



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
200+累计阅读
203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8年




当前文章被以下社区和专栏收录:
量化竞赛Kaggle:Optiver - Trading at the closing movements
您的模型有助于整合来自拍卖和订单簿的信号,从而提高市场效率和可访问性,特别是在交易的最后十分钟内。您还将获得处理现实世界数据科学问题的第一手经验,类似于 Optiver 的交易员、定量研究人员和工程师所面临的问题。在本次比赛中,您面临的挑战是开发一个模型,能够使用订单簿和股票收盘竞价中的数据来预测数百只纳斯达克上市股票的收盘价变动。除非另有说明,所有截止日期均为相应日期的世界标准时间晚上 11:59。从最终提交截止日期后开始,排行榜将定期更新,以反映针对选定笔记本运行的市场数据更新。- 最终提交截止日期。
Kaggle量化比赛复盘: Optiver - Trading at the Close
基于集合竞价开始以来经过 N 秒的行情数据,进行target预测。(科学上网)
近三年量化及科技金融比赛
近三年量化比赛资源整理。
kaggle金融量化竞赛top方案汇总
看了一下今年的研究生项目,金融量化果然还是烫门,录取分数线越来越高,申请人数依然居高不下,这么多人拼命卷...目前来看,只卷学历,理论知识肯定是不够的,还得要实战背景,对于学生来说,最好获取实战经验的方式就是实习、打比赛,前者也得要先获得实习资格,后者就完全可以靠自己努力发挥了。但金融领域的国际竞赛也不常见,所以作为最高含金量的竞赛之一,kaggle金融量化相关的比赛就显得尤为珍贵。今天我就帮同学们整理了了,后续如果有新的也会来更新的(如果忘了欢迎大家来提醒!另外,我的大佬朋友还分享过自己的,以及。
【scp】Windows 下scp报错 bad permissions
Windows 下使用 SSH 连接报 Bad owner or permissions on C:\\Users\\Administrator/.ssh/config 错误问题解决 C:\Users\Administrator>scp -P 66666 D:\1111.pdf zzd@58.213.45.xx:/home/zzd/ @@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@ @ WARNING:...
3DE重客户端安装
3DE重客户端安装
大模型赋能量化交易:2024 顶尖金融量化比赛案例深度复盘
2024年金融量化领域迎来重大突破:大型语言模型与传统量化策略深度融合,在顶级赛事中展现出颠覆性潜力。本文以全球量化大赛(Global Quant Championship)冠军方案为核心,深度剖析关键技术路径与创新实践。全链条,但需警惕过度依赖历史路径依赖。下一突破点在于跨市场泛化能力与实时认知推理的结合。本次赛事证明:大模型正重构量化研究的。
【WRF理论第十四期】 VEGPARM.TBL 文件详解
WRF 读取 VEGPARM.TBL 文件
零基础入门 WorldQuant 量化赛全攻略:从 0 到 1 的量化成长路径
摘要: WorldQuant量化赛是零基础入门量化投资的黄金跳板,由国际顶级对冲基金WorldQuant LLC主办,提供低门槛实战环境。赛事分为单人赛(WorldQuant Challenge)和团队赛(IQC),涵盖因子挖掘、模型构建到回测分析的全流程,优秀选手可直通实习或全职岗位。参赛者通过平台内置工具快速测试策略,无需复杂编程,适合学生、从业者及转行者。5-8周周期内,从经典因子入手,逐步优化组合策略,冲击高等级奖牌。赛事含金量高,行业认可度强,是量化领域的高效职业通道。行动是关键,注册即可开启量化
STM32堆栈溢出问题及解决方法
堆栈是用于存储函数调用和局部变量的内存区域,它是一种先进后出的数据结构。如果函数嵌套层级过深或者局部变量占用的内存空间过大,堆栈的大小可能不足以容纳这些信息,从而导致堆栈溢出。在一些特殊情况下,可以使用堆内存替代堆栈,以避免堆栈溢出问题。在STM32的工程中,可以通过修改链接脚本文件(.ld文件)中的堆栈大小参数来增加堆栈空间。通常,堆栈大小设置为RAM的一小部分,但需要根据具体应用的需求进行调整。堆栈溢出是嵌入式系统开发中常见的问题之一,特别是在使用STM32微控制器时。3.3 使用堆内存替代堆栈。
uni-app - 解决 H5 微信公众号授权登录后,无法回退到 “上一页“ 的问题(微信登录后如何返回到触发它的那一页?无法通过 uni.navigateBack() 返回到前一页的问题?)详细教程
uniappH5微信登录重定向后无法返回到原来进入前的页面了,uni-appH5微信浏览器中授权微信登录后,无法正常回退问题,uniappH5微信登录后怎么返回上一页,uniapp公众号登陆后使用uni.navigateBack()回不去上一页,uniapp微信登录成功后返回页面后一直自动刷新页面,uniapph5授权成功后如何返回上一页,uniappH5微信登录后怎么返回到触发它的那一页去,公众号h5在授权后如何跳转回到刚进入时的页面,微信公众号H5网页返回上一页疑问,解决微信H5静默授
去中心化交易所(DEX)深度解析:解码行业头部项目
去中心化交易所已经从一个边缘概念发展成为DeFi世界不可或缺的基础设施。以Uniswap、PancakeSwap、dYdX和Orca为代表的头部项目,分别在不同的生态和细分领域取得了巨大成功,它们通过技术创新和优化用户体验,不断推动着整个行业向前发展。
使用Python与OpenCV实现基于霍夫变换的圆形缺陷检测与定位详细教程
本文详细探讨了如何使用Python和OpenCV库,通过图像边缘检测和霍夫变换实现圆形对象的检测与缺陷定位。我们不仅介绍了算法的基本原理,还通过具体的代码示例展示了如何在实际应用中实现这些技术。对于工业检测和医学影像分析,本文的方法提供了高效且易于实现的解决方案。随着图像处理技术的不断发展,未来我们可以期待更多新算法和新技术的应用,如深度学习与传统方法的结合,以及多传感器融合技术的引入,这将进一步提升缺陷检测与定位的效率和准确性。
Dex 开源项目使用教程
Dex 是一个由 PatMartin 开发的开源项目。该项目旨在提供一个功能强大的工具,以帮助开发者在不同的环境中管理身份验证和授权。Dex 支持多种身份提供者,并与 Kubernetes 等容器编排工具紧密集成,使得在云原生应用中实现安全的用户认证变得更加容易。 ## 2. 项目快速启动 要开始使用 Dex,请按照以下步骤操作: 首先,确保您的系统中已经安装了 Go 语言环境。 然后,克...
AutoSAR系列讲解(入门篇)2.1-AppL概述
该章主要是讲解SWC是如何在ECU中分布的
Sigrity Power SI 3D-EM Full Wave Extraction模式如何进行S参数提取和观测3D电磁场和远场实例分析(一)-差分过孔结构
Sigrity Power SI 3D-EM Full Wave Extraction模式如何进行S参数提取和观测3D电磁场和远场操作指导(一)详细介绍了3D-EM Full Wave Extraction全波S参数提取,下面以一个差分过孔结构进行实例分析,以下图为例。模式如何进行S参数提取和观测3D电磁场和远场实例分析(一)-差分过孔结构。是一个简单的4层板,top换层到bottom层的差分过孔结构。起始频率为100Mhz,截止频率为20Ghz,线性扫描。上面那根曲线是插损,下面那根线是回损。
量化竞赛双雄:WorldQuant与Hull Tactical的核心差异与共通价值
WorldQuant与Hull Tactical竞赛代表了量化竞赛的两种模式:前者是“综合能力选拔赛”,后者是“精准预测擂台”。二者在目标设计、评估方式上存在明显区别,但都致力于推动数据驱动的决策创新,并为参与者提供价值提升的机会。理解其异同,有助于量化爱好者更清晰地定位参与目标,在竞争中获得成长与突破。
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案
大模型金融量化比赛常见误区:避开这些坑,胜率提升 50%
通过避开上述误区,您能大幅提升策略质量。验证重于拟合,成本不可忽略,风险必须管控。实际案例中,优化后策略胜率平均提升50%(例如,从40%到60%),这源于减少过拟合、控制成本和强化风险。回测阶段:严格检查数据泄露,加入成本模型。模型开发:优先简单架构,使用正则化。实盘前:进行压力测试,设置止损。量化比赛是实战的练兵场,避开这些坑,您不仅能赢得比赛,更能构建可持续盈利的策略。如果您有具体数据或代码需求,我可以进一步提供示例(如Python代码模板)。
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白
Qlib竞赛平台:量化策略比赛全流程支持方案
你是否在组织量化策略比赛时面临这些痛点?参赛者环境配置五花八门导致策略结果无法复现、不同算法的评估指标难以标准化对比、海量参赛策略的并行执行与资源调度效率低下、比赛过程中的实时监控与异常报警机制缺失?本文将系统介绍如何基于Qlib构建专业量化策略竞赛平台,从环境一致性保障到自动化评估体系,提供完整技术解决方案,帮助竞赛组织者实现"一键部署、公平竞技、高效评估"的赛事管理目标。 ## 竞赛平台核心...
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');```[](https://bitdeli.com/free "Bitdeli Badge")
202-利用gpt来学习一下dex
GMX 是一个去中心化的交易平台,支持现货交易和杠杆交易,结合了 AMM 和 订单簿 的特点。通常情况下,AMM(自动做市商) 形式的去中心化交易所(DEX)本身 不直接支持杠杆交易,因为它们的交易方式和传统的订单簿机制不同。虽然订单簿型 DEX 的匹配过程与中心化交易所相似,但它利用去中心化的智能合约来实现无信任交易,确保交易的透明性和安全性。GMX 采用的是 AMM(自动做市商) 和 订单簿 结合的模式,允许用户进行现货交易和杠杆交易,因此可以被视为一个 去中心化的衍生品交易所(DEX)。
量化人才之战如何取胜
在金九银十的招聘季,多家量化近期发布了2023年的招聘通知。随着国内量化行业的逐渐发展,量化私募对于人才的争夺也更加激烈。某头部量化私募曾在采访中表示,“近期2万元的月薪都很难招到一般的对口专业应届生,更别提名校的优秀毕业生了”。“高薪”虽是抢人方式中最直接的手段,但除此以外,不少量化私募也在尝试从多方位布局人才战略。
榜单:Binance DEX项目排行榜 | TokenInsight
END⊙微信小程序Tokenin指数| 项目GitHub代码提交次数Token白皮书| 项目的白皮书汇总TIindex指数| 基于通证生态制作的TI指数往日精选...
第01周:TokenInsight全球数字资产量化大赛赛程周报
○ ●本周赛程周报速览:受消息面影响,数字资产二级市场经历了先大幅上涨,后急剧下跌的大幅波动。伴随二级市场上涨,本周趋势类策略优势明显,普遍盈利高于其他策略。但部分团队因...
赛程总结:第二届全球数字资产量化大赛 | TokenInsight
↯活动预告“洞察可信数据,甄选可投量化”。TokenInsight第二届全球数字资产量化大赛协同57支优秀团队,经过了3月28日至6月27日91天的激烈角逐,甄选出各组别三甲团队与特...
第02周:TokenInsight全球数字资产量化大赛赛程周报
○ ●本周赛程周报速览:受上周利好兑现影响,本周二级市场在经历小幅上涨后,经历了最大幅度约10%的回调。随后逐步于9000上方企稳。本周既存在较好的趋势机会,又存在较好的震荡空间,各策略本周均出现表现良好的基金团队。点击“阅读原文”,即可查看实时赛况。因为热爱,所以不凡。欢迎点击下图查看TokenInsight 招聘职位!☟END⊙微信小程序Tokenin指数| 项目GitHub代码提交次数...
TokenInsight&Gate.io首届全球数字资产做市商大赛暨第三届量化大赛闭幕 | TokenInsight...
↯ 活动回顾从7月31日至10月10日,两个多月的激烈角逐,18只优秀团队脱颖而出取得各组别冠、亚、季军。10月16日举行闭幕颁奖予以表彰。TokenInsight本届大赛,TokenI...
9442
8441
344

被折叠的 条评论
为什么被折叠?



