- 综合排序
- 最热优先
- 最新优先
- 来自专栏子晓AI量化
新手怎么入门量化
之前不少同学问我，新手怎么入门量化， 思考了很久，写下此文。该文针对不同的人群， 请对号入座。 趁着周末，我整理了三条量化入门路径，无论你是哪种背景，总有一条能让你轻松上路！ 这个“手脚”就是目前主流券商提供的量化交易终端，比如迅投QMT。 具体怎么操作？ 路径二：策略探索者——站在巨人的肩膀上，轻松跟单 适合人群： 对量化交易感兴趣，但暂时没有形成自己稳定盈利的策略，希望先“上车”体验，边学边做的“小白”或“探索者”。 核心痛点： “我想做量化，但我不知道什么策略好。” 解决方案：跟单 + 自动化交易终端 这条路的逻辑非常简单直接：既然自己不会，那就跟着会的人做！ 市场上有很多优秀的量化策略分享平台和投资大V，我们可以利用他们的智慧。 跟单源在哪里？ 聚宽： 国内领先的量化社区，汇聚了大量的量化研究者和策略。
37010编辑于 2026-04-23 - 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
之前经常有童鞋在后台/群里问量化如何入门这个问题，这种问题一般都是没有人回答的，因为这是一个到处都可以找得到答案的问题，所以也推荐大家 ? 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。 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
15.7K97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AI算法与图像处理
Pytorch量化入门之超分量化（二）
来源：AIWalker 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。 准备工作 在真正开始量化之前，我们需要准备好要进行量化的模型，本文以EDSR-baseline模型为基础进行。 ，比如X86平台应该采用fbgemm方式进行量化，而ARM平台则应当采用qnnpack方式量化。 也就是说完成了初步的量化工作，因为接下来的测试论证很关键，如果量化损失很严重也不行的。 量化模型测试 接下来，我们对上述量化好的模型进行一下测试看看效果。 下图给出了DIV2K训练集中0018数据采用第二种量化组合效果对比，可以感知到明显的量化损失。 ?
1.7K20发布于 2021-02-22 标量量化入门
量化允许以有损的方式对向量进行编码，从而在略微降低精度的同时大大节省空间。了解标量量化中的桶标量量化将每个向量维度划分为一些较小的数据类型。在本文中，我们将假设将 float32 值量化为 int8。 图 1：量化目标示意图，将连续值从 -1.0 到 1.0 划分为离散的 int8 值。数值转换背后的数学并不复杂。 这一切都很好，但是既然我们知道如何量化值，我们实际上如何计算两个量化向量之间的距离呢？这是否与常规的点积一样简单？标量量化中的代数作用我们仍然缺少一个重要部分：如何计算两个量化向量之间的距离。 确保量化的准确性那么，这到底有多准确？量化会导致信息丢失吗？是的，会，但是量化利用了我们不需要所有信息的事实。对于学习到的嵌入模型，各个维度的分布通常没有肥尾分布。这意味着它们是局部的且相对一致的。 此外，通过量化引入的每个维度的误差是独立的。也就是说，误差在我们通常的向量运算（如点积）中会相互抵消。结论哇，这覆盖了很多内容。
1.2K00编辑于 2024-07-04- 来自专栏算法进阶
Python量化交易入门进阶指南(全)
量化，简单说就是程序+交易→盈利。 程序员，或许内心深处都怀揣着一个量化投资的梦想，渴望凭借自己的编程和人工智能技能，再补点基础的金融知识，我们便可以构建一个量化交易系统，轻松实现财富自由。 不过丑话说在前面，“钱难挣屎难吃”，量化交易也是一样。这领域的风险、机遇肯定都不会少，当然水的深浅可能要试了才知道，我只是小韭菜，对量化的认识肯定有不到位的地方，而本篇入门文章就当作抛砖引玉。 ，Python编程的入门并不难（可以参考-Python人工智能学习路线的Python学习建议），前期编程只要入门够用就行了，只有交易的思路才是始终的核心！ 梳理下量化主要的流程：开通证券账号→搭建量化交易系统及开通实盘交易→设计量化策略→数据获取及处理→开发策略→策略回测→调试优化→实盘交易 入门量化其实较大的门槛是搭建并开通好量化交易环境，然后才是开发策略代码 个人实践表明这样的量化入门效率是比较高的。 文末免责声明：本文观点仅供参考，不作为投资建议哈。
9.8K34编辑于 2024-01-17 程序员AI量化理财入门
入门 AI 量化理财的核心是：用 Python 做数据与策略、用机器学习找规律、用回测与风控验证、小资金实盘迭代。下面按 “认知→技能→工具→策略→回测→实盘→风控” 一步步走，尽量落地、少废话。 什么是 AI 量化？量化：把交易规则写成代码，用数据执行，杜绝情绪干扰。AI 量化：用机器学习 / 深度学习自动挖掘因子、生成信号、优化策略。 机器学习入门（重点）监督学习：用历史数据预测涨跌（分类）或收益（回归）输入：60 天价格、成交量、技术指标、基本面输出：明日涨跌概率、未来 5 日收益常用模型：XGBoost/LightGBM：选股、择时 ”第 2 周：金融与因子书：《手把手教你读财报》、《量化投资：策略与技术》课：聚宽 “因子投资入门”第 3–4 周：机器学习 + 策略课：吴恩达《机器学习》（Coursera）、《深度学习》（花书）实战 ：用聚宽 / BigQuant 复现 XGBoost 选股策略持续：社区与迭代社区：聚宽论坛、知乎量化、雪球 AI 量化话题工具：用 AI（如 Cursor、Claude）辅助写代码、调参、生成回测报告八
71010编辑于 2026-04-27- 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。 ? ? ? ?
92720发布于 2019-11-13 - 来自专栏子晓AI量化
量化之DuckDB数据库语法入门
上一篇文章提到了DuckDB数据库， 这里介绍下语法，方便了解的同学入门学习。 DuckDB 是一款轻量级、高性能的嵌入式分析型数据库（OLAP），专为高效处理数据分析任务设计。
64410编辑于 2026-04-23 - 来自专栏NFT链游的应用
Python入门：自动量化系统开发方案
Python应该已经占据了量化交易系统，量化机器人系统开发的半壁江山，Python作为开发交易系统的必知必会工具之一，重要性是毋庸置疑的，文章将会介绍在开发量化交易系统中用到的Python的基础知识，并结合实例加深理解
66630编辑于 2022-06-16 - 来自专栏子晓AI量化
程序员入门量化什么策略比较合适
最近有程序员朋友问我：想进军量化投资，但面对这么多策略方向不知从何下手。 其实，对有代码基础的技术人来说，多因子选股 是最契合能力模型的量化策略——它像搭建软件系统一样，需要数据清洗、逻辑构建、性能优化、迭代迭代再迭代。 步骤1：数据获取——搭建"数据仓库" 量化投资的基础是数据， 常用数据源数据：迅投miniqmt（交易）、tushare（A股行情、财务数据） 另类数据：各类爬虫（舆情、热度） 步骤2：因子构建——设计 最后：量化不是"圣杯"，而是工具 多因子选股的核心价值，是用工程化方法剥离情绪干扰，让投资决策更系统。但它不是"暴富捷径"，而是"持续盈利的框架"。 程序员的优势不在于"更聪明"，而在于"更严谨"——把代码调试的耐心用在策略优化上，把系统架构的思维用在因子组合上，或许这就是技术人打开量化投资的正确方式。
35210编辑于 2026-04-23 - 来自专栏大数据文摘
一位从事量化交易的实战者，手把手带你入门量化交易！
大数据文摘出品 来源：quantstart 编译：LYLM、笪洁琼 本文作者是一位从事量化交易的实战者，他将他的实战心得写成一个量化交易系列，本篇则是系列的第一篇，从文中你会对整个量化交易的框架、流程、 接下来就和文摘菌一起来看看量化交易应该如何入门吧！ 在此文中我将为你们介绍一些端对端量化交易系统的基本概念，希望借此帮助到两类读者：一类是希望在基金公司中找到量化交易相关工作的人，另一类是那些希望能自行利用算法进行交易的“散户”。 量化交易是量化金融中非常复杂的一个领域。要通过面试或者制定自己专属的交易策略，需要花费大量时间来学习相关知识。 策略识别 所有的量化交易过程都是在研究初期就开始了的。
2.8K32发布于 2020-06-29 - 来自专栏子晓AI量化
windows下入门python量化常见问题汇总
最后忠告， 选择python量化 ，最好用稳定的环境， 比如系统、python版本、各类软件库。 不要追求新而新， 也不要为了省钱去用一些老古董，稳定最重要。 这个号主要分享AI量化技术相关， 当天的灵感相关记录，相对比较杂。 这个号备用，准备从0开始写AI量化系列， 前期偏技术科普，相对系统。 不定期更新， 差不多周末抽时间写。
30210编辑于 2026-04-23 深度学习入门（二）——反向传播与向量化推导
七、向量化思想：从标量推导到矩阵运算 在上面的推导中，如果你仔细看，会发现每个变量其实都可以是向量或矩阵。 这就是**向量化（Vectorization）**的意义。 为什么要向量化？ 下一篇预告： 深度学习入门（三）——优化算法与实战技巧 我们将从最基础的梯度下降讲起，一步步理解动量、RMSProp、Adam 等优化算法的内在逻辑与工程细节。
1K10编辑于 2025-10-22- 来自专栏大数据文摘
量化交易入门——数学模型应用于投机交易
“对积理论”也是用数学模型捕捉市场机会，量化资金管理，用计算机系统发出交易信号，通过大量的短线交易，达到稳定累盈的结果。 模型先生们究竟是怎样用'数学模型'进行投机交易的呢？ 采用'数学模型'做交易，相对于常用的技术分析、基本分析等方法有如下优势： 首先，交易更加精确量化。 技术分析、基本分析等方法的缺陷都是不能做到完全的精确量化。 使用技术分析、基本分析无法精确量化交易。'数学模型'是采用离散采样的方法，对数据进行统计分析。根据证券市场的特性，价格是离散型的随机变量。' 通过概率进行资金分配，能够量化每笔交易手数。对交易的把控更加精确量化。 其次，能够克服人性在交易时的弱点。 在交易当中，最可怕莫过于人性的弱点。 用'数学模型'各种规则都是固定量化的，计算出来的结果也是确定、唯一的，能够避免投资者在交易时主观的判断。我们所要做的就是相信系统，严格执行。
1.2K40发布于 2018-05-24 - 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 ;
4.7K00编辑于 2023-03-28 - 来自专栏Rust
Rust 量化入门：为什么华尔街开始用 Rust 写策略？
这两年，越来越多的量化私募、基金公司开始招 Rust 工程师了。以前都是 Python、Java、C++，现在悄然多了一个 Rust。 发什么了什么？ 幻方、九坤、鸣石这些头部量化，都在悄悄布局 Rust。 他们在解决一个 Python 解决不了的问题。 核心痛点：Python 真的不够用了 量化交易有两个核心需求：低延迟和高吞吐。 这就是为什么很多量化团队调侃：“Python 适合做研究，但不适合做产品。” Rust 凭什么能解决？ 这就是 Rust 近年火起来的原因。 价值三：竞争格局还在形成 现在入局 Rust 量化，就像 10 年前入局 Python 量化一样—— 等到人人都会了，你就没有优势了。 怎么入门？ 这就是很多头部量化公司正在做的事情。 写在最后 Rust 不会取代 Python。 Python 仍然是量化研究的主力语言——易学、生态丰富、迭代快。 但 Rust 会成为性能瓶颈的终极解决方案。
27310编辑于 2026-04-23 - 来自专栏海天一树
十行代码实现一个量化交易入门程序
若是想要对“科大讯飞”进行量化，只需要设置 g.security = ‘002230.XSHE’，这里XSHE代表深市。
1.6K90发布于 2018-04-17 - 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。
59210编辑于 2024-08-21 - 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。
83120编辑于 2022-05-28
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