- 综合排序
- 最热优先
- 最新优先
- 来自专栏EmoryHuang's Blog
量化分析因子研究
量化分析因子研究 前言 所谓的因子也就是某个衡量标准，选择不同的因子作为选股的参考，往往会得到不同的结果，本文简单介绍了一些因子以及它所表示的意义。 最小 1% 优于最大 1%，最大 5% 优于最小 5% 震荡(FLUC) 参考文献 因子研究系列之一 – 估值和资本结构因子 因子研究系列之二 – 成长因子 因子研究系列之三 – 技术因子
1.3K20编辑于 2022-10-31 - 来自专栏量化投资与机器学习
Winton：量化研究中的『实验研究』与『观察研究』
前言 量化投资研究类似于自然科学研究，因为它试图通过对数据的实证分析来研究市场现象。研究人员通常使用为科学分析而开发的技术来预测市场走势并构建新的交易策略。 实验研究与观察研究 对于量化投资来说，进行科学的研究的一个重要方面是实验研究和观察研究啊之间的区别。实验可以多次重复，以生成可比较结果的大数据集。 因此，实验研究和观察研究代表了两种不同的量化投资方法。实验研究包括寻找具有更高夏普比的更快的策略。单独来看，这些策略的交易能力有限，因为它们相对频繁的交易会产生交易成本。 然而，如果只找到16个不相关的信号，每个信号的夏普比率为0.5，那么投资组合的夏普比率就会为2，而且容量非常大！ 然而，这在实践中很难实现。 结论 量化研究方式是多种多样的。
52130编辑于 2023-04-20 - 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 - 来自专栏炼丹笔记
量化研究--时序分类最新NN框架ShapeNet
对shapelet的穷举搜索可能不准确； 不同的变量的Shapelet候选有不同的长度，这样的Shapelet事很难比较； 大多数现有的研究都是基于黑盒的方法，很少有方案能提供可解释的方法； 02 ShapeNet 2. Unsupervised Representation Learning 训练（类似于word2vec）的目标是确保相似的时间序列获得相似的表示，反之亦然。 然而，word2vec假设的第二个要求并不总是适用于时间序列。主要有以下三点： 我们可以很容易地观察到： 波形的某些波峰相距很远，但彼此并不遥远（如下图）。
1.7K50发布于 2021-09-24 - 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 - 来自专栏量化投资与机器学习
Quant 4.0：你的量化研究处于哪个时代？
在IDEA最新研究报告中首次提出了Quant 4.0的研究流程，在深度学习不断融入量化研究的时代，非常值得处于量化行业的我们仔细研读。 欢迎留言讨论 - 你们公司的量化研究处在哪个时代？ 2、解释一个深度学习模型是一个挑战，这对于那些非常关心金融市场机制并希望知道盈亏来源的投资者和研究人员来说非常不友好。 2、可解释AI：通常缩写为XAI，试图打开封装深度学习模型的黑匣子。纯粹的黑盒模型对于量化研究是不安全的，因为人们不能准确地校准风险。 ▌传统的量化研究流程 下图蓝色部分为传统量化研究的流程，其中包括数据预处理、因子挖掘、建模、组合优化、执行及风险分析。 1、数据预处理 数据预处理通常是量化研究的第一步。原始数据可能存在许多问题。 ▌自动化的AI量化研究流程 Quant 4.0的自动化量化研究流程如上图（橙色部分）所示。
1.6K21编辑于 2023-06-07 - 来自专栏量化投资与机器学习
我把量化研究员给拆了！
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”。 为了写一份研报，近日，某卖方的相关研究员拆了一辆比亚迪，又拆了一辆特斯拉。 那拆的下一辆车会不会是Taycan呢？ 光这拆车的功夫，估计建材研究员已经卸了两车水泥了！ 不得不感叹，卖方研究员真的是： 太卷了！ 既然，券商都这么卷了，那私募也不能放过，看看我们量化圈都能拆些啥~ 量化研究员拆了因子 除了风格，还剩什么？ 交易员拆了交易所 请问里面的伙食还好吗？ 量化工程师拆了GPU 二手卡还值钱吗？ FOF研究员拆了基金经理 你有几个Beta呀？ 量化拆了主观 你是真牛B，还是吹牛B呀? QIML拆了假大师 您得EQ可真高啊！ 以上内容纯属虚构！
44920编辑于 2022-07-19 - 来自专栏量化投资与机器学习
卡方科技 | 量化研究员招聘（实习）
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。
85130编辑于 2022-07-19 - 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 - 来自专栏量化投资与机器学习
满风资产 | 量化研究员招聘（实习+全职）
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。 公司介绍 满风资产成立于 2015 年（牌照号P1015262），是一家专注于国内市场量化投资策略的资产管理公司，由资深投资专家领航，在机器学习、深度学习技术应用于量化策略方面成效斐然，核心产品业绩业内领先 工作地点 上海 量化研究员（实习生/全职） 职责描述 1、紧跟人工智能领域前沿，利用机器学习和深度学习框架探索新的投资交易策略，推动公司现有量化策略与算法的改进； 2、作为团队成员，参与完成股票高频量化策略的开发与管理 任职资格 1、计算机、信息科学、数学统计、自动化、金工等理工科专业，硕士在校生或毕业生； 2、对深度学习、机器学习的理论和应用有深刻理解，具备大规模数据场景中的应用经验； 3、 熟练掌握 python， 待遇 1、每日 300 元实习工资+50 元餐饮交通补助； 2、优秀实习生有机会转正。 职位发展 由投资行业资深名家、CIO 亲自培养，迅速入行、迅速成长。
63040编辑于 2022-06-16 - 来自专栏量化投资与机器学习
G-Research：量化研究员面试『真题』
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，连续2年被腾讯云+社区评选为“年度最佳作者”。 G-Research是欧洲领先的量化对冲基金，对于量化研究员的招聘一直非常严苛。对于量化研究员的面试准备，G-Research也给出了比较明确的指导。 Stats&Probability 前几轮的面试，只需要掌握本科1-2年纪的概率统计的知识就足以应付。
1.7K20编辑于 2022-03-03 - 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 - 来自专栏量化投资与机器学习
科研型Quant：流水线模式的量化研究
公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业20W+关注者，连续2年被腾讯云+社区评选为“年度最佳作者”。 从初入量化行业所可能遇到的问题和挑战，谈到了当前量化机构的两种模式，投资经理模式和流水线模式。 作者认为，在机器学习时代，流水线模式的量化研究更适合Quant的职业发展。 Marcos阐述了金融研究相比科学研究最显著的五个困境： 实验的障碍：相对于传统科研，量化策略的研究并没有那么明显的因果推断关系，很难使用传统的控制变量法。 以实验室的形式，通过不同分工进行量化研究，是Marcos所推崇的模式，他认为这种模式相对Solios模式有很大的优点： Assembly Line模式把整个量化研究分成了多个部分，具体可以参考Marcos Marcos认为，在这样一个Quant研究朝向团队合作发展的情景下，2-3人的量化团队将更难生存，因为随着技术及算法的发展，很难有人能够独自掌控整个量化策略研究到生产的全过程，即使有这样的人，在面对大型团队的时候
1K30发布于 2021-09-17 - 来自专栏容器计算
Kubernetes研究-篇2
1 Overview 篇1简单做了个开头，篇2准备继续简单的说两句。 2 Release Notes Github 上一般会有个 Release 的 Tab，点进去，就可以看到每个大小版本的一些简单的 Release 记录了。
36430发布于 2020-08-06 - 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
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 高盛的Black F.和Litterman R.在其1991年的一篇论文中提到，在对全球债券投资组合的研究中，他们发现，当对德国债券预期报酬率做0.1%小幅修正后，该类资产的投资比例竟由原来的10.0%
1.1K20发布于 2020-11-24 - 来自专栏量化投资与机器学习
【Python量化投资】基于技术分析研究股票市场
维基百科中定义如下，金融学中，技术分析是通过对过去市场数据（主要是价格和成交量）的研究预测价格方向的证券分析方法。 下面，我们着重对事后验证过去市场数据的研究，而不是过多低关注对未来股价变动的预测。 我们选取的研究目标是标准普尔（S&P）500指数，这是美国股票市场有代表性的指标，包括了许多著名公司的股票，代表着高额的市场资本，而且，该指数也具有高流动性的期货和期权市场。
2.1K90发布于 2018-01-29 - 来自专栏量化投资与机器学习
大数据之微信公众号深度量化研究
为何使用微信公众号 微信公众号相对于其他信息源的主要优势在于其时效性和信息深度。 对于证券行业来说， 主要的大数据来源有财经网站（新浪财经，腾讯财经等），证券网站（东方财富，同花顺等）， 社交网站（微
1.7K80发布于 2018-01-29 - 来自专栏企鹅号快讯
搭建简单神经网络对个股的筛选研究（2）—SKL量化交易策略模型理论篇——技术分析系列
摘要 本系列干货属于量化投资研究领域，随着人工智能的兴起，智能投顾、大数据分析、云计算决策等等一系列方法论和手段，在投资领域运用，其目的是寻找投资市场上的不同品种间的“最优解”算法和获得稳定合理的资产配置夏普率收益曲线 ，所以我本人也在研究之余，通过股市、期市等交易市场数据简单建模，进行量化交易的方法论、交易手段和资产配置策略探索，以下是一些较为成熟的模型经验分享。 在学习量化交易的过程中，需要明确的是： 1、高频交易和量化投资的关系和区别（不能混为一谈） 2、透过表象看本质：成功的模型不在于运用了多高深的数学理论，而在于它整合了多少不同来源的信息。
86080发布于 2017-12-29
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