当前位置: 首页 > news >正文

探索加密期权波动率交易的系统化实践——动态对冲工具使用

Trading Volatility – What Are My Options?

在本文中,我们将介绍一些如何交易资产波动性(而非资产价格)的示例。为了帮助理解,我们将使用 Deribit 上提供的几种不同产品,包括但不限于期权。我们将尽可能消除对标的价格方向的风险敞口,同时保留对价格变动幅度和频率(波动性)的风险敞口。

 期权合约的价格受标的资产波动性的显著影响,更具体地说,受市场对波动性的预期影响。这对想要投机波动性的交易者来说非常有用。

一、跨式期权(多头和空头)

大多数期权交易都会对波动性采取某种立场,即使这不是交易的主要关注点,但让我们首先了解一下常用于专门押注波动性的结构,即跨式期权。

多头跨式期权是指以相同的执行价格和到期日购买看涨期权和看跌期权。执行价格通常会接近开仓时的当前标的价格。如果只是持有至到期日而不做进一步调整,当标的价格远离执行价格时,多头跨式期权就会获利。价格波动越大,多头跨式期权获利越多。如果价格接近执行价格,多头跨式期权当然会亏损。

即使不了解期权或隐含波动率背后的数学或理论,也可以直观地理解此头寸是波动率多头。当标的价格没有太大波动时,就会亏损,而当标的价格波动很大时,就会获利。

相反,若要做空波动率,可以采取相反的头寸。卖出具有相同执行价格的看涨期权和看跌期权,就形成空头跨式期权,与多头跨式期权完全相反。

持有至到期时,如果标的价格接近执行价格,卖出跨式期权可获利。

如果标的价格远离执行价格,则会出现亏损。

回到多头跨式期权,如果价格在任一方向上大幅波动,它都可以获利,并且至少最初它对价格方向是中性的(Delta 中性)。但是,它需要价格远离执行价才能获利。看涨期权和看跌期权都要购买,通常是平值期权,因此购买此头寸的成本通常很高。随着标的价格远离执行价,多头跨式期权将开始失去其 Delta 中性,成为越来越有方向性的头寸,不再主要押注波动性。我们可以通过 Delta 对冲来解决这个问题,我们将在后面介绍。

卖出跨式期权可以预先收取大量权利金,但只有当价格恰好达到执行价时,这些权利金才能全部称为利润。标的价格离执行价越远,跨式期权持有者需要支付的费用就越多,而且这个金额没有上限。卖出跨式期权也可以进行 delta 对冲,我们将在后面介绍。

二、宽跨式期权(多头和空头)

宽跨式期权与跨式期权类似,但宽跨式期权涉及将看跌期权和看涨期权的执行价格移出价外。一些交易者可能对跨式期权的风险/回报状况感到满意,但正如刚才提到的,跨式期权交易的双方可能更喜欢宽跨式期权是有原因的。

 

从多头宽跨式期权的角度来看,他们不必为自己的头寸支付那么多权利金。但是代价是盈利需要的价格变动也更大了。

从卖出宽跨式期权的角度来看,他们需要更大的标的价格波动范围,仍能获利。但是,他们的最大利润会少得多。

跨式期权和宽跨式期权都提供了一种简单的方法来接触标的资产的波动性,既可以通过标的价格变动,也可以通过隐含波动率(期权价格)。如果隐含波动率上升,则意味着期权价格上升。这对多头跨式期权和宽跨式期权有利,而对空头跨式期权和宽跨式期权不利。相反,如果隐含波动率下降,则意味着期权价格下降,这对空头有利,对多头不利。

三、动态 Delta 对冲

正如我们已经提到的,尽管跨式期权和宽跨式期权在最初输入时通常都会大致具有 delta 中性,但随着标的价格朝一个方向移动,它们将失去 delta 中性。

例如,如果我们做多一个跨式期权,其中包括一个 delta 为 0.5 的看涨期权和一个 delta 为 -0.5 的看跌期权,那么如果我们将我们的 delta 加在一起,我们的总 delta 就是 0。完美,我们做多波动性,对价格方向没有偏好。

然而,现在假设标的价格迅速上涨几个百分点。这对我们的头寸有利,但我们的看涨期权现在是价内期权,而看跌期权现在是价外期权,因此我们期权的 delta 值可能已经变为看涨期权的 0.6 和看跌期权的 -0.4。现在我们的总 delta 值为 0.2,因此,除了仍然是波动性多头之外,我们还在做多标的价格。如果标的价格随后迅速下跌几个百分点,完全回溯之前的走势,我们可能又回到了起点。在这种情况下,波动性一直不错,但我们所谓的波动性多头头寸并没有从中受益,因为我们只是让 delta 值继续运行。

为了解决这个问题,并帮助我们的头寸从波动中获益,即使价格随后回到执行价格,我们可以在交易开放时对冲我们的 delta。为此,我们只需使用期货头寸来“抵消”期权头寸的 delta。

在我们的示例中,当我们首次进入多头跨式组合时,我们的总 delta 为 0,因此我们无需执行任何操作。当价格首次上涨时,我们的总 delta 变为 0.2。要使总 delta 回到 0,我们应该出售期货,使期货头寸的 delta 为 -0.2。

此时我们将得到:

  • 与我们的跨式期权相比,Delta 为 0.2

  • 与我们的期货空头相比,Delta 为 -0.2

当标的价格回落至执行价格时,我们的期权的 delta 将回到看涨期权的 0.5 和看跌期权的 -0.5。

然后我们将得到:

  • 与我们的跨式期权相比,Delta 为 0

  • 与我们的期货空头相比,Delta 为 -0.2

这使得 delta 为 -0.2。为了将其恢复为零,我们回购了期货头寸,在这种情况下将其完全平仓。

当然,我们的期权价值与我们没有进行任何 delta 对冲时完全相同,但现在我们从做空期货中获利。请记住,标的价格上涨,我们卖出了一些期货。标的价格随后下跌,因此我们以低于卖出价的价格买回了期货。从期货 delta 对冲中获得的利润确保了即使标的价格最终回到了我们的跨式期权的执行价格,我们仍然可以从我们看到的标的价格波动中获得一些利润。

这个简化但略显冗长的例子说明了如果交易者愿意更加积极并对冲他们的 delta,他们可以大幅降低其期权头寸的价格方向风险,使其成为主要对波动性本身的押注。

不过,Delta 对冲并不总是会带来更有利可图的结果。在我们的例子中,标的价格回到了执行价格,这对我们的多头跨式期权来说是最糟糕的情况,因此对冲带来的任何利润当然都会看起来更可观。但是,如果价格在一个方向上强劲波动,而没有大幅回调,那么未对冲的多头跨式期权头寸将更有利可图。当然,没有办法提前知道这种情况会发生,因此由交易者决定他们想要接触什么。如果纯粹想要的是波动性风险,那么他们将需要动态地对冲他们的期权。

四、对冲工具及DVOL 期货

到目前为止,我们可以使用期权以及期权与期货相结合来对冲我们的 delta。Greeks.live期权高阶工具中提供了专业的动态对冲工具,可直接使用。DDH工具使用教程:DDH 动态对冲工具

Deribit 上也有一种产品,可以让我们交易波动率指数(DVOL,即 Deribit 波动率指数)的期货合约。

五、策略实践

希望对波动性进行投机的交易者可以利用期权来实现这一目的。看跌期权或看涨期权的买方是做多波动性,而看跌期权或看涨期权的卖方是做空波动性。押注波动性的一些最常见的期权结构是跨式期权和勒式(宽跨式)期权,因为至少在最初,它们的 delta 大致是中性的。

在上文中,我们探讨了通过跨式期权、宽跨式期权和DVOL期货交易波动率的核心逻辑,以及动态Delta对冲对风险敞口管理的关键作用。这些策略为主动型交易者提供了灵活的工具,但对普通投资者而言,高频调仓和复杂风险控制可能面临技术门槛。

​对于希望系统化参与波动率套利的投资者​​,由Greeks.live团队运作的银蕨波动率优势策略提供了一种经过验证的解决方案:

专注方差风险溢价(VRP)​​:通过期权组合动态捕捉隐含波动率与历史波动率的差值,实现68%正溢价概率下的统计套利
​​自动化Delta对冲​​:实时对冲价格方向风险(Delta中性),专注波动率变动本身
​​历史验证表现​​:BTC策略运行794天(截至2025/03),费前年化24.94%,最大回撤4.56%,修复周期平均38天
​​多资产配置​​:支持BTC/ETH/USDT三类标的 
​​格致期权社区讨论入口:t.me/OKXGLVoptionsCN
运作验证​​
实盘运行超794天(截至2025/03),累计爬坡时间占比29%
典型修复周期:极端回撤后平均38天修复前高(2022年最长修复75天)

相关文章:

探索加密期权波动率交易的系统化实践——动态对冲工具使用

Trading Volatility – What Are My Options? 在本文中,我们将介绍一些如何交易资产波动性(而非资产价格)的示例。为了帮助理解,我们将使用 Deribit 上提供的几种不同产品,包括但不限于期权。我们将尽可能消除对标的价…...

文件操作和 IO - 3

目录 文件内容的读写 —— 数据流 InputStream 概述 方法: 说明: FileInputStream 概述 read 方法: OutputStream 概述 方法 说明 FileOutputStream 概述 write 方法: Reader 字符流 Writer 字符流 总结&#xff1a…...

Kubernetes中的Label和Selector核心作用与应用场景

一. Label 和 Selector 的核心概念 Label 和 Selector 是 Kubernetes 中实现灵活资源管理的基石,贯穿部署、服务发现、监控等核心场景。通过合理设计标签,用户可以高效实现自动化运维与精准资源控制。 Label(标签): K…...

L1-6 大勾股定理

题目 大勾股定理是勾股定理的推广:对任何正整数 n 存在 2n1 个连续正整数,满足前 n1 个数的平方和等于后 n 个数的平方和。例如对于 n1 有 3^2 4^2 5^2 ;n2 有 10^2 11^2 12^2 13^2 14^2 等。给定 n,本题就请你找出对应的解。 输…...

esp32-idf Linux 环境安装教程

一、提前说明 1. 系统环境 Ubuntu22.04 2. 适配芯片 ESP32S3 3. idf版本 v5.4.1(截止2025年4月13日为最新版本) 二、安装步骤 1. 安装前置依赖 sudo apt-get install git wget flex bison gperf python3 python3-pip python3-venv cmake ninja-build ccache libffi-dev l…...

关于使用 nuitka进行构建python应用的一些配置,以及github action自动构建;

1. 通用配置 # 设置输出目录和文件名output_dir "dist"app_name "CursorAutoFree"# 基础命令行选项base_options ["--follow-imports", # 跟踪导入"--enable-plugintk-inter", # 启用 Tkinter 支持"--include-packagecusto…...

C++开山解惑

. Solution & Code 本题解仅适用于 C 选手。 这道题可谓是 C 中最基础的题目之一&#xff0c;先上两份代码&#xff1a; #include <cstdio> using namespace std;int main() {long long a, b;scanf("%lld%lld", &a, &b);printf("%lld"…...

Pytorch深度学习框架60天进阶学习计划 - 第41天:生成对抗网络进阶(二)

Pytorch深度学习框架60天进阶学习计划 - 第41天&#xff1a;生成对抗网络进阶&#xff08;二&#xff09; 7. 实现条件WGAN-GP # 训练条件WGAN-GP def train_conditional_wgan_gp():# 用于记录损失d_losses []g_losses []# 用于记录生成样本的多样性&#xff08;通过类别分…...

路由策略/策略路由之route-policy

思科名称&#xff1a;route-map、match、set Route-policy 是一个非常重要的基础性策略工具。你可以把它想象成一个拥有多个节点&#xff08;node&#xff09;的列表&#xff08;这些 node 按编号大小进行排序&#xff09;。在每个节点中&#xff0c;可以定义条件语句及执行语…...

《嵌入式系统原理》一些题目

1 &#xff0e;ARM 的存储格式&#xff1f;默认的存储模式是&#xff1f; 大端格式和小端格式&#xff0c;默认为小端模式 2 &#xff0e;当前程序状态寄存器&#xff1f;&#xff08;英文简写、条件码标志位及控制位的含义&#xff09; CPSR&#xff0c;N,Z,C,V(P26) 3 &a…...

卡洛诗已悄然改写高性价比西餐的竞争规则

在餐饮行业竞争日益激烈的今天&#xff0c;消费者对“高性价比”的定义已从单纯的低价转向品质、体验与情感价值的综合考量。萨莉亚原团队成员出来升级孵化的新概念中式西餐卡洛诗以“访九州异馔&#xff0c;再造东方味”为核心理念&#xff0c;通过本土化创新、严控文化及场景…...

独立开发者之网站的robots.txt文件如何生成和添加

robots.txt是一个存放在网站根目录下的文本文件&#xff0c;用于告诉搜索引擎爬虫哪些页面可以抓取&#xff0c;哪些页面不可以抓取。下面我将详细介绍如何生成和添加robots.txt文件。 什么是robots.txt文件&#xff1f; robots.txt是遵循"机器人排除协议"(Robots…...

02核心-EffectSpec,EffectContext

1.FGameplayEffectSpec 效果Spec 创建&#xff1a;MakeOutGoingSpec>EffectSpecHandle≈EffectSpec. 创建总结&#xff1a;EffectLevelEffectContext>EffectSpec(Handle) 数据&#xff1a;EffectSpec存有效果的等级&#xff0c;上下文&#xff0c;类。 还有很多其他东…...

驱动开发硬核特训 · Day 10(下篇):设备模型实战篇 —— Platform 驱动机制 ≈ 运行时适配器

&#x1f50d; B站相应的视屏教程&#xff1a; &#x1f4cc; 内核&#xff1a;博文视频 - 总线驱动模型实战全解析 敬请关注&#xff0c;记得标为原始粉丝。 &#x1f527; &#x1f4cd; 一、目标与回顾 在上篇《理论篇》中&#xff0c;我们从软件工程角度&#xff0c;解释…...

集合框架二三事

一.集合框架 Java集合框架&#xff08;Java Collections Framework&#xff09;是Java标准库中用于存储和处理对象集合的一组接口和实现类。它提供了一套统一的API&#xff0c;使得开发者能够高效地管理和操作数据集合。以下是关于Java集合框架的详细介绍&#xff0c;包括其核…...

前端jest(vitest)单元测试快速手上

前言 vitest和jest除了配置上不同&#xff0c;其他的基本差不多&#xff0c;这里以jest为例进行说明 安装依赖 npm install -D jest编写测试 例如&#xff0c;我们将编写一个简单的测试来验证将两个数字相加的函数的输出。 sum.js export function sum(a, b) {return a b…...

优化方法介绍(二)

优化方法介绍(二) 本博客是一个系列博客,主要是介绍各种优化方法,使用 matlab 实现,包括方法介绍,公式推导和优化过程可视化 1 BFGS 方法介绍 BFGS 的其实就是一种改良后的牛顿法,因为计算二阶导数 Hessian 矩阵所需的计算资源是比较大的,复杂度为 O ( 2 ⋅ n 2 ) …...

Sklearn入门之datasets的基本用法

、 Sklearn全称:Scipy-toolkit Learn是 一个基于scipy实现的的开源机器学习库。它提供了大量的算法和工具&#xff0c;用于数据挖掘和数据分析&#xff0c;包括分类、回归、聚类等多种任务。本文我将带你了解并入门Sklearn下的datasets在机器学习中的基本用法。 获取方式 pi…...

UDS协议 - 应用层服务测试用例概览

目录 前言一、10服务物理寻址测试功能寻址测试二、11服务物理寻址测试功能寻址测试三、14服务物理寻址测试功能寻址测试四、19服务物理寻址测试功能寻址测试五、22服务物理寻址测试功能寻址测试六、27服务物理寻址测试七、28服务物理寻址测试功能寻址测试八、2E服务物理寻址测试…...

记录一个虚拟机分配资源的问题

Virtualize Intel VT - x/EPT or AMD - V/RVI&#xff1a;若物理机的 CPU 支持对应的硬件虚拟化技术&#xff08;Intel VT - x 或 AMD - V&#xff09;&#xff0c;强烈建议开启。该功能可显著提升虚拟机的性能&#xff0c;让虚拟机更高效地利用物理 CPU 资源&#xff0c;改善卡…...

(即插即用模块-特征处理部分) 三十一、(2024) CDFA 对比度驱动的特征聚合模块

文章目录 1、Contrast-Driven Feature Aggregation module2、代码实现 paper&#xff1a;ConDSeg: A General Medical Image Segmentation Framework via Contrast-Driven Feature Enhancement Code&#xff1a;https://github.com/Mengqi-Lei/ConDSeg 1、Contrast-Driven Feat…...

机械革命 无界15X 自带的 有线网卡 YT6801 debian12下 的驱动方法

这网卡是国货啊。。。 而且人家发了驱动程序 Motorcomm Microelectronics. YT6801 Gigabit Ethernet Controller [1f0a:6801] 网卡YT6801在Linux环境中的安装方法 下载网址 yt6801-linux-driver-1.0.29.zip 我不知道别的系统是否按照说明安装就行了 但是debian12不行&…...

TypeScript 的 interface 接口

TypeScript 的 interface 接口 简介 interface 是对象的模板&#xff0c;可以看作是一种类型约定&#xff0c;中文译为“接口”。使用了某个模板的对象&#xff0c;就拥有了指定的类型结构。 interface Person {firstName: string;lastName: string;age: number;} 上面示例中…...

SpringBoot3-web开发笔记(下)

内容协商 实现&#xff1a;一套系统适配多端数据返回 多端内容适配&#xff1a; 1. 默认规则 SpringBoot 多端内容适配。 基于请求头内容协商&#xff1a;&#xff08;默认开启&#xff09; 客户端向服务端发送请求&#xff0c;携带HTTP标准的Accept请求头。 Accept: applica…...

关于无线网络安全的基础知识,涵盖常见威胁、防护措施和实用建议

无线网络(WiFi)的普及极大地方便了我们的生活,但其开放性也带来了诸多安全隐患。以下是关于无线网络安全的基础知识,涵盖常见威胁、防护措施和实用建议: 一、无线网络常见安全威胁 窃听(Eavesdropping) 攻击者通过监听无线信号,截获未加密的数据(如登录密码、聊天记录…...

《基于 RNN 的股票预测模型代码优化:从重塑到直接可视化》

在深度学习领域&#xff0c;使用循环神经网络&#xff08;RNN&#xff09;进行股票价格预测是一个常见且具有挑战性的任务。本文将围绕一段基于 RNN 的股票预测代码的改动前后差别展开&#xff0c;深入剖析代码的优化思路和效果。 原始代码思路与问题 原始代码实现了一个完整…...

【leetcode刷题日记】lc.347-前 K 个高频元素

目录 1.题目 2.代码 1.题目 给你一个整数数组 nums 和一个整数 k &#xff0c;请你返回其中出现频率前 k 高的元素。你可以按 任意顺序 返回答案。 示例 1: 输入: nums [1,1,1,2,2,3], k 2 输出: [1,2]示例 2: 输入: nums [1], k 1 输出: [1] 提示&#xff1a; 1 <…...

进程I·介绍、查看、创建与状态

目录 介绍 PCB&#xff08;进程控制块&#xff09; task_struct 查看、创建进程 进程状态 小知识 介绍 进程&#xff1a;PCB&#xff08;process control block&#xff09;&#xff08;内核数据结构&#xff09; 代码和数据 进程创建&#xff1a;操作系统将其相关属性信…...

[k8s]随笔- spec内容整理

面对 Kubernetes 中 spec 字段的复杂性&#xff0c;关键在于建立 层次化的分类逻辑 和 功能导向的归纳方法。以下是具体的规整思路和实践步骤&#xff0c;帮助你理清脉络、高效使用&#xff1a; 一、按资源类型分层&#xff1a;先分“大类”&#xff0c;再钻“细节” K8s 资源…...

程序化广告行业(81/89):行业术语解析与日常交流词汇指南

程序化广告行业&#xff08;81/89&#xff09;&#xff1a;行业术语解析与日常交流词汇指南 在程序化广告这个不断发展的行业中&#xff0c;持续学习和知识共享是我们紧跟潮流、提升能力的关键。一直以来&#xff0c;我都希望能和大家一起探索这个领域&#xff0c;共同进步。今…...

层归一化(Layer Normalization) vs 批量归一化(Batch Normalization)

层归一化和批量归一化都是 归一化方法,目的是让训练更稳定、收敛更快,但应用场景和工作方式大不相同。 名称一句话解释BatchNorm对 同一通道、不同样本之间 做归一化,适合图像任务,依赖 Batch Size。LayerNorm对 每个样本自身所有特征维度 做归一化,适合序列任务,不依赖 …...

【杂谈】-开源 AI 的复兴:Llama 4 引领潮流

开源 AI 的复兴&#xff1a;Llama 4 引领潮流 文章目录 开源 AI 的复兴&#xff1a;Llama 4 引领潮流一、Llama 4&#xff1a;开源 AI 的挑战者二、真实利他还是战略布局&#xff1f;三、对开发者、企业和人工智能未来的启示 在过去的几年里&#xff0c;AI 领域发生了重大转变。…...

instructor 库实现缓存

目录 代码代码解释1. 基础设置2. 客户端初始化3. 数据模型定义4. 缓存设置5. 缓存装饰器6. 示例函数工作流程 示例类似例子 代码 import functools import inspect import instructor import diskcachefrom openai import OpenAI, AsyncOpenAI from pydantic import BaseModel…...

【日志链路】⭐️SpringBoot 整合 TraceId 日志链路追踪!

&#x1f4a5;&#x1f4a5;✈️✈️欢迎阅读本文章❤️❤️&#x1f4a5;&#x1f4a5; &#x1f3c6;本篇文章阅读大约耗时6分钟。 ⛳️motto&#xff1a;不积跬步、无以千里 &#x1f4cb;&#x1f4cb;&#x1f4cb;本文目录如下&#xff1a;&#x1f381;&#x1f381;&am…...

QT6 源(16):存储 QT 里元对象的类信息的类 QMetaClassInfo 的类,只有两个成员函数 name()、value(),比元对象属性简单多了

&#xff08;1&#xff09;所在头文件 qmetaobject.h &#xff1a; class Q_CORE_EXPORT QMetaClassInfo { private: //private 属性里包含了至关重要的数据成员的定义&#xff0c;放前面struct Data {enum { Size 2 };const uint * d; //包含了数组的起始地址uint name ()…...

deskflow使用教程:一个可以让两台电脑鼠标键盘截图剪贴板共同使用的开源项目

首先去开源网站下载&#xff1a;Release v1.21.2 deskflow/deskflow 两台电脑都要下载这个文件 下载好后直接打开找到你想要的exe desflow.exe 然后你打开他&#xff0c;将两台电脑的TLS都关掉 下面步骤两台电脑都要完成&#xff1a; 电脑点开edit-》preferences 把这个取…...

波束形成(BF)从算法仿真到工程源码实现-第六节-广义旁瓣消除算法(GSC)

一、概述 本节我们讨论广义旁瓣消除算法(GSC)&#xff0c;包括原理分析及代码实现。 更多资料和代码可以进入https://t.zsxq.com/qgmoN &#xff0c;同时欢迎大家提出宝贵的建议&#xff0c;以共同探讨学习。 二、原理分析 广义旁瓣消除(GSC)算法 GSC算法是与LCMV算法等效的&…...

企业数字化转型需要注重的深层维度:生成式AI时代的战略重构

企业数字化转型正在经历从"技术适配"到"基因重组"的质变。生成式AI技术的突破性发展,要求企业超越传统信息化框架,构建全新的数字化转型认知体系。本文将从战略认知、技术融合、组织进化、伦理治理、生态协作五个维度,系统解构企业数字化转型需注重的核…...

图论之并查集——含例题

目录 介绍 秩是什么 例子——快速入门 例题 使用路径压缩&#xff0c;不使用秩合并 使用路径压缩和秩合并 无向图和有向图 介绍 并查集是一种用于 处理不相交集合的合并与查询问题的数据结构。它主要涉及以下基本概念和操作&#xff1a; 基本概念&#xff1a; 集合&…...

解释型语言和编译型语言的区别

Python 的执行过程通常涉及字节码&#xff0c;而不是直接将代码编译为机器码。以下是详细的解释&#xff1a; ### **Python 的执行过程** 1. **源代码到字节码**&#xff1a; - Python 源代码&#xff08;.py 文件&#xff09;首先被编译为字节码&#xff08;.pyc 文件&…...

零基础上手Python数据分析 (14):DataFrame 数据分组与聚合 - 玩转数据透视,从明细到洞察

写在前面 —— 像搭积木一样分析数据,掌握Pandas GroupBy,轻松实现分组统计与聚合 回顾一下,上篇博客我们学习了如何使用 Pandas 合并与连接多个 DataFrame,将分散的数据整合到一起。 现在,我们拥有了更完整、更丰富的数据视图。 接下来,一个非常常见的分析需求就是 对…...

Honor of Kings (S39) 13-win streak

Honor of Kings (S39) 13-win streak S39赛季13连胜&#xff0c;庄周&#xff0c;廉颇硬辅助&#xff0c;对面有回血就先出红莲斗盆&#xff0c;有遇到马克没带净化的&#xff0c;出【冰霜冲击】破他大招 S39&#xff0c;庄周廉颇前排硬辅助全肉全堆血13连胜_哔哩哔哩bilibi…...

输出流-----超级详细的在程序中向文件.txt中写入内容

1.使用Fileoutputstream对象&#xff0c;如果在目录中已经存在该文件&#xff0c;那么将不会在创建&#xff0c;如果该目录中没有该文件&#xff0c;那么将会自动创建文件。 2.在目录中a.txt文件中写入一个h字符&#xff0c;这种方式是写入单个字符。 //在目录中a.txt文件中写入…...

【Mysql】死锁问题详解

【Mysql】死锁问题详解 【一】Mysql中锁分类和加锁情况【1】按锁的粒度分类&#xff08;1&#xff09;全局锁&#xff08;2&#xff09;表级锁1、表共享读锁&#xff08;Table Read Lock&#xff09;2、表独占写锁&#xff08;Table Write Lock&#xff09;3、元数据锁&#xf…...

C语言实现用户管理系统

以下是一个简单的C语言用户管理系统示例&#xff0c;它实现了用户信息的添加、删除、修改和查询功能。代码中包含了详细的注释和解释&#xff0c;帮助你理解每个部分的作用。 #include <stdio.h> #include <stdlib.h> #include <string.h>#define MAX_USERS…...

SAP BDC:企业数据管理的新纪元

2025年4月&#xff0c;SAP在纽约发布了其全新企业数据平台——Business Data Cloud&#xff08;BDC&#xff09;&#xff0c;标志着企业数据管理和AI集成战略的重大升级。BDC不仅整合了SAP内部和外部的结构化与非结构化数据&#xff0c;还借助与Databricks的合作&#xff0c;推…...

数学建模学习资料免费分享:历年赛题与优秀论文、算法课程、数学软件等

本文介绍并分享自己当初准备数学建模比赛时&#xff0c;收集的所有资料&#xff0c;包括历年赛题与论文、排版模板、算法讲解课程与书籍、评分标准、数学建模软件等各类资料。 最近&#xff0c;准备将自己在学习过程中&#xff0c;到处收集到的各类资料都整理一下&#xff0c;并…...

计算机的运算方式

1. 计算机运算的基本概念 计算机的运算由 算术逻辑单元&#xff08;ALU&#xff09; 执行&#xff0c;其核心功能是完成 算术运算 和 逻辑运算。所有运算均基于二进制编码&#xff0c;通过硬件电路实现高速计算。 运算对象&#xff1a;二进制数&#xff08;定点数、浮点数&am…...

Tkinter事件与绑定

在Tkinter中,事件和事件绑定是实现用户交互的核心机制。通过事件机制,您可以捕捉用户的操作(例如鼠标点击、键盘输入等)并执行相应的回调函数。事件绑定是将事件与处理该事件的函数(或方法)关联起来。掌握事件和绑定技术是开发交互式应用程序的关键。 5.1 事件概述 事件…...

CAD 像素点显示图片——CAD二次开发 OpenCV实现

效果如下&#xff1a; 部分代码如下&#xff1a; public class Opencv1{[CommandMethod("xx1")]public void Opencv(){Document doc Application.DocumentManager.MdiActiveDocument;Database db doc.Database;Editor ed doc.Editor;// 设置采样精度&#xff0c;这…...