- 综合排序
- 最热优先
- 最新优先
免费的股票实时行情API接口(散户量化)
接口地址：http://www.sanhulianghua.com:2008/v1/hsa_fenshi
4.1K10编辑于 2025-08-19- 来自专栏奇点大数据
话说量化（2）
市场，是一个很古老的概念了，至少已经有三四千年以上的历史了。较早的关于市场的记录是在古埃及时期，公元前两千多年之前，就已经有“Bazar”这个概念了，汉语里面也留下了它音译的痕迹——“巴扎”。直到现在，在新疆少数民族聚居区仍然在使用这个词汇作为“集市”的用词概念。
53020发布于 2018-09-14 - 来自专栏PostgreSQL研究与原理解析
PG 向量化引擎--2
PG 向量化引擎--2 向量化引擎是OLAP数据库提升性能的有效技术。翻到PostgreSQL邮件列表有对向量化引擎的讨论。这里继续进行整理，以作分析。 对于Int32，此区域大小时4*BATCHSIZE，而对于Int16，大小时2*BATCHSIZE。所以使用原生数据可以只做一个memcpy来填充vtype的batch。 2、为什么VectorTupleSlot中包含元组的数据（batch）而不是向量（vtype的数组）？ 我们是否可以得出结论，对于OLAP查询使用向量化引擎，对于OLTP查询使用行引擎会更好。 5、对于不能向量化的查询捕获并抛出异常不是处理此类情况最安全和最有效的方法。 花费的时间比预期要长：executor代码中很多东西都发生了改变： par.warkers PG9_6矢量化=关闭 PG9_6矢量化=开启 主矢量化=关闭jit=打开 主矢量化=关闭jit=关闭 主矢量化
1.2K20编辑于 2022-02-09 - 来自专栏量化投资与机器学习
追涨行为因子：基于上交所投资者账户数据的散户交易行为量化策略
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。 2、本文构建了一个衡量个体追涨倾向（RCP）的新指标。缺乏经验的投资者往往表现出更高的RCP。RCP高一个标准差的投资者平均年收益率低5.6%。 简单算术平均；2. 使用股票在买入时的持仓权重。在本文接下来的分析中，主要采用了算术平均的加权方式，且选取 。 下表2汇总了RCP与其他指标之间的关系。 这个数字的中位数是2，表明大多数散户投资者的投资分散度非常低。同样，HHI是投资者投资组合的Herfindahl-Hirschman Index，以股票价值为权重。
2.6K21编辑于 2022-07-27 - 来自专栏量化小白上分记
量化笔面试概率题*2
我投的基本都是量化岗，到现在3/20的通过率，总之很艰难。 因此E(k) = 2^(k+1) - 2，这样，E(4) = 30 ? 再举一个例子 ? 有一楼梯共m级，刚开始时你在第一级，若每次只能跨上一级或二级，要走上第m级，共有多少走法？ 还是刚才的逻辑，假设走k级有f(k)种走法，显然f(1)=1,f(2)=2，如果第一次走了1级，剩下k-1级有f(k-1)种走法，如果第一次走了两级，剩下k-2级有f(k-2)种走法，即f(k)=f(k -1)+f(k-2)。 ，但速度会快很多，代码如下 def f(x): if x ==1: y = 1 elif x ==2: y = 2 else: s
4.2K20发布于 2019-07-01 - 来自专栏大模型成长之路
【大模型学习 | BERT 量化实战（2） 】
p_bert_embeddings_layernorm_weight', 'p_bert_embeddings_layernorm_bias', #⚠️ BERT 模型包含了 nn.Embedding 层，而当前 PT2E ① 权重分布本身就不光滑（有离群值）② 权重量化导致连续输入映射为不连续输出解决✅ 方法1：替换激活函数 GELU → ReLU✅ 方法2：尝试采用 QAT 逐层敏感性分析核心思想：将原模型逐层量化，观察产生精度下降的原因 isinstance(module, nn.Linear)]def run_sensitivity_analysis(model_fp32, tokenizer): print("Loading SST-2 .4f} | ΔAcc: {delta:.4f}") results.append((name, acc, delta)) results.sort(key=lambda x: x[2] Sensitive Layers:") for r in results[:5]: print(f"{r[0]:40s} | Acc: {r[1]:.4f} | ΔAcc: {r[2]
78710编辑于 2025-06-27 - 来自专栏DeepHub IMBA
使用ExLlamaV2量化并运行EXL2模型
并且它还引入了一种新的量化格式EXL2，它为如何存储权重带来了很大的灵活性。 在本文中，我们将介绍如何量化EXL2格式的基本模型，以及如何运行它们。 量化EXL2模型 首先需要安装ExLlamaV2库： pip install exllamav2 #为了使用官方的一些脚本，我们还要把官方的代码clone到本地 git clone https:/ 量化过程使用现有脚本非常的简单。那么还有最后一个问题，为什么要使用“EXL2”格式而不是常规的GPTQ格式呢?EXL2带来了哪些新功能？ 它支持不同级别的量化:它不局限于4位精度，可以处理2、3、4、5、6和8位量化。 它可以在一个模型和每一层中混合不同的精度，以保留最重要的权重和具有更多bit的层。 ExLlamaV2在量化过程中使用了这种额外的灵活性。它会自动尝试不同的量化参数，并测量了它们引入的误差。
1.1K10编辑于 2023-11-22 - 来自专栏人力资源数据分析
KPI关键指标的量化设计（2）
我们在上篇文章讲到了如何根据岗位的工作职责进行KPI关键值的选择，那今天我们就来聊聊，如何进行量化的KPI指标的设计。 （2）Measurable可以衡量的：绩效指标是数量化或者行为化的，验证这些绩效指标的数据或者信息是可以获得的。 2、KPI量化指标的3大设计维度 在对KPI的设计中，我们根据数据的类型，我们一般会对KPI的数据有三种形式的量化指标设计 ? ? 1、KPI的标准指标，这个指标的数值是指在月度我们达标的数据 2、KPI保底数据，这个数据指标是我们每月必须一定要完成的数据指标， 3、KPI期望数据，这个数据是我们超出达标数据，跳一跳可以够得到的数据
2.1K30发布于 2020-11-03 - 来自专栏嘘、小点声
股市技术面操作的量化交易--量化交易2-投资方法
通常，我们认为人们是“风险厌恶”的，并构造如下形式的效用函数来代表投资者的投资偏好： U®=E®- 1/2 Aσ^2 ® 其中E®表示投资组合的预期收益率，σ^2 ®表示投资组合的方差； 预期收益率越高 资产组合 假设有两种资产E_1和E_2，其预期收益率和方差分别为r_1、σ_1^2和r_2、σ_2^2,收益率相关系数为ρ。另有，r_1<r_2、〖0<σ〗_1<σ_2。 如果同时投资于两种资产，权重分别为w_1、1-w_1， 则组合的期望收益率和方差可表示为： r=w_1 r_1+(1-w_1)r_2 σ^2= w_1^2 σ_1^2+〖(1-w_1)〗^2 σ_2^2 +2w_1 (1-w_1)ρσ_1 σ_2 容易证明,当且仅当ρ=1时资产组合标准差与预期收益呈线性关系。 由于ρ的取值范围在-1和1之间，因此通常情况下σ^2= w_1^2 σ_1^2+〖(1-w_1)〗^2 σ_1^2+2w_1 (1-w_1 )ρσ_1 σ_2<〖(w_1 σ_1+(1-w_1 )σ_2
1.1K20发布于 2020-11-24 A股散户的信息差，能靠 QClaw 补上吗？
散户投资者最大的劣势，不是资金量，不是分析能力，而是信息处理速度。机构投资者有研究团队，每天有分析师在持续跟踪基本面、解读公告、更新模型。 信息到了他们那里，是经过处理的结论；到了散户手里，往往是堆在各个角落的原材料——财报 PDF、新闻公告、研报文件、行业动态——没有时间读，更没有时间分析。 传统方式 QClaw 实现方式 耗时对比 & 效果财报关键指标提取 从 5 家上市公司年报 PDF 提取：营收、净利润、毛利率、同比增速，生成对比表 逐一下载财报，手动查找、记录、录入 Excel，约需2 仅需10 分钟阅读，每天节省20–30 分钟，覆盖更全面公告内容解读 对 20 页重大资产重组公告，快速提取核心内容 人工通读、提炼要点，耗时久 上传 PDF，指定提取要点并限制字数，自动生成摘要 约2 散户和机构的信息差，QClaw 能帮你缩小一部分。但最终的投资回报，还是取决于你的判断。
1.1K10编辑于 2026-03-20- 来自专栏AustinDatabases
《OpenClaw热潮背后：散户在“养虾”，云厂商在“收网”》
加群请联系 liuaustin3 ，（共3400人左右 1 + 2 + 3 + 4 +5 + 6 + 7 + 8 +9）(1 2 3 4 5 6 7 8群已经爆满 9群 300+，开10群PolarDB 我们获得了，更丰富的信息，随时随地可以获得的信息，随时获得的信息的个体可利用的特性和个体的标识性，AI 我们又要获得什么 1 通过大模型来快速处理海量信息，产生类决策信息的能力 2 通过大模型分析现有的信息 2 随着工作重要性的提高，我们是无法承受个人电脑的不稳定性，同时更多的历史数据，操作习惯，私有知识的投喂，灌输，这些信息的体量不好进行估算，同时你需要是可以联通你所有需要进行信息推送或访问信息的地方，且是多种客户端
23510编辑于 2026-03-12 - 来自专栏机器之心
字节开源大模型量化新思路，2-bit量化模型精度齐平fp16
这样做的优势是明显的，我们不再需要关注量化特有的问题，比如如何处理敏感通道，如何处理 outlier 等等，而是只需要将量化问题进行数学建模，找到一个合适的优化目标函数，然后去求解该函数。 2. 3. decoupleQ 观察 (1)~(3) 式在量化中的作用，如果我们换一种思路，就会发现其实我们不需要知道 (1) 式和 (2) 式。 W2 算子实现 要对量化后的模型进行推理，需要量化算子的支持，在业界没有现成的 w2a16 的算子可用，作者们基于 Tensorrt-LLM 中的 w4 算子开发了 w2 的 Gemm cuda kernel 量化模型本身是以 2bit weight 的形式加载和存储在显存中，因此会占用比较小的显存。 作者尝试使用不同的方法将模型量化为 W2A16g64。
1.2K10编辑于 2024-05-14 - 来自专栏韩曙亮的移动开发专栏
【Cubase】Cubase 量化设置 ( 量化预置 | 长度量化 | 快捷键设置 | 量化开头 | 量化 MIDI 事件结尾 | 量化 MIDI 事件长度 )
文章目录 一、要解决的问题 二、量化预置 三、长度量化 四、快捷键及设置 1、快捷键及设置 2、量化开头 3、量化 MIDI 事件结尾 4、量化 MIDI 事件长度 五、对 MIDI 进行量化操作 本博客中的所有设置都是在 ; 三、长度量化 ---- 长度量化 参数设置 : 在下图 处设置长度量化 , 如果设置成 " 1/16 " , 那么使用鼠标拖动时 , 音符的长度只能是 16 分音符的整数倍 ; 上述的 量化预置 ; 2、量化开头 量化开头 : 默认按键 " Q " 是量化开头 ; 将所有音符的开始位置对齐到 " 量化预制 " 对应的格子中 ; 该设置是系统自带的 , 不建议修改 ; 3、量化 MIDI 事件结尾 量化 MIDI 事件结尾 : 首先选中左侧的 " 量化类别 / 量化 MIDI 事件结尾 " , 点击右侧的 " 输入快捷键 " 下方的输入框 ; 输入快捷键后 , 点击 " 指定 " " 快捷键 , 量化音符长度 , 此时音符都排列整齐了 , 音符开头和音符长度进行了量化 , 音符结尾自然也进行了量化 ;
4.6K00编辑于 2023-03-28 - 来自专栏量化投资与机器学习
【精选】人工智能如何改变华尔街的未来？
2、目前，机构投资者如何使用或尝试使用人工智能？最大的挑战是什么？ Lane Mendelsohn：我认为对于很多机构投资者来说，他们很难弄清楚AI能为他们做些什么？我认为更大的挑战是如何实施它。 3、对于散户投资者如何使用或尝试使用人工智能？目前最大的挑战是什么？ Lane Mendelsohn：我认为散户投资者面临的挑战和机构投资者是一样的，但是要乘以1000倍。 通过以上的对话，小编总结了几点： 想把人工智能应用量化投资，你得有钱、有人、有时间。 散户投资者就别小打小闹了，搞个模型预测个股价，没意思，我们做量化做交易，目的是要有盈利的，不是为了博眼球，跑跑回测就可以的。 所以我们要辩证的对待人工智能在量化中的应用，不要盲目，不要觉得什么高大上什么复杂就一定是好的！
77650发布于 2018-05-28 - 来自专栏素质云笔记
NLP+2vec︱认识多种多样的2vec向量化模型
1、word2vec 耳熟能详的NLP向量化模型。 https://github.com/danielfrg/word2vec 2、doc2vec Paper: https://cs.stanford.edu/~quocle/paragraph_vector.pdf 、非正常语言的字符串中学习到一种向量化的表达方式。 4、batter-pitcher-2vec Python: https://github.com/airalcorn2/batter-pitcher-2vec 5、illustration-2vec Python ://github.com/klb3713/sentence2vec 8、wiki2vec Java/Scala: https://github.com/idio/wiki2vec 9、topicvec
2.3K70发布于 2018-01-15 - 来自专栏DrugScience
超量化合物库筛选策略–P2
上期回顾： 超量化合物库筛选策略–P1 具体步骤： 1. 一切以最终完成上传到Github的地址为准 ├── Codebase #相关代码 ├── Database #所用数据库文件 ├── Workflow #工作流程 ├── 参考资料 #辅助文献 └── 超量化合物库筛选策略 .md #本文 2. 参考： [1] https://enamine.net/ [2] Grygorenko O O , Radchenko D S , Dziuba I , et al.
55210编辑于 2022-05-17 - 来自专栏SimpleAI
【DL笔记2】矢量化技巧&Logistic Regression算法解析
【DL笔记2】矢量化技巧&Logistic Regression的算法解析 一、神经网络中的矢量化技巧 就一句话： ❝「只要阔能，就不要使用显示for循环（explicit for-loop），而是尽可能采用矢量化技术 因此，我们在面对深度学习问题的时候，首先要想一想，如何把数据进行“矢量化”，就是转化成向量或者矩阵，这样可以大大提高我们的效率。 1.初始化： J=0 (这是cost), , (J对w的偏导，即梯度)， b=0 2.一次迭代： For i = 1 to m: { （行向量乘以列向量，就是个数了） （a就是上一篇文章中的y 因此，Logistic regression算法向量化的过程，就是： 把m个样本，同时计算，同时算出它们的,也就是直接算Z这个m维行向量 同时把Z的m维都激活，得到m维行向量A 得到A和Z之后，就可以直接计算
87730发布于 2020-03-11 - 来自专栏Reinvent Data Science
活用向量数据库，普通散户也能找到潜力股！
普通散户到底如何全盘分析，选出一支潜力股？ 向量搜索领域的技术大牛、业余股民老莫给出了他的答案：他尝试将复杂的数组转化成向量，然后使用开源向量数据库 Milvus 辅助分析股票，为「选股」这一世纪难题给出了量化分析选股的思考角度。 玩过股票的人应该有体会，散户选股是件令人特别头疼的事情，各种蜡烛图、曲线、数字常常让人眼花缭乱、无所适从。而且股市里有大几千只股票，一个人根本无法看全，基本上只能关注其中几只。 这要借助于一个 Python 库 Tushare(https://tushare.pro/document/2)。 每只股票抽取最近 100 天的数据构建成一条 400 维向量，经过处理（减去最小值，归一化）后，使用 L2 的距离计算方式，在 Milvus 数据库搜索出最相似的一条向量。
1.4K30发布于 2021-11-16 - 来自专栏CNCF
云原生如何驱动世界最大散户股票投资平台 Zerodha
2019年处理了 10 亿笔散户交易 计算实例成本至少降低 50% 具备所有依赖的完整环境仅需数分钟即可创建，不再需要数个小时 ? 挑战 印度股票经纪公司Zerodha 是全球最大的散户股票投资平台，每天要处理800 万笔交易。 印度股票经纪公司Zerodha是全球最大的散户股票投资平台，每天要处理 800 万笔交易。 “我们的使命就是方便普罗大众进行交易和投资，”首席技术官 Kailash Nadh 说。 2019 年，我们处理了 10 亿次散户交易，在全球股票经纪公司中可能独占鳌头。我们的日交易量约占印度所有散户股票市场交易量的20%。”
1K10发布于 2020-06-01 - 来自专栏量化投资与机器学习
2022 Q2全球量化对冲基金：Quant招聘报告
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。 公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，荣获2021年度AMMA优秀品牌力、优秀洞察力大奖，连续2年被腾讯云+社区评选为“年度最佳作者”。 知名量化招聘顾问公司Grainstone Lee近日发布了2022年全球量化对冲基金招聘报告。需要注意的是，并不是每个公司都在招聘网站上发布所有的公开职位，所以实际活跃职位的数量可能是不同的。 主观投资与交易、量化投资与交易和软件工程实际上增加的职位较少，但这可以解释为公司使用通用招聘信息招聘这些职位。 如果一份招聘启事被删除了，这通常意味着这个职位已经有人了，或者至少已经没有空缺了。 亚洲的量化招聘职位也增加了100多个。值得注意的是，2022上半年出现了2021年没有看到的远程工作的招聘信息。
75320编辑于 2022-09-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号