波段操作布林线口诀
三线向上，买在中轨
三线向下，卖在中轨 ，买在下轨首阳
三线走平，下轨买，上轨卖
三线张口向上，赶紧买
三线张口向下，赶紧卖
三线收口，耐心等方向

不会被 URLEncoder 编码且适合作为自定义分隔符的字符；
String str = "a-b_c.d~e";
String encoded = URLEncoder.encode(str, "UTF-8");
System.out.println(encoded); 
输出：a-b_c.d~e（无编码）

量化因子挖掘
主成分分析（PCA）
对300个原始因子降维，提取解释力最强的10个主成分
案例：Fama-French五因子模型扩展
特征重要性排序：XGBoost/LightGBM分析因子对收益率的贡献度
深度学习：LSTM挖掘高频订单簿动态特征
聚类分析（K-means）：发现另类因子组合（如“高ROE+低波动”簇）
自编码器（Autoencoder）：压缩Tick数据生成隐含因子
新闻情感分值（基于BERT模型）
单因子测试
IC（信息系数）
Rank IC：因子值与下期收益的Spearman相关系数（＞0.03显著）
ICIR（IC信息比率）：IC均值/标准差（＞0.5可持续）
分组回测
按因子值分组，观察Top组 vs Bottom组超额收益

Java 机器学习库 
Spark MLlib 
Deeplearning4j（DL4J） 
Smile（Statistical Machine Intelligence and Learning Engine）
大数据场景：优先选 Spark MLlib（分布式能力强，API 易上手）；
深度学习 + 传统 ML：选 DL4J（一站式解决，无需跨语言）；
中小型数据集、高性能要求：选 Smile（轻量、速度快）；
这些库均能覆盖 sklearn 的核心功能，且完全适配 Java 生态，可根据项目规模、场景复杂度选择。
其他辅助库 Apache Commons Math,ND4J（数值计算库）

ND4J   N-Dimensional Arrays for Java ，
可以看作是 Java 生态中的 NumPy。
它是由 Skymind（后并入 Eclipse Foundation 的  Deeplearning4j 项目）
开发的高性能科学计算库，专为 JVM环境设计。

Spark Core和Spark SQL可以嵌入到Java应用中独立使用，无需Hadoop或Yarn集群。
通过本地模式（local[*]），可以在单个JVM进程中利用多核CPU进行并行计算，
非常适合量化因子挖掘这种计算密集型的任务

etf-factor-mining
data-acquisition    # 数据获取层
data-storage        # 数据存储层  
factor-computation  # 因子计算层
backtesting-engine  # 回测引擎
factor-evaluation   # 因子评估层
visualization       # 可视化层

Smile提供了从基础统计到高级机器学习的完整工具链，
特别适合在Java生态中进行金融数据分析。
集成Smile库，可以获得一个高性能、功能丰富的量化因子挖掘系统

Smile 库凭借原生 Java、轻量高效、算法全面的特性，
能无缝落地 ETF 量化因子挖掘的全流程。
从基础因子计算到有效性检验，再到多因子模型构建，
无需依赖 Python 生态，可直接集成到 Java 量化交易系统中

哑变量也叫虚拟变量，
是用0和1表示分类属性的人工变量，比如性别男=1女=0。
它能把无法量化的变量如职业、血型等引入回归模型，
通常用k-1个哑变量表示k个类别，避免共线性，同时保持模型简洁。