- 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（7）
这些钱投资到水利项目，那么人力物力都会去支援水利项目；这些钱投资到人工智能产业，那么全社会就会动员起来去搞学习班、搞峰会，搞软硬件建设，搞基础研究和工程研究等等……
36720发布于 2018-10-23 - 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。 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
1.7K50发布于 2021-09-24 - 来自专栏人生代码
Scrapy（7） Shell 研究
xpath选择器对象列表 response.xpath('//title') [<Selector xpath='//title' data=u'<title>\u804c\u4f4d\u641c\u7d22 # 使用 extract()方法返回 Unicode字符串列表 response.xpath('//title').extract() [u'<title>\u804c\u4f4d\u641c\u7d22 选择器对象列表 response.xpath('//title/text()') <Selector xpath='//title/text()' data=u'\u804c\u4f4d\u641c\u7d22 u8058'> # 返回列表第一个元素的Unicode字符串 response.xpath('//title/text()')[0].extract() u'\u804c\u4f4d\u641c\u7d22
81510发布于 2020-05-18 - 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。 大多数量化研究人员一年只能发现有限数量的“好”因子。 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
63040编辑于 2022-06-16 - 来自专栏AI智韵
YoloV7改进策略：RefConv打造轻量化YoloV7利器
我们使用RefConv替换YoloV7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！ , 3, stride, 1, bias=False), norm_layer(oup), nlin_layer(inplace=True) ) YoloV7官方结果
26410编辑于 2024-10-22 - 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
以某券商为例：设定参数为N=30， M=20，年化收益10%，最大回撤7% ?
1.7K80发布于 2018-01-29 DeepSeek-7B-chat 4bits量化 QLora 微调
DeepSeek-7B-chat 4bits量化 QLora 微调 概述 本节我们简要介绍如何基于 transformers、peft 等框架，对 DeepSeek-7B-chat 模型进行 Lora 通过这种方式训练，可以用6G显存轻松训练一个7B的模型。我的笔记本也能训练大模型辣！太酷啦！ /deepseek-ai/deepseek-llm-7b-chat/', use_fast=False, trust_remote_code=True) tokenizer.padding_side = bnb_4bit_quant_type="nf4", # 4位精度量化的类型。这里设置为"nf4"，表示使用nf4量化类型。 bnb_4bit_use_double_quant=True # 是否使用双精度量化。如果设置为True，则使用双精度量化。
52810编辑于 2025-07-17- 来自专栏量化私募笔面试
东吴金科2024量化研究员笔试0402
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。 将因子分析融入量化策略，增强模型的预测能力。组合优化：介绍如何通过组合优化提高投资组合的性能，包括风险管理和资产配置的策略。 高性能计算：分享如何应用高性能计算技术处理大规模数据集，提高计算效率3.不定期行业大咖分享：邀请量化投资与机器学习领域的行业专家，分享他们的知识、见解和经验。 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 揭秘边缘AI性能7倍提升：模型量化与推测解码技术
某中心的Jetson AGX Thor边缘计算平台，自2025年8月发布以来，通过持续的软件优化，其生成式AI性能已实现了7倍的增长。 持续的软件优化随着最新的vLLM容器发布，与8月底首发日的性能相比，Jetson Thor在相同模型和量化配置下，性能提升了高达3.5倍。 例如，在Llama 3.3 70B模型上使用推测解码，可获得88.62输出令牌/秒，相比首发性能实现了7倍加速。 量化与推测解码是加速LLM和VLM推理的两大核心策略。量化：缩小模型尺寸，加速推理量化本质上是降低模型数据（权重和激活）数值精度的过程。 如果量化后的模型在任务上的精度满足要求，则坚持使用。若任务更复杂，发现W4A16精度不足，则切换到FP8。推测解码：采用草稿-验证方法提升推理选定量化格式后，下一个重要的性能杠杆是推测解码。
22410编辑于 2026-01-09- 来自专栏量化投资与机器学习
HFT系列：基于限价订单薄（LOB）失衡的量化策略研究与工具
在本文中，我们将深入探讨这些问题，包括深入研究最近的学术研究，理解它们的方法。 这是一个非常有价值的问题，也是我们即将讨论的研究论文试图回答的问题。 本研究进一步证明了LOB失衡作为一种交易信号的潜力。它表明，这些不平衡可能对价格变化产生重大影响，尤其是在薄市场。 本研究为研究LOB失衡提供了新的视角。它表明，这些不平衡可以提供有关市场流动性的宝贵信息，这些信息反过来可以用来预测价格走势。这为我们理解LOB不平衡在交易中的潜在用途增加了另一层内容。 通过可视化LOB，交易者可以看到买卖订单之间的不平衡，并使用这些信息来预测下一个价格运动的方向，正如研究所建议的那样。
1.8K40编辑于 2023-09-05 - 来自专栏量化投资与机器学习
方正研究所金工团队 | 量化多岗位招聘（社招+校招）
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。 岗位职责 量化选股、量化择时、风格轮动、行业配置、机器学习等相关策略的研究及开发，独立或协作完成量化策略的实现、改进和维护，完成报告撰写、客户委托、路演服务等工作。 三年以上工作经验者需在某一领域具备较为深入的研究积累； 2、出色的量化分析能力，对于数学、统计学有扎实的理论基础；编程能力突出，Python或MATLAB至少熟练掌握其一，对wind、朝阳永续、恒生聚源等数据库有较深理解和应用 ； 3、具备一定的财务基础知识，热爱量化研究，注重细节，勤奋务实，具备良好的沟通能力以及团队合作能力，喜欢卖方研究工作，适应卖方工作环境和工作节奏。 --- 金融工程实习生（考核留用） 工作地点 北上深三地均可 岗位职责 协助量化策略开发或基金研究课题研究，协助分析师完成数据库搭建、策略实现、改进和维护等工作。
80150编辑于 2022-03-28
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