- 博客(324)
- 收藏
- 关注
RSS订阅原创 突破最强时间序列模型，向量自回归！！
向量自回归（VAR）模型数据预处理：准备好时间序列数据，创建滞后变量（即之前时间点的数据）。构建方程：将历史数据表达为线性回归方程，并使用矩阵形式进行计算。参数估计：利用最小二乘法解出参数矩阵。预测：使用估计出来的参数矩阵进行未来数据的预测。通过手动实现 ARMA 模型，可以深刻理解其数学推导和实现细节，同时通过图形直观地理解模型的拟合效果和残差分布。
2024-11-28 15:41:07
1086
原创 京津冀协同发展十年成就显著——当前已进入全方位、高质量深入推进的阶段
下一步，将制定出台支持天津滨海新区高质量发展的政策措施，继续做好北京通州区与河北廊坊北三县一体化高质量发展工作，持续推进张家口首都水源涵养功能区和生态环境支撑区建设，抓好唐山高质量发展方案落实。在北京城市副中心，着力加强科技创新、行政办公、商务服务、文化旅游等功能，推动绿色发展，增强北京发展的动力和活力。、常务副市长夏林茂介绍，目前，北京城市副中心行政办公区一二期已经全部建成投用，城市绿心森林公园开园迎客，环球主题公园成为北京文旅新地标，副中心站综合交通枢纽、东六环入地改造全面提速。
2024-11-24 14:43:24
385
原创 LLM实践系列-聊聊大模型SFT的数据清洗过程有多繁琐？
大家也不要吐槽我的这个 prompt，觉着我是在没事儿找事儿，从业者应该都知道，这就是用户们最喜欢用的 prompt，你难道指望用户每次请求的时候，先去检验一下自己的示例是不是一个标准化 json 吗？单引号，中文引号，中文逗号，括号不匹配，……显然，在去年，过度的安全是在大家的认可和接受范围之内的，但今年只会让用户觉着无趣，因此这条数据需要清洗，需要结合用户偏好和实效性重新标注再加人工重新 review —— 总之，只要模型还在迭代，我们清洗 sft 数据的工作就不会停滞。你问我谁对，我只能说不知道。
2024-11-22 21:04:44
1086
原创 CodePMP：提升LLM推理能力的可扩展偏好模型预训练
本文介绍了一种可扩展的偏好模型预训练方法（CodePMP），通过合成大规模代码偏好对进行预训练，从而提高面向推理任务的奖励模型的微调样本效率，减少对大量高质量人工标注数据的依赖，显著降低数据获取和标注成本。此外，使用CodePMP初始化的奖励模型在多种推理任务中表现出更强的鲁棒性和泛化能力，能够在不同任务类型和数据规模下保持优异表现。
2024-11-22 21:03:09
553
原创 Jina CLIP v2：多语言多模态的文本图像向量模型
为了全面评估图像分类性能，我们使用了涵盖多个领域的基准数据集，包括 VTAB（19 个基准测试）、VOC 2007、SUN397、STL10、Rendered SST2、ObjectNet、MNIST、GTSRB、FGVC-Aircraft、FER 2013、Country211、Cars196 以及 ImageNet 系列（A、O、1k、Sketch、v2）。表现出色，在检索任务和语义相似度任务中分别取得了 69.86% 和 67.77% 的高分，展现了其多功能性，和专门的文本向量模型。
2024-11-22 21:01:13
1786
原创 忽然就卷起来的AI Coding 赛道
开发者们对这些工具的评价也颇高。“AI工具帮我完成了大量重复性编码任务，开发效率至少提升了50%。”某知名IT企业技术负责人说道。2. 小日子过的本来舒服，科技巨头入局，抢人抢地不仅是初创公司，微软、谷歌、阿里等科技巨头也在这一领域频频发力。微软的 GitHub Copilot 集成了 OpenAI 的模型，能够智能补全代码，极大简化了开发流程。谷歌则通过其机器学习代码补全功能，为 TensorFlow 用户提供更友好的开发体验。阿里云则推出了一系列云端AI编程工具，为开发者打造了一站式开发环境。
2024-11-22 20:55:06
1192
原创 对话AIGCode创始人：只有从底层训模型，才能真正释放Coding生产力
对话AIGCode创始人：只有从底层训模型，才能真正释放Coding生产力原创Founder ParkFounder Park2024年11月21日 19:22北京Copilot 正成为 AI 代码产品的主力军。Github Copilot、Cursor、MarsCode、通义灵码等，AI 代码生成提升了程序员的生产力，正在加速软件行业的生产效率和供给能力。但有一家公司想更进一步，不只是 Copilot，而是 Autopilot。他们想彻底改变软件的生产模式，完全释放软件市场的供
2024-11-22 20:42:30
927
原创 做出最好大模型的 CEO，不认为 Scaling Law 撞墙了
我觉得这是个很有价值的方向，model spec 和 Constitutional AI 有很多共同点，这也是一个 race to the top 的例子。我们发现了一个更好、更负责任的做事方式，这开始是一个竞争优势，然后其他人发现了这种方法的优点，也开始采用。每家公司实现这些理念的方式都不一样。OpenAI 的 model spec 中有一些 Constitutional AI 没有的内容，我们可以学习借鉴这些内容。总体来说，这是我们希望看到的行业健康发展的模式。
2024-11-22 20:40:41
1146
原创 为什么transformer的时间复杂度是N的平方，具体是里面的哪一个计算流程最占用时间
4o-LatestPoe在 Transformer 模型中，计算Q（Query）和K（Key）矩阵的点积是核心步骤之一，这涉及到自注意力（Self-Attention）机制的实现。下面从概念和数学的角度详细解释为什么要进行这个操作，以及它的意义。计算注意力得分矩阵：复制生成注意力分布：复制最终输出：复制这个过程的核心是Q × K^T，它提供了衡量单词间关系的基础。
2024-11-22 18:22:01
1091
原创 RNN模型挑战Transformer霸权！1%成本性能比肩Mistral-7B，支持100+种语言全球最多
这个现象与之前在RWKV-v4架构上进行的一项实验相同，——也就是说，在训练数据规模相同的情况下，像RWKV这种线性Transformer的性能会和Transformer差不多。2023年，世界上只有17%的人口会说英语（大约13亿人），但是，通过支持世界上排名前25位的语言，模型可以覆盖大约40亿人，即世界人口总数的50%。虽然取得了第一名的成绩，但总的来说，Eagle 7B是吃亏的，毕竟，基准测试无法直接评估模型在其他70多种语言中的性能。
2024-11-22 18:03:40
790
原创 无注意力大模型Eagle7B：基于RWKV，推理成本降低10-100 倍
v4 之前输给了 1T token 的 MPT-7b，但 v5 却在基准测试中开始追上来，在某些情况下（甚至在某些基准测试 LAMBADA、StoryCloze16、）是一种新颖的架构，有效地结合了 RNN 和 Transformer 的优点，同时规避了两者的缺点。目前 RWKV 已经迭代到第六代 RWKV-6，由于 RWKV 的性能与大小相似的 Transformer 相当，未来研究者可以利用这种架构创建更高效的模型。Mistral-7B 模型，其在每个基准测试中，都优于 Llama 2 13B。
2024-11-22 17:57:46
752
原创 LLM量化技术面试成了送命题..
OBQ 算法是将 OBS 算法把它推广到量化中，其实很好理解，我们常用的量化则是把数值近似到一个接近的值， 而剪枝实际上可以看做把数值直接近似成 0 （某种意义上或许可以称作 1bit 或 0bit 量化），可以理解为一种特殊的量化。在做基于激活值分布时，作者为了避免方法在实现上过于复杂，在挑选显著权重时，并非在“元素”级别进行挑选，而是在“通道(channel)”级别进行挑选，即权重矩阵的一行作为一个单位。设定一个阈值，根据权重的重要性得分进行排序，剪去得分最低的若干个权重。
2024-11-22 17:01:21
708
原创 DeepSeek版o1与OpenAI的o1大PK，到底谁真的炸场了？
前不久讨论特别热烈的一个话题是“Scaling Law有没有撞南墙”，众多大佬下场发表看法。目前业界已经开始动摇了沿着Scaling Law继续走下去的信念，而o1是OpenAI提出来的LLM后时代的一条新路径，获取内部早就调转了车头也未可知。仅从我们试用的一些case看，不足以代表DeepSeek-R1-Lite它的真实水平，但从中窥见，r1还有非常大的提升空间的。但是，o1标注大模型从快思考进入慢思考，这条路还有许多可能和想象。
2024-11-22 16:57:49
1688
原创 阿里推理模型来了！Marco-o1 发布即开源
Marco-o1在翻译任务上展现出了惊人的实力。（Marco-o1-MCTS Mini-Step），在MCTS框架内探索不同的行动粒度，并引导模型进行自我反思。它不仅能解决标准问题，更重要的是能够处理那些没有标准答案、难以量化的开放性问题。和自研合成数据对基础模型进行全参数微调，打造出Marco-o1-CoT。）应用于机器翻译任务，探索多语言和翻译领域的推理时间扩展规律。这个名为Marco-o1的模型可不是简单的大语言模型。基础上，通过精心设计的数据集进行微调。2024年11月22日 13:00。
2024-11-22 16:56:21
640
原创 DeepSeek等团队新作JanusFlow: 1.3B大模型统一视觉理解和生成. 基于Rectified Flow的模型（如Stable Diffusion 3
在之前结合LLM与Diffusion Model训练统一多模态模型的尝试中，理解与生成任务通常采用同一个视觉编码器（如Show-O [1] 中理解和生成均采用MAGVIT-v2将图片转换成离散token，Transfusion [2] 中理解和生成均采用latent space里的U-Net Encoder），往往导致理解和生成任务在视觉编码层面的冲突。E、使用REPA，理解模块是SigLIP，生成模块是SDXL-VAE+ConvNeXt Block，只训练生成数据，保持与联合训练中生成数据等量；
2024-11-22 16:54:16
1082
原创 续命Scaling Law？世界模型GPT-4o让智能体超级规划，OSU华人一作 WebDreamer框架 推理时计算
续命Scaling Law？世界模型GPT-4o让智能体超级规划，OSU华人一作新智元新智元2024年11月22日 12:54北京【新智元导读】Scaling Law撞墙，扩展语言智能体的推理时计算实在太难了！破局之道，竟是使用LLM作为世界模型？OSU华人团队发现，使用GPT-4o作为世界模型来支持复杂环境中的规划，潜力巨大。Scaling Law又能续命了？如何通过语言智能体的高级规划来Scaling推理时计算？答案就是——使用LLM作为世界模型。也就是说，使用GP
2024-11-22 16:52:26
809
原创 空间智能版ImageNet来了！李飞飞吴佳俊团队出品HourVide
要求模型对视频中的关键事件、主要交互等进行概括性描述，例如总结出脖子上挂了个相机的人在超市中有什么关键交互行为。
2024-11-22 16:50:19
884
原创 北京人往通州迁户口也行不通了 8项临时限控措施已出台
其中，包括冻结本市他区迁入通州区的非直系亲属投靠落户、对通州区引进的人才，已在本市他区（不含城六区）购置房产的，应在实际购房居住地办理落户；对于在市内有两套或多套房产的本市居民，申请在通州区房产落户时，严格审查是否在通州区居住，对不在通州区实际居住的，不予办理落户；“户籍人口少一点，配备资源的压力就小一点，要不然压力太大，无论是交通，还是医院、学校，压力都太大。，对其中已在本市他区（不含城六区）购置房产的人员，动员将户口迁走，对单位不配合的，集体户口予以冻结；而在迁入方面，通知中的限控措施有5项。
2024-11-17 20:17:10
405
原创 Optiver股票大赛Top2开源！
基于时间序列的对抗验证，我们发现非常多的特征随着时间的变化影响很大，例如order_count和total_volume这些，所以我们将其转化为在某个时间点的rank进行处理，与此同时，使用np.log1p对大的skew大的值进行处理。而本次比赛，也不例外，从赛后和前五的选手交流以及目前第二名选手的开源的来看，几乎全部都涉及到了时间信息的逆向特征工程。逆向的思路是：在本次竞赛中，因为竞赛数据是经过匿名化的，但是我们可以使用tick size来恢复在匿名之前的真实价格；模型处和开源的是类似的，
2024-10-01 23:31:26
510
原创 用于高频交易预测的最优输出LSTM
本文总结了OPTM-LSTM单元在高频交易（HFT）预测任务中的优势，包括其在多个数据集上实现的低预测误差和快速适应市场变化的能力，并指出了研究的局限性，如股票样本数量和交易时间范围的限制，同时提出了未来研究的方向，例如将OPTM-LSTM应用于其他在线预测任务，以及进一步优化模型以处理更广泛的市场数据和交易场景。此外，文章讨论了构建实时在线机器学习实验协议的挑战，不仅仅是工程目标（即LOB的中间价格预测），还包括开发适合基于较少训练周期的短期训练的动态调整的NN。的快速变化，这直接影响股票价格。
2024-10-01 23:27:26
1284
原创 RD-Agent Windows安装教程
接下来如果直接运行官方代码的话会遇到各种报错，主要是docker安装时的网络问题以及程序并行的问题。所以在运行之前，首先从星球获取修改后的Dockerfile，替换官方的rdagent\scenarios\qlib\docker\Dockerfile，接下来就可使用rd-agent自动搭建模型。这是运行两轮的结果，可以看到，通过LLMs构建的模型能够自动适配qlib并且输出结果，而且随着轮数增加，模型效果也会不断提升。目前还不支持其他LLMs的API， 等后面有时间我们再增加对于其他大模型的支持。
2024-10-01 23:20:52
1142
原创 利用LLMs自动寻找量化投资策略
框架分为三个主要部分：种子Alpha工厂、多智能体决策制定和权重优化方法。初始阶段使用大型语言模型（LLM）过滤和分类多模态文档，构建种子Alpha工厂。LLM处理大量和多样化数据集的能力确保了种子alpha集合全面且强大，按照金融alpha挖掘研究建立的独立alpha类别进行分类。第二阶段，框架采用多模态多智能体决策过程。这种多智能体方法允许结合不同的风险视角，增强策略在不同市场条件下的适应性和鲁棒性。最终阶段涉及使用深度学习方法的权重优化方法，评估每个种子alpha的性能，并构建整体策略。
2024-10-01 22:53:17
1277
原创 隐马尔可夫模型在股市预测中的应用
股市因其复杂多变的特性，预测未来股价一直是一个挑战。然而，运用高级方法可以显著提高股价预测的准确性。隐马尔可夫模型（Hidden Markov Models，HMMs）是一种统计模型，能够模拟部分可观测系统的行为，因此非常适合基于历史数据建模股价。本文训练并测试了一个隐马尔可夫模型，目的是基于开盘价和前一天的价格预测股票收盘价。模型的性能通过两个指标进行评估：平均绝对百分比误差（Mean Average Prediction Error，MAPE）和方向预测精度（Directional。
2024-10-01 22:37:19
1249
原创 想要了解真正的量化？这些常见的量化名词！让你一句话秒懂……
阿尔法策略基于CAPM模型。另译为“生存者偏差”、“存活者偏差”、“沉默的数据”等等，是指只能看到经过某种筛选而产生的结果，而没有意识到筛选的过程，因此忽略了被筛选掉的关键信息。下行风险是投资有可能出现的最坏的情况，也是投资者可能需要承担的损失。按照CAPM模型的规定，Beta系数是用以度量一项资产系统风险的指数，是用来衡量一种证券或一个投资组合相对总体市场的波动性的一种风险评估工具。不过对于刚学量化的小白来说，好不容易混进了一个比较有质量的群里，却发现大家聊的内容有的看都看不懂，只好在一个一个名词去搜。
2024-10-01 19:52:53
1062
原创 AAMAS 24 | 基于深度强化学习的多智能体和自适应框架用于动态组合风险管理
本文提出了一个名为MASA的多智能体和自适应框架，利用深度强化学习技术，通过两个合作的智能体（一个基于TD3算法的RL智能体和一个基于约束求解器的智能体）以及一个市场观察者智能体，动态平衡投资组合的总体回报和潜在风险。本文总结了MASA框架在处理高度动荡金融市场环境中的投资组合管理问题方面的显著性能，并指出了未来研究的可能方向，包括探索不同的基于元启发式的优化器作为求解器智能体、尝试各种智能方法作为市场观察者智能体，以及将MASA模型应用于资源分配、规划或灾难恢复等风险管理至关重要的领域。
2024-09-28 22:37:43
1176
原创 Time-MoE : 时间序列领域的亿级规模混合专家基础模型
随着深度学习技术的发展，大规模预训练模型在自然语言处理和计算机视觉领域取得了显著进展，但在时间序列预测领域，这些模型的规模和运算成本仍然限制了其在实际应用中的效能。尽管这些模型前景广阔，但与特定领域的模型相比，它们的规模通常较小，任务解决能力有限，这限制了它们在实际应用中的预测精度与计算预算之间的平衡。本文介绍的TIME-MOE模型，通过利用专家混合的稀疏设计，提高了计算效率，同时在多个基准测试中实现了显著的预测精度提升。尽管这些模型在各自的领域内取得了有竞争力的性能，但它们通常是任务特定的，并且在。
2024-09-28 22:25:10
1690
原创 netflix是什么样的企业文化
netflix是什么样的企业文化Netflix的企业文化以其“自由与责任”而闻名，这种文化理念在业界被广泛誉为管理的“黄金法则”。《奈飞文化手册》自2009年面世以来，便迅速成为全球企业管理的典范，吸引了超过1500万次的在线阅读与下载。Netflix的文化强调以人才密度实现最高绩效，对员工实行情境管理而不是控制。人才密度：Netflix相信优秀的同事能够相互激励，共同成长，并且工作表现具有感染力。：公司鼓励员工以积极的态度提供坦诚的反馈，这种沟通方式有助于建立信任和理解。管控。
2024-09-23 04:23:38
1195
原创 阿德里安·欧拉博士Dr Adrian Euler 杜伦大学商学院 英国
Adrian 的学历包括金融学博士学位（考文垂）、管理与领导力 CMIC（CMI）、高等教育 PGC（考文垂）、半导体科学与技术硕士和 DISc（帝国理工学院）、物理学荣誉学士和 ARCS（帝国理工学院和皇家科学院）。阿德里安·欧拉博士是杜伦大学商学院金融学副教授（教学）兼 EconFin BoE UG 主席，是一位金融理论家和实践者，在行业和高等教育实践（教学、学术、创新、管理和领导）方面拥有丰富的经验。数值配方/计算金融（VBA/VB/Matlab/C/C++/Python/Java/C#）
2024-09-17 22:09:17
721
原创 比特币核心集成/阶段树
我们收到的拉取请求比我们在短时间内审查和测试的请求要多。请耐心等待并通过测试其他人的拉取请求来提供帮助，并记住这是一个安全至关重要的项目，任何错误都可能让人们损失很多钱。CI（持续集成）系统确保每个拉取请求都是针对 Windows、Linux 和 macOS 构建的，并且自动运行单元/健全性测试。：我们不接受以 GitHub 拉取请求形式进行的翻译更改，因为 Transifex 的下一次拉取请求会自动再次覆盖它们。更改应该由编写代码的开发人员以外的其他人进行测试。，并为旧代码提交新的单元测试。
2024-09-17 21:59:13
704
原创 arwu学术排名
Total Score1Harvard University2Stanford University3Massachusetts Institute of Technology (MIT)4University of Cambridge5University of California, Berkeley6University of Oxford7Princeton University8California Institute of Technology8Columbia University10Univ
2024-09-09 10:15:37
176
原创 大投资模型 arxiv 量化论文
传统的量化投资研究面临着回报递减以及劳动力和时间成本上升的问题。为了克服这些挑战，我们引入了大型投资模型（LIM），这是一种新颖的研究范式，旨在大规模提高绩效和效率。LIM 采用端到端学习和通用建模来创建上游基础模型，能够从跨越多个交易所、工具和频率的各种金融数据中自主学习综合信号模式。这些“全局模式”随后被转移到下游策略建模，优化特定任务的性能。我们详细介绍了 LIM 的系统架构设计，解决了该方法固有的技术挑战，并概述了未来研究的潜在方向。
2024-08-25 02:08:22
834
原创 HATS：分层图注意力神经网络用于股票预测
此外，还讨论了注意力机制在图神经网络中的应用，这种机制可以为不同邻居节点的信息分配不同的权重，以选择性地聚合特征，这对于后续的节点分类和图分类任务至关重要。基本面分析师通过深入研究公司的财务状况和盈利能力来评估其证券的内在价值，而技术分析师则专注于分析股票价格的时间序列数据，寻找可盈利的模式，这两种方法都对股市预测有着重要的影响。作者指出，利用图结构数据和关系数据的潜力尚未被充分挖掘，并提出了HATS模型，这是一个创新的层次化图注意力网络，旨在通过更智能地聚合不同类型关系的信息来提高股市预测的准确性。
2024-08-11 17:41:12
1481
1
原创 股票预测：一种基于新闻特征抽取和循环神经网络的方法
股票预测：一种基于新闻特征抽取和循环神经网络的方法* 张泽亚，陈维政，闫宏飞 北京大学计算机科学与技术系，北京，100871 E-mail: zeyazhang26@gmail.com 摘 要：本文提出了一种预测股票涨跌的方法。在特征抽取方面，除了股价信息，我们还提取了与股票相 关的新闻特征。我们先依据经验选取了一些能代表新闻利好和利空性质的种子单词，然后基于最优化方法 计算出所有单词的利好极性。之后通过单词的利好极性构造出新闻的特征。模型方面，考虑到价格的时序 性以及新闻影响的持续性，我们提出了一种循环神
2024-07-16 23:40:08
903
原创 是通货紧缩和通货膨胀的特点与优劣比较表：
请把通货紧缩和通货膨胀的特点与优劣用表格表达出来GPT-4oPoe当然，以下是通货紧缩和通货膨胀的特点与优劣比较表：希望这个表格能清晰地展示通货紧缩和通货膨胀的特点及其优劣。
2024-07-16 23:31:10
603
原创 QuantML-Qlib Model | ICLR 24: 基于独立Patch的时序预测模型
此外，本章还对比了不同的时间序列预训练方法，并提出了PITS方法，它通过独立地嵌入时间序列块，而不是依赖于块之间的依赖关系，从而提供了一种新颖的视角来改进时间序列的表示学习。然后将我们的代码拷贝进examples/benchmarks，目前quantml-qlib在qlib的基础上已经支持40多个模型，包括线性模型，树模型，MLP类，CNN类，RNN类，GNN类，Transformer类以及KAN等，各类SOTA模型会不断更新。与传统的掩码建模任务不同，块重建任务不是预测被掩蔽的块，而是自编码未掩蔽的块。
2024-07-15 00:14:16
1079
原创 ProbTS：时间序列预测的统一评测框架
在 ProbTS 框架下的研究结果显示：首先，在长程及短程预测中，长程点预测的方法因定制化的神经架构在长程场景中表现出色，但在短程案例和复杂数据分布中表现不佳，并且因为缺乏对预测不确定性的量化评估，导致其与概率模型相比在应对复杂数据分布情况下存在显著的性能差距。研究员们通过 ProbTS 工具，不仅对预测研究的关键方法论差异进行了探讨，还对各类时间序列预测的经典模型和基础模型进行了评测，揭示了现有时间序列预测研究中存在的问题，以及各模型的优劣势所在，进而对该领域未来的研究方向进行了梳理。
2024-07-15 00:12:15
1099
原创 COLING 2024 | AlphaFin：基于LLM的股票预测大模型，显著提高预测能力
在这项工作中，研究者正式定义了财务分析的任务，并提出用 AlphaFin 数据集来增强大型语言模型（LLMs）的能力，并在其基础上对 StockGPT 进行了微调。研究者在提出的 AlphaFin 数据集上进行了广泛的实验，以及一些补充实验，如消融研究、GPT4 与人类偏好评估以及案例研究，以揭示 Stock-Chain 在所有基线方法中的卓越表现，并展示了其在财务分析任务中的有效性。然而，ML&DL 算法的性能有限，只能提供不确定的结果，并且无法处理复杂的文本数据。部分，即股票趋势预测和相应的金融问答。
2024-07-14 23:51:43
3929
原创 分数布朗运动的分数阶大规模中立型随机时滞系统的指数稳定性
数学在金融的许多领域都发挥着重要的作用。特别是，它提出了在所有金融领域广泛使用的理论和工具。此外，由于分数布朗运动(fBm)和相关随机系统的长记忆特性，人们用分数布朗运动来模拟股票价格和金融中的其他现象。本文给出了分数阶大规模中立型随机时滞系统的指数稳定性。基于分数阶微积分(FC)、Rn随机空间和Banach不动点理论，给出了解存在的充分条件和指数稳定性结果。在本研究中，我们通过应用局部假设来处理所考虑系统的非线性项。最后，为验证理论结果，进行了数值模拟。关键词:资产定价动态风险；指数稳定性；
2024-07-14 23:40:24
1045
原创 基于加密货币市场的趋势择时策略表现研究
技术分析手段，尤其是趋势择时策略，在传统资本市场中已被广泛使用，但在加密货币市场中的应用和效果尚未得到充分研究。- MACD策略在所有三种加密货币中均能获得正的超额收益，尤其是MACD柱状图策略在以太坊和瑞波币中表现突出。- 趋势择时策略在加密货币市场中具有显著的预测能力，能够为投资者带来比买入并持有策略更高的超额收益和夏普比率。- 研究表明，加密货币市场可能存在无效性，但随着市场成熟和监管加强，市场有效性在增强。文章的结构清晰，研究方法严谨，为理解加密货币市场中的交易策略提供了宝贵的见解。
2024-07-10 13:48:05
675
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人