登录社区云，与社区用户共同成长
邀请您加入社区
本文提出了IRFT，一种利用Transformer直接从高频交易数据挖掘公式型风险因子的端到端方法。该方法通过将风险因子挖掘转化为符号序列生成任务，成功生成包含运算符、特征与常数在内的闭合式数学表达式，并利用BFGS对常数进行精修，提升了对短期市场波动的拟合精度。实证结果显示，该方法不仅在预测性能上显著领先多种基线方法，而且在推断时间和稳定性方面有明显优势。同时，在多市场、多维特征与大规模数据情境
摘要：因子投资从华尔街专业工具发展为大众可及的量化方法，其核心是将投资逻辑转化为可验证的数学因子。开源平台FactorHub通过整合数据获取、因子计算、回测分析等全流程，大幅降低了量化投资门槛。该平台采用模块化设计和并行计算技术，提供200多个预置因子和可视化分析工具，支持个人投资者和机构快速验证投资策略。FactorHub的兴起反映了量化投资民主化趋势，通过开源生态推动投资决策的科学化，使专业级
在大模型时代，量化技术已经成为AI工程师的必备技能，就像摄影师必须掌握光线调节一样重要。量化技术全景图技术适用场景优势代价训练后量化(PTQ)快速原型开发 临时部署即时生效 零训练成本精度损失较大量化感知训练(QAT)高精度需求 医疗/金融场景保持95%+原模型精度需要重新训练4位量化微调边缘设备 移动端应用75%内存节省 QLoRA恢复性能微调数据依赖混合精度异构计算平台 实时系统智能资源分配
结合我的实践谈一下这两点，①在做语音合成模型量化的时候，模型中大量的卷积操作，使用netron打开后的结果如下图所示。②但是我当时量化的时候使用的校准数据是函数生成的，不是真是的输入数据，导致虽然模型量化成功了，但是效果却大打折扣。通常我们将模型转换为onnx格式之后，模型的体积可能比较大，这样在某些场景下就无法适用。最近想在移动端部署语音识别、合成模型，但是目前的效果较好的模型动辄几个G，于是便
近年来，自动驾驶已成为一个快速发展的领域，旨在为人类驾驶员提供自动化和智能系统。自动驾驶技术的成功部署有望显著提高交通系统的安全性和效率。在过去的二十年里，为自动驾驶开发了一系列数据驱动技术，从传统的基于规则的方法到先进的机器学习方法。传统的自动驾驶方法主要依靠具有分析表达式和二进制编码交通规则的算法来感知环境、规划轨迹和控制车辆；有关详细信息，请参阅2010年代初至中期的综述文章，例如，城市场景
LLM:Large Language Model（大型语言模型）是一种使用深度学习算法和大量的语言数据来生成人类语言的模型。这些模型可以像人类一样理解和生成语言，并且在许多自然语言处理任务中表现出色，如机器翻译、语言生成、对话系统等。ChatGPT就是一个非常知名的大型语言模型，具有非常强大的自然语言生成能力。大型语言模型（LLM）的原理是基于深度学习的神经网络技术，通过训练模型来学习自然语言的语
Attention机制如果浅层地理解，跟它的名字非常匹配。它的核心逻辑就是“从关注全部到关注重点”。Attention机制很像人类看图片的逻辑，当我们在看一张图片时，我们并没有看清图片的全部内容，而是将注意力集中在了图片的焦点上：比如上面的图片，我们一眼望去，最先接收到的是“锦江饭店”的信息，所以，我们的视觉系统就是一种 Attention 机制，将有限的注意力集中在重点信息上，从而节省资源，快速
人工智能正在改变金融投资决策，深度强化学习（DRL）在机器人顾问服务中展现出应用潜力。传统投资组合优化方法在动态资产权重调整中面临挑战。本文提出一种动态优化模型，利用深度强化学习实现更有效的资产配置。创新点：提出专为Actor-Critic算法设计的夏普比率奖励函数，通过随机采样和强化学习优化投资组合表现。设计符合资产优化目标的深度神经网络。通过对CSI300指数成分股的实证评估，与传统方法（均值
我们采用logistic回归、支持向量机和带有注意力机制的编码器等不同模型，对各资产下周的超额收益进行。
