- 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（10）
K线图，大家应该不陌生，至少在影视剧里，在平常的财经新闻报道中应该都见过。如果是超过股的朋友那就更不会陌生了，K线图几乎就是在炒股过程中必不可少的工具，我们用它来看价格的变化形式。
61810发布于 2018-12-13 - 来自专栏Python爬虫与算法进阶
Python量化 | 10年翻400倍的炒股策略(视频讲解)
邢不行是经管之家（原人大经济论坛）「量化投资」版块的版主，毕业于中国香港科技大学，热门教程《量化小讲堂》作者。 可以将这个条件抽象为一个可以实际投资的简单策略：在每个月的月底，找出市值最小的10只股票，然后全仓等额买入。每月如此反复。 例如，假设一开始有10万元。 在6月的最后一天，将所有股票按照市值从小到大排序，选取最小的10只股票，然后每个股票买入1万元。 持有1个月，等到了7月31日，将手上的所有股票都卖掉，然后再找出届时市值最小的10只股票等额买入，如此往复循环即可。 10年400倍 对！ 量化投资从基础到策略编写，手把手教你从获取数据到自动下单。 课程注重实际，学完后能自己写出量化策略并自动交易。 课程配套大量实际案例作为作业，老师持续督促，不做作业会被骂的！
6.6K92发布于 2018-04-04 - 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 ;
4.8K00编辑于 2023-03-28 - 来自专栏Rust
Rust + Polars：量化回测为什么能比 Pandas 快 10–100 倍？
今天这篇就来扒一扒：Rust + Polars 到底为什么能在量化回测中轻松 10–100 倍吊打 Pandas？ 附真实 benchmark 数据 + 核心技术拆解 + 你该不该现在就切换。 1. 几秒–几十秒 10–50× 多核 + 列式存储碾压 Rolling 窗口 + 因子计算（动量/均值回归） 5000 万行 30–80 s 3–10 s 8–30× 向量化 + 零拷贝 Join 多源数据 结论：小数据差距 2–5×，大数据/复杂操作直接 10–100×。 → CPU-bound 循环（如 tick-by-tick 模拟）Rust 能轻松 10–100× 快。量化回测里，这种循环超级多。 试试 Polars，很有可能明天就多出 10 倍迭代速度。 想看完整代码示例（美股动量策略 + Polars 回测）？
41410编辑于 2026-04-23 - 来自专栏图像处理与模式识别研究所
图像量化
from skimage import data from matplotlib import pyplot as plt image=data.coffee()#原始图像 ratio=128#设置量化比率 range(image.shape[2]):#图片通道数 image[i][j][k]=int(image[i][j][k]/ratio)*ratio#对图像中的每个像素进行量化 本文的图像量化过程是将256级的彩色图像量化到2级的彩色图像。 量化等级越多，量化比率越低，所得图像层次越丰富，灰度分辨率越高，图像质量好，但数据量大；量化等级越少，量化比率越高，图像层次欠丰富，灰度分辨率低，可能会出现假轮廓，图像质量变差，但数据量较小。 图像量化的作用是在一定主观保真图像质量的前提下，丢掉对视觉影响不大的信息，以获得较高的压缩比。
85420编辑于 2022-05-28 Python 量化
Python 由于其简洁、易学、强大的生态系统和丰富的金融库而成为量化交易的首选编程语言之一。 量化主要是通过数学和统计学的方法，利用计算机技术对金融市场进行量化分析，从而制定和执行交易策略。 更多 Python 量化内容可以查看：Python 量化交易。 5179475 2022-01-07 1975.00000 1988.880005 1939.319946 1942.000000 1868.416870 2981669 2022-01-10 start=start_date, end=end_date) # 简单的数据分析 print(data.describe()) # 绘制股价走势图 data['Close'].plot(figsize=(10 value in strategy_performance.items(): print(f"{key}: {value:.4f}") # 绘制累计收益曲线 plt.figure(figsize=(10
59010编辑于 2025-12-16- 来自专栏DeepHub IMBA
10个内置在 Pandas 中却常被忽略的向量化操作
本文整理了10个这样的写法，每个都附带常见的冗长版本作为对照。 1、 用 np.select() 替代嵌套的 if/else来创建多条件列 创建条件列最常见的写法是 apply() 加自定义函数。 , df['score'] >=70] df['grade'] =np.select(conditions, ['A', 'B', 'C'], default='F') np.select() 是向量化操作 10、 用向量化字符串方法替代字符串 apply() 字符串操作是 Pandas 中最容易踩的性能坑。 遇到字符串处理就条件反射地写 apply()，但 .str 下有一整套向量化方法，执行速度快得多。 百万行数据集上全面弃用 apply() 可以换来5到10倍的速度差距。 总结 以上10个写法的共同点在于：放弃逐行处理的思路，转向列级别的向量化操作。
20610编辑于 2026-04-15 - 来自专栏算法之名
量化交易
针对可交易的投资商品，理性地运用逻辑分析和回归统计判断市场趋势称为量化交易。 量化策略 量化策略就是赚钱"因子"，可以分为基本面和技术面。 基本面 居民消费指数 人均国内生产总值(GDP) 净资产收益率(ROE) 技术面 股票收盘价 K线(日/周/月/年) 均线(5/10/20/60) 技术面分析更关注基于商品价格相关的数值和合成的指标。
65210编辑于 2024-08-21 - 来自专栏ShowMeAI研究中心
深度学习与CV教程(10) | 轻量化CNN架构 (SqueezeNet,ShuffleNet,MobileNet等)
卷积神经网络的结构优化和深度加深，带来非常显著的图像识别效果提升，但同时也带来了高计算复杂度和更长的计算时间，实际工程应用中对效率的考虑也很多，研究界与工业界近年都在努力「保持效果的情况下压缩网络复杂度」，也诞生了很多轻量化网络 本篇重点 神经网络参数与复杂度计算 轻量化网络 SqueezeNet Xception ShuffleNet V1~V2 MobileNet V1~V3 1.基础知识 我们先来做一点基础知识储备，本篇讲到的轻量化 另外网络在 conv1，fire4，fire8，conv10的后面使用了 max-pooling。 V2：轻量级CNN网络中的桂冠 Roofline Model与深度学习模型的性能分析 10.要点总结 神经网络参数与复杂度计算 轻量化网络 SqueezeNet Xception ShuffleNet (下) 深度学习与CV教程(8) | 常见深度学习框架介绍 深度学习与CV教程(9) | 典型CNN架构 (Alexnet, VGG, Googlenet, Restnet等) 深度学习与CV教程(10
2.8K51编辑于 2022-06-09 - 来自专栏机器学习、深度学习
模型量化
下图显示不同量化策略对速度的提升影响 ? 量化卷积过程 ? 加速策略： AND, XOR and bitcount operations 训练过程 ? 分类性能对比 ?
96210发布于 2019-05-26 - 来自专栏算法码上来
【白话模型量化系列一】矩阵乘法量化
然后整数矩阵 的数值范围其实就是有符号整数的表示范围 ， ，为了实现的简单，我们只量化到 ，这样就和 一样关于零点左右对称了。 如果我们强行还按照 的范围来量化relu结果 的话会怎么样呢？这样会导致整数区间 永远不会有数字，因为根本没有负数浮点数的存在。这样就白白浪费了127个整数，就会导致量化的精度大大受损。 总结 如果矩阵乘法两个输入的范围都是关于零点对称的，那么计算公式为： 「量化：」 「反量化：」 如果矩阵乘法其中一个输入是relu的结果，那么计算公式为： 「量化：」 「反量化：」 当然还有很多其他情况 此外为了减小量化的损失，还需要在模型结构中插入伪量化节点，然后进行量化感知训练（QAT）。接着还需要将finetune后的模型存储为int8格式。然后还需要开发加载int8模型的推理加速库代码。 网上关于量化的优秀教程非常多，我不会讲太多理论上的量化知识，只会从实践的角度来白话一下我们在Transformer模型量化过程中做的一些尝试。
1.4K20发布于 2021-12-02 - 来自专栏PPV课数据科学社区
十年量化老兵谈量化：玩转量化投资你需要这些技能
持有封基：不到10年大概翻了不到11倍，年化在27%多点。 问：这个是如何做到的？ 持有封基：主要是用量化克服了人性的弱点。我是一个标准的理科男，思维都是数字式的。 “构建量化模型的四个步骤：猜想、建模、回测、实战” 问：具体而言，您是如何构建量化模型的吗？如何确定量化因子的？ 持有封基：量化四步骤——猜想、建模、回测、实战。 为了避免过度拟合，一个是能用简单的不要用复杂的，比如说同样达到目的，2个参数比4个参数要好，一般超过10个参数了就非常可能过度拟合了。 问：看到一些券商机构的研究，貌似基本面的多因子策略很容易就超过10个参数。是否基本面策略不太适合做全盘的量化？ 以我的经验，超过10个因子的模型很容易成为过度拟合，因为没看到这些券商的研究结果，不好评论。
2.8K62发布于 2018-04-24 - 来自专栏小明的博客
量化交易
量化投资没有确切的定义，它泛指通过数学分析、挖掘价格波动规律，或者通过对相关宏观经济、财务数据、量价关系、资金交易等数据进行建模，寻找数据之间的关系，以获得稳定利润为目标，持续计算生成定量化的投资信号 多资产多策略配置: 对冲风险更高收益 技术信息理论的三大假设 市场行为包容消化一切信息 市场运行以趋势方式演变 历史会重演（我们可以通过历史数据来推断未来走势 绩效评估指标 绩效指标也被称为风险指标，它们也是量化投资的基石
2.8K20编辑于 2022-09-06 - 来自专栏NetCore
平民化量化平台-刚米量化
目前国内量化基金规模已经越来越庞大，量化投资的规模更是巨大，计算机的运行速度已经远远超过我们大脑，虽然说无法做到每次投资都赚钱，但只要数据够大，胜率超过50%以上，甚至60%以上，经过长时间的复利，就能达到很好的效果 量化交易具有以下几个方面的特点： 1、纪律性。根据模型的运行结果进行决策，而不是凭感觉。纪律性既可以克制人性中贪婪、恐惧和侥幸心理等弱点，也可以克服认知偏差，且可跟踪。 2、系统性。 普通人是否适合量化？ 1 其实普通人很难进行量化，因为量化的基础是基于历史大数据，如果实盘还需要实时数据，这些都是很耗费人工和资金的。 那普通人想要尝试量化，该如何做呢？ 在刚米量化平台你可以做什么？
99030编辑于 2022-09-16 - 来自专栏大数据文摘
学界 | 量化评估、算法拓展：强化学习研究的10大原则
今天文摘菌再给大家整理一份关于强化学习的10个原则，不仅在强化学习中有用，在机器学习研究中也能够提供一些参考。 这10个原则是一位来自Insight数据分析研究中心的博士生Sebastian Ruder在参会期间对David Silver报告进行的整理，除了Ruder自己的解析外，也把他自己拍的照片分享了出来。 量化的评估才能推动进步。评估奖励的选择决定了进步的方向，要确保评估指标与目标密切相关，避免主观评价（例如人类学科）。还有一点，双Q学习优于单Q学习，因为后者能减少偏见。 算法的可扩展性决定成功 ?
69630发布于 2018-12-26 - 来自专栏PostgreSQL研究与原理解析
TiDB：向量化执行使表达式性能提升10倍成为可能
向量化执行使表达式性能提升10倍成为可能 查询执行引擎对数据库系统性能非常重要。TIDB是一个开源兼容MySQL的HTAP数据库，部署广泛使用的火山模型来执行查询。 每次这个函数执行乘法时，82条指令中仅有8条在执行“真正的”乘法，这仅占总指令的10%左右，其他90%被视为解释开销。一旦将这个函数向量化，它的性能提高了仅9倍。 基于这些优化，我们的向量化表达式计算接口变成了今天这个样子。 怎么实现向量化执行引擎? 本节介绍如何实现向量化。 的函数实现了10的性能提升。 社区帮助完成向量化 除了使用模板向量化内置函数外，还在社区开始了向量化活动，让更多人参与进来。
1.6K30编辑于 2021-12-06 - 来自专栏量化小白上分记
从零开始学量化（一）：量化如何入门
作为在校生，进入量化行业的途径一般是首先自己在学校能掌握一定的量化基础，然后去企业找实习，最终通过实习/秋招留用。实习一般是去卖方研究所金工组、买方私募公募资管自营等各种机构，这里不介绍，可百度。 关于量化基础，实际上可以总结为三方面的能力：金融背景、数学功底和编程能力，编程能力是门槛，编程不好，什么都白谈。 接下来分别从量化、数学、金融三个角度说明。 ? 数据可视化能力 不论是做数据分析还是量化，可视化都是非常重要的，不过量化方向可视化要求相对低一些，毕竟逻辑和结果更重要。 这方面需要会的东西包括： - 宏微观经济学：了解刻画宏观经济运行的各种经济指标的含义，以及公布的时间点，频率等等，这在量化建模中非常重要，现在有很多研究所都在从宏观基本面做量化择时和经济周期预测，至于课本里学的
15.8K97发布于 2019-04-24 - 来自专栏AI算法与图像处理
Pytorch量化入门之超分量化（一）
来源:AIWakler 最近Happy在尝试进行图像超分的INT8量化，发现：pytorch量化里面的坑真多，远不如TensorFlow的量化好用。 背景 量化在不同领域有不同的定义，而在深度学习领域，量化有两个层面的意义：(1) 存储量化，即更少的bit来存储原本需要用浮点数(一般为FP32)存储的tensor；(2) 计算量化，即用更少的bit 对于量化后模型而言，其部分或者全部tensor(与量化方式、量化op的支持程度有关)将采用INT类型进行计算，而非量化前的浮点类型。 Training Static Quantization：静态量化，训练后静态量化，这是CV领域应用非常多的一种量化方式； Quantization Aware Training：感知量化，边训练边量化 ，一种比静态量化更优的量化方式，但量化时间会更长，但精度几乎无损。
3.5K22发布于 2021-02-05 - 来自专栏量化小白上分记
量化学习资源分享（十一）：FOF量化专题
这次整理了一些基金或者说FOF量化相关的研报，后台回复“FOF报告”获取报告合集。 相比股票多因子框架，基金的多因子要复杂一点，基金的底层资产是股票，但每季度只披露前10大重仓股，半年公布全部持仓，持仓信息不完整且滞后，而且基金经理很可能会随着市场风格变化来调仓，会有风格漂移。
75521编辑于 2023-03-19 - 来自专栏AI前沿技术
量化优化别瞎搞！Roofline 助你分析量化收益
模型量化对计算受限和内存受限的场景是否都有收益？如何使用工具在量化前和量化后进行性能瓶颈分析，指导模型后续的优化策略？ 3，量化后性能提升的三种场景 场景 1：量化后仍为内存受限，但算术强度提升 条件：量化前模型的算术强度AI处于内存受限区间，且量化后算术强度AI未超过内存带宽与计算能力的临界值。 场景 2：量化后从内存受限转为计算受限 条件：量化前算术强度AI低于临界值（内存受限），量化后 算术强度AI超过临界值（转为计算受限）。 场景 3：量化前后均为计算受限，性能无提升 条件：量化前算术强度AI已高于临界值（计算受限），量化后算术强度AI进一步提升但计算能力已达瓶颈。 • 内存受限场景是量化的主要受益点，量化对推理性能的提升高度依赖模型是否处于内存瓶颈。在 LLM 中，解码阶段的 KV 缓存访问是典型内存受限场景，量化可大幅降低数据搬运成本，提升吞吐量。
71310编辑于 2026-01-13
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