- 博客(2433)
- 资源 (971)
- 问答 (2)
- 收藏
- 关注
RSS订阅
原创 OpenDocCN 当前业务及项目梳理 202404
总结paperwithbacktest上的Quant前沿论文【自动】，解析代码【自动】寻找gh上的机器学习或深度学习的Quant代码，做源码解析【自动】（也是全自动的，目标是把Github全部高星源码解析一遍）（普及玄学知识，开启灵性时代，同时视频也是很好的宣传方式）挑选主流量化框架，翻译文档【自动】，做源码解析【自动】寻找ml+Quant课程，做翻译和笔记整理【自动】制作一批高质量的，适合程序员的Quant教程。搜集目前为止的所有比赛题解，做源码解析【自动】整理基本面因子，使用ChatGPT生成代码。
2024-05-10 16:13:58
192
原创 两性情感课程笔记 2020~2023
2020剽悍生活博客七爱哦耶浪迹小鹿魔卡Chris李越泰阳欧阳浮夸舞步爱情光谱乌鸦倪称男哥路易梵公子绅士派艾克迪诺校长感觉流卡卡危险人物晓辉爱上情感恋爱研习社摄影艾瑞克Chic情叔明日恋爱情受最绅士魅男其它2021城市猎人知乎文章 20210926阿尔法安小妖曹学敏Chris七分学堂乐福乌鸦救赎倪情感恋爱补习班恋爱研习社大橙摸鱼情感本渡梵公子李越欧阳浮夸浪迹艾克郑匡宇男哥魔鬼咨询师雅
2024-04-28 11:11:48
459
原创 Quant文艺复兴计划正式启动！
此时此刻恰如彼时彼刻，所以我深知，如果我不自己动手写出一批教程，中文互联网就永远没有面向新手的开放教程可用。幸好现在我们有了ChatGPT，它减轻了我的主业工作量，让我有时间投入这个方面；同时，它也大大减轻了编写教程的工作量，能让这些想法迅速实现。再者，良好的量化实现是保证回测准度和自动化的前提之一。总结paperwithbacktest上的Quant前沿论文【自动】，解析代码【自动】寻找gh上的机器学习或深度学习的Quant代码，做源码解析【自动】挑选主流量化框架，翻译文档【自动】，做源码解析【自动】
2024-04-10 22:56:08
217
原创 赚钱周报、风向标、大航海 23&24
龙哥赚钱周报 23在线阅读龙哥赚钱周报 202301-02龙哥赚钱周报 202303龙哥赚钱周报 202304龙哥赚钱周报 202305龙哥赚钱周报 202306龙哥赚钱周报 202307龙哥赚钱周报 202308龙哥赚钱周报 202309龙哥赚钱周报 202310龙哥赚钱周报 202311龙哥赚钱周报 202312龙哥风向标 23在线阅读龙哥风向标 202301龙哥风向标 202302龙哥风向标 202303龙哥风向标 202304龙哥风向标 202305龙哥
2024-04-09 12:03:53
384
原创 关于 AI 应用的新想法（不断更新）
很多导师的问题就是，他们只是说理，但人类记住道理是通过故事的，除了少数编导转型过来的导师之外，其他人讲故事的能力太差了。第二个想到的就是源码解析。可以封装成库，但更好的是封装成一个应用，结合基本面和技术指标，像监控容器那样更好的监控企业健康状态。对于基本面指标（也就是不从OHLC计算的指标），有了 GPT 的加持，便可以从财报里面获取。写作提示词参考需要扩充，找一本写作大词典的PDF，对于每种修辞手法，让GPT尝试给出示例。可以尝试总结一些社科专业的知识图谱，把文字变成结构化图表，辅助学习和记忆。
2024-03-08 17:37:36
571
原创 一些用 GPT 翻译的计算机科学/人工智能 PDF 讲义
3D成像.pdf3D成像.pdf3D成像技术.pdf3D成像技术.pdf3D点云分析.pdf3D点云分析.pdfAAAI 2019 笔记.pdfAAAI 2019 笔记.pdfCMU 10.708 概率图模型讲义.pdfCMU 10.708 概率图模型讲义.pdfCMU 15-312 编程语言基础讲义.pdfCMU 15-312 编程语言基础讲义.pdfCMU 15-411 编译器设计讲义.pdfCMU 15-411 编译器设计讲义.pdfCMU 15-819 同伦类型论讲义.
2024-02-20 22:59:55
1315
原创 Huggingface 中文文档翻译完毕
Accelerate 0.27 中文文档音频课程文档AutoTrain 中文文档AWS 中文文档竞赛中文文档Diffusers 0.26 中文文档深度强化学习课程文档数据集服务器中文文档Datasets 2.17 中文文档 Evaluate 0.4 中文文档Huggingface.js 中文文档Hub 中文文档Hub 客户端库 JS 0.20 中文文档推理 API 中文文档推理端点中文文档NLP 课程文档Optimum 中文文档PEFT 0.8 中文文档Safete
2024-02-16 22:38:08
540
原创 Python 金融交易实用指南（一）
算法交易帮助你通过量化分析制定策略，从而在市场上保持领先，获取利润并减少损失。本书将帮助你理解金融理论，并自信地执行一系列算法交易策略。本书首先介绍算法交易、pyfinance 生态系统和 Quantopian。然后你将学习使用 Python 进行算法交易和量化分析，并学习如何在 Quantopian 上构建算法交易策略。
2024-05-09 16:57:51
362
原创 Python 金融交易实用指南（四）
任何算法交易策略都应包含以下内容：它应该是基于潜在市场理论的模型，因为只有这样才能发现其预测能力。将模型拟合到具有出色回测结果的数据中是简单的，但通常不能提供可靠的预测。应尽可能简单 - 策略越复杂，长期表现越差（过度拟合）。应将策略限制为一组明确定义的金融资产（交易宇宙），基于以下内容：a) 他们的收益概况。b) 他们的收益不相关。c) 他们的交易模式 - 您不希望交易流动性不足的资产；您限制自己只交易交易活跃的资产。应该定义相关的金融数据：a) 频率：每日、每月、日内等等。
2024-05-09 16:56:59
310
原创 Python 金融交易实用指南（三）
原文：zh.annas-archive.org/md5/6efde0935976ca50d877b2b5774aeade译者：飞龙协议：CC BY-NC-SA 4.0第六章：统计估计、推断和预测在本章中，我们通过概述关键示例来介绍 Python 中的四个主要统计库—statsmodels、pmdarima、fbprophet 和 scikitlearn。这些库用于对时间序列建模并提供它们的预测值，以及置信区间。此外，我们演示了如何使用分类模型来预测时间序列的百分比变化。为此，我们将涵盖以下使用
2024-05-09 16:56:05
262
原创 Python 金融交易实用指南（二）
原文：zh.annas-archive.org/md5/6efde0935976ca50d877b2b5774aeade译者：飞龙协议：CC BY-NC-SA 4.0第四章：使用 pandas 进行数据操作和分析在本章中，您将学习基于 NumPy 构建的 Python pandas 库，该库为结构化数据框提供了数据操作和分析方法。根据维基百科对 pandas 的页面，pandas 这个名字是从 panel data 派生而来，它是一个描述多维结构化数据集的计量经济学术语。pandas库包含两种
2024-05-09 16:55:08
148
原创 Python 机器学习算法交易实用指南（一）
多样化数据的可用性增加了对算法交易策略专业知识的需求。通过本书，您将选择并应用机器学习ML）到广泛的数据源，并创建强大的算法策略。本书将首先介绍一些基本要素，如评估数据集、使用 Python 访问数据 API、使用 Quandl 访问金融数据以及管理预测误差。然后我们将涵盖各种机器学习技术和算法，这些技术和算法可用于使用 pandas、Seaborn、StatsModels 和 sklearn 构建和训练算法模型。
2024-05-09 16:54:35
237
原创 Python 机器学习算法交易实用指南（五）
本章以词嵌入如何更有效地为个别标记编码语义开始，这比我们在第十三章中使用的词袋模型更为有效。我们还看到了如何通过线性向量算术验证嵌入，以评估是否正确表示了单词之间的语义关系。学习词嵌入时，我们使用的浅层神经网络曾经在包含数十亿标记的 Web 数据规模上训练速度很慢。word2vec模型结合了几种算法创新，显著加速了训练，并为文本特征生成确立了新标准。我们看到了如何使用spaCy和gensim来使用预训练的词向量，并学会了训练自己的词向量嵌入。然后，我们将word2vec模型应用于 SEC 提交文件。
2024-05-09 16:53:58
289
原创 Python 机器学习算法交易实用指南（四）
在本章中，我们探讨了无监督学习方法，它们允许我们从数据中提取有价值的信号，而无需依赖标签提供的结果信息的帮助。我们看到了如何使用线性降维方法，如 PCA 和 ICA，从数据中提取不相关或独立的组件，这些组件可以作为风险因子或投资组合权重。我们还涵盖了产生复杂替代数据的最先进可视化的高级非线性流形学习技术。在第二部分中，我们涵盖了几种根据不同假设生成数据驱动分组的聚类方法。这些分组可以很有用，例如，用于构建将风险平价原则应用于已经按层次聚类的资产的投资组合。
2024-05-09 16:53:14
214
原创 Python 机器学习算法交易实用指南（三）
在本章中，我们探讨了用于单个系列的单变量情况的线性时间序列模型以及用于几个交互系列的多变量模型。我们遇到了预测宏观基本面的应用，用于风险管理的预测资产或组合波动性的模型以及捕获多个宏观系列动态的多元 VAR 模型，以及协整的概念，这是支撑流行的配对交易策略的基础。类似于前一章，我们看到线性模型为模型增加了许多结构，即它们做出了强有力的假设，这些假设可能需要转换和广泛测试来验证这些假设是否成立。
2024-05-09 16:52:28
220
原创 Python 机器学习算法交易实用指南（二）
在本章中，我们介绍了zipline库用于事件驱动的交易算法模拟，既可以离线进行，也可以在 Quantopian 在线平台上进行。我们已经说明了从市场、基本和替代数据中设计和评估单个阿尔法因子以推导出用于算法交易策略的信号，并展示了结合多个因子的一种简单方法。我们还介绍了允许对信号的预测性能和交易换手率进行全面评估的alphalens库。投资组合构建过程反过来采用更广泛的视角，旨在从风险和回报的角度来看最佳仓位大小。我们现在将转向平衡投资组合过程中风险和回报的各种策略。
2024-05-09 16:50:52
253
原创 Excel 2019 金融建模实用指南（一）
在本节中，您将了解使用 Excel 进行财务建模的含义，包括构建综合财务模型时要遵循的广泛步骤的概述。本节包括以下章节：第一章，财务建模和 Excel 简介第二章*，构建财务模型的步骤*如果您问五位专业人士金融建模的含义，您可能会得到五种不同的答案。事实上，在他们各自的背景下，他们都是正确的。这是不可避免的，因为金融建模的使用边界几乎每天都在被拉伸，新用户想要从自己的角度定义这一学科。在本章中，您将学习金融模型的基本组成部分以及我最喜欢的定义。
2024-05-09 16:50:03
197
原创 Excel 2019 金融建模实用指南（二）
损益表不同于现金流量表，因为它们不等待交易的现金影响被解决才认可该交易。例如，如果您出售了 N100,000 的货物或服务，客户已经收到货物或服务，但尚未付款，则没有现金流动。但是，您和客户都认识到已经完成了销售 - 的确，货物的所有权和保管已经转移，因此损益表将其记录为信用销售，将营业额增加了 N100,000，并为完成复式分录，在该客户名下创建应收账款，表示他们欠您 N100,000。这是会计的权责基础，即收入应在其获得时期记录，支出应与其帮助产生的收入相匹配。
2024-05-09 16:48:36
304
原创 Python 算法交易秘籍（一）
原文：zh.annas-archive.org/md5/010eca9c9f84c67fe4f8eb1d9bd1d316译者：飞龙协议：CC BY-NC-SA 4.0前言Python 是一种非常流行的语言，用于构建和执行算法交易策略。如果您想了解如何使用 Python 构建算法交易的坚实基础，本书可以帮助您。从设置 Python 环境进行交易和与经纪人建立连接开始，您将了解金融市场的重要方面。随着您在这本算法交易书中的进展，您将学会获取金融工具，查询和计算各种类型的蜡烛图和历史数据，最后，计算
2024-05-09 16:47:32
289
原创 Python 算法交易秘籍（五）
原文：zh.annas-archive.org/md5/010eca9c9f84c67fe4f8eb1d9bd1d316译者：飞龙协议：CC BY-NC-SA 4.0第九章：算法交易 - 回测在构建算法交易策略之后，正如我们在上一章中所做的那样，第一步是对给定的策略配置在给定的时间段内进行回测。回测是通过在过去的数据上虚拟执行交易策略并分析其风险和回报指标来评估交易策略性能的方法。这里不使用真实资金。典型的回测指标包括利润和损失（P＆L），最大回撤，总交易数，盈利交易数，亏损交易数，多头交易和
2024-05-09 16:46:50
191
原创 Python 算法交易秘籍（四）
原文：zh.annas-archive.org/md5/010eca9c9f84c67fe4f8eb1d9bd1d316译者：飞龙协议：CC BY-NC-SA 4.0第七章：在交易所放置括号和覆盖订单本章介绍了可以通过经纪人 API 在交易所上放置的各种类型的括号和覆盖订单。这些配方包括用于放置 12 种类型的订单、查询它们的状态、取消未完成的订单和退出已完成订单的代码。这些配方将是您算法交易策略的基本组成部分。了解所有订单类型并知道为给定要求放置哪种订单对于构建成功的交易策略至关重要。每个订
2024-05-09 16:46:16
205
原创 Python 算法交易秘籍（三）
原文：zh.annas-archive.org/md5/010eca9c9f84c67fe4f8eb1d9bd1d316。
2024-05-09 16:45:27
282
原创 Python 算法交易秘籍（六）
原文：zh.annas-archive.org/md5/010eca9c9f84c67fe4f8eb1d9bd1d316。
2024-05-09 16:44:20
197
原创 Python 算法交易秘籍（二）
金融工具的最后交易时间LTT）是该工具最后一次执行订单的最新时间。此数据具有动态性，因为它在交易时间内可能会持续变化。此示例帮助获取金融工具的 LTT。金融工具的最后交易数量LTQ）是该工具最后一次执行订单时交易的数量。此数据具有动态性，因为它在交易时间内可能会持续变化。此示例演示了如何获取金融工具的 LTQ。
2024-05-09 16:43:29
214
原创 Python 卖空算法教程（一）
没有比一个时机已经成熟的理念更加强大的了。– 维克多·雨果市场参与者总是希望行业变得更加高效：“去除中间人”，“降低成本”，“合理化”。我们终于尝到了我们自己的药。市场长期平均回报率为每年 8%。然而，大约 60%的专业基金经理年复一年地表现不佳。90%的散户投资者都失败了。我们交易的方式显然不起作用。尽管充满了傲慢自大，但金钱的皇帝们却一直在赤裸裸地游行。如果我们想要在这个市场达尔文主义中生存下来，我们就必须共同进化。进化不会留下任何囚犯。全球变暖是金融服务领域的现实。积极管理的资金冰川正在融化。
2024-05-09 16:42:44
303
原创 Python 卖空算法教程（三）
原文：zh.annas-archive.org/md5/ceefdd89e585c59c20db6a7760dc11f1译者：飞龙协议：CC BY-NC-SA 4.0第十章：优化投资范围市场参与者通常觉得市场的广大相当令人生畏。因此，在我们开始将我们在前几章中涵盖的想法转化为结合的投资策略之前，我们将专门撰写一个简短的章节，将市场简化为可管理的投资范围。在本章中，我们将从一些概念性的盲点开始，讨论长/短期业务，试图为你将要进行交易的现实世界提供一些有价值的背景信息。接下来，我们将跟随资金的脚步
2024-05-09 16:40:13
369
原创 Python 卖空算法教程（二）
让我们回顾一下。那神秘的、神秘的、神话般的、神奇的交易优势不过是我们在学校学到的一个叫做收益期望的小公式。现在，事实证明，具有正向交易优势的策略往往分为两大类。这种情况不论时间跨度、资产类别、工具和市场阶段如何。市场参与者期待非效率性要么纠正并恢复到平均水平，要么持续并形成趋势。这些策略是互斥的。它们具有相反的回报和风险特征。然后，我们花时间了解了每种策略类型的特性，以便我们能够想出更好的方法来设计一个更优越的交易优势。现在我们了解了这些策略的行为方式，下一步是卷起袖子，打开引擎盖，调整信号引擎。
2024-05-09 16:39:28
158
原创 机器学习算法交易教程第二版（一）
原文：zh.annas-archive.org/md5/a3861c820dde5bc35d4f0200e43cd519译者：飞龙协议：CC BY-NC-SA 4.0序言如果你正在阅读这篇文章，你可能已经意识到机器学习（ML）已经成为许多行业的战略能力，包括投资行业。与 ML 的兴起密切相关的数字数据的爆炸对投资产生了特别强大的影响，而投资已经有了使用复杂模型处理信息的悠久历史。这些趋势正在促成量化投资的新方法，并增加了将数据科学应用于自主和算法交易策略的需求。跨资产类别的交易范围非常广泛，因
2024-05-09 16:38:39
221
原创 机器学习算法交易教程第二版（五）
要对多个样本的特征重要性进行高层次概述，有两种绘制 SHAP 值的方法：一种是对所有样本进行简单平均，类似于之前计算的全局特征重要性度量（如图 12.15左侧面板所示），或者绘制散点图以显示每个特征对每个样本的影响（如图的右侧面板所示）。散点图根据其在所有样本中的总 SHAP 值对特征进行排序，然后显示每个特征对模型输出的影响，由 SHAP 值来衡量，作为特征值的函数，其颜色表示特征值，红色表示相对于特征范围的高值，蓝色表示低值：图 12.15：SHAP 概要图与传统特征重要性相比，
2024-05-09 16:37:43
300
原创 机器学习算法交易教程第二版（四）
原文：zh.annas-archive.org/md5/a3861c820dde5bc35d4f0200e43cd519译者：飞龙协议：CC BY-NC-SA 4.0第九章：用于波动率预测和统计套利的时间序列模型在第七章，线性模型 - 从风险因素到资产收益预测中，我们介绍了用于推断和预测的线性模型，从静态模型开始，考虑具有即时影响的横截面输入的同时关系。我们介绍了普通最小二乘法（OLS）学习算法，并且发现它对于正确指定的模型产生无偏系数，且残差与输入变量不相关。假设残差具有恒定方差，可以保证 O
2024-05-09 16:36:34
105
原创 机器学习算法交易教程第二版（三）
在本章中，我们介绍了我们的第一个机器学习模型，使用线性模型作为回归和分类的重要基线案例。我们探讨了两种任务的目标函数的构造，学习了各种训练方法，并学会了如何对模型进行推断和预测。我们将这些新的机器学习技术应用于估计线性因子模型，这些模型对于管理风险、评估新的α因子以及评估绩效都非常有用。我们还应用了线性回归和分类来完成第一个预测任务，即绝对和方向性地预测股票回报。在下一章中，我们将总结迄今为止所学内容，并以机器学习用于交易的工作流程形式呈现出来。
2024-05-09 16:35:05
130
原创 机器学习算法交易教程第二版（七）
)我们使用我们需要将 AlexNet 架构调整到与竞赛中使用的 ImageNet 样本相比，CIFAR-10 图像的较低维度上。为此，我们保持原始滤波器的数量，但将它们变小（有关实施细节，请参见笔记本）。摘要（见笔记本）显示了五个卷积层，后跟两个频繁使用批量标准化的全连接层，共计 2150 万参数。笔记本说明了如何应用迁移学习到基于 VGG16 架构的深度 CNN，如前一节所述。
2024-05-09 16:34:19
224
原创 机器学习算法交易教程第二版（六）
在上一章中，我们使用了词袋BOW）模型将非结构化文本数据转换为数字格式。该模型抽象了词序，并将文档表示为词向量，其中每个条目表示令牌对文档的相关性。由此产生的文档-术语矩阵DTM）—或作为术语-文档矩阵的转置—用于比较文档之间或基于其令牌内容的查询向量的相似性，因此，找到干草堆中的大头针。它提供了有用的功能来对文档进行分类，例如在我们的情感分析示例中。然而，这种文档模型产生了高维度数据和非常稀疏的数据，但它很少总结内容或接近理解内容是什么。在本章中，我们将使用无监督机器学习从文档中提取隐藏的主题，使用。
2024-05-09 16:33:12
200
原创 机器学习算法交易教程第二版（九）
机器学习过程中的第一步之一是定义算法要优化的目标。有时，选择很简单，比如在回归问题中。分类任务可能更困难，例如，当我们关心精确率和召回率时。将冲突的目标整合成一个单一指标，如 F1 分数，有助于集中优化工作。我们还可以包括需要满足的条件而不是优化的条件。我们还看到，强化学习完全取决于定义正确的奖励函数来指导代理的学习过程。
2024-05-09 16:32:07
287
原创 机器学习算法交易教程第二版（二）
原文：zh.annas-archive.org/md5/a3861c820dde5bc35d4f0200e43cd519译者：飞龙协议：CC BY-NC-SA 4.0第四章：金融特征工程-如何研究阿尔法因子算法交易策略由指示何时买入或卖出资产以相对于基准（如指数）生成优越收益的信号驱动。资产回报中未被此基准暴露解释的部分称为阿尔法，因此旨在产生这种不相关回报的信号也称为阿尔法因子。如果您已经熟悉 ML，您可能知道特征工程是成功预测的关键要素。在交易中也不例外。然而，投资领域特别丰富，有几十年的
2024-05-09 16:30:53
242
原创 机器学习算法交易教程第二版（八）
不久我们将看到，一旦训练了自动编码器，我们就可以使用编码器来压缩数据。在本章中，我们介绍了无监督学习如何利用深度学习。自动编码器学习复杂的、非线性的特征表示，能够显著压缩复杂数据而损失很少信息。因此，它们对于应对与具有许多特征的丰富数据相关的维度灾难特别有用，尤其是具有替代数据的常见数据集。我们还看到如何使用 TensorFlow 2 实现各种类型的自动编码器。最重要的是，我们实现了最近的学术研究，从数据中提取数据驱动的风险因素来预测回报。与我们在第十三章中对这一挑战的线性方法不同，
2024-05-09 16:29:18
251
原创 【译】下一个大型编程语言是英语（自然语言）
来源：every.to/chain-of-thought/i-spent-24-hours-with-github-copilot-workspacesGitHub Copilot 就像程序员的自动完成功能。当你输入时，它猜测你想要完成什么，并建议它认为你将要编写的代码块。如果它猜对了——而它经常猜对——你只需按下 Tab 键，它会为你填写剩下的部分。在 ChatGPT 到来之前的 2021 年推出的 Copilot，是真正开始蓬勃发展的编程的第一个突破性生成 AI 应用案例。
2024-05-08 18:26:25
678
原创 【译】使用（滥用）LLM 压缩文本
大型语言模型是在大型文本数据集上进行训练的，以学习更大文档中单词的关系和上下文。这些关系是模型生成文本的基础。最近，我读到了关于 LLMs 被训练在受版权保护的文本上并将其复制的担忧。这让我想：可以从 LLM 中提取训练文本吗？答案当然是肯定的，而且这不是一个新的（或开放的）问题。这让我想知道提取整本书需要什么，或者让 LLM 复制它从未直接训练过的文本需要什么。我想，大部分情况下，许多文本包含自然与模型学习的语言关系相一致的部分。
2024-05-08 10:54:27
2554
2
原创 【译】2024 年的机器遗忘/反学习
取消学习过程有时可能需要外部审计，意味着我们希望证明取消学习过程确实已发生。伪造”的主要思想是存在两个不同的数据集，当对其进行训练时，将产生相同的梯度和（因此）相同的模型。这在直觉上是正确的：将点线性回归至完美直线；移除任意一个点都不会改变拟合的直线；想象一下小批量 GD，其中将一个示例梯度替换为几个“假”梯度的总和会产生相同的批量梯度。伪造意味着基于 DP 的近似取消学习可能无法通过审核——也就是说，取消学习服务提供者无法正式证明遗忘集确实被遗忘了。
2024-05-08 10:40:44
990
公司的自建邮件服务器投不进 163，显示“451 DT:SPM”
2020-02-19
imagemagick 从 png 转换的 pdf 太大了
2020-02-19
TA创建的收藏夹 TA关注的收藏夹
TA关注的人