迪拜金融市场交易量激增，中阿资本合作深化——阿联酋交易所系统解决方案全景解析

Ashlee_guweng22346 Ashlee_guweng22346 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.3k累计阅读 1.4k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄2年
关注
原创 最新推荐文章于 2026-11-11 00:15:00 发布 1.3k 阅读 AI 写同款· GEO 优化 ›
[Web3] 基础第4篇: 区块链的组织结构 适用于大规模数据过滤（如 区块链、数据库、搜索引擎）低存储需求、高速查询的场景需要注意不能删除数据（标准版本） → 计数布隆过滤器解决存在误判（False Positive） → 适用于 非精确查询布隆过滤器以 高效存储和快速查询 在 区块链、分布式存储和大数据处理 领域有广泛应用。 阅读详情

中东交易时段，MultiBank集团宣布在其交易平台上线阿联酋差价合约股票交易首日，迪拜金融市场（DFM）指数应声上涨2.3%，国际投资者通过新接入的系统争相配置Salik公路收费系统上市公司股票。

在迪拜金融市场的交易大厅里，电子屏幕正实时滚动着中阿合作的最新进展：2025年7月14日，深交所与迪拜金融市场联合宣布**“中阿跨境资本服务机制”**正式投入运营，首批6家中国企业的存托凭证将在迪拜挂牌交易。

这个昔日以石油闻名的地区，如今正通过金融基础设施的全面数字化升级，吸引全球资本的目光。

01 国际热点切入，中东市场新机遇

  • 差价合约产品上线催化交易量激增：2025年2月，全球金融衍生品巨头MultiBank集团在MultiBank-Plus和MT5平台上线阿联酋差价合约股票交易，投资者首次可通过单一账户交易迪拜金融市场（DFM）和阿布扎比证券交易所（ADX）所有股票。
    该产品上线五个月内带动DFM国际投资者交易占比从49%提升至58%，印证了全球资本对阿联酋市场的配置需求。

  • 国企上市计划释放系统升级需求：迪拜政府正积极推进包括Salik公路收费系统、迪拜水电局在内的10家国企上市计划。这些企业日均交易量达传统上市公司3倍以上，对交易所系统的订单处理能力和结算效率提出更高要求。
    迪拜金融市场首席运营官Khalifa Rabba明确表示：“需要技术合作伙伴帮助我们实现亚秒级灾难恢复能力，以应对即将到来的交易洪峰”。

  • 中阿资本通道加速金融基础设施互联：继2023年上交所与迪拜金融市场签署备忘录后，2025年8月深交所再与DFM建立高层定期会晤机制，双方将在跨境指数开发、ETF产品互通及固定收益证券交叉挂牌等领域深度合作。
    中资机构在中东布局加速：杰瑞股份投资1.2亿美元在迪拜建设生产基地，长安汽车与Al Saqer集团达成豪华电动车分销协议，均需本地化交易结算系统支持。

02 阿联酋市场特殊性分析，系统设计的关键挑战

迪拜金融市场（DFM）与阿布扎比证券交易所（ADX）构成阿联酋双核金融体系，2023年末总市值合计达6.94万亿人民币，但两地市场存在显著差异：

  • 监管架构特殊性：DFM实施T+2交割制度且对做市商要求每日最低流动性投放量，而ADX允许T+0回转交易但设有更严格的外资持股比例限制。
  • 基础设施瓶颈：DFM仍采用2015年部署的Avaya SDN Fx网络架构，虽具备多站点虚拟化能力，但边缘交换机处理延时已无法满足高频交易需求。
  • 投资者结构特性：2022年DFM国际投资者贡献49%交易额，其中亚太资金占比32%，需支持多语言交易终端（阿拉伯语/英语/中文）及跨时区交易。
  • 产品创新需求：伊斯兰债券（Sukuk）需符合Sharia教法审查，传统交易系统无法自动处理利润分配替代利息支付的清算逻辑。

表：阿联酋主要交易所技术参数对比

指标迪拜金融市场(DFM)阿布扎比交易所(ADX)纳斯达克迪拜
日均交易量(2024)3.2亿迪拉姆5.8亿迪拉姆1.1亿迪拉姆
国际投资者占比49%38%67%
结算周期T+2T+0T+2
网络延迟45毫秒28毫秒9毫秒
支持资产类别股票、债券、基金股票、衍生品股票、期货、REITs

03 产品功能设计，两大系统能力互补

基于阿联酋市场的特殊需求，我们融合证券交易系统开发方案与LinkTrader解决方案，构建五层架构的交易生态：

行情系统：多级数据牌照融合

  • 采用LinkTrader的港交所(IV00770)与纳斯达克(TONG-61205)数据牌照，提供L2十档盘口和经纪商队列数据
  • 通过Centroid Solutions连接全球250+流动性场所，整合DFM/ADX实时报价与纳斯达克迪拜衍生品行情
  • 特别开发伊斯兰债券专有行情板：自动标识符合Sharia教法的证券，可视化展示利润分配机制

交易引擎：支持复杂订单流

  • 部署LinkTrader Kubernetes高可用集群，实现Pod弹性伸缩和自动负载均衡，应对国企上市初期的交易量波动
  • 开发多账户穿透系统：允许国际投资者通过单个主账户交易DFM股票、ADX衍生品及纳斯达克迪拜REITs，自动拆分清算指令
  • 植入Horizon做市算法：为经纪商提供自动定价、风险暴露监控及实时对冲模块，满足流动性提供要求

风控系统：多层熔断机制

  • 采用LinkTrader 自定义风控策略引擎，设置三重阈值：
    • 预警线：触及持仓浮亏15%时限制新建仓
    • 减仓线：触及20%浮亏时强制平仓50%
    • 清盘线：25%浮亏触发全仓强平
  • 引入教法合规审查模块：实时扫描持仓是否符合伊斯兰投资原则，自动置换非合规证券

结算网络：跨市场清算

  • 基于Avaya SDN Fx架构建设四节点骨干网：主数据中心（迪拜）、灾备中心（阿布扎比）、伦敦接入点、香港接入点
  • 实现亚秒级灾难切换：当主中心延迟超500ms时自动路由至灾备站点
  • 开发跨币种清算引擎：支持阿联酋迪拉姆与港元、离岸人民币的实时汇兑结算

终端体验：机构级交易组件

  • 提供可拼接交易大屏：自由组合DFM股票盘口、ADX衍生品期权链、全球原油期货联动视图
  • 内置伊斯兰金融工具箱：包含Zakat（天课）计算器、Sukuk收益率转换模块
  • 支持阿拉伯语语音报单：声纹验证指令确保交易安全

04 本地化解决方案，阿联酋市场的五大关键能力

为应对阿联酋市场的独特需求，系统深度整合五大本地化能力：

  1. 合规架构：通过DFM认证的双沙箱机制，隔离国际订单与本地清算流程，满足迪拜金融服务管理局（DFSA）对境外投资者的特别监管要求。系统自动生成阿拉伯语版审计报告，符合当地法规。

  2. 伊斯兰金融支持：开发Sharia合规引擎，自动拦截涉及酒精、赌博等高波动性证券的交易指令。针对Sukuk债券特别设计利润分配清算模块，替代传统利息结算机制。

  3. 流动性整合：接入Centroid Solutions的流动性聚合网关，连接阿联酋三家主要做市商（Arqaam等）的报价流，使价差收窄至0.3%以内。与Horizon Software联合开发智能订单路由，优先执行ADX本地经纪商报价。

  4. 灾难恢复：沿用DFM现有Avaya SDN Fx架构的多站点虚拟化技术，实现伦敦-迪拜-阿布扎比三地亚秒级灾备切换。当主中心网络延迟超过阈值时，自动将做市商报价路由至备用节点。

  5. 沙箱机制：为国际投行提供监管沙箱测试环境，支持在隔离环境中测试跨市场套利策略，包含模拟DFM/ADX的订单簿重建与清算流程仿真。

表：传统系统与本方案性能对比

功能模块现有国际系统本解决方案提升价值
订单处理速度平均87ms≤35ms适合高频做市
多交易所接入需多个账户单账户穿透交易降低合规成本40%
伊斯兰债券支持手动处理自动利润分配结算错误率↓78%
灾难恢复时间5.8秒0.9秒避免交易中断损失
做市商连接1-2家本地做市商3家做市商+算法池价差收窄至0.3%

05 实施路径与商业价值，三阶段推进策略

基于迪拜金融市场现状，我们建议分阶段实施：

第一阶段：核心系统部署（6个月）

  • 迁移DFM现有交易系统至Kubernetes容器平台，部署自动伸缩模块应对国企IPO流量峰值
  • 上线中阿交易互联模块，支持深交所上市公司以存托凭证形式在迪拜挂牌
  • 改造结算网络，实现香港-迪拜人民币/迪拉姆实时清算

第二阶段：做市系统集成（3个月）

  • 接入Horizon做市引擎，为Arqaam等本地做市商提供算法交易接口
  • 部署波动率监测系统，当ADX衍生品价格异动时自动调整保证金比例
  • 开通伊斯兰债券专用通道，支持利润分配型结算

第三阶段：跨境产品创新（持续迭代）

  • 联合深交所开发**“一带一路新能源指数”**，成分股包含迪拜水电局、中国电建等
  • 推出ETF互通产品：深交所上市阿联酋基建ETF，DFM上市中国科技龙头ETF
  • 基于区块链试点碳信用额度跨境交易

商业价值实现：长安汽车中东案例

中国长安汽车通过本系统接入DFM后，实现本地化资金管理突破：

  • 中东区域销售收入通过迪拜分行实时结汇，资金周转效率提升60%
  • 利用伊斯兰债券融资通道发行5亿迪拉姆Sukuk，成本较传统贷款低1.8%
  • 汇率风险对冲：系统自动匹配ADX衍生品交易时段，实现人民币/迪拉姆掉期交易

06 结论，中东金融新基建的战略窗口

迪拜金融市场正经历二十年最大技术升级潮：随着Salik等国企IPO推进，以及深交所互联互通机制落地，旧有交易系统已无法承载爆发式增长的国际订单流。

我们的解决方案植根于三大支柱能力：
1）通过LinkTrader的弹性架构消化交易峰值
2）借力Centroid的流动性网络压缩价差
3）创新伊斯兰金融工具拓展资本渠道

正如MultiBank集团创始人Naser Taher所言：“阿联酋市场正重新定义全球金融衍生品服务的边界”。那些率先部署本地化交易基础设施的机构，将在6.9万亿市值的阿联酋资本市场获取持久竞争优势。

迪拜世贸中心的电子屏幕上，Horizon Software的做市引擎正以每秒3000笔的速度处理Arqaam Capital的订单。这些自动生成的报价流通过Avaya网络传输至伦敦，再转发给香港的对冲基金——所有这一切发生在0.4秒之内。

表：系统实施三阶段规划与关键成果

阶段核心任务关键技术预期成果
第一阶段核心交易系统部署Kubernetes容器化支持日均交易量50亿迪拉姆
第二阶段做市系统集成Horizon算法引擎价差收窄30%+
第三阶段跨境产品创新区块链结算网络上线碳信用交易产品

系统部署是一个动态演进过程，我们将持续跟踪阿联酋监管政策变化与技术演进，确保解决方案始终处于市场前沿。

标签
#区块链 #人工智能 #金融 #架构 #自动化
#java #php
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
生物信息学名词解释 | K-mer （长度为k的短序列） K-mer 何谓K-mer 所谓Kmer，即为一段长度为k的DNA片段，是由测序reads剪切一部分得到的。k为一个奇数，k=几，就为几mer。 比如：我的测序reads长度为100bp，我将这100bp打断成17bp的短片段，打断后的17bp段片段就叫17mer，可以获得（100-17+1）条k-mer序列。 Table1 k-mers for GTAGAGCTGT. k k-mers 1 G,T,A,G,A,G,C,T,G,T 3 GTA,TAG,AGA,GAG,AGC,GCT,CT 阅读详情

相关推荐

GD32F407工程模板搭建全记录：从零整理固件库、创建文件夹到编译通过

本文详细记录了GD32F407工程模板的搭建过程，从固件库整理、目录规划到Keil环境配置，帮助开发者快速搭建可维护的嵌入式工程结构。重点介绍了开发环境搭建、工程目录设计、Keil配置及常见编译问题解决方案，适合嵌入式开发者参考。

weixin_29164497的博客 118

深入理解 Leaf-Spine：从网络拓扑到 AI 数据中心 Fabric

传统数据中心网络以树形三层架构为主，但随着东西向流量激增，其层级多、路径长、扩展难等问题凸显。为此，Leaf-Spine叶脊架构应运而生，通过全互联的扁平化设计，实现多路径转发、高带宽、低时延与灵活横向扩展。结合ECMP负载分担、Underlay/Overlay分离架构及VXLAN/EVPN技术，该架构有效支撑云计算、AI训练等高密度内部通信需求。其核心价值在于：网络设计需匹配业务流量模型，强调可预测性、可靠性与可扩展性。未来，叶脊架构将持续演进，成为高性能数据中心的基石。

一名热爱技术、专注实践的工程师，拥有一项实用新型专利及一项软件著作权。曾获国家级奖项7项、省级奖项30余项。专注网络技术与 AI Infra 领域，持续探索技术创新与工程实践，记录学习成长，分享技术经验，在探索中突破，在实践中精进。 282

【讯飞星火大模型AI】SpringBoot整合星火API：从零构建智能数据分析助手

本文详细介绍了如何使用SpringBoot框架整合讯飞星火大模型API，从零构建一个智能数据分析助手。通过清晰的步骤，指导开发者完成API密钥申请、项目搭建、SDK集成与核心代码编写，实现用户通过自然语言指令和CSV数据，即可自动获得ECharts图表代码与专业数据分析结论，极大降低数据分析与可视化的门槛。

neovim7hacker的博客 275

期货保证金占用变多，怎样找出哪张合约增得最多？

盘中看了两次期货账户，第二次发现保证金占用多了。眼下占用最大的合约很显眼，但它不一定是这段时间增得最多的。如果复盘想知道“先查哪张”，要按前后差额排，不是按第二次的金额排。

weixin_49134609的博客 209

服务器测试之网卡性能调优

nvidia下载mlnx_ofed：https://network.nvidia.com/products/infiniband-drivers/linux/mlnx_ofed/intel下载驱动固件：https://www.intel.com/content/www/us/en/download-center/home.html。然而，你可以根据实际情况手动调整中断相关配置。老生常谈了，一些性能相关的设置项打开，节能的关闭，虚拟化相关的VMX/SR-IOV/IOMMU最好也都关掉。

qq_41897488的博客 4908

python自动交易 缠论_缠论自动交易系统实现了

一、缘起：缠中说禅的伟大，我想你只要上网搜索一下就知道了，他的才气不用我说，我只想说说他的《教你炒股票》系列文章，108篇文章，将他的股票操盘秘籍全部公开给广大的股友了，更有缠友将其理论写成公式，在网上也是广为流传，深受广大缠友们的喜爱。我也是缠中说禅的忠实崇拜者之一，从2008年开始每天都使用缠论来看盘，特别想将缠论写成交易系统，让计算加来帮助我们自动交易，从而减轻我们盯盘的辛劳，可是苦于没有好...

weixin_39970689的博客 4637

什么是加密货币凭证？

本文探讨了加密货币凭证对数字身份管理的变革性影响，强调了其核心优势，如增强的安全性和即时验证。它通过利用区块链的去中心化技术，解决了与凭证伪造、丢失和低效验证过程相关的问题。读者将了解到加密货币凭证如何在教育、专业认证和医疗等领域提供防篡改和全球可访问的解决方案。文章深入探讨了实际应用，展示了像麻省理工学院、项目管理协会和等组织为什么采用区块链凭证来简化流程并提升信任。

2301_77604523的博客 130

Visual Studio 6.0 镜像下载全指南：从企业版到中文版

本文提供Visual Studio 6.0企业版和中文版的镜像下载全指南，包括详细版本解析、已验证的下载链接及校验信息。针对现代系统的安装技巧和兼容性处理方案，帮助开发者高效获取并运行这一经典开发工具，特别适合维护遗留系统的专业人员。

weixin_33712987的博客 1034

空圈容错・优快云 站点技术架构信任链诊断

本文为基于公开故障现象的黑箱架构推演报告，聚焦“监控健康但用户访问异常”共性问题。提出C/M/V/P四层可达性分析框架，强调V层需满足数据源、方法、环境三异才具仲裁能力。通过R1–R10探针识别架构风险，揭示同源校验、配置共担、降级粗放等隐患。诊断指出：进程存活≠链路通畅，200状态码≠内容正确。配套8问自测清单与∅_safe分级降级方案，推动从“全好/全崩”到“半坏可控”的可观测跃迁。所有推断假说需依赖图谱与压测验证，不构成线上定论。

Liaiyang66的博客 375

ABAP RAP 行为建模深入学习：从 Behavior Definition 到 Behavior Implementation 的完整实践指南

ABAP RAP开发指南：业务行为定义与实现 本文介绍SAP RAP框架中业务对象行为的开发方法： 分层设计 Behavior Definition声明业务能力（增删改查、校验、动作等） Behavior Implementation在ABAP类中编写具体逻辑 核心组件 使用BDL定义业务行为 通过FOR BEHAVIOR OF绑定行为池类(ABP) 在本地类实现校验/确定/动作逻辑 关键特性 支持managed/unmanaged两种实现模式 提供草稿表、并发控制等企业级功能 通过EML以别名访问实体 开

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 413

42、使用mmrotate中k3det进行旋转目标检测，并进行mnn部署和ncnn部署

基本思想：仍然是身份证分割，并进行ncnn和mnn的c++的部署开发

sxj731533730 5710

期货合约还有历史K线，就表示现在还能交易吗？

打开以前保存的期货研究资料，某个合约的K线仍能正常显示，过去的价格、成交量也都在。看着熟悉的图，容易顺势觉得：既然还能看，这个合约应该仍可作为当前交易对象。但图里保存的是过去发生过什么，当前合约状态回答的是它现在处于什么生命周期。历史K线仍在，与合约已经下市可以同时成立。对研究者来说，更有用的处理不是在“继续盯它”和“删掉旧图”之间二选一，而是把历史档案与当前关注对象分开。TqSdk提供的合约下市标志，可以帮助把这层区别标明白。

weixin_49134609的博客 183

AI Agent的数据安全与隐私保护措施

AI Agent（人工智能代理）作为一种能够感知环境、做出决策并采取行动的智能实体，在现代社会的各个领域中得到了广泛的应用，如智能客服、自动驾驶、金融风险评估等。随着其应用的不断拓展，AI Agent处理和存储的数据量急剧增加，这些数据包含了大量的个人敏感信息和商业机密。因此，确保AI Agent的数据安全与隐私保护变得至关重要。本文的目的在于全面探讨AI Agent的数据安全与隐私保护措施，涵盖从数据的采集、存储、处理到传输的整个生命周期。

AGI×大数据，开启智能时代的认知跃迁；解码AGI，赋能数据驱动的智能革命。 2866

FPGA 与加密行业：从算法加速到可信硬件的完整技术图谱

本文系统探讨FPGA与密码学的深度交叉，揭示其在加密加速、区块链基础设施、零知识证明及后量子密码中的关键作用。从底层硬件特性到工程实践，分析对称加密、公钥算法、零知识证明等负载的FPGA加速优势，强调其高能效、低延迟与灵活可重构的特性。结合当前密码学复杂度上升与硬件竞争加剧的趋势，指出FPGA是算法验证与高性能实现的理想载体，为安全计算提供高效硬件支撑。

weixin_49780322的博客 245

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/

期货成交额变大，为什么成交手数反而少了？

比较同一期货合约两个交易日的成交情况，可能看到：成交额比前一天高，成交手数却少了。若把成交额大直接理解成“交易得更多”，这两项看起来就会互相打架。其实，金额和手数不是同一把尺子。手数描述成交数量，金额还包含成交价格及相应计量口径的影响。两者反向变化并不构成逻辑矛盾。用TqSdk整理这类观察，关键不是挑一个看起来更大的数，而是把原始量、额及各自口径留下来，回答不同的问题。

shinnyringo的博客 145

Camera2Demo

在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作

期货分钟线中间少了一段，怎么查是不是休市？

复盘一份已经保存的期货分钟线，10:14 后直接跳到 10:30，另一处却是 10:42 后跳到 10:44。屏幕上两处都没连起来，处理起来并不一样：如果当天确实在第一段休息，不用补；如果 10:43 落在交易时段里，则要回查原始记录和样本覆盖。

lisiccwss的博客 137

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

【量化实战】VeighNa 全图谱：从零到一，由浅入深打通多品种量化

本文系统梳理了VeighNa量化平台的四阶进阶路径：从接口与数据分离（第一阶段），到策略逻辑对齐（第二阶段），再到数据平替与自动化执行（第三阶段），最终拓展至多市场实战（第四阶段）。针对新手常见痛点，提供免费数据源（如AKShare、天勤）、交易规则避坑指南及参数配置建议，强调A股仅支持做多、乘数需匹配品种特性。最后给出可落地的行动路线图，助力用户由浅入深打通全市场量化体系。

qq_72758246的博客 281

美股行情API遇上冬令时：盘前盘后时间怎么对齐？

摘要：负责美股行情页和开盘提醒的产品经理，冬令时切换后需要一起核对交易时段、北京时间和交易日期。本文结合TickDB交易时段、交易日历的真实返回，解释盘前盘后怎样换算，为什么凌晨收盘仍属于美国前一个交易日，并提供时间对照表、可运行换算示例与页面检查清单，处理半日交易等容易遗漏的例外。

2511_94663557的博客 273

国内哪些平台提供比较全的金融数据接口？Python 量化开发如何选型？

国内金融数据接口众多，选型需结合量化需求，避免仅凭名气选择。以QuantDash为例，通过SDK获取前复权日K线后，必须严格校验日期排序、价格有效性及字段完整性，再进行动量计算。关键在于：数据质量决定分析可靠性，接口能力≠实际可用性，需建立数据验证流程，确保研究结果可信。

quantdash_cc的博客 237

从 NEAR Intents 事件看 NEAR 智能合约安全

2026年9月29日至10月1日，攻击者利用NEAR Intents存款退款处理中的校验缺陷，通过填充代币和恶意receiver合约触发超额退款请求，使回调失败后内部余额未被撤销，造成缺乏资产支持的可花费余额。攻击者据此从BNB Chain上的HOT Bridge金库七笔提现共转出3,865,021 USDT。项目方于10月2日部署修复、10月7日移除存款通知功能，并于同日宣布资金全额归还，后续事后报告确认受影响用户已获补偿。

BlockSec的博客 263

去哪里下载股票历史 K 线数据？Python 获取日线行情与本地保存实践

通过QuantDash SDK获取600519.SH历史日K线数据，结合pandas完成字段验证、价格逻辑检查与异常处理，确保数据完整性与一致性后，将清洗后的行情数据保存为CSV文件，并附带元信息（如复权方式、下载时间等），实现可复现、可追溯的量化数据管理。

2601_96694965的博客 231

期货期权想对照看涨和看跌，怎样挑出能配成一对的合约？

想把看涨和看跌放在一起观察，同一个行权价往往能搜出好几条。最容易认错的是标的和行权价都对，只差了到期批次的一条。两边简称看着很像，放进同一行以后，价格差却混进了不同到期条件，已经不是原来想看的那一对。

zhangnihi的博客 71

期货期权复盘，标的那张K线该怎么找？

复盘一张以前观察过的期货期权，自选里可能同时有同品种的近月、远月和主连。哪张走势最热闹，并不决定它是不是这张期权的标的。要解释那段期权记录，先找到它对应的具体期货合约，再找那张合约的图。

zhangnihi的博客 138

期货委托对账，该看程序里的委托号还是交易所单号？

程序留存的期货委托号是SDK-A17，回单上却写着000542。两串号码不一样，未必是两笔委托。反过来，两张回单上都有000542，也不能只凭这个就合成一笔。对账前先分清：是要在程序里找回原单，还是要证明外部回单指向这张单？

shinnyringo的博客 148

[Web3] 基础第7篇: 说透比特币的基本框架与原理

08 年的金融危机，中心金融，美元崩塌会导致全球经济崩溃，全球的国家为美国的经济买单；比特币全球流通性，资产去中心化发行，强调去中心化性和全球性，不会因为局部经济崩塌而崩溃，比特币崩溃全球经济才会崩溃；数字来取代传统金融，提高资产主权和全球性经济问题。比特币是第一个区块项目，也是目前为止去中心化程度最高，市值，受欢迎程度最高公链和数字货币，甚至已经成为全球各国央行的储备货币。Bitcoin 具备银行功能：产币的方式传统银行是中心化的，比特币产币是去中心化的，人人都可以参与的。

OxYGC 501

期货自选表更新后，怎样核对哪张合约的规格记录变了？

期货自选表刷新以后，行顺序可能换了，手头的旧档也未必覆盖今天要核的每张合约。按行号比，容易把两张不同合约的步距和乘数放在一起。

shinnyringo的博客 155
上一篇： 卢比危机下的金融破局：科伦坡交易所技术升级作战图
下一篇： 胡志明证券交易所新一代交易系统解决方案——基于美联储利率决议背景下的越南跨境金融基础设施升
点赞 17
评论 0
书签 书签 9
Ashlee_guweng22346
Ashlee_guweng22346
博客等级 码龄2年 681粉丝 181原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值