1.今日完成
（1）Java 学习
学习String相关常用 API，练习String、StringBuilder字符串对象的特性差异，实操substring()、split()、replace()、equals()、indexOf()等高频方法
（2） Python 数据分析与建模
时间序列模型：学习 ARMA 模型基础概念，理解自回归项 AR、移动平均项 MA 的构成原理，平稳序列判定条件，模型阶数初步识别思路。
蒙特卡洛模拟法：掌握随机抽样思想，了解蒙特卡洛在数值计算、风险估算、仿真预测中的应用逻辑，简单实现随机采样小样例。
（3）Scikit-learn 库入门：熟悉 sklearn 整体架构，划分数据集、数据预处理、模型调用、评估指标等通用流程，结合之前的回归算法调用内置模型完成快速拟合。
2.明日计划
（1）Java：完成字符串综合编程习题，结合之前学的内部类做混合代码练习。
（2）算法：分析灰色预测、回归模型、ARMA 时序模型各自适用场景；完善蒙特卡洛仿真案例。
（3）sklearn：学习标准化、归一化等数据预处理工具，尝试交叉验证评估模型效果
3.遇到的问题与解决
（1）ARMA 模型中 AR 项和 MA 项的物理含义混淆，无法判断序列是否满足平稳要求；拆解公式分别理解，AR 是历史数据的加权回归，MA 是历史噪声误差加权；先通过可视化观察序列走势，区分平稳 / 非平稳序列，暂时先用平稳数据集练习建模，后续再学习差分平稳化处理。
（2）蒙特卡洛采样重复度高，仿真结果波动大，不清楚如何设置合理采样次数；查阅相关资料得知采样数量和结果精度正相关，逐步增加采样组数对比输出偏差，确定兼顾运行速度与精度的采样值，同时设置随机种子固定随机序列，保证实验可复现。
（3）sklearn 调用模型时数据集拆分顺序混乱，出现训练集混入测试数据的情况； 固定使用train_test_split()统一划分数据集，先分割再做归一化预处理，避免数据泄露，把标准执行流程整理成代码模板复用。
