- 综合排序
- 最热优先
- 最新优先
- 来自专栏量化小白上分记
趋势跟踪的速度
Forecasting Trading Speed and Our Decision to Slow Down 在给定的时间段内，确定趋势跟踪策略的最佳交易速度很简单。 到了21世纪末，我们开始放慢趋势跟踪策略的速度，在我们的研究中发现，我们当时运行的更快的策略的性能呈下降趋势。 A Closer Look at the Last Decade 虽然上图中的10年夏普比率对于确定不同趋势跟踪速度下的回报长期趋势至关重要，但它们掩盖了十年内的表现。 如果我们在1月份这样做，今年迄今为止，快速的趋势跟踪策略表现差于慢速策略。 我们的经验告诉我们，深思熟虑的、基于证据的方法对于设定交易速度是多么重要。 因此，我们不断监测各种趋势跟踪速度的表现，但同时，抵制对最近的过去过度优化的诱惑。 多年来，我们开展了许多研究项目，以确定基于一个或多个条件变量调整趋势跟踪速度的方法。
70530编辑于 2023-03-19 - 来自专栏量化投资与机器学习
Man AHL：趋势跟踪策略的『速度』
正如1986版壮志凌云（Top Gun）中Maverick所说“I feel the need，the need for speed”，在趋势跟踪策略中，如何快速有效的对市场的极端行情做出反应是所有趋势跟踪策略迫切需要解决的问题 正如我们接下来讨论的，快速的趋势跟踪策略在这方面比慢速的趋势跟踪策略更有吸引力。 什么是“趋势跟踪”策略中的速度？ 趋势跟踪策略中所说的速度指的是趋势跟踪的敏感度：“快速”的趋势跟踪策略捕捉市场的短期趋势，“慢速”的趋势跟踪策略捕捉市场上较长周期的趋势。 即使到如今，它们仍然是Man AHL所有趋势跟踪策略中最主力的策略。关于趋势跟踪“速度”的选择，我们主要考虑不同“速度”之间的相关性。下表给出了Man AHL关于趋势快慢的定义。 此外，趋势速度越高的策略组合，下行风险的程度越低。 结果表明，就像Maverick一样，趋势跟踪的投资者，特别是那些寻求防御性资产的投资者，应该配置更多的快速趋势跟踪策略。
66930编辑于 2023-04-20 - 来自专栏量化投资与机器学习
Man AHL CIO：趋势跟踪依然有效！
趋势跟踪策略为什么依然有效？ 趋势跟踪有效的前提是价格波动的自相关性。那价格运动存在自相关性主要有三个原因： 1、信息传递的时滞性：市场并不是100%有效的。一条足以使价格上涨5％的信息。 趋势策略和非趋势策略对市场非有效性的偏好是一致的吗？ Carry与趋势跟踪结合有何效果？ 我认为这取决于你如何构建它。 对于较长周期的趋势跟踪策略，交易执行对于最终Alpha的影响确实不大。但这不等于交易执行不重要，好的交易执行能够带来更大的Alpha。 关于趋势跟踪最大的误解 大部分投资者更关注短期收益。如果趋势表现良好，就没有太多抱怨。如果做得不好，就会有更多的抱怨。
51310编辑于 2023-12-01 - 来自专栏量化投资与机器学习
AQR：趋势跟踪——有效的风险对冲策略
趋势跟踪大致显示出相反的模式：在持续的低迷时期，它的回报最令人印象深刻。无论是在下跌期间（图A），还是重要的从峰值到复苏，或“触底”（图B），趋势跟踪的优势更加明显。 图3绘制了自2000年SocGen趋势跟踪指数（图A）和2008年EurekaHedge尾部风险指数（图B）开始以来，基于期权的策略和趋势跟踪策略的长期累积回报。 趋势跟踪新趋势 趋势跟踪策略并不新鲜，但在近期强劲表现之后，投资者可能会重新燃起兴趣。那么，投资者在比较投资策略时应该注意什么呢？然而，对于趋势跟踪，我们认为投资者应该特别谨慎。 有两种创新已经显示出了特别的前景: “另类”资产的趋势跟踪：如果趋势跟踪是由于持续和普遍的投资者行为而起作用，那么你应该在常见的资产类别之外找到其他投资标的。比如大宗商品或者基于股票因子的趋势跟踪。 但趋势跟踪是少数几个在动荡时期往往表现优于大盘的投资之一（B组），这表明在投资组合中包含趋势跟踪策略是一个有效的选择。
1.2K20编辑于 2023-01-03 - 来自专栏机器学习之量化投资
27%年化回报率的深度趋势跟踪策略
本文摘要 本文介绍了一种新的深度趋势跟踪策略，通过递归优化方法对历史数据进行二元标注（上升趋势或下降趋势），然后训练深度神经网络模型有选择地持有被估计为上升趋势的股票。 背景知识 趋势预测 资产价格的趋势预测和动量的投资策略是一种常见的投资方法。 在趋势预测方面，投资者通常会尝试捕捉上升或下降趋势的开始，并在趋势结束之前进行交易。 动量策略是一种根据趋势跟踪的规则来利用时间序列特征的方法，但对于如何确定趋势的规模以获取所期望的风险溢价并没有统一的定义。 三. 本文方法 本文提出一种新的趋势跟踪策略，利用深度神经网络来识别上升趋势。通过训练卷积神经网络和长短期记忆模型，将价格预测问题转化为二元分类任务，从而生成可替代传统量化动量排名模型的策略。
1.5K52编辑于 2023-09-06 - 来自专栏量化投资与机器学习
打开趋势跟踪CTA的黑箱：国际市场的表现与经验
经济逻辑 管理期货策略收益的主要驱动力是趋势跟踪或动量投资；也就是说，买入近期上涨的资产，卖出(即做空)近期下跌的资产。 支持趋势跟踪的证据也同样有力。 虽然相关性随时间而变化，但可以清楚地看到，趋势跟踪与其他资产的结构相关性较低。与股票的相关性在统计上几乎为零。 综上所述，我们可以得出两个重要的结论： 趋势跟踪有一个长期的正预期回报，而且，在牛市和熊市都有一个正的预期回报。 管理期货具有不对称的回报特征。 此外，将趋势跟踪纳入资产配置，可以降低投资组合的波动性，减少撤资，并改善风险调整统计数据。这就是我们希望找到的！
92710编辑于 2023-01-03 XR交互技术趋势：6DoF追踪、手势识别、眼动跟踪……
本篇文章将介绍当下XR交互技术的趋势，供XR领域的从业者参考。为了实现更加深度沉浸的体验，未来的交互技术将向多模态和精细化方向发展。 该技术可以跟踪六个自由度的旋转和位移运动，从而实现更加真实、精准的空间定位和移动追踪，提高用户的沉浸感。目前，6DoF追踪定位技术主要应用于头部和手部的交互，成为实现高质量XR体验的关键。 6DoF追踪定位技术是实现沉浸体验的关键技术，它可以跟踪六个自由度的旋转和位移运动，目前主要用于头部和手部的交互。手势追踪技术通过感应用户手势的动作来实现交互控制，包括裸手识别和数据手套等交互方案。
70510编辑于 2025-01-16- 来自专栏无人驾驶感知
【目标跟踪】红绿灯跟踪
本篇会初略分享红绿灯感知包括但不限于检测+跟踪+分类。重点讲解如何稳定跟踪。 跟踪结合了 byteSort 与 BotSort，效果可以说相当稳定。抛开其他的不谈，对于我们重点观察的红绿灯（正前方红绿灯）可以说是稳稳的跟踪，也算遥遥领先。 放一张通宵比赛测试的图：（右一是博主） # 三、跟踪 因为是基于 ros 做的开发，同时红绿灯这个节点又包含了三个部分（检测+跟踪+分类）。 为了使代码美观、思路清晰，所以对三个部分封装。 所以跟踪代码只开放一个接口，这里就写做 update 吧。输入是检测的结果与图片，输出是跟踪后的框与id等，这里输出是用的引用的方式。 且低置信度目标可能包含了目标的运动趋势，利用这些消息可以提升我们跟踪的准确性与鲁棒性。
92010编辑于 2024-03-30 - 来自专栏无人驾驶感知
【目标跟踪】多目标跟踪测距
这里不仅仅实现对目标检测框的跟踪，且可以实现单相机进行对目标进行测距跟踪。 想了解详细原理可以参考往期博客：【目标跟踪】多目标跟踪sort （python 代码） 。 用的是跟踪挑战开源数据。 这部分代码主要是加载检测数据，读取图片。 调用跟踪与测距接口进行计算 可以设置 dispaly 与 video_save 是否 show 图片 与保存视频 x_p 里面包含目标离相机纵向与横向距离，还有速度、加速度。 None mot_tracker = Sort(max_age=max_age, min_hits=min_hits, iou_threshold=iou_threshold) # 创建sort跟踪器 关于目标前后帧匹配，是利用 iou 匹配进行的，所以要基于目标检测框的匹配跟踪。
89610编辑于 2024-02-05 - 来自专栏无人驾驶感知
【目标跟踪】多相机环视跟踪
一、前言 多相机目标跟踪主要是为了实现 360 度跟踪。单相机检测存在左右后的盲区视野。 在智能驾驶领域，要想靠相机实现无人驾驶，相机必须 360 度无死角全覆盖。 博主提供一种非深度学习方法，采用kalman滤波+匈牙利匹配方式实现环视跟踪。有兴趣可以参考往期【目标跟踪】系列博客。 本文干货满满，可以先点赞关注收藏，以免下次找不到。欢迎各位吴彦祖私信交流学习。 这里面不仅要对单相机目标进行跟踪，且对跨相机的目标也需要进行跟踪，还有各种匹配，初始化，开始消亡等到。想想都头皮发麻，那到底怎么做？别慌，让我娓娓道来。 这个是与单相机跟踪类似。 (3) 匹配修正 匹配上的目标，修正预测的状态与box。此时idCount 不变。 (4) 未匹配的检测框 对于未匹配的检测框，寻找航迹中在其他相机的目标，进行再次匹配。
81810编辑于 2024-02-05 - 来自专栏全栈程序员必看
跟踪算法(一)光流法跟踪
本文目录： 一.基于特征点的目标跟踪的一般方法 二.光流法 三.opencv中的光流法函数 四.用类封装基于光流法的目标跟踪方法 五 .完整代码 六.参考文献 一.基于特征点的目标跟踪的一般方法 基于特征点的跟踪算法大致可以分为两个步骤： 1）探测当前帧的特征点； 2）通过当前帧和下一帧灰度比较 很显然，基于特征点的目标跟踪算法和1），2）两个步骤有关。 聪明的你肯定发现了：这样搜索不仅可以解决大运动目标跟踪，也可以一定程度上解决孔径问题（相同大小的窗口能覆盖大尺度图片上尽量多的角点，而这些角点无法在原始图片上被覆盖）。 四.用类封装基于光流法的目标跟踪方法 废话少说，附上代码，包括特征点提取，跟踪特征点，标记特征点等。
1.6K20编辑于 2022-09-15 - 来自专栏我爱计算机视觉
跟踪综述推荐：目标跟踪40年
《中国图象图形学报》2019年第12期封面故事聚焦目标跟踪，对基于深度学习的目标跟踪算法进行系统的梳理。 阐述了目标跟踪的基本研究框架，从深度判别模型、深度生成式模型等方面介绍了适用于目标跟踪的深度学习方法。 深入分析了网络结构、功能划分和网络训练等不同类别的深度目标跟踪方法。 简要阐述了适用于深度学习目标跟踪的视频数据库和评测方法。 介绍了目标跟踪的最新具体应用情况。 分析了深度学习方法在目标跟踪中存在的训练数据不足、实时跟踪和长程跟踪等问题。 对深度学习的目标跟踪方法的未来发展进行展望。 ? ? 目标跟踪发展脉络 ? 相对而言，标注长程跟踪视频和构建大规模数据集的难度更大，如何根据长程跟踪任务的特点及其与短期跟踪任务的联系，结合迁移学习和深度学习构建合适的长期目标跟踪模型，也是未来视觉目标跟踪研究值得关注的一个重要方向
2.6K20发布于 2020-02-12 - 来自专栏3D视觉从入门到精通
事件相机特征跟踪-模板跟踪方法
1、前言 由于事件相机不能提供完整的图像，所以最初的特征跟踪依赖传统相机的数据。 特征追踪时，积累特征模板中心附近的事件，当达到一定数量后形成数据模板，开始进行跟踪，每进入一个新的事件，便删除最老旧的事件。 然后通过数据模板与特征模板进行ICP匹配，求的变化的增量，从而实现了一次的跟踪，之后不断进行。完整的算法流程如下： ? 3.5 跟踪失败判定 当ICP迭代结束后，如果离群点较多，或迭代后平均像素距离依旧很大，则认为特征跟踪失败。 4、实验结果 跟踪特征的时间长短是一个重要指标，这篇论文的方法进行跟踪，跟踪实践能够达到1s。当特征丢失后可以利用传统图像数据再次进行补充。当然，随着时间的增加，误差也会累积的越来越大。 ?
1.3K30发布于 2020-12-11 - 来自专栏无人驾驶感知
【目标跟踪】解决多目标跟踪遮挡问题
前言 目标跟踪在发生遮挡时，极其容易发生Id Switch。 网上许多算法忽视跟踪遮挡问题,同时网上相关资料也很少。 博主为了解决跟踪遮挡，翻阅大量论文。分享其中一篇论文。 阅读本文需要一定跟踪的基础。 如果是新手建议先阅读博主往期博客【目标跟踪】多目标跟踪测距：https://blog.csdn.net/qq_49560248/article/details/134016802 一、判定遮挡目标 要处理遮挡问题 if (percent > maxCoverPercent) { maxCoverPercent = percent; } } /* 当 跟踪目标置信度 GetExpansionIou(cv::Rect_<float> boxD, cv::Rect_<float> boxT, cv::Rect_<float> boxExpand) { // boxD:检测框, boxT:跟踪框
1.3K11编辑于 2024-02-05 - 来自专栏无人驾驶感知
【目标跟踪】多目标跟踪sort （python 代码）
前言 多目标跟踪 sort（Simple Online Realtime Tracking）是一种基于目标检测的跟踪。 根据我自己的理解把它分为个5步骤。 初始化航迹。 【目标跟踪】匈牙利算法 【目标跟踪】卡尔曼滤波（公式推导与代码） 想要 c++ 代码的朋友可以私信我交流。或者下一次写一篇，如果有机会的话（鬼脸jpg）。 None mot_tracker = Sort(max_age=max_age, min_hits=min_hits, iou_threshold=iou_threshold) # 创建sort跟踪器 缺点：对于遮挡、以及非线性运动的物体（加减速或者转弯）跟踪效果差 优化方向：优化方式有很多，下次再写博客分享，如果有机会的话[鬼脸.jpg]。
1.4K10编辑于 2024-02-05 - 来自专栏无人驾驶感知
【目标跟踪】3D点云跟踪
一、前言 之前博客一直介绍的是视觉方向的跟踪。不过在如今智能驾驶领域，雷达感知仍然占据主要部分。今天来分享下点云3D跟踪。 视觉跟踪输入就是目标检测的结果。 雷达跟踪输入可以是点云检测的结果，也可以是点云聚类的结果。除了一些数据结构、匹配计算，雷达跟踪算法与前面介绍视觉跟踪方法大体相同。 本篇主要探讨雷达如何进行匹配、关联计算，同时解析下代码结构。 二、代码目录 雷达跟踪所有的代码文件 三、代码解读 3.1、文件描述 文件跳转较多，新手读起代码可能有点吃力。最好记录下每个文件是干什么的，有个大致印象即可。 ，那我们把雷达跟踪结果 topic 录制下来，然后再可视化。 整体跟踪效果不错。赞！
96010编辑于 2024-02-05 - 来自专栏无人驾驶感知
【目标跟踪】光流跟踪（python、c++代码）
preImage、image 光流跟踪、在 image 中找出对应的特征点。 由特征点对应关系可以得出当前帧的目标框。 cv2.COLOR_BGR2GRAY) preImgGray = cv2.cvtColor(preImg, cv2.COLOR_BGR2GRAY) # nextPts:前一帧图像的特征点跟踪后的点 , **lkParms) # print("p1", nextPts, "st", st, "err", err) goodNewPt = nextPts[st == 1] # 光流跟踪后特征点 box); // 获取比检测框大pixeParam像素的框 void OpticalFlowLk(std::vector<cv::Point2f> prePt); // 光流跟踪 preIndexPt.erase(preIndexPt.begin() + j); } } // 跟踪到的关键点少不进行光流跟踪
1.5K20编辑于 2024-02-05 - 来自专栏AI智韵
【跟踪实战】手把手教你SFSORT跟踪实战
下面是跟踪SFSORT的代码，代码如下： # ******************************************************************** # # ***** 初始化SFSORT跟踪器 tracker_arguments = { "dynamic_tuning": True, # 启用动态参数调整 "cth": 0.5, # 中心区域置信度阈值 关键技术点解析 YOLO特殊参数： imgsz=(800,1440)：使用非标准分辨率适应特定场景 conf=0.1：低阈值确保不漏检（后续由跟踪器过滤） classes=0：专注行人检测（COCO类别 0） SFSORT核心功能： 高置信检测优先匹配 低置信检测二次匹配 区域感知跟踪：区分中心/边缘区域 动态阈值调整：根据场景复杂度自适应 多级匹配策略： 内存管理技巧： .cpu().numpy()： C -- 是 --> D[SFSORT更新跟踪状态] C -- 否 --> E[跳过后处理] D --> F[分配轨迹ID] F --> G[绘制边界框/ID] G --> H[写入输出视频] H --
26000编辑于 2025-07-16 - 来自专栏嵌入式、安防、流媒体、AI分析
行人跟踪浅析
构建一个简单的跟踪算法：计算上一帧图片质心和本帧质心之间的欧氏距离。 上图：三个人物的质心出现在这幅简单的图像中，我们需要计算每一对质心之间的欧几里得距离，颜色区分：上一帧（红色的）和本帧（黄色的）;当上一帧和本帧质心之间距离小于最小安全距离，我们将构建人物跟踪，将人物ID 在上图中，可以看到我们的质心跟踪算法如何选择了关联质心，使它们各自的欧几里得距离最小化。但左下角的那个孤独点和什么都没有联系，我们就将它注册一个新的人物ID。
81030编辑于 2023-01-04 - 来自专栏hotarugaliの技术分享
Git信息跟踪
Git 相关问题 Git 设置了一系列的环境变量用于错误排查： GIT_TRACE：启用一般跟踪消息。 GIT_TRACE_PACK_ACCESS：为对任何包的所有访问启用跟踪消息。 GIT_TRACE_PACKET：为进出给定程序的所有数据包启用跟踪消息。 GIT_TRACE_PACKFILE：启用对给定程序发送或接收的包文件的跟踪。 GIT_TRACE_PERFORMANCE：启用与性能相关的跟踪消息。 GIT_TRACE_SETUP：在 Git 完成其设置阶段后，启用打印 .git、工作树和当前工作目录的跟踪消息。 GIT_TRACE_SHALLOW：启用可以帮助调试浅存储库的获取/克隆的跟踪消息。 GIT_MERGE_VERBOSITY：控制递归合并策略显示的输出量的数字。 以上环境变量可取值如下表： 取值 含义 0、false 关闭信息跟踪 1-2、true 启用信息跟踪并打印到标准错误输出 3-10 启用信息跟踪并打印到数字对应的文件描述符中 <绝对路径> 启用信息跟踪并打印追加到对应的文件中
1.2K20编辑于 2022-03-18
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