首页 > TAG信息列表 > 量化
云锵投资 2022 年 8 月简报
2022 年 8 月云锵投资团队月报： 摘要 本月起，调整 YQ6、YQ5 的业绩比较基准为“中证流通”。 期货策略进行了升级，预计带来更多 Alpha。 本月量化基金策略业绩：中； 本月量化股票策略业绩：优； （优良中差，表明全国排名四位分） 本月，沪深300 -2.19%。本月继续下跌，各类指标指示，目前处于相对低点量化平台/数据的使用
聚宽 指数数据 判断股票是不是ST https://blog.csdn.net/lxb20083321/article/details/118669506 Get_price field必须是['open', 'close', 'high', 'low', 'volume', 'money', 'avg', 'high_limit',金融知识--高频交易和量化交易
高频交易和量化交易有3点不同: 一、两者的概述不同:1、高交易的概述:指从那些人们无法利用的极为短暂的市场变化中寻求获利的计算机化交易。例如:牛奶的价格不断飙升，你在家里获得信息后，马上赶往超市购买。超市门口的牛奶黄牛党，守在超市门口，抢先购买牛奶之后卖给闻讯从家赶来的你。理论笔记4
计算机理论笔记 注:本文所说计算机是广义上的计算机包括但不限于非冯诺依曼体系计算机 本文覆盖范围其第一章，请放心饮用 关于计算机的分类，可以按用途和性能和规模，字长，数据处理，分类。 对于前面三种大家应该都有所耳闻。 接下来着重强调按数据分类的数字计算机和模拟计算机 首先，什云锵投资 2022 年 7 月简报
2022 年 7 月云锵投资团队月报： 摘要 本月量化基金策略业绩：良； 本月量化股票策略业绩：优； （优良中差，表明全国排名四位分） 本月，沪深300 -7.02%。本月又跌了不少，各类指标指示，目前处于相对低点。是加仓的时点。股东可考虑最近额外加仓一定的资金；未来2-3年内，上涨的可能性远大于下跌；另，可留TracedModule: 更友好的模型表示方案，模型训练到部署的桥梁
作者：曹文刚 | 旷视 MegEngine 架构师 TracedModule 介绍 TracedModule 是 MegEngine 中的一种模型格式，用于脱离模型源码对模型进行训练、量化、图手术和模型转换，它是模型训练到部署之间的桥梁。 图 1 从一个普通 Module 生成 TracedModule TracedModule 产生自普通的 Module，它文本挖掘预处理之TF-IDF
原地址 目录前言1. 文本向量化特征的不足 前言 在文本挖掘预处理之向量化与Hash Trick中，我们讲到，在文本挖掘的预处理中，向量化之后一般都伴随着TF-IDF的处理，那么什么是TF-IDF，为什么一般我们要加这一步预处理呢？这里就对TF-IDF的原理做一个总结。 1. 文本向量化特征的不足 在将文本分对比学习量化评价
在超球面上通过对齐和一致实现理解对比表示学习 —— 论文阅读笔记 两个对比损失最关键的要素： 正例对特征的对齐（就是找最接近的正例对）。 超球面特征分布的均匀分布（可以保存最多的信息 torch 版本代码： # bsz : batch size (number of positive pairs) # d : latent dim # x : TePython量化-如何获取实时股票信息
如何获取实时股票信息 股票信息的接口有很多，之前大家常用的是新浪的，但在年初的时候，新浪的接口突然不能使用，给大家造成了很大的困扰，为此网上也有很多教程教大家如何从新浪获取数据，跟着教程弄了半天也不行，索性换到126（也就是网易了），感觉速度都还不错。 首先我们看下接口地址：http://api量化交易 - matplotlib画candle图
需要mplfinance包 pip install mplfinance --upgrade from matplotlib import style import pandas as pd import mplfinance as mpf import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.un量化交易-可视化展示(grafana)
先上图 简单的实现了一下,效果还好,可玩性强 大概部署mysql+grafana step 1: 服务器:阿里云,ucloud啥的随意,配置也不需要什么,我的是阿里云1核1GB,足以 我用的ubuntu 后面的操作都是以ubuntu为例 服务器安装宝塔 https://www.bt.cn/new/download.html 我们登陆服务器 直TVM 模型量化
TVM 模型量化 [RFC] Search-based Automated Quantization I proposed a new quantization framework, which brings hardware and learning method in the loop. Brought the idea from some existing quantization frameworks, I choose to adopt the annotation-calibration-rAI趋势量化系统（Binance升级版）
更多精彩内容，欢迎关注公众号：数量技术宅，也可添加技术宅个人微信号：sljsz01，与我交流。 B圈大跌行情，如何应对？ 近期，伴随着美联储持续的加息进程，数字货币市场不论是市场焦点LUNA，还是BTC、ETH等主流币种，都出现了幅度较大的下跌。持有现货，或是抄底做多合约的投资者朋友，都遭受了不同程度的【翻译笔记】上下文切换代价量化笔记
【原文】 https://www.usenix.org/legacy/events/expcs07/papers/2-li.pdf 1）介绍 上下文切换的代价 直接代价：进程寄存器的保存和恢复，os的线程调度，tlb的加载，processor的pipline刷新 cache影响代价：不同的负载下，不同的内存访问模型导致cache miss代价 2）衡量方法 直接代价量化方法 2个量化训练之可微量化参数——LSQ
(本文首发于公众号，没事来逛逛) 有读者让我讲一下 LSQ (Learned Step Size Quantization) 这篇论文，刚好我自己在实践中有用到，是一个挺实用的算法，因此这篇文章简单介绍一下。阅读这篇文章需要了解量化训练的基本过程，可以参考我之前的系列教程。 LSQ 是 IBM 在 2020 年发表的一篇文章量化 - 多因子策略2
学习目标： 一、多因子的筛选阶段介绍 1.1 挖掘因子的过程 二、单因子有效性分析 - 目的 三、单因子有效性分析 - 因子IC分析量化 - 多因子策略
一、Alpha 和 Beta alpha难得，想获得alpha就需要通过多因子策略等方法，来获得！ 二、多因子策略 理论介绍 2.1 什么是多因子策略 特征：因子 目标值：股票收益（需要计算） 2.2 多因子(Alpha因子)的种类 按照因子分析角度： 按照因子来源的角度： 2.3基于PPQ的CNN卷积神经网络INT8型量化感知训练应用小结
1、引言 对于在FPGA端侧进行CNN卷积神经网络加速，合适的量化方法不仅能够有效的提升DSP在单位周期内的操作数，同样也能够降低对存储空间、片内外交互带宽、逻辑资源等的需求。例如采用16Bit量化方式，每个DSP可以进行1次乘法运算；采用8Bit量化方式，DSP可以进行2次乘法运算，这个在之前的博量化 - 量化回测框架
一、框架介绍 基础回测框架 不适用 云端的框架 二、策略创建运行流程 2.1 一个完整的策略，需要做的事情 2.2 策略初始设置介绍 2.3 策略主体运行流程分析 如果 回测频率 选的是每分钟，那么handle_bar就是每分钟判断一次。 三、国内又一款效能度量工具发布，让研发效能真正可量化、可分析、可提升
子产品 Insight 的发布，标志着 PingCode 正式进入数据化时代。自此，PingCode 在自动化、数据化、智能化的道路上又迈出坚实一步。 在数字化的时代，研发效能已经成为一家科技公司的核心竞争力。 在软件研发领域，效能提升的方法论和实践一直在快速发展。比如，我们熟知的敏捷开发方量化 - 量化策略
一、量化策略架构 二、量化语言选择 - Python 三、通过哪些方法做量化投资【python股票量化】人气指标AR策略编程实现
【python股票量化】人气指标AR策略编程实现 需求的朋友可以下载 有需要的朋友加VX：微位移：图像压缩
以秒为单位的微移位压缩。III包括两个步骤，因此解压缩可以通过简单地反转操作来完成。由于子图像是无损压缩的，因此可以通过帧内或帧间预测使用因果像素来完全恢复它们。无损解压缩以相反的顺序遵循算法1的相同步骤。有了子图像 ，我们可以将它们组合起来，得到位深度为M位的微位移图盘点一下后训练量化的基本操作
(本文首发于公众号，没事来逛逛) 这篇文章简单聊聊后训练量化的一些常规操作。 一些基础知识 在此之前，还是需要先了解一下后训练量化 (下面简称 PTQ，Post-training Quantization) 是啥？具体细节这里就不展开了，不熟悉的读者欢迎看回我之前的文章 (神经网络量化入门--后训练量化)。简单盘点一下后训练量化的基本操作
(本文首发于公众号，没事来逛逛) 这篇文章简单聊聊后训练量化的一些常规操作。 一些基础知识 在此之前，还是需要先了解一下后训练量化 (下面简称 PTQ，Post-training Quantization) 是啥？具体细节这里就不展开了，不熟悉的读者欢迎看回我之前的文章 (神经网络量化入门–后训练量化。