
参考文献
[1] 张鑫.量化投资发展趋势及其对中国的启示[J].中国商论,2018(01):31-32.
[2] 曾武序,钱文彬,王映龙,杨文姬,柳军.一种基于Python和BP神经网络的股票预测方法[J].计算机时代,2018(06):72-75+80.
[3] 陈文颖.基于Hadoop的股票数据聚类分析[D].浙江大学,2018.
[4] 黄敏健,刘钰萱.基于机器学习的股票趋势预测方法研究[J].现代盐化工,2019,46(05):74-76.
[5] 郝知远.基于数据挖掘方法的股票预测系统[D].南京理工大学,2017.
[6] 陈航.欧奈尔选股模型实证研究[D].上海交通大学,2015.
[7] 刘利.基于技术指标的量化选股实证研究[D].对外经济贸易大学,2019.
[8] 黎爽.基于Python科学计算包的金融应用实现[D].江西财经大学,2017.