量化专题
量化交易面试：什么是连贯风险度量？
连贯风险度量（Coherent Risk Measures）是金融风险管理中的一个重要概念，旨在提供一种合理且一致的方式来评估和量化风险。连贯风险度量的提出是为了克服传统风险度量方法（如VaR，风险价值）的一些局限性。以下是对连贯风险度量的详细解释： 基本概念： 连贯风险度量是指满足特定公理的风险度量方法，这些公理确保了风险评估的一致性和合理性。 这些公理包括：非负性、次可加性、同质性和单调
Matlab）实现HSV非等间隔量化--相似判断：欧式距离--输出图片-
%************************************************************************** % 图像检索——提取颜色特征 %HSV空间颜色直方图(将RGB空间转化为HS
期货赫兹量化-种群优化算法：进化策略，(μ,λ)-ES 和 (μ+λ)-ES
进化策略（Evolution Strategies, ES）是一种启发式算法，旨在模仿自然选择的过程来解决复杂的优化问题，尤其在没有显式解、或搜索空间巨大的情况下表现良好。基于自然界的进化原理，进化策略通过突变、选择等遗传算子迭代生成解，并最终寻求全局最优解。 进化策略通常基于两个核心机制：突变和选择。突变是对当前解进行随机扰动，而选择则用于保留适应度更高的个体。本文详细介绍了 (μ,λ)-ES
10分钟理解大模型的量化
1. 什么是量化 量化是大模型领域中的一项关键技术，它通过降低模型参数的精度，将浮点数转换为整数或定点数，从而实现模型的压缩和优化。这样做的主要目的是减少模型的存储需求、加快推理速度，并降低模型的计算复杂度，使得大模型能够更高效地在资源受限的设备上运行，例如移动设备、嵌入式系统等场景。 2. 精度 先来看下数据存储的基本概念 bit 位是计算机中最小的数据单位，只能存储 0 或 1 两种
书生大模型实战营（第3期）进阶岛第3关--LMDeploy 量化部署进阶实践
1 配置LMDeploy环境 1.1 InternStudio开发机创建与环境搭建 点选开发机，自拟一个开发机名称，选择Cuda12.2-conda镜像。 我们要运行参数量为7B的InternLM2.5，由InternLM2.5的码仓查询InternLM2.5-7b-chat的config.json文件可知，该模型的权重被存储为bfloat16格式。 对于一个7B（70亿）参数的模型，
量化交易面试：什么是中心极限定理？
中心极限定理（Central Limit Theorem, CLT）是概率论和统计学中的一个重要定理，它描述了在一定条件下，独立随机变量的和的分布趋向于正态分布的性质。这个定理在量化交易和金融分析中具有重要的应用价值。以下是对中心极限定理的详细解释： 基本概念： 中心极限定理指出，当我们从一个具有任意分布的总体中抽取足够大的样本时，样本均值的分布将近似于正态分布，无论原始总体的分布是什么样的。
计算机毕业设计Python+Tensorflow股票推荐系统 股票预测系统 股票可视化 股票数据分析 量化交易系统 股票爬虫 股票K线图 大数据毕业设计 AI
《Tensorflow股票预测系统》开题报告 一、研究背景与意义 随着信息技术的飞速发展和金融市场的日益复杂化，股票作为金融市场的重要组成部分，其价格波动受到广泛关注。传统的股票预测方法如技术分析和基本面分析，虽然在一定程度上能够辅助投资者做出决策，但存在主观性强、数据处理能力有限等不足，难以满足现代投资者的需求。因此，利用机器学习技术，特别是深度学习技术，对股票价格进行预测成为当前研究的热点
Python股票接口实现量化交易的优势是什么
炒股自动化：申请官方API接口，散户也可以 python炒股自动化（0），申请券商API接口 python炒股自动化（1），量化交易接口区别 Python炒股自动化（2）：获取股票实时数据和历史数据 Python炒股自动化（3）：分析取回的实时数据和历史数据 Python炒股自动化（4）：通过接口向交易所发送订单 Python炒股自动化（5）：通过接口查询订单，查询账户资产 量化交易的优势与前景
如何量化员工的幸福感？XSENS动捕技术为零售业员工健康提供保障
零售业员工在搬运与摆放货物时经常面临关节负载过大所导致的肌肉骨骼类疾病的困扰。通过使用Xsens动作捕捉技术COLRUYT集团成功解决了工人在日常工作过程中所面临的人体工程学挑战。这彻底改变了零售业的职业健康和安全问题，并进一步提高了员工在工作中的幸福感。 挑战： Colruyt Group一直在努力评估和解决其大型零售业务中的职业健康和安全风险，因此他们需要一种精确的方法来为员工健康谋取
数理金融工程毕业之后求职应用方向，量化交易方面如何
炒股自动化：申请官方API接口，散户也可以 python炒股自动化（0），申请券商API接口 python炒股自动化（1），量化交易接口区别 Python炒股自动化（2）：获取股票实时数据和历史数据 Python炒股自动化（3）：分析取回的实时数据和历史数据 Python炒股自动化（4）：通过接口向交易所发送订单 Python炒股自动化（5）：通过接口查询订单，查询账户资产 金融专业的热门就业方
H.264量化参数QP和量化步长Qstep
1. 量化参数QP是量化步长Qstep的序号。对于亮度（Luma）编码而言，量化步长Qstep共有52个值，QP取值0~51，对于色度（Chroma）编码，Q的取值0~39。 QP取最小值0 时，表示量化最精细；相反，QP取最大值51时，表示量化是最粗糙的。 QP和Qstep具有线性相关性，Qstep随着QP的增加而增加，每当QP值增加6，Qstep便增加一倍。 量化是在
《中文Python穿云箭量化平台二次开发技术09》设计一个可视化股票池量化平台项目用于实现选股和自动交易
《中文Python穿云箭量化平台》是纯Python开发的量化平台，因此其中很多Python模块，我们可以自己设计新的量化工具，例如自己新的行情软件、新的量化平台、以及各种量化研究工具。 穿云箭自带指标公式源码运行模块，可以为其他量化平台提供量化功能扩展或量化功能增强效果。 《中文Python穿云箭量化平台》包含有行情接口，指标运算模块，K线和指标显示模块。我们在投资分析研究和策略中，有很多可利用的
量化交易backtrader实践(四)_评价统计篇(5)_自定义评价
Analyzer应用Step-by-step 01_直接使用 直接使用是开始学习的时候会接触比较多，通过把cerebro.addStrategy()写出来，然后在.run()之后从result[0]中再取评价的数据，我们可以对这个运行的流程加深理解。 cerebro = bt.Cerebro()# ......cerebro.addstrategy(run_strategy) # 添加
欺诈文本分类微调（十）：QLora量化微调
1. 引言 前文微调方法概览总结了微调的各种方法，并且在更前面两篇文章Lora单卡训练 和 lora单卡二次调优中已经尝试过用Lora进行微调，本文出于好奇准备尝试下用QLora进行微调的效果。 QLoRA是一种新的微调大型语言模型（LLM）的方法，它的特点是能在节省内存的同时保持推理性能。它的出现是为了应对大型模型微调时内存需求大，成本昂贵的问题。 工作原理：首先将LLM进行4位量化，从而
做交易，一根均线上多下空，能做到稳定盈利？是“大道至简”，还是嘴盘忽悠？Python量化交易均线策略测试二
参考视频教程: **首门程序员理财课 Python量化交易系统实战 ** 交易，一根均线上多下空，能做到稳定盈利？是"大道至简"，还是嘴盘忽悠？Python量化交易均线策略测试一中，我们用python程序量化测试了10日均线，50日均线作为单根均线策略，测试发现收益十分不理想。 今天我们继续对单根均线策略做量化测试，今天突然想起昨天的测试还有60日均线没有做量化测试，为什么要测
qmt量化交易策略小白学习笔记第59期【qmt编程之期权数据--获取指定期权品种的详细信息--原生Python】
qmt编程之获取期权数据 qmt更加详细的教程方法，会持续慢慢梳理。 也可找寻博主的历史文章，搜索关键词查看解决方案 ！ 基于BS模型计算欧式期权理论价格 基于Black-Scholes-Merton模型，输入期权标的价格、期权行权价、无风险利率、期权标的年化波动率、剩余天数、标的分红率、计算期权的理论价格 方法1：内置python 调用方法 内置python #encodin
量化交易之图形选股指标:曙光初现
相似系列：量化交易之图形选股指标:红三兵 接前作，继续分析另一个较为经典的买入信号：曙光初现。关于曙光初现，百科是这么说的： 曙光初现是由两支不同颜色的阴阳烛组成，意味着市况由淡转好，通常在一个下跌市况後出现。 第一支烛为处於跌势的大阴烛，显示当日沽盘相当强劲。第二支烛为大阳烛，其开市价必须低於第一支烛的最低价，而收市价则必须高於第一支烛的一半烛身。事实上，若投资者将第一
量化交易之图形选股指标:红三兵
投资标的涨涨跌跌，在一个周期内会形成高点，低点，随着周期的增加会形成一系列直观的图形，就是所谓的K线。在K线的基础上，扩展出海量技术指标，进而形成很多的选股方式，围绕这些方式形成不同的流派，百家争鸣，好不热闹。 那这些东西有没有效呢？接下来尝试从大数据的角度进行分析，选择的分析指标是比较常见的红三兵。 红三兵是指评价的专用股语。指连续阴线后连
量化交易面试：什么是二项式模型？
二项式模型是一种用于描述具有两个可能结果的随机过程的统计模型。它在金融领域特别是在量化交易中有多种应用，比如股票价格变动、期权定价等。以下是对二项式模型的详细解释： 基本概念： 二项式模型基于二项分布，即每次实验只有两个可能的结果：成功（通常记为1）或失败（通常记为0）。在金融中，这通常用于模型化资产价格在特定时间内的涨跌。 二项式树： 在量化交易中，二项式模型通常以二项式树的形式表示。在
x264 编码器 AArch64汇编系列：quant 量化相关汇编函数
quant x264_quant_init函数中初始化时指向不同的具体实现： 以4x4块量化为例 c 语言版本实现 4x4 块量化：quant_4x4 #define QUANT_ONE( coef, mf, f ) \
计算机毕业设计Spark+PyTorch股票推荐系统 股票预测系统 股票可视化 股票数据分析 量化交易系统 股票爬虫 股票K线图 大数据毕业设计 AI
《Spark+PyTorch股票推荐与预测系统》开题报告 一、研究背景与意义 随着信息技术的飞速发展和全球金融市场的日益繁荣，股票投资已成为广大投资者的重要选择之一。然而，股票市场的复杂性和不确定性使得投资者在做出投资决策时面临巨大的挑战。传统的股票分析方法主要依赖于人工收集、整理和分析大量的市场数据，这不仅效率低下，而且难以准确捕捉市场的细微变化。因此，利用大数据和人工智能技术构建一个高效、
9.2-模型量化学习内容
量化简介 量化是将模型浮点数变为定点数运行的过程。 基本概念 ：模型量化可以减少模型尺寸，进而减少在推理时的内存消耗，并且在一些低精度运算较快的处理器上可以增加推理速度。 常见方法：工业界目前最常用的量化位数是8比特，低于8比特的量化被称为低比特量化。1比特是模型压缩的极限，可以将模型压缩为1/32。 精度类型 低精度浮点数：在PyTorch中用torch.bfloat16和torc
基于示例详细讲解模型PTQ量化的步骤（含代码）
详细探讨模型PTQ量化每个步骤，涉及更多的技术细节和实际计算方法，以便更好地理解PTQ（Post-Training Quantization，训练后量化）的全过程。 1. 模型训练 我们假设已经训练了一个卷积神经网络（CNN），例如VGG-16。训练完成后，我们得到了一个以32位浮点数表示的模型权重和激活值。 2. 收集统计信息 在量化之前，我们需要从模型中收集统计信息，以帮助确定量化的参
flux bitsandbytes bnb量化；diffusers 15G显卡加载使用
使用bitsandbytes进行bnb量化 在线参考： https://colab.research.google.com/gist/sayakpaul/4af4d6642bd86921cdc31e5568b545e1/scratchpad.ipynb 安装包 !pip install -U accelerate transformers bitsandbytes !pip install g
自然语言处理-应用场景-聊天机器人(三)：MaLSTM【基于FAQ 的问答系统】【文本向量化--＞问题召回(利用PySparNN句子相似度计算海选相似问题)--＞问题排序(深度学习：句子相似度计算)】
一、问答机器人介绍 1. 问答机器人 在前面的课程中，我们已经对问答机器人介绍过，这里的问答机器人是我们在分类之后，对特定问题进行回答的一种机器人。至于回答的问题的类型，取决于我们的语料。 当前我们需要实现的问答机器人是一个回答编程语言（比如python是什么，python难么等）相关问题的机器人 2. 问答机器人的实现逻辑 主要实现逻辑：从现有的问答对中，选择出和问题最相似的问题，