- 综合排序
- 最热优先
- 最新优先
- 来自专栏奇点大数据
话说量化（5）
钱是越多越好吗？这个问题似乎不用回答，那是肯定的啊。试问在座的各位看客哪位不是在挣钱，挣更多的钱，挣更多更多的钱的路上奔跑着的呢？钱是一种交换物质（当然也可以是精神层面的）的重要工具，对于每个人都很重要。所以狭义来说，钱当然是越多越好。
49210发布于 2018-09-14 - 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。 5% ROE 变动(ROEC) ROEC = ROE(上一期) − ROE(当期) 缺点：不能识别“不好变到好”还是“好变到不好” 最大 1% 优于最小 1%，最小 5% 优于最大 5% 资产报酬率( 最小 1% 优于最大 1%，最小 5% 优于最大 5% 收入净利率(NPOR) 收入净利率 = 净利润 / 营业收入 当 NPOR 较高时企业营收能力较强，因此应该有较高的回报。 最小 1% 优于最大 1%，最小 5% 优于最大 5% 技术因子 动量 动量指的是一段时期内证券价格向某一方向持续变动的趋势。 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。 我们总结了下表中的一些主要差异，以了解不同的量化投资经理所使用的方法： 尽管Winton在过去几年里在实验研究方面做了更多的工作，但从历史上看，我们的方法更多的是观察研究。 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 Transformation是一种将多元时间序列转化为一个新的数据空间通过计算和一个最终的shaplets 的距离，表示为,其中 实验 我们发现： 在所有四个数据集中，随着shapelets的数量从5个增加到 因此，当shapelet数很小时（例如，5），进行分类要困难得多。基于此观察，默认的shapelet所有数据集的数量设置为50。
1.7K50发布于 2021-09-24 - 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？ ▌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。 5、订单执行 订单执行是一项以最优价格和最小市场影响买卖订单的任务。通常一次买入（或卖出）一大笔订单会将目标资产的价格推向不利的方向（市场受到这一大笔订单的影响），从而增加交易成本。 6、风险分析 风险分析是量化研究和量化交易不可缺少的一项任务。为了更好地控制量化研究和交易中不必要的和有害的风险，我们必须发现和理解每一个可能的风险暴露。 ▌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。 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 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，了解 Linux 操作，良好的 coding 能力、算法能力，熟练使用pytorch 或tensorflow； 4、对量化分析感兴趣 ，希望在这个领域发展； 5、上海名校优先，保证每周至少 3 个工作日的全职实习，持续 4 个月及以上。
63040编辑于 2022-06-16 - 来自专栏AI机器学习与深度学习算法
机器学习入门 5-4 向量化
本小节主要介绍使用向量化的方式提升性能。 简单线性回归 先来回归一下简单线性回归优化目标以及通过最小二乘的方式求得的参数a，b的解析解。 ? 在上一个小节中，我们是通过循环的方式来求解分子和分母，前面也说过，使用for循环的这种方式，性能相对是比较低的，如果有办法将for循环的计算变成向量之间的计算的话，得益于numpy模块性能就会大大的提升，这就是向量化运算含义 上面我们将对应元素相乘然后相加的操作看成是向量之间的点乘，这也是为什么在最小二乘求解a的解析解的时候要把式子写成相乘累加的形式，这样就可以将其转换成向量之间的运算，进行向量化运算提升性能。 使用向量化运算实现线性回归算法 前面使用sklearn的思想封装了一个名为"SimpleLinearRegression1"的类，在类中使用for循环的方式来求解参数a的值。 ? ? ? ? 实现向量化的代码只需将for循环部分改成向量点乘即可： ? ? ? ? 为了比较两者的性能，将两种方式导入jupyter中，通过魔法命令来验证性能。 ? ? ? ?
89420发布于 2019-11-13 - 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。 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。
1.7K20编辑于 2022-03-03 - 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
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。 像科研一样做量化策略的研究，才是最符合这个时代量化投资机构的发展路径。 金融行业技术及人才需求的变革 Marcos首先回顾了过去100多年，投资行业所使用的技术和所需技能的演进。 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
股票筛选流程举例 以下为排序举例： 公众号A共推荐5个股票A1-A5，公众号B推荐B1-B3，公众号C推荐C1-C3 ? 对微信数据的分析结果 ? ? ? 对于公众号推荐的股票，首先进行简单事件驱动分析，分析其T-5到T+30日的超额收益走势 可以看到， 相对沪深300而言，其推荐后的超额收益持续时间较为持久，而相对各行业指数而言，其超额收益在推荐后5日内就接近平缓 对微信公众号选出股票的回测方法为： 将资金等分为N份，每次买入的持有时间为N日，每个公众号每日最多可以入选的股票数量设为M个，等权重买入所有出现信号的股票，若没有出现信号则使用沪深300指数ETF替代，交易成本设置为双边千5，
1.7K80发布于 2018-01-29 - 来自专栏AI智韵
YoloV5改进策略：RefConv打造轻量化YoloV5利器
我们使用RefConv替换YoloV5中的卷积，既能提高精度，又能降低运算量，使得模型更加轻量化！ YoloV5官方结果 YOLOv5l summary: 267 layers, 46275213 parameters, 0 gradients, 108.2 GFLOPs c17 230 131 0.992 0.992 0.995 0.797 c5 tu-22 230 98 0.983 1 0.995 0.788 测试结果 YOLOv5l c17 230 131 0.984 1 0.995 0.839 c5
24810编辑于 2024-10-22 - 来自专栏Python数据科学
Python 量化交易神书面世，赠送 5 本
前不久，收到清华大学出版社赠送的 《深入浅出Python量化交易实战》 一书，也答应了出版社要写一些读书笔记，今天就来交作业了。 下面是我参考书中内容做的一些简单尝试，仅供学习参考。 这本书对于使用Python玩量化的初学者们，还是很友好的，感兴趣可以考虑入手一本看看。 笔记① 用Python绘制出股价的5日均线和20日均线。 众所周知，5日均线是短线交易的生死线，而20日均线是中长线趋势的分水岭。因此，基于这两条均线，可以设计出一些简单的交易策略。 能够看到最早的数据到2021年的10月8日： 然后我开始添加5日和20日均线 price['ma5'] = price['Adj Close'].rolling(5).mean() price['ma20 fig.add_subplot(111, ylabel='Price') price['Adj Close'].plot(ax=ax1, color='g', lw=2., legend=True) price.ma5.
92320编辑于 2022-03-11 - 来自专栏叶子的开发者社区
【yolov5】onnx的INT8量化engine
GitHub上有大佬写好代码，理论上直接克隆仓库里下来使用 git clone https://github.com/Wulingtian/yolov5_tensorrt_int8_tools.git 然后在yolov5_tensorrt_int8_tools的convert_trt_quant.py 修改如下参数 BATCH_SIZE 模型量化一次输入多少张图片 BATCH 模型量化次数 height 成功量化后的模型大小只有4MB，相比之下的FP16的大小为6MB，FP32的大小为9MB 再看看检测速度，速度和FP16差不太多 但是效果要差上一些了 那肯定不能忘记送上修改的代码，折腾一晚上的结果如下 cv2 BATCH_SIZE = 1 BATCH = 79 height = 640 width = 640 CALIB_IMG_DIR = '/content/drive/MyDrive/yolov5/ DataLoader() engine_model_path = "runs/train/exp4/weights/int8.engine" calibration_table = 'yolov5_
1.1K70编辑于 2023-11-13 - 来自专栏量化私募笔面试
东吴金科2024量化研究员笔试0402
为0,1区间均匀分布的随机变量，求 min(x1,x2,x3,x4,x5)和max(x1,x2,x3,x4,x5)的相关系数【参考解析】公式较多，不方便打，给出思路分析：首先计算这些变量的期望值和方差， 1][2]) return dp[-1][-1]思路或想法欢迎在留言区交流最后介绍一下我们的知识星球每周发布私募、公募、资管、券商、期货、银行、保险等最新的笔面试题目和解析，发布行业前沿研究成果和最新量化资讯 量化策略：深入量化交易的世界，学习如何从零开始设计、测试和优化你的量化策略。提供丰富的案例和实践指导，帮助你打造出稳健的交易模型因子挖掘：分享如何在庞大的数据海洋中发现影响市场的隐藏因素。 5.大厂面试内推渠道：实时发布大厂面试内推信息，为你的职业发展提供支持。我们致力于打造一个全面、高效且互帮互助的社群。 无论你是量化投资和机器学习领域的初学者，还是已有深厚背景的专业人士，这里都将是你学习新知识、分享经验、扩展人脉的理想之地。
1.1K10编辑于 2024-06-26 - 来自专栏GiantPandaCV
NCNN+Int8+yolov5部署和量化
ncnn+int8量化的教程，却在yolov5的量化上遇到了麻烦，一方面是量化后速度更慢了，另一方面是精度下降严重，出现满屏都是检测框的现象，后来经过很多尝试，最终都以失败告终。 再后来，还是决定换其他方式对yolov5进行量化，一是即使最小的yolov5s模型量化后能提速，依旧满足不了我对速度的需求，二是对于Focus层，不管使用哪个向前推理框架，要额外添加对Focus层的拼接操作对我来说过于繁琐 -Yolov5 更轻更快易于部署的yolov5 这篇博客，还是接着上一篇yolov4量化的工作，对yolov5进行ncnn的部署和量化。 量化后的模型如下： 量化后的模型大小大概在1.7m左右，应该可以满足你对小模型大小的强迫症； 此时，可以使用量化后的shufflev2-yolov5模型进行检测： 量化后的精度略有损失，但还是在可接受范围内 六、总结 本文提出shufflev2-yolov5的部署和量化教程； 剖析了之前yolov5s之所以量化容易崩坏的原因； ncnn的fp16模型对比原生torch模型精度可保持不变； [上图，左为torch
4.2K30发布于 2021-09-14 - 来自专栏全栈程序员必看
Yolov5更换backbone，与模型压缩（剪枝，量化，蒸馏）
项目地址（GitHub）：https://github.com/Ranking666/Yolov5-Processing 项目介绍： 本仓库是基于官方yolov5源码的基础上，进行的改进。 目前支持更换yolov5的backbone主干网络为Ghostnet，以及采用eagleeye的剪枝方法支持对yolov5系列的剪枝。 后续，将会添加更多更轻量，更优秀的主干网络，比如swintrans，EfficientNet等，以及其他剪枝方法，以及量化，蒸馏对于yolov5系列的支持。 EagleEye: Fast Sub-net Evaluation for Efficient Neural Network Pruning 详细大家可以看之前的初入神经网络剪枝量化3
2.1K20编辑于 2022-09-22 - 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
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