- 综合排序
- 最热优先
- 最新优先
- 来自专栏量化投资与机器学习
百亿私募，星阔投资 | 量化多岗位招聘
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。 岗位要求 1、优秀的沟通能力，执行力及团队合作精神； 2、自我驱动，创造力非常强。 熟悉PYTHON或C++； 2、精通深度学习为加分项； 3、自我驱动，创造力强； 4、数学、物理、计算机竞赛获奖为加分项。 --- 量化开发工程师 岗位职责 负责公司量化交易系统的开发与日常交易运维。 岗位要求 1、国内外知名院校计算机及相关专业本科以上学历； 2、熟悉Linux，精通C++（Python也可以）； 3、有一定量化交易系统开发经验； 4、有对接各券商交易接口经验为加分项。
76750编辑于 2022-03-21 - 来自专栏量化投资与机器学习
百亿私募，佳期投资 | 量化多岗位招聘（上海 | 北京）
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”。
90130编辑于 2022-03-24 - 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 - 来自专栏量化投资与机器学习
百亿私募，念空科技 | 量化多岗位招聘（社招）
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。 公司成立于2015年3月，同年7月在中国证券投资基金业协会备案，注册资本1.5亿，成立以来鉴于良好的长期稳定业绩，受到投资者和合作方的认可，并多次获得行业重量级奖项，截止目前累计管理规模超过百亿元人民币 工作地点 上海-陆家嘴 量化策略研究员 岗位职责 1、深入挖掘股票、期货市场的各种数据，从中提取有效信息编写CTA、股票Alpha和T0的因子； 2、运用机器学习、深度学习的回测框架进行因子回测，分析模型报告 任职要求 1、国内外重点学校硕士及以上学历，数学、物理、计算机、金融工程等理工科类专业，或与数量分析、量化交易等高度相关的复合专业背景； 2、有出色的编程能力，精通python/C++，熟悉SQL数据库 ，有量化行业一年以上工作/实习经验者尤佳。
90560编辑于 2022-03-24 - 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 - 来自专栏量化私募笔面试
2024春百亿量化私募研究类笔试0521
第二次抽取后，组数从3减至2。第三次抽取后，组数从2减至1，游戏结束。因此，游戏结束的最小抽取次数是3次。期望抽取次数期望抽取次数依赖于每次抽取时，被选择的两人是否来自不同的组。 因此，期望的圈数递归公式为：()=1+(−2)其中 (0)=0，因为没有末端时没有圈。 （1）求第2次投篮的人为乙的概率；（2）求第次投篮的人为甲的概率；（3）记前次投篮中，甲投篮的次数为，求E（Y）【思路】这个问题描述了一个随机交替的投篮游戏，其中甲和乙的命中率分别是0.6和0.8，而且甲和乙开始投篮的概率都是 (1) 求第2次投篮的人为乙的概率如果甲开始投篮，第二次为乙投篮的情况只有一种可能，即甲未命中，其概率为 1−0.6=0.4。 因此，第二次投篮的人为乙的概率为：(第2次投篮者为乙)=0.5×0.4+0.5×0.8=0.2+0.4=0.6(2) 求第2次投篮的人为甲的概率如果甲开始投篮，第二次为甲投篮的情况只有一种可能，即甲命中后继续投篮
70210编辑于 2024-06-28 - 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 - 来自专栏智能大石头
百亿级性能
整个系列教程会大量结合示例代码和运行日志来进行深入分析，蕴含多年开发经验于其中，代表作有百亿级大数据实时计算项目。 2，状态表 订单运单都是有状态数据，在整个生命周期中，状态会多次改变。许多业务往往要求两个或多个状态相匹配，那就要求有一张庞大的状态表。 百亿级性能。字段精炼，索引完备，合理查询，充分利用缓存 实体工厂。元数据，通用处理程序 角色权限。Membership 导入导出。Xml，Json，二进制，网络或文件 分表分库。
1.1K20发布于 2019-05-24 - 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 - 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devops探索
百亿架构之filebeat讲解
这里会按照每天几百亿条的数据量来考虑，去设计、部署、优化这个日志系统，来最大限度的利用资源，并达到一个最优的性能。 │ ├── 009227c00e48b051b6f5cb65128fd58412b845e0c6d2bec5904f977ef0ec604d-json.log │ ├── checkpoints │ ├── config.v2.json │ ├── hostconfig.json │ └── mounts 这里能看到，有这么个文件： /data/docker/containers containers和/var/log/pods目录中会生成这些日志文件的软连接，如下所示： cattle-node-agent-tvhlq\_cattle-system\_agent-8accba2d42cbc907a412be9ea3a628a90624fb8ef0b9aa2bc6ff10eab21cf702 -[0-9]{2} [0-9]{2}|^[1-9]\d\*\.[1-9]\d\*\.[1-9]\d\*\.[1-9]\d\*' multiline.negate: true
2.1K00发布于 2021-04-22 - 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 - 来自专栏吕慧伟的专栏
百亿级通用推荐系统实践
应用宝首页界面 除了应用宝之外，腾讯云推荐系统还应用在腾讯的QQ空间、QQ、企鹅FM、QQ会员和黄钻贵族等12个不同的业务的200多个不同推荐场景，每天处理的推荐请求有上百亿个。 那么，这个日均百亿级请求的推荐系统是怎么打造而成的呢？主要需要解决两个问题： 支持众多业务和场景。 支持海量用户请求。 1.通用化推荐算法库 首先要解决的问题是如何支持众多业务和场景。 2.面向海量在线服务的实时计算平台 除了前面提到的通用化算法库，我们需要解决的第二个问题是如何处理海量的用户请求。这部分我们用的是一个名为R2的面向海量在线服务的自研实时计算平台。 R2有下面几个特点： 海量，目前在R2系统上，每天处理上百亿的个性化推荐请求； 实时，每个请求的处理平均延时为18ms； 可靠，系统稳定性为99.99%。 R2从一开始就是围绕线上服务而设计。 更多有关腾讯云推荐引擎的信息请点击查看 4.总结 综上所述，要打造一个百亿级通用推荐系统，需要考虑下面几点： 1.为了能够支持尽可能多的业务和场景，推荐算法库需要做通用化设计。
8.1K00发布于 2016-10-29 - 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AI电堂
那些跻身百亿美元营收的半导体厂商之六 —— “百亿俱乐部新贵”英飞凌
2018年2月，英飞凌科技还收购了Merus Audio公司，进一步巩固英飞凌科技在人机交互（HMI）领域的技术专长。 同样避免被美国用技术“卡脖子”、实现重要技术的自主可控，欧洲17国在2020年12月8日联合发布了《欧洲处理器和半导体科技计划联合声明》，表示将追赶2nm芯片制程、提升目前仅有10%的半导体市场全球份额 他高调拆台欧盟计划，对欧盟“加强开发芯片能力、瞄准2nm工艺”的声明表示怀疑，仅靠欧盟投资新建晶圆厂，无法解决欧洲的芯片供应问题。
1K20发布于 2021-04-16
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