十二条不可冒犯的“军规”

Win10系统VS2019+Cmake+qhull_8.0.0环境配置 1 qhull 1.1 简要介绍 qhull是一个强大的计算几何库,可以用于计算高维的convex hull, Delaunay triangulation, Voronoi diagram等。 1.2 依赖库 qhull不依赖其他库。 1.3 源码包下载 qhull源码地址:github:https://github.com/qhull/qhull.git 2 Cmake构建项目 2.1 路径 源代码路径:D:/ThirdParty/qhull/qhull_8.0.0构建项目路径:D:/Thi. 阅读详情

  意识到如何避免犯错常常是投资取得成功的重要一步。重复地犯一个或数个常犯的错误的投资者最终发现最大的敌人正是他们自己。尤为可怕的是,即使看起来很简单的错误都有可能对整体的投资回报造成非常大的影响。最近,负责管理全球最负盛名的CFA(特许金融分析师)考试的美国CFA协会向他们全球近10万名会员征集他们亲眼目睹的个人投资者最常犯的错误。根据反馈回来的信息,他们总结出十二条。

 

  一、无投资策略。每一个投资者都应该制定一个投资策略来指导将来的投资决策。一个好的投资策略应该充分考虑投资期限、风险承受度和未来的流动性需求等。投资者要对达到什么样的投资目标做到心中有数,并愿意和能够承担因此而发生的投资风险。而投资者往往做不到这一点。

 

  二、投资于单个或几个股票而不是分散化的投资组合。与投资于共同基金和指数基金相比,投资于单个或几个股票无疑会增加风险。投资者应当投资于由不同投资类别(比如股票类和债券类)和不同投资风格构成的充分分散化了的投资组合。未能做到分散投资将使得投资者在个股和板块的大幅波动面前变得异常脆弱。当然,分散不是单纯指投资品种数量多,而是指投资品种分散于股票和债券之间、不同的行业之间以及不同的国家之间。

 

  三、投股票而不是投公司。投资不是赌博,我们不应把投资看成是非赢即输的游戏。投资是承担一个合理的风险来为你相信有成长潜力的公司融资。投资应该分析的是公司和行业的基本面,而不是每天的股票价格波动。如果是基于市场的走势或者由于喜欢一个公司的产品而购买股票则最终注定要输钱。

 

  四、高了买。投资的基本原则是"低了买,高了卖",而许多投资者却是相反。其中主要的原因是"追踪表现突出者"。太多的投资者投资于过去几年表现突出的投资品种,他们假设过去表现好的投资将来也一定会表现出色。这绝对是一个错误的假设。一些"高了买,低了卖"的投资者起初也制定长期的投资策略,但不能百折不挠地坚持。在短期大幅的波动面前,投资者不由自主地抛弃了先前的长期投资策略,而改为随波逐流。还有一些犯了"高了买"错误的投资者是由于追踪热门股票。其实,我们永远要看的是一项投资的未来前景,而不仅仅是它过去的表现。

 

  五、低了卖。太多的被套住了的投资者在解套之前不愿意卖出股票,他们心理上不愿意承认自己买高了。不管怎样,聪明的投资者会意识到高股价难以再现而果断斩仓。记住,始终设有止损位是重要的。

 

  六、频繁交易。频繁交易会吞噬大部分的投资回报。实践证明,长期的买入并持有的策略要远优于积极交易的方法。

 

  七、依靠打探消息来投资。将媒体、广播作为唯一的信息来源,而不是依靠建立与投资顾问的专业关系是非常常见的一种错误。所谓的"内幕消息"看起来可以使投资快速增值,事实上往往并非如此。一个有用的规则是,当你听说了,其他很多人也一定听说了,所以这个信息可能已经反映到股价之中去了。一定要记住,要与背后有一个研究分析师团队支持的专业人士密切合作来投资。

 

  八、过于关注管理费和交易成本的高低。

 

  九、为了避税而作出投资决策。(国内投资者不适用此条,国内尚无资本利得税)

 

  十、不切实际的预期。对投资持有一个长期的观点并且不让外部的因素影响你作出突然的和重大的策略改变是非常重要的。1926年至2001年,美国市场普通股股票的年复合回报率是10.7%,扣除通胀和纳税之后,这一数字仅为4.7%。因此,预期年回报超过20%的投资者几乎注定要大失所望。

 

  十一、投资者在不具备一些基本的投资知识的情况下就开始了投资项目。

 

  十二、不了解自己真实的风险承受度。风险承受度由投资者承受风险的能力和意愿共同决定。记住,世界上没有无风险的投资。有的投资者会说,国债投资没有风险。实际上,从长期的角度看,国债面临的通胀风险是最大的。

 

利用DRONEKIT-SITL + MAVPROXY + QGroundControl模拟飞行 dronekit: 一种用于无人机控制的python库。 dronekit-sitl:一种本地仿真工具,相当于本地虚拟化了一个无人机。 mavproxy:数据转发软件(类似于插线板的感觉,一个输入,多个相同的输出)。打开一个Anaconda prompt 首先激活相应的环境 然后运行如下命令: 保持2中的Anaconda prompt处于运行状态,另打开一个Anaconda prompt窗口,运行如下命令: tcp:127.0.0.1:5760: SITL默认端口,作为mavproxy的输入,把输入数据转发 阅读详情

相关推荐

Ubuntu升级遇到grub-efi-amd64-signed安装失败?3步搞定这个烦人错误

本文深度解析Ubuntu系统升级时grub-efi-amd64-signed安装失败并提示“cannot find EFI directory”错误的根本原因。该错误通常由EFI系统分区挂载异常、BIOS/UEFI引导模式不匹配或dpkg包状态死锁导致。文章提供了三步精准修复流程:首先检查并修复ESP分区挂载,其次处理dpkg依赖问题,最后针对传统BIOS系统提供适配方案,帮助用户安全彻底地解决这一常见升级难题。

r7s8t的博客 398

量子计算参与金融预测:准确率只高 0.77 个百分点,回测毛损益却高出 112%

研究人员将模型预测的涨跌方向与资产实际收益幅度结合,计算每日损益,再将 43 种资产的损益等权平均,累加 600 个测试日期的结果。此次实验比较的是包含基础模型、量子处理器和经典预测模块在内的完整系统,官方报告没有公布拆分各个环节贡献的消融实验结果,因此目前无法判断量子储层、基础模型、硬件适配和特征稳定化分别带来了多少性能提升。这项实验展示了一套由真实量子处理器参与的金融预测系统:量子硬件生成预测特征,经典模型完成收益判断,整套系统在此次历史测试中取得了高于被测经典模型的累计毛损益。

Qforepost的博客 232

C# Socket网络通信UDP(关键字:Socket)

简单Socket-Udp通信 在本文中涉及到通信,仅做简单的通信(服务端接受消息,由客户端发出消息) 如有需要,根据需求可直接copy使用 关键字Socket 需要引用命名空间: using System.Net; using System.Net.Sockets; 服务端: using System; using System.Net; using System.Net.Sockets; u...

MelanceXin的博客 3886

零信任架构实战:基于海宇全能个人大数据报告构建自动化持牌消费金融全天候秒级在线极速审批与大促峰值高并发多维大数据风控网关

破解消费金融极速审批痛点:从单维信贷审查到全能大数据秒级多维穿透 在数字普惠金融与居民消费信贷蓬勃发展的大背景下,持牌消费金融公司、商业银行零售信用卡中心以及头部电商消费分期平台构成了拉动内需消费与服务实体经济的重要纽带。依据中国人民银行、国家金融监督管理总局关于加强商业银行互联网贷款业务管理及健全征信合规治理的相关规定,消费金融机构在开展全天候在线无抵押循

haiyudashuju的博客 217

人工智能,不止于模型:四步实现完整工作流

工程师越来越多地致力于将人工智能 (AI) 集成到自己的项目和应用中,同时不断着力提升自己的 AI 技能。面对 AI 问题,工程师首先要了解什么是 AI,以及如何将它纳入当前工作流,这看似简单,实则未必容易。在 Google 中搜索“什么是 AI?”会得到数百万条结果,包括不同程度的技术和相关信息。那么,对工程师而言,AI 意味着什么?人们对 AI 的关注主要集中在 AI 模型上,受此影响,工程师会迅速投入 AI 建模的研究。

r1832644594的博客 2814

ESP32学习,驱动LED点阵屏,SD卡播放GIF动图

搬运就可以实现效果,如果有不足,请批评指正。下步该学一下如何文章上视频了,老是截图不方便展示效果。

u011625956的博客 1868

金融工程专业零基础能报哪些证书?

*为什么适合本专业:**相较于侧重会计制度或单项软件操作的考试,CDA数据分析师更适合承担跨越财务与经营分析的学习任务。**报考条件与学习重点:**四、六级考试面向符合条件的在校学生,由学校组织报名;**为什么适合本专业:**财务岗位不只是计算应纳税额,还要理解发票、合同、收入确认与纳税义务之间的联系。**学习重点:**CDA数据分析师的备考应围绕相应级别的考试大纲展开,并将数据整理、统计分析和业务问题理解结合起来。**建议时间与就业方向:**学校允许报名后尽早安排,避免与毕业实习、升学考试集中冲突。

cc572502653的博客 185

Cgroup对进程所占用的CPU与内存资源同时进行限制的测试

测试环境:Ubuntu。处理器数量:1CPU。内存大小:2048MB。 以下是测试程序mem_cpu_test.c的代码。 将mem_cpu_test.c编译为可以运行的程序mem_cpu_test。 运行程序,并用top命令查看mem_cpu_test所占用的系统资源情况,可以看到,mem_cpu_test使用了50%左右的内存资源,也就是1000MB左右,并占用了接近全部的CPU资源。 关闭以上的程序后,在Cgroup子系统memory和cpu下分别创建进程组test1和test2。 并设置tes

qq_44998067的博客 1153

11月3日AI真正的大事:KYA 从 PPT 走进金融系统

今天别只记“LongCat-2.5、Gemini 离线、蚂蚁智能体工厂、TenPay 接万事达”。更该记的是同一天里:香港金管局把 SAGE 和中央登记册摆上台,港大把 KYA 写成全球首份报告,发改委说 AI 立法要覆盖全生命周期,安全圈在算“16 天密钥暴露”和“一天 10 万美金账单”的账。AI 从“我问问它”走到“我让它去管钱”已经发生了。能干活、能付款的 Agent 不稀奇,稀奇的是监管、银行、支付网络同时认可——它领了工牌、交了授权、信任分够高、干错能追到签字人。

2601_95059317的博客 396

checking OpenSSL library version... configure: error: OpenSSL >= 1.1.1 required (have “100020bf 解决方案

 本文主要介绍了checking OpenSSL library version… configure: error: OpenSSL >= 1.1.1 required (have “100020bf (OpenSSL 1.0.2k-fips 26 Jan 2017)”)解决方案,希望能对使用Linux的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 2万+

Java/PHP:微信支付v3显示 “商户证书序列号有误。请使用签名私钥匹配的证书序列号。“(Spring Boot、thinkPHP微信支付失败返回错误,例如退款、企业付款到零钱等各种微信支付业务)

商户证书序列号有误。请使用签名私钥匹配的证书序列号,php,Java微信支付v3显示"商户证书序列号有误。请使用签名私钥匹配的证书序列号。"请问如何解决?httResponseBody[{"code":"SIGN_ERROR","message":"商户证书序列号有误。请使用签名私钥匹配的证书序列号"}]微信V3支付报错 平台证书及平台证书序列,vue3微信支付报错,Uniapp支付报错,微信支付签名错误解决方法,微信支付v3证书报错,微信支付平台证书过期(报错:证书序列号错误)计算签名时,商户号、商户AP

✅ 精选推荐文章 4598

数智筑基·算启未来 ——2026 AI+金融基础设施前沿创新对话 共探金融智能化发展新路径

10月23日,「数智筑基・算启未来」AI+金融基础设施创新对话在浦东举行,逾400位政产学研代表共探AI赋能金融发展新路径。活动聚焦数据智能、算力协同与信创底座建设,DolphinDB发布金融信创生态共建倡议,揭牌上海公司,并分享多资产数据底座与AI应用实践。四场分论坛深入资产管理、权益投资、FICC与风险管理场景,推动AI从技术底层向业务闭环渗透,共绘金融智能化发展蓝图。

DolphinDB智臾科技 247

点云目标检测:open3d多窗口联动可视化

多个模型之间的对比除了指标之外,还需要可以直接直观的对比可视化结果,这次介绍一下如何使用open3d同时打开两个窗口分别加载两个模型的结果进行对比,同时实现两个窗口的联动,也就是当一个窗口拖动或者缩放时另外一个窗口也跟着做同样的变换。

zhaoguanhua的博客 4688

汽车金融 OCR 系统架构设计:从多证件识别到关联校验的技术方案

楚识科技的汽车金融 OCR 方案,有几个特点:一是证件类型覆盖全 —— 汽车金融涉及的十几种证件全部支持;二是汽车专项证件准确率高 —— 行驶证、登记证书、车辆合格证的识别准确率比通用 OCR 高很多;三是内置多证件关联校验引擎 —— 识别完自动比对,有问题自动标记;四是和主流风控系统无缝对接 —— 开箱即用,不用二次开发。

qq_34572574的博客 272

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

收购企业接入支付即开票,服务商怎么选?开灵科技、通联支付与建设银行按金融通道、开票回写和五流证据管理对比

该方案以统一业务单对接外部通道,企业变更付款银行或新增开票渠道时,现场建档、货物记录、合同或订单、结算版本仍留在原链路。对集团有多个收购主体的企业,还要区分每个主体的账户、票种、税务关系和授权,不能把“集团接通一条通道”理解成所有下属企业都能直接开票。真正上线时,业务人员还要回答:谁卖的、交了什么货、以什么价格成交、款到了哪张卡、票又对应哪笔收购。到货后记录品类、数量、过磅或称重、验收、扣杂及定价。银行参与“支付即开票”的范围,需进一步确认当地项目、乐企联用资质、反向开票票种、对接方式和开票回写责任。

2509_91589461的博客 140

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

净利润高增与AI多点落地,宇信科技三季报的金融IT转型信号

2026年Q3季报显示,宇信科技前三季度实现净利润3.74亿元,同比增长32.80%;归母净利润3.79亿元,同比增长35.93%;营业收入19.42亿元。

u013368359的博客 237

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")

金融知识资产化与智能标注:从“文档堆积“到“可调用资产“的范式迁移

金融知识资产化(Financial Knowledge Assetization)——将金融机构内部非结构化或半结构化的知识(监管制度、产品说明书、风险案例、审计底稿、客服对话、运维手册等),经过治理、结构化与版本化管理,沉淀为可复用、可度量、可溯源的企业资产。它回答的是"知识在哪里、归谁管、怎么用、效果如何"。智能标注(Intelligent Annotation)——在资产化管线上,利用大模型对知识单元做自动预分类、实体抽取、关系链接与问答对生成,再由领域专家做终审与修正的半自动过程。

Leadingtek的博客 360

算力网金融支持信号:AI基础设施进入政策加持周期

2026年世界互联网大会乌镇峰会闭幕,138国约1800名嘉宾参会,主题“开源开放 共建共享”。三大技术信号值得关注:一是DeepSeek开源推理框架DeepInfer,推动成本竞争下沉至基础设施层;二是腾讯发布混元Hy4等开源大模型,能力与价格持续收敛,多模型按需路由成趋势;三是具身智能落地产线、康养等真实场景,工程细节可观察。建议从模型、连接、应用三层归档开源资源,关注政策与产业对技术路线的影响。

KeyAction6666的博客 164

在 SQL 中掌握金融时间序列:不用存储过程的会话化、缺失与连续区间

回头看三个例子,做的是同一件事:把原本需要分阶段完成的过程,从一条终态 SQL 或一段存储过程中取出,变成若干条按顺序排列的步骤。比如会话号、分组标记、区间号这些中间状态,在传统写法中是藏在子查询和临时表里的临时值,在这里是结果表中实际存在的列。其代价也需要说明。这套写法对简单过滤和简单 CRUD 并不划算,一条 SELECT 即可完成的事情没必要拆成步骤。它面向的是足够复杂的分析逻辑。写存储过程也并非错误,只是中间状态被锁在过程里,他人无法单步验证,接手者只能推测。

smilejingwei的博客 346

企业数据接口能做什么:4个接口与金融风控/拓客实战

地图API解决"在哪里",企业数据解决"是谁"——企业名称是什么?实际经营地址在哪?注册地址是真是假?企业活跃度如何?丰图企业数据提供4个核心接口:**企业实际经营地址查询**、**企业注册地址验真**、**企业活跃度**、**企业注经地址一致性判断**。本文逐一拆解4个接口的能力和返回字段,并给出金融风控(贷前审核+贷后管理)和楼宇拓客两个实战场景的接入方案。

Marco_Marco135的博客 350

中国 DevSecOps 领导者:Gitee 在金融级研发平台中的实践与定位

在 DevSecOps 语境下,领导者通常指在代码托管、持续集成、安全测试左移与研发流程治理四个环节中,能提供一体化平台能力并在关键行业形成规模化落地的服务商。据 Gitee 内部产品资料,Gitee 将 DevSecOps 敏捷安全列为技术应用场景之一,并配套 AST 全流程安全测试与开源风险治理能力。评估这类平台时,技术决策者应重点关注五个维度:私有化部署能力、信创兼容性、金融级客户案例、历史数据迁移路径、以及与现有身份认证体系的集成深度。

2602_96414767的博客 224

「AI+金融前沿对话」主论坛回顾 |DolphinDB CEO 周小华博士:AI 加持下,多资产管理系统如何建设?

2026年10月,陆家嘴金融沙龙与智臾科技联合举办“数智筑基·算启未来”峰会,DolphinDB创始人周小华博士分享《AI加持下的多资产管理系统建设》。他提出,金融机构应从定制化系统转向构建统一数据计算底座、沉淀可复用的金融中间件,并借助AI Agent实现能力组合与灵活应用。通过面向金融资产的对象模型、实时计算平台Orca及金融本体FinOntology,DolphinDB推动数据、计算与专业知识的高效复用,助力AI深度融入投研、风控等核心业务,打造开放、可信的智能金融基础设施。

DolphinDB智臾科技 331

【AI实战】Kronos中文版使用教程:把金融K线基础模型跑起来,先看清这几个坑

Kronos 这个项目我关注有一阵子了。它是 shiyu-coder/Kronos 的中文翻译版,原项目在 GitHub 上已经积累了 47035 个 star,主语言 Python,MIT 许可证。原版 README 是全英文的,对不少做量化或者想试金融时序模型的同学来说,光是读文档就要花掉不少时间。现在有人把它翻译成了中文,仓库地址是 https://github.com/yangshun2005/Kronos-cn ,翻译日期标注为 2026-11-07。

yangshun的博客 243

金融AI Agent技术解析:知识检索、RPA执行与多智能体协同如何实现?

金融行业正在成为企业级智能体落地的重要试炼场。银行关注信贷、风控与运营流程的安全执行,证券公司则更重视投研、合规和客户服务中的专业能力。但无论业务如何不同,数据安全、专业知识理解、跨系统执行、权限治理与操作审计,都是金融智能体绕不开的准入门槛。金融机构真正需要的,不只是一个会分析的AI,而是一套能够在复杂业务体系中可靠运行的智能化基础设施。

AAwangzong的博客 128

香港金管局推出代理式金融SAGE项目 汇丰银行、银联国际、交易宝等金融机构入选专家小组

金融机构包括Adyen、碇点金融(Anchorpoint)、蚂蚁国际、中国银行(香港)、Mastercard、交易宝(A3A Paytech)、渣打银行(香港)、香港上海汇丰银行、银联国际、Visa 香港和 WeChat Pay Hong Kong;为此,金管局近日公布推出SAGE项目(全称为Securing Agentic Finance with Governance and Enablement,意即“结合管治与赋能,构建安全可靠的代理式金融”),旨在推动代理式金融在香港的负责任发展及应用。

SHCXT的博客 176

金融工程毕业想找对口工作,考什么证?

金融工程毕业后,应该考金融类证书,还是先补数据分析能力?答案取决于你想进入什么岗位。证券研究、投资分析、风险管理、银行业务和金融数据分析,虽然都与金融工程有关,招聘时关注的知识与技能却并不相同。与其把多个证书名称写进简历,不如让一项学习成果对应一类明确的工作任务。

YangYang9YangYan的博客 249
上一篇: 揭秘SAP在华真相:天价收费与用户之灾
下一篇: 决定盈亏的十二条炒股真经
dinya2003
博客等级 码龄23年 48粉丝 56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