关于如何构建数字资产量化的投资组合的思考

基于AgentKit构建AI投资组合管理Agent:从策略到实战部署 AI Agent作为具备自主性和持续性的智能体,正推动应用开发从‘AI应用’向‘Agent Native’范式演进。其核心原理在于通过技能编排与工作流设计,将复杂任务分解为可协作执行的模块化单元,从而实现自动化决策与执行。这一技术价值在于能够将领域专业知识(如金融策略)转化为稳定、可重复的自动化流程,有效消除人为情绪干扰,提升执行纪律性。在金融科技领域,AI Agent尤其适用于需要实时监控、多数据源融合与规则化执行的场景,例如投资组合管理。本文聚焦于如何利用AgentKit框架,将多元资产配置策略(如动态 阅读详情

Blofin 行业研究团队

作者:王晓妺,Leo

邮箱:bd@blofin.cn

欢迎发送邮件至本邮箱,交流更多行业观点

第一章  背景介绍

随着数字资产量化基金行业的发展,如何构建基金组合的讨论日益增多,市场对FOF管理人的专业要求也日趋严格。传统金融市场中的资产配置策略大致可划分为现代组合理论、风险均衡/平价策略以及等权重组合策略。现代组合理论和风险均衡理论下又有细分。下图展示了不同理论下的代表性模型:

本文将简述上图中的策略,讨论其在数字资产市场的应用和指导意义,并对不同配置策略进行了历史回测。另外,如无特别说明,本文中的风险水平均默认表示为收益的方差。

第二章  现代组合理论

现代组合理论是资产配置中最常见的配置策略。现代组合理论认为,一个有效组合是在给定风险水平下最大化期望收益率而得到的资产组合,又叫做“均值-方差”模型。最优资产组合并不是单一的,而是由一系列最有组合构成,从而形成所谓的“有效前沿”。从数学角度,对于一个具有n种资产的域,“有效前沿”的计算可以转换为二次优化问题:

(一) 切点组合理论

托宾在1958年指出,在存在无风险资产的情况下,存在一个优于其他所有资产组合的最优组合。定义r为无风险资产的收益率。在期望收益率和标准差的坐标系中,从(0,r)出发、与“有效前沿”相切的线,被称为资本市场线(capital market line),资本市场线与“有效前沿”相切的组合优于其他所有的风险资产组合,被称为切点组合。可以发现,切点组合也就是使得夏普比率最大化的风险资产组合。

目前数字资产市场尚无所谓的无风险利率,因此不存在资本市场线。本文所有夏普比率的计算中均规定无风险利率为0,因此预期收益/标准差即为夏普比率。据此,“有效前沿”中最大化预期收益/标准差的点与切点组合的定义类似,因此看作为切点组合理论下的资产组合。根据定义,切点组合为“有效前沿”上的一点,因此切点组合理论隶属于现代组合理论。下文中切点组合理将作为现代组合理论的代表,与其他配置策略进行比较。

(二) 最小方差(MV)组合

有很多方法可以用来获得激进程度较低的积极型投资组合。其中最直接的方法就是采用较低激进性的参数。例如,不再基于历史数据对未来收益率进行预测,而是假设所有资产的期望收益率都相等。在这个假设下,最优资产组合也就是最小化波动率的结果,又称最小方差(MV)组合。实际上,最小方差组合即上述计算“有效前沿”的二次优化问题,当

时的解。最小方差组合的求解可以转化为二次优化问题:

(三) 布莱克-李特曼模型

布莱克-李特曼模型在现代组合理论的基础上引入了组合管理人的个人判断,即将管理人的个人判断和市场上的历史信息结合起来,并根据管理人对自己主观判断的信心程度,得到对资产的预期收益和协方差矩阵,是一种典型的贝叶斯分析方法。

布莱克-李特曼模型以市场均衡(即市场需求和供给相等的状态)情况下的资产比例为起点。通常情况下,我们认为市场本身永远是均衡的,那么当前市场上资产的比例也就是市场均衡下的比例。于是可以从市场比例,通过倒推优化方法得出隐含均衡期望收益率的估计值。管理人对资产不同于隐含均衡收益率的观点,配合对其观点的信心程度,将最终决定模型对资产预期收益和资产间协方差矩阵的最终估算。而后依据现代组合理论,得到给定风险水平下最大化期望收益率的资产配置权重。定性地说,管理人对某资产相对于隐含均衡收益率的判断越正面,信心程度越高,该资产得到的权重越大。

对于传统市场中的资产管理来说,布莱克-李特曼模型主要有以下两方面优点:

1. 通过把市场均衡引入模型,得出的权重更加分散的同时更具实际意义;

2. 通过把管理人的主观观点量化并引入模型,为主观判断结合市场历史信息的配置策略提供了很好的框架,使得模型更为实用。

然而,上述优点同样是布莱克-李特曼模型应用在数字资产量化FOF的限制所在。首先,基于市场均衡的假设,布莱克-李特曼模型对配置权重在市值权重的基础上进行调整。由于数字资产市场尤其是量化基金领域仍处于发展初期,存在市场信息不对称、合规机制不完善等诸多问题,均衡市场的假设很难成立。基金的管理规模很大程度上不是市场选择的结果,因此基于市值权重的布莱克-李特曼模型难有说服力。其次,主观观点的量化过程存在一定难度。布莱克-李特曼模型主要应用于大类资产的战略配置中,传统市场中对大类资产的研究体系已十分成熟并有长周期的数据支持,因此主观观点的量化过程已有章可循、相对简单。而在数字资产量化基金领域,针对量化产品研究尚处于起步阶段、没有被业界广泛认可的成熟体系,基金产品的存续时间普遍较短缺乏足够的历史数据支持,因此主观观点的量化过程往往给模型引入更多噪音。

第三章  等权重组合(1/N)策略

降低投资组合激进程度的另一方法是采用资产配置的探索式方法。探索式是指基于经验技术和试错方法来寻求可接受的解,这个解并不等同于优化问题的最优解。等权重组合策略就是这种探索式、非最优估算方法下的一个例子。等权重组合即将投资组合中所有资产都设置为等权重,在大大降低输入参数敏感性的同时解决了现代组合理论中权重分配过于集中的问题。然而,等权重策略不属于积极型管理的范畴,完全忽略市场信息,在此不作更多讨论。

第四章  风险均衡策略

相较于现代组合理论,风险均衡策略需要更少的输入参数、是探索式方法下的又一例子。风险均衡策略又称为风险平价策略,均指risk parity模型,只是翻译不同。一般情况下,风险均衡策略目前有三个层面:针对风险贡献度的均衡、针对风险情景的均衡和针对风险因子的均衡。这三种均衡属递进关系,越来越接近真正的风险分散。

(一) 等风险贡献(ERC)模型

针对风险贡献度的均衡策略通过赋予不同资产以相等的风险贡献度来构造一个平衡型的投资组合,因此又被称为等风险贡献(ERC)模型。假设资产收益率符合正态分布:

对于权重为

的资产组合,其标准差为:

定义资产i的的边际风险

即资产i的配置权重wi的增长引起的组合风险的增长为:

于是,资产i对组合的总风险贡献为:

从数学角度,风险均衡策略可以转化为下述问题:

以五支子基金构成的投资域为例,风险均衡策略下的配置方案如下:

(二) 全天候(All Weather)策略

桥水基金提出的全天候策略是针对风险情景均衡的例子。简单来说,全天候策略认为各类资产价格的波动是由于预期差,并使用影响大类资产走势的最核心变量经济增长和通胀两个维度区分预期差。从超出市场预期和低于市场预期的角度、增长和通胀两个维度区分得到四个不同象限,在每个象限中,都会有资产因为预期差而表现较好。全天候策略就是通过调整受益于各预期差的资产的配置比例实现对每一个预期差的均衡配置。

虽然在大类资产配置中表现亮眼,全天候策略在数字资产FOF管理中的应用尚且有限。对基金产品的分类和影响基金表现的核心变量的研究要求较高,是Blofin未来研究的方向之一。

(三) 风险因子的分散策略

丹麦养老金管理机构ATP采用的风险因子分散策略在业内处于领先地位。ATP将风险均衡的对象从资产转向因子,并开创性地将风险因子概括为利率因子、通胀因子、股票因子和其他因子。根据基于因子和资产的映射关系调整资产的配置比例以实现对各类风险因子的暴露均衡。

相较于资产,因子是更加底层、相互更加独立的收益和风险来源。传统市场中FOF管理从资产的配置转向风险因子的配置已成趋势。数字资产市场起步较晚,尚无针对数字资产的风险因子体系,短期内FOF实现风险因子的均衡配置有一定难度。Blofin作为专业的FOF管理和研究机构,未来将致力于数字资产量化行业内的风险因子体系的搭建。

第五章  历史回测

本节将以五支典型的数字资产量化基金组成的拟投资产域为例,比较前文所述的不同策略的配置结果。为公平进行比较,我们统一用五支子基金2019.11.1至2020.2.29的净值数据作为训练集计算配置方案。根据训练期各基金的净值标新预测得到收益与协方差矩阵(可由表中波动率及相关性矩阵得到)如下表所示:

各策略得到的权重分配如下图所示:

可以看出,现代组合理论中切点组合理论和最小方差组合理论均配置了三支基金,权重分配相对集中。特别是切点组合理论,分配给单只基金(子基金5)的权重超过了50%。由于子基金2自身的波动率高且与其他子基金的相关性较高,风险均衡策略分配给子基金2的权重较少。相较于大类资产波动率差异的明显,数字资产量化基金则走势相似,具体表现为:即使是不同策略的基金,它们的波动率依然落在同一量级。这导致风险均衡策略下的权重结果并未能与等权重策略有明显区分。

不同配置策略下的FOF在2020.3.1到2020.6.1的净值回测结果如下图所示:

各策略下FOF的表现如下表:

测试周期跨越了312大跌、比特币第三次区块奖励减半等行情。由于训练集时间跨度有限,对基金未来收益率和协方差矩阵进行估计预测又完全基于历史数据的现代组合理论劣势明显。复盘来看,子基金5在训练周期(2019.11.1至2020.2.29)表现亮眼,但测试周期(2020.3.1到2020.6.1)的表现十分不理想,出现了较大回撤。由于切点组合理论对历史数据最为敏感,当资产在测试期和训练期的表现差异扩大时,切点组合理论的结果现会明显偏离预期。与等权重组合策略相比,风险均衡策略并未表现出明显优势,原因可能是回测周期较短并且子基金间的波动率差异有限。

第六章  各配置策略的探讨和优化

在现代组合理论的资产配置逻辑通俗易懂,模型简单易用,因此曾在传统金融市场被广泛使用。然而,互联网危机以来,学术界和业界对现代组合理论的质疑和批评越来越多,主要集中在以下方面:

1. 现代组合理论的运用要求对协方差矩阵进行估算、并且要预测资产的未来收益,最优资产组合对这些输入变量非常敏感。输入变量的细微调整将导致计算所得最优权重向量w* 发生很大变化,稳定性较差。

2.对协方差矩阵和未来收益的估算预测往往依赖长期历史数据,认为历史数据可以给出未来发展的可靠方向。但是,在极端行情下,资产间的相关性急剧上升,根据历史数据估算所得的协方差矩阵很难给出理想的分散风险的效果。

由于数字资产量化行业的历史数据相较于传统资产还十分有限,基于历史数据的对协方差矩阵和未来收益的预测显得缺乏说服力,加剧了现代组合理论应用在数字资产FOF管理中的局限性。

3.根据现代组合理论得出的最优组合普遍存在过度集中于某几类资产的情况。下表比较了根据现代组合理论和其他常见配置策略得到的资产配置结果:

从上表可以很直观地感受到现代组合理论下的权重分配最为集中。最后一列中的信息熵是表征离散程度的指标,熵越大则表示权重分配的集中程度越低。现代组合理论下的信息熵明显小于其他策略。

上述问题可以通过收缩法和正则化技术得到有效改善。两种方法的思路均为优化资产间协方差矩阵的估算过程。收缩法通过引入权重约束而间接改变了协方差矩阵,相当于在历史数据的基础上引入了组合管理人的一些判断,与下文中提到的布莱克-李特曼模型属于同一类。正则化技术则是将不同的协方差矩阵参数估计值加以综合,从而平稳最优组合的权重。正则化技术或是收缩法只是降低了参数值的激进程度,并没能减少输入参数的数量。现代组合理论对输入参数的高敏感性是客观存在的,在投资管理中属于激进型模型。

风险均衡策略则相对保守,其实质是通过风险分散和对冲,实现组合穿越周期的目标,也确实从很大程度上克服了现代组合理论中的问题。然而,风险和收益是资产管理天坪的两端,是资产管理需要处理的核心矛盾。专注于风险管理的配置策略自然疏忽了投资人对收益的要求,且对低波动率资产配置比例过高,是风险均衡策略的主要弊端。杠杆的引入解决了这些问题。随着数字资产借贷市场和衍生品市场的不断发展,风险均衡策略在FOF管理中的应用将更为灵活以满足不同投资者偏好。

下表总结了各主动型策略的特点以供参考:

第七章  总结与展望

作为新兴的数字资产量化行业,在经历了早期的野蛮成长期之后,逐渐向运营合规化、管理正规化和收益合理化的方向转变。而以数字资产量化基金作为投资标的的FOF基金,凭借其专业的投资和管理能力,也越来越受到投资者的认可。

然而,数字资产量化FOF投资还处于早期,尚无成熟的经验可循,资产配置的方法论也不完善。而传统投资市场成熟完善的配置理论和方法,对于数字资产量化FOF的资产配置,有很强的借鉴意义。通过比较研究,我们发现:在诸多的资产配置理论中,现代组合理论逻辑简单易于实现,但存在对输入参数敏感、稳定性较差的问题;针对风险贡献的均衡模型大大降低了对输入参数的要求,然而需要引入杠杆以满足不同的收益要求;针对风险情景和风险因子的均衡策略对风险的认识更加本质,模型也更为复杂,需要更多体系化数据和分析手段的支持。

当前,由于缺乏必要的底层设施(如合规机制、风险因子体系),传统市场上的诸多配置策略应用于数字资产市场的难度较大。对于目前可用的策略,由于历史周期较短,不同策略的回测结果差异性有限,还有待更多历史周期的检验。Blofin在积累数据的同时,将继续致力于对数字资产市场尤其是量化基金的体系化研究和基础设施的完善。

END.

免责声明

 

本文基于本公司认为可靠的产品信息进行撰写。本公司不对该信息的准确性及完整性作出保证。在任何情形下,本文所载的观点、结论和建议仅供参考,并不构成投资建议。在不同时期,本公司可能发出与本文所载意见、评估及预测不一致的内容。Blofin将持续跟踪相关标的,定期或不定期根据跟踪情况决定是否调整相关观点,并及时对外公布。

本公司力求文章内容客观、公正,结论不受第三方的授意或影响。

参与投资活动可能引发价值变动及流动性等风险。投资者应当充分考虑自身特定状况、理解投资风险,不应视本文为做出投资决策的唯一因素。对依据或者使用本文所造成的直接或间接损失,本公司及作者均不承担任何法律责任。

本文版权仅为本公司所有。未经书面许可,任何机构或个人不得以翻版、复制、引用或再次分发他人等形式侵犯本公司版权。

量化交易入门学习 量化交易入门学习笔记 阅读详情

相关推荐

AI技能资产化:从项目交付到可复用数字资产的工程化实践

在人工智能工程化领域,模型服务化与API标准化是构建企业级AI能力的基础。其核心原理在于将机器学习模型封装为具有明确契约、可独立部署的服务单元,通过标准化接口实现解耦与复用。这一实践的技术价值在于,它能够将一次性的AI项目成果转化为可持续运营、度量和迭代的数字资产,从而显著提升研发效率、降低维护成本并保障服务稳定性。典型的应用场景包括智能客服、内容审核、数据提取等需要高可用、可扩展AI能力的业务系统。本文聚焦于AI技能资产化这一关键环节,深入探讨了如何通过系统工程方法,将包括大模型微调、Agent框架和MC

weixin_33754065的博客 438

量化投资入门指南:投资组合构建模型和执行模型

目录 5. 投资组合构建模型 5.1 基于规则的投资组合构建模型 5.2 基于优化的投资组合构建模型 5.2.1 优化工具的输入变量 5.2.2 优化技术 6. 执行模型 6.1 订单执行算法 6.1.1 进取订单和被动订单 6.1.2 其他订单类型 6.1.3 大订单和小订单 6.1.4 何处下单 6.2 交易基础设施 5. 投资组合构建模型 投资组合构建模型的目的是...

Sebastien23的博客 7218

AIGC实战指南:从核心原理到工作流构建与品牌视觉应用

人工智能生成内容(AIGC)是生成式人工智能的核心应用领域,它基于扩散模型、大语言模型等先进架构,通过学习海量数据规律,实现了从文本、图像到视频、代码等多元内容的自主创造。这项技术的核心价值在于打破了传统内容生产的资源与创意壁垒,将创造力工具民主化,显著提升了内容创作的效率与可能性。在工程实践中,AIGC已广泛应用于数字营销、产品设计、创意写作和软件开发等多个场景。其效能发挥高度依赖于提示词工程、模型选型与工作流构建三大模块的协同。其中,提示词是与模型交互的关键,需要掌握结构化描述与负面约束等技巧;模型选择

cucanqi9387的博客 414

利用链上数据进行数字资产量化因子发现

本报告旨在为量化研究人员提供一份全面的指南,帮助他们利用链上数据的独特力量,在数字资产市场中发现因子。链上数据是一种透明、可验证且基础性的情报来源,与传统金融分析相比具有独特的优势。它提供了对真实供需动态、普遍市场情绪和整体网络健康的无与伦比的可见性,所有这些都是复杂量化因子建模的关键输入。与可能不透明或存在报告延迟的传统市场数据不同,链上信息直接记录在公共区块链上,确保其不变性和可审计性。这种固有的透明度使熟练的分析师能够通过检查数字资产网络的基础活动来验证现有交易想法或形成全新的想法。

Menger_Wen的博客 1579

AI时代经验平权:从信息处理到模式识别的能力重构

在人工智能技术快速发展的背景下,传统的经验垄断正在被打破。从技术原理上看,大语言模型和生成式AI通过海量数据训练,能够将原本依赖个人长期积累的隐性知识转化为可标准化处理的显性资产。这种转变的核心技术价值在于,它极大地降低了信息获取、模式识别和技能执行的门槛,使得新手能够借助工具快速达到过去需要多年经验才能实现的水平。在应用场景上,AI智能体(AI Agent)和增强检索(RAG)技术正在重塑从法律研究、医疗诊断到市场分析等多个专业领域的工作流程。例如,法律AI可以瞬间扫描海量判例,而医疗辅助系统能结合全球文

weixin_33912246的博客 346

个人数字身份的精简与重塑:从smallerxuan到专业品牌构建

在数字化时代,个人品牌建设已成为技术从业者和内容创作者的核心竞争力。其基本原理在于通过系统性的身份管理,降低认知成本,提升专业形象的识别度与一致性。从技术价值角度看,这不仅关乎个人影响力的精准放大,更涉及知识资产的体系化沉淀与复用。在应用场景上,无论是求职、开源协作、技术分享还是建立行业连接,一个聚焦、一致的数字身份都能显著提升效率与信任度。本文以“smallerxuan”为实践案例,深入探讨了如何通过静态站点生成器(如VitePress)、自动化部署流程和跨平台内容策略,构建一个精简、可扩展且自主可控的数

chikuai9995的博客 433

关于投资问题建模的一些思考

一、问题 m 元钱,n项投资, fi (x): 将 x 元投入第 i 个项目的效益. 求使得总效益最大的投资方案。 二、分析 这个问题是一个优化问题,我们要找到一种投资方案(组合方式),这种方案就是你可以把一个钱拆开,所有的钱都是整数,把钱拆开成若干份,每一份都是大于等于0,并且是整数范围内的,所有的前的总数是不变的,所以所有的总数约束条件不变,总数不变的前提下,如何把钱分配的更加合理 三、建模 问题的解是向量 < x1, x2, …, xn >, xi 是投给项目i 的钱数,i =1,

极客园地 905

mvportfolio:简单的投资组合分析和管理

mvportfolio mvportfolio是一个简单的Python程序包,可根据均值方差投资组合(MVP)理论分析和管理投资组合。 安装 从来源 打开一个终端并执行 git clone http://github.com/yhilpisch/mvportfolio cd mvportfolio python setup.py install 通过pip 打开一个终端并执行 pip install --index-url https://test.pypi.org/simple/ mvportfolio 第一步 首先进口一些。 from pylab import plt import mvportfolio as mvp plt . style . use ( 'seaborn' ) % matplotlib inline 第二,主类MVPPortfolio的实例。 p =

投资组合优化实战:从马科维茨模型到Python实现

投资组合优化是量化投资与资产配置领域的核心概念,其本质是在给定约束下,通过数学模型寻找风险与收益的最佳平衡点。其基本原理源于哈里·马科维茨的均值-方差理论,该理论通过量化资产的预期收益、风险(方差)及资产间的相关性(协方差),构建有效前沿,为分散化投资提供了科学框架。该技术的核心价值在于将主观的投资决策转化为可计算、可回溯的客观过程,帮助投资者系统性地管理风险,避免情绪化交易。在实际应用中,它广泛服务于个人财富管理、机构资产配置以及智能投顾等场景。本文将以经典的**马科维茨模型**为例,结合**Python

weixin_30443075的博客 406

音频质量评估指标全解析:从主观到客观的全面指南

本文全面解析了音频质量评估的核心指标,涵盖主观评价(如MOS、DMOS)与客观评价(如PESQ、STOI、SDR)。重点介绍了DNSMOS等AI驱动的无参考评估方法,并提供了根据语音通信、噪声抑制、语音分离等不同场景选择指标组合的实战指南,帮助开发者和研究者科学量化音频质量。

rum55的博客 646

手机如何高效辅助林业调查

手机如何高效辅助林业调查 很多林业工作者将栅格类型的地形图处理后导入平板电脑,在林地使用平板电脑加载小班矢量图,辅助林业调查。但是,如果没有地形图底图,这种方法可能就有难度,而且最重要的是,大部分林地工作者没有能力配置平板电脑。大凡林业基层工作者在林地调查时,除调查记录本等部分纸质材料外,都必然携带手机和水杯,此外其他设备已经成为累赘,尤其是炎热的夏季在杂灌丛生的林地进行调查作业。因此,使用手机...

xu780820的博客 3079

重磅!软银5000亿押注稳定币,苹果CEO首次公开持仓比特币

这为数百万将苹果生态视为科技生活方式的用户,提供了一个强有力的心理锚定,极大地降低了他们接纳数字资产的认知门槛。

DAppNode的博客 970

【chips】个人笔记系列-SystemVerilog

个人整理的Systemverilog笔记。

Hide_in_Code 2061

美赛C题交易策略建模:从数据理解到模型构建的完整指南

交易策略是量化投资领域的核心概念,它基于数学模型和算法,通过分析历史数据来制定买卖决策,旨在实现收益最大化或风险最小化。其原理在于利用统计学、时间序列分析和机器学习等技术,从市场数据中提取有效信号,并构建可执行的交易规则。在工程实践中,一个稳健的交易策略必须考虑交易成本、风险约束和回测验证等关键因素,以确保模型在真实市场环境中的有效性。这类技术广泛应用于股票、加密货币和大宗商品等金融市场,帮助投资者进行系统性决策。本文以2022年美赛C题为具体案例,深入探讨了如何从数据预处理、模型选择到回测评估,完整构建一

weixin_34150830的博客 297

深入浅出ISP:用RKISP2.x Tuner工具理解AWB、AE、HDR等核心模块的实战调参

本文深入解析RKISP2.x Tuner工具在ISP图像处理中的实战应用,重点探讨AWB、AE、HDR等核心模块的调参技巧。通过环境搭建、调试工具使用和实际案例,帮助开发者掌握如何在不同光照条件下优化图像质量,实现精准的白平衡、曝光控制和动态范围处理。

weixin_26802933的博客 492

Android布局基础与UI设计入门:打造精美应用界面

恭喜你!现在你已经掌握了Android UI开发的基础知识,包括各种布局类型、常用控件的使用以及一些UI优化技巧。这些知识将帮助你设计出既美观又实用的Android应用界面。

m0_65382359的博客 2061

构建个人收入保障系统:从财务规划到工程化实践

在个人财务管理和职业发展中,收入保障是一个核心概念,它涉及如何通过结构化方法提升收入的稳定性和抗风险能力。其基本原理在于将收入来源模块化,区分合约性、资产性、平台性和技能性等不同类型,并对每类收入进行量化评估和风险分析。从技术价值角度看,这种工程化的财务框架能够帮助个体,特别是技术从业者和自由职业者,将模糊的财务安全感转化为可计算、可优化的系统。在应用场景上,它适用于收入波动较大的行业,如软件开发、自由职业和创业领域,通过建立收入健康度诊断表和分阶段优化路径,实现从被动应对到主动设计的转变。本文基于2024

weixin_33919950的博客 513

ThingsBoard入门实战(七):公共发布和 UI 细节修改

公共发布和 UI 细节修改7.细节修改和公共发布一、公共发布二、UI优化下载运行修改三、下一步还可以做什么?更好的UI更丰富的系统模块 7.细节修改和公共发布 GET到新技能了,想给兄弟们演示,需要给他们每个人一个账号么? 答案肯定是:不需要! ThingsBoard 用 公共发布 解决了这个问题。 一、公共发布 首先我们来看一下路灯设备现在在谁名下? 如下图,路灯都是customerA的, 目前只有它和它的租户可以看到,其他人需要看就需要设为公有。 如图操作: 对于设备详情仪表盘,我们也需要设为公有

AIGC搞起 9124

AI Agent委托代理架构设计:权利、激励与可控执行框架

在人工智能技术快速发展的背景下,智能体(AI Agent)正从概念走向广泛应用。理解其核心运作原理,关键在于委托代理机制的设计,这直接关系到系统的可靠性与价值实现。委托代理理论阐述了如何通过合理的权利分配与激励相容,使代理方行为符合委托方利益。在AI工程实践中,这体现为一套融合了目标定义、权限控制、实时监控与紧急干预的技术架构。通过构建精细的财产权与代理权边界,并设计多维度的投资激励相容机制,可以有效管理AI自主决策带来的不确定性与风险。这种架构设计对于金融科技、自动化运维、智能营销等高价值应用场景至关重要

weixin_30435261的博客 395

从原理到落地:Java+TensorRT打造YOLO模型GPU极致推理方案

Java+TensorRT的YOLO模型GPU加速方案,核心是通过JNI桥接实现Java与TensorRT的高效交互,结合TensorRT的底层优化能力,最大化GPU算力。该方案既保留了Java后端的工程化优势(如易维护、生态完善),又解决了AI模型推理的性能瓶颈,可落地于实时视频分析、智能监控、工业质检等场景。基于TensorRT Dynamic Shape实现多尺寸输入的自适应优化;结合Java的协程(Virtual Thread)提升异步推理的并发效率;

2601_94871597的博客 766

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

AI Token化:从SaaS集成到算力、模型、数据能力自由组合的新范式

在AI技术普惠化的浪潮下,传统的SaaS(软件即服务)集成模式正面临变革。其核心原理在于,通过将AI基础设施的关键要素——算力、模型与数据——进行标准化封装与度量,实现价值的自由流通与组合。这一转变的技术价值在于,它使得开发者能够像采购电子元件一样,按需获取和组装AI能力,从而极大提升了软件开发的灵活性、成本可控性与创新效率。从应用场景看,无论是实时音视频分析、智能文档处理,还是垂直领域的定制化AI服务,开发者均可通过‘能力Token’市场,直接采购所需的语音识别、文本摘要等模块化智能,并通过‘算力Toke

weixin_30216561的博客 608

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

从围观到体验:内容消费的范式转移与下一代交互技术

在互联网内容生态中,用户体验正经历从被动接收到主动参与的深刻变革。这一转变的核心驱动力在于,单纯的信息获取已无法满足用户对情感满足和深度连接的需求。其技术原理在于通过实时交互引擎、AI动态生成和多模态感知等技术,重构人机交互的维度,实现从滑动点赞到动手参与的升维。这种技术架构的价值在于能够构建更强的用户粘性和更高的商业价值,尤其适用于在线教育、虚拟社交和沉浸式娱乐等应用场景。当前,以AIGC和VR/AR为代表的前沿技术,正推动内容形态向互动与共创演进,这正是内容消费从‘围观’迈向‘体验’范式的关键路径。

weixin_33674976的博客 453

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

系统化交易宝库:从理论到实践的完整指南

您是否曾为寻找高质量的量化交易资源而感到迷茫?在信息爆炸的时代,如何从海量的学术论文、开源工具和策略实现中筛选出真正有价值的资源?今天,我将为您介绍一个集大成者——Awesome Systematic Trading项目,这是一个精心策划的系统化交易资源集合,涵盖从基础理论到实战应用的全方位内容。 想象一下,您无需花费数月时间在各大平台搜索、验证和整理,就能获得一个经过筛选、分类和验证的资源库。

gitblog_00526的博客 422

AI视频生成工具PixVerse:从构建视觉宇宙到工程化内容生产

AI视频生成技术正通过深度学习模型,实现从文本或图像到动态视频的自动化创作。其核心原理在于对大规模视觉-语言数据的跨模态理解与生成,技术价值在于大幅降低了高质量视频内容的制作门槛与成本。在应用场景上,它尤其适用于产品演示、社交媒体营销、创意内容快速原型制作等领域。本文聚焦的PixVerse工具,正是这一趋势下的典型代表,它提出的“构建产品宇宙”理念,强调了跨视频的“风格一致性”与“叙事可扩展性”,为解决“提示词工程”与“工作流集成”等实践挑战提供了新思路。通过掌握结构化提示词设计与工程化素材管理,创作者能更

weixin_30908941的博客 368

Dify平台的金融风险管理术语普及能力测试

借助Dify平台,金融机构正通过RAG与AI Agent技术实现金融风险术语的智能解答。系统可实时检索最新监管文件,生成通俗解释,并根据用户理解程度动态推荐学习路径。无需模型训练,即可让新员工快速掌握VaR、LTV等复杂概念,显著提升知识传递效率与一致性。

weixin_31720909的博客 627
上一篇: 2020年第32期评级更新榜单 | TokenInsight
下一篇: 2020年第33期评级更新榜单 | TokenInsight
TokenInsight
博客等级 码龄8年 115粉丝 286原创
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
 
 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