- 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。 公司介绍 星阔投资（Starvast Quant）是一家专注于国内股票量化投资的资产管理公司，（基金业协会登记编号：P1071681），总部设于北京。 公司坚持用数量化、模型化、程序化的投资理念，秉持科学创新精神，重视收益与风险的平衡，不断完善丰富投资交易体系。未来公司将深耕该领域，致力于发展成为国内顶尖量化梯队的私募管理人。 （2021年5月） 中信建投证券“潜龙杯”市场中性组第二名（2021年5月） 入选中金研选中国50池名单（2021年） 人才培养 星阔致力于打造高素质高精尖的量化投资团队，汇集了量化投资领域的顶尖人才。 --- 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。
75750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。
88530编辑于 2022-03-24 - 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。 公司简介 念空科技是一家建立在数据科学研究基础上的量化投资机构，公司致力于运用科学的数据分析方法为投资人提供高价值的绝对收益产品。 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 ； 3、有扎实的数学、统计理论基础，对数据有很强的敏感性，在机器学习等相关领域有深入的实践研究经验尤佳； 4、对量化投资有热情，有志于在量化行业长期发展，具有团队协作精神，专注，学习能力强； 5、熟悉各类金融产品的交易规则 ，有量化行业一年以上工作/实习经验者尤佳。
89860编辑于 2022-03-24 - 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
面向研究类的笔试题目，主要是数理统计和编程题,限时60min,一共6个题,下面给出其中的四题,更全的试题在知识星球中获取.整体难度不大，和之前发布的题目有相似的地方，好好准备！
66310编辑于 2024-06-28 - 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。 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。
2.1K00发布于 2021-04-22 - 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 ;
4.5K00编辑于 2023-03-28 - 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。
45310编辑于 2024-08-21 - 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。 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 Python 量化
Python 量化是指利用 Python 编程语言以及相关的库和工具来进行金融市场数据分析、策略开发和交易执行的过程。 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。 量化交易在金融领域得到广泛应用，它允许交易者通过系统性的方法来制定和执行交易策略，提高交易效率和决策的科学性。 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。 实例应用 接下来我们先看一个 Python 量化简单的应用实例，可以使用移动平均策略，使用雅虎金融数据来实现。 该策略的基本思想是通过比较短期和长期移动平均线来生成买入和卖出信号。
27410编辑于 2025-12-16- 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。
77820编辑于 2022-05-28 - 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
英飞凌总部位于德国慕尼黑，前身是西门子半导体事业部，1999年独立挂牌上市。主要产品是汽车/工业/电源管理/安全类芯片，是谷歌/微软/博世/大陆/三星/苹果等公司的重要供应商之一。全球25%的护照以及银行卡里，装有英飞凌的安全类芯片。
1K20发布于 2021-04-16 - 来自专栏用户增长
百亿补贴之用户增长模型
百亿补贴是拼多多在2019年上线的一个营销增长手段，结果是带来了巨大的新用户增长和流量，一跃成为顶流网红。起家于客单价小的爆品，通过砍价的玩法，快速裂变化的完成下沉市场用户的掠夺。 要拓展新的用户人群，百亿补贴模型成功的连接了所有的节点，并满足了各自的需求。吸引了新品牌商，新用户人群。 当然了并不会有真正的“百亿”补贴。百亿补贴的目标是什么，拉去新用户哈，该模型结果是回报远大于投入，要是上线这么一个新业务，要做AB实验，前期做足了业务数据分析统计模型。 百亿补贴的目标达成后，它还会存在吗，应该会的吧，它就像一个流量入口。
66310编辑于 2022-07-20 - 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
2.6K20编辑于 2022-09-06 - 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。
1.3K20发布于 2021-12-02 - 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 ?
87710发布于 2019-05-26 - 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
量化能看到更多的机会，比如说现在A股有将近3000只股票，如果不用量化，靠一个人的力量最多管理到300只已经很难了，但量化，30000只的管理和3000只几乎没什么差异。 【投研体系】“量化老兵投资体系三大支柱” 问：您这些年一直是做量化投资的，能否讲讲您的量化投资体系？ 持有封基：我入市整整十年，一直是量化投资。基本面、技术面，只要能吃饱的都是一碗好面。 “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。 “做好量化投资：有数学天赋很重要” 问：你做量化差不多十年了，在您看来要做好量化投资，需要做些什么准备？ 持有封基：除了热爱投资，还需要热爱数学，热爱量化，这是最根本的。 因为量化投资是一条充满荆棘的道路，只有真正热爱才会浸润在量化中以此为乐。
2.6K61发布于 2018-04-24 - 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？
87130编辑于 2022-09-16 - 来自专栏架构师之路
百亿关系链，架构如何设计？
粉丝与关注，社交好友，都是典型的“多对多关系”的业务，这类业务的核心服务是好友中心，当关系链达到百亿之后，好友中心架构设计要考虑哪些因素，是本文将要分享的内容。 什么是“多对多”关系？
2.7K30发布于 2020-08-11 - 来自专栏友弟技术工作室
Redis百亿级Key存储方案
需要为全量数据提供服务，supperid是百亿级、媒体映射是千亿级、移动id是几十亿级； 4. 每天有十亿级别的mapping关系产生； 5. 100ms以内，所以原则上当天新更新的mapping和人口标签需要全部in memory，而不会让请求落到后端的冷数据； 5）业务方面，所有数据原则上至少保留35天甚至更久； 6）内存至今也比较昂贵，百亿级 我们通常使用的md5是32位的hexString（16进制字符），它的空间是128bit，这个量级太大了，我们需要存储的是百亿级，大约是33bit，所以我们需要有一种机制计算出合适位数的散列，而且为了节约内存 如果规划百亿级存储，计划每个桶分担10个kv，那么我们只需2^30=1073741824的桶个数即可，也就是最终key的个数。 上面，我需要解释一下， md5是做数据摘要指纹计算的算法，具有单向性。 6. md5散列桶的方法需要注意的问题 1）kv存储的量级必须事先规划好，浮动的范围大概在桶个数的十到十五倍，比如我就想存储百亿左右的kv，那么最好选择30bit31bit作为桶的个数。
2.5K60发布于 2018-04-25
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