- 博客(95)
- 收藏
- 关注
RSS订阅
原创 0. Kaggle实战：Kaggle竞赛实战记录列表（持续更新）
本专栏专注于记录与分享Kaggle竞赛的解题思路、项目框架及代码实现。通过通俗易懂的讲解和简单明了的测试数据，帮助每位读者轻松掌握参赛技巧，快速提升实战能力，一起探索数据科学的魅力！
2025-02-25 12:02:07
798
原创 0.1 量海航行：量化因子列表汇总（持续更新）
一个开源的量化因子项目，通过Python实现和标准化处理，将各类技术指标转化为可用因子。不止于因子计算，后续更有因子评估、优化与集成，助您构建专业量化交易系统。
2025-02-18 16:44:40
1896
原创 0. 金融资产组合模型进化全图鉴
本专栏【金融资产组合模型进化论】以马科维茨资产组合模型为起点，带领读者一步步感受、体验金融资产组合模型的优化、进化的演变，目标是能让所有读者都能看明白的金融资产组合模型理论+因子理论，使读者对金融资产有一个框架的、高纬度的认识。
2025-01-02 20:24:56
843
原创 1.16 重叠因子：TEMA三重指数移动平均线(Triple Exponential Moving Average, TEMA)概念与Python实战
三重指数移动平均线(Triple Exponential Moving Average, TEMA)是一种高级移动平均线指标，由Patrick Mulloy开发。它通过三重指数平滑处理来减少传统移动平均线的滞后性，同时保持对价格变动的敏感度。TEMA的独特之处在于它使用了EMA的线性组合来实现更快的响应速度。
2025-03-04 17:23:19
1104
原创 1.15 重叠因子：WMA加权移动平均线(Weighted Moving Average, WMA)概念与Python实战
加权移动平均线(Weighted Moving Average, WMA)是一种重要的技术分析工具，它通过对不同时期的价格数据赋予不同的权重来计算平均值。WMA给予最近期数据最高的权重，权重随着时间的推移线性递减，这种特性使其能够更快地反应价格变化，同时保持一定的平滑效果。
2025-03-01 10:08:21
852
原创 1.7 Kaggle大白话：Eedi竞赛Transformer框架解决方案07-调用AI模型输出结果
至此Eedi竞赛Transformer框架解决方案项目博客01Eedi竞赛Transformer框架解决方案01-竞赛信息解读与数据理解项目博客02Eedi竞赛Transformer框架解决方案02-GPT_4o生成训练集缺失数据项目博客03Eedi竞赛Transformer框架解决方案03-定义Transformer数据输入层项目博客04Eedi竞赛Transformer框架解决方案04-定义Transformer模型项目博客05。
2025-03-01 10:00:13
1624
1
原创 1.14 重叠因子：TRIMA三角移动平均线(Triangular Moving Average, TRIMA)概念与Python实战
三角移动平均线(Triangular Moving Average, TRIMA)是一种特殊的加权移动平均线。它通过对价格数据进行两次简单移动平均计算，自然形成三角形权重分布，使得中间数据的权重最大，两端数据的权重逐渐减小。这种权重分布使TRIMA具有更好的平滑效果，同时保持对中期趋势的敏感性。
2025-02-28 16:44:42
902
原创 1.6 Kaggle大白话：Eedi竞赛Transformer框架解决方案06-Transformer模型训练及评估
本文聚焦于Kaggle Eedi竞赛中Transformer模型的训练与评估过程。通过详细代码实现与通俗易懂的“大白话”讲解，帮助读者快速掌握模型训练的各个环节，包括训练准备、批次训练、梯度更新、定期评估和模型保存。同时，深入解析评估过程中的模型推理、Embeddings计算、相似度匹配及指标计算，生动展示了如何通过技术手段精准识别学生错误背后的误解原因。
2025-02-28 09:30:00
668
原创 1.5 Kaggle大白话：Eedi竞赛Transformer框架解决方案05-实例化Transformer及参数解释
本文主要是Transformer类的实例化，并解释各个参数。本章节理论上来说没有任何技术难点，主要是声明变量以及输入参数，并提取出配置对象，使模型定义高度个性化。但是由于参数量较大，因此理解参数作用即可。 - **通过本文可收获技能**：Transformer实例的各个参数含义。
2025-02-27 15:39:40
1037
原创 1.4 Kaggle大白话：Eedi竞赛Transformer框架解决方案04-定义Transformer模型
本文深入解析了Kaggle Eedi竞赛中Transformer模型的构建与应用。通过详细代码实现与通俗易懂的“大白话”讲解，带你快速掌握Transformer架构的核心组件，包括编码层、池化层和相似度计算层的作用与实现方法。文章结合实际案例，以教学场景类比模型工作流程，生动展示了模型如何通过文本编码、特征提取和相似度计算，实现对错误答案背后误解的精准判断。
2025-02-27 11:18:56
1014
原创 1.3 Kaggle大白话：Eedi竞赛Transformer框架解决方案03-定义Transformer数据输入层
上一篇文章中已经实现缺失错误解释的AI补充，之后的主要任务是使用Transformer架构，训练出错误答案与错误解释的文本匹配模型。本文主旨是定义一个能够实现文本相似度的对比学习的Transformer类，由于整体Transformer架构过大，本文先解读架构图中的“数据输入层”。通过本文可收获技能：Transformer训练数据的生成、Transformer数据的标准化处理。
2025-02-26 19:28:51
657
原创 1.2 Kaggle大白话：Eedi竞赛Transformer框架解决方案02-GPT_4o生成训练集缺失数据
大白话：由于在上一篇文章的数据探索中，我们发现了部分训练数据的错误解释存在缺失，因此直接使用GPT_4o+人设提示词工程，对训练集数据存在的错误解释缺失问题的处理。通过本文可收获技能：API调用AI接口、人设提示词工程案例、复杂的数据处理与缓存处理。
2025-02-26 11:00:23
873
5
原创 1.1 Kaggle大白话：Eedi竞赛Transformer框架解决方案01-竞赛信息解读与数据理解
数学单选选择题（4选1），会有1个正确答案，和3个错误答案，每个错误答案(A)应该都要有错误解释(B)，本竞赛的主要目的是使用大语言模型，实现错误答案(A)与错误解释(B)的关联。可见错误解释(B)，有2587类，我们需要做的是，给每个题目的错误答案(A)，匹配上合适的错误解释(B)对应的id。把提交的错误答案(A)与错误解释(B)的关联进行降序排序，获取关联性最大的前25个，与真实的关联关系进行对照。使用AI工具，对缺失的错误解释进行补全，再对错误解释列表进行相似性分析，获取出错误解释(B)对应的id。
2025-02-25 12:03:27
994
原创 1.13 重叠因子：简单移动平均线(Simple Moving Average, SMA)概念与Python实战
简单移动平均线(Simple Moving Average, SMA)是最基础且应用最广泛的技术指标之一。它通过计算一定周期内价格的算术平均值来平滑价格波动，帮助识别价格趋势。SMA的简单性和直观性使其成为技术分析中不可或缺的工具。
2025-02-24 20:40:29
776
原创 1.12 重叠因子：SAREXT扩展抛物线转向指标(Parabolic SAR - Extended, SAREXT)概念与Python实战
扩展抛物线转向指标(Parabolic SAR - Extended, SAREXT)是对传统SAR指标的增强版本。它的主要改进在于可以为上升和下降趋势分别设置不同的加速因子参数，使得指标能够更好地适应不同市场环境下的趋势特征。这种灵活性使SAREXT能够更精确地捕捉不同方向的趋势变化。
2025-02-24 20:36:26
678
原创 1.11 重叠因子：SAR抛物线转向指标(Parabolic SAR - Stop And Reverse)概念与Python实战
抛物线转向指标(Parabolic SAR - Stop And Reverse)是由J. Welles Wilder Jr.开发的技术分析工具。它是一个趋势跟踪指标，用于确定趋势的方向和可能的反转点。SAR的独特之处在于它的加速因子会随着趋势的发展而变化，使得指标能够自适应地跟踪价格走势。
2025-02-23 15:00:00
965
原创 1.10 重叠因子：中点价格(Midpoint Price over period, MIDPRICE)概念与Python实战
中点价格(Midpoint Price over period, MIDPRICE)是一种基于最高价和最低价的技术指标。它通过计算指定周期内最高价和最低价的中间值来反映价格的中枢水平。与MIDPOINT相比，MIDPRICE考虑了价格的极值，能更好地反映价格的波动范围和潜在的支撑阻力位。
2025-02-23 11:00:00
619
原创 1.9 重叠因子：中点价格(MidPoint over period, MIDPOINT)概念与Python实战
中点价格(MidPoint over period, MIDPOINT)是一种简单但有效的技术指标，它计算指定周期内最高价和最低价的中间值。这种方法可以帮助平滑价格波动，提供一个更稳定的价格参考水平。MIDPOINT通过消除极端价格的影响，反映了一段时期内的价格中枢。
2025-02-22 20:46:24
650
原创 1.8 重叠因子：MAVP可变周期移动平均线(Moving Average with Variable Period, MAVP)概念与Python实战
可变周期移动平均线(Moving Average with Variable Period, MAVP)是一种高级移动平均线指标，其独特之处在于移动平均的周期不是固定的，而是根据另一个时间序列动态变化。这种自适应特性使得MAVP能够更好地适应市场的周期变化，提供更灵活的交易信号。
2025-02-22 20:42:32
729
原创 1.7 重叠因子：MESA自适应移动平均线(MESA Adaptive Moving Average, MAMA)概念与Python实战
MESA自适应移动平均线(MESA Adaptive Moving Average, MAMA)是由John Ehlers开发的一种高级技术指标。它使用MESA(Maximum Entropy Spectral Analysis)算法来自适应地调整移动平均的速度，能够快速响应市场变化同时保持良好的平滑性。MAMA包含两条线：MAMA(主线)和FAMA(跟随线)。
2025-02-21 15:00:00
1636
原创 1.6 重叠因子：移动平均线(Moving Average, MA)概念与Python实战
移动平均线(Moving Average, MA)是技术分析中最基础和最常用的指标之一。它通过计算一定时间窗口内的价格平均值来平滑价格波动，帮助识别市场趋势。MA可以过滤市场噪音，提供更清晰的价格走势，是构建交易策略的重要工具。
2025-02-21 11:00:00
687
原创 1.5 重叠因子：考夫曼自适应移动平均线(Kaufman Adaptive Moving Average, KAMA)概念与Python实战
考夫曼自适应移动平均线(Kaufman Adaptive Moving Average, KAMA)是由Perry Kaufman开发的一种自适应技术指标。它的独特之处在于能够根据市场波动性自动调整移动平均的敏感度，在趋势市场中减少滞后，在震荡市场中增加平滑度。这种自适应特性使其比传统移动平均线具有更好的市场适应性。
2025-02-20 15:00:00
1211
原创 1.4 重叠因子：指数移动平均线(Exponential Moving Average, EMA)概念与Python实战
指数移动平均线(Exponential Moving Average, EMA)是一种重要的技术分析工具，它通过对价格数据进行加权平均计算，赋予近期数据更大的权重。相比简单移动平均线(SMA)，EMA对市场变化的反应更加敏感，能更快地捕捉价格趋势的变化。
2025-02-20 10:00:00
631
原创 1.3 重叠因子：希尔伯特变换趋势线(Hilbert Transform - Instantaneous Trendline)概念与Python实战
希尔伯特变换趋势线(Hilbert Transform - Instantaneous Trendline)是一种基于希尔伯特变换的高级技术分析工具。它使用数字信号处理技术来识别价格的主导周期，并生成一条平滑的趋势线。这种方法可以有效过滤市场噪音，提供更准确的趋势信号。
2025-02-19 15:00:00
1761
原创 1.2 重叠因子：双重指数移动平均(Double Exponential Moving Average, DEMA)概念与Python实战
双重指数移动平均(Double Exponential Moving Average, DEMA)是一种改进的移动平均线指标，由Patrick Mulloy在1994年开发。相比传统的指数移动平均线(EMA)，DEMA通过减少滞后性来提供更快的市场反应。它通过两次计算EMA并进行特殊组合来实现这一目标，可以在保持平滑性的同时减少滞后。
2025-02-19 11:00:00
1510
原创 1.1 重叠因子：布林带(Bollinger Bands)概念与Python实战
布林带(Bollinger Bands)是一种基于移动平均线的技术分析工具，由John Bollinger在1980年代创建。它由三条线组成：中轨(移动平均线)、上轨(中轨加上N倍标准差)和下轨(中轨减去N倍标准差)。布林带可以帮助识别市场的超买超卖状态，以及价格波动的收缩和扩张。
2025-02-18 16:08:55
685
原创 100.19 AI量化面试题：如何定义和选择交易的量化因子
本文通过通俗易懂的方式介绍量化交易中因子的定义、筛选和评估方法，帮助读者更好地理解和应用量化因子。
2025-02-14 16:26:05
347
原创 100.18 AI量化面试题：如何评估DeepSeek等模型的生成质量？请列举常用的评估指标及其计算方法
本文通过通俗易懂的方式介绍如何评估DeepSeek等大语言模型的生成质量，包括自动评估指标和人工评估方法。
2025-02-14 16:18:24
819
原创 100.17 AI量化面试题：凯利准则的核心思想是什么？如何用它来确定最佳资本配置比例？
本文通过通俗易懂的方式介绍凯利准则(Kelly Criterion)的核心思想及其在投资中的应用，包括理论基础、实现方法和实际案例。
2025-02-12 15:07:25
461
原创 100.16 AI量化面试题：监督学习技术在量化金融中的应用方案
本文通过通俗易懂的方式介绍监督学习在量化金融中的应用，包括市场预测、风险评估、投资组合优化等方面。
2025-02-12 15:00:19
408
原创 100.15 AI量化面试题：PPO与GPPO策略优化算法的异同点
本文通过通俗易懂的方式介绍PPO(Proximal Policy Optimization)和GPPO(Generalized Proximal Policy Optimization)的共同点与差异点，帮助读者更好地理解这两种强化学习算法。
2025-02-11 20:30:00
976
原创 100.14 AI量化面试题：模型蒸馏（Model Distillation）和模型微调（Fine-tuning）的异同点
本文通过通俗易懂的方式介绍模型蒸馏(Model Distillation)和模型微调(Fine-tuning)的共同点与差异点，帮助读者更好地理解这两种模型优化技术。
2025-02-11 16:20:04
1136
原创 100.13 AI量化面试题：支持向量机（SVM）如何处理高维和复杂数据集？
本文通过通俗易懂的方式介绍支持向量机(SVM)如何处理高维和复杂数据集，包括核函数技巧、特征工程和优化方法。
2025-02-10 19:30:36
1036
原创 102.1 Kaggle竞赛：Optiver - Trading at the Close 竞赛项目Python代码详解
本项目构建了一个完整的股市收盘价预测系统，通过深入的特征工程和稳定的模型训练，实现了较好的预测效果。项目中的许多技术和经验，如市场微观结构特征的构建、时间序列数据的处理方法等，都可以应用到其他金融预测任务中。同时，项目也展示了在实际交易场景中，如何平衡预测准确性和系统效率的重要性。
2025-02-10 19:12:59
2170
1
原创 100.12 AI量化面试题：量化金融中什么是蒙特卡罗模拟？
本文通过通俗易懂的方式介绍蒙特卡罗模拟(Monte Carlo Simulation)在量化金融中的应用，包括基本原理、实现方法和实际案例。
2025-02-09 13:10:42
435
原创 100.11 AI量化面试题：量化金融中什么是最大似然估计？
本文通过通俗易懂的方式介绍最大似然估计(Maximum Likelihood Estimation, MLE)在量化金融中的应用，包括基本原理、实现方法和实际案例。
2025-02-09 13:09:17
333
原创 101.2 Paper精读：TradingAgents_基于多智能体LLM的金融交易框架
本文提出了一个创新的多智能体交易框架TradingAgents，通过模拟真实交易公司的组织结构和决策流程，实现了一个完整的交易决策系统。该框架包含多个专业化的智能体角色，如分析师团队、研究团队、交易员和风险管理团队等，通过结构化文档和自然语言对话相结合的方式进行协作决策。
2025-02-08 11:42:21
789
原创 101.3 Paper精读：李飞飞50刀复刻deepseek_s1_简单的测试时间缩放
本文提出了一种简单而有效的测试时间缩放方法，用于提升大语言模型的推理性能。研究团队通过精心策划的1000个高质量问题数据集(s1K)和预算强制(budget forcing)技术，实现了显著的性能提升。在仅使用26分钟训练的情况下，他们的模型s1-32B在数学竞赛题目上超越了OpenAI的o1-preview模型27%。这项研究证明，通过合理的数据选择和简单的测试时间控制方法，可以实现高效且可扩展的模型性能提升。
2025-02-08 10:00:00
1935
原创 101.1 Paper精读：DeepSeek_R1_基于强化学习的LLM推理能力增强
本文介绍了DeepSeek团队在大语言模型推理能力增强方面的开创性工作。首次证明了纯强化学习方法（DeepSeek-R1-Zero）可以显著提升模型的推理能力，无需传统的监督微调过程。通过多阶段训练方法，团队开发的DeepSeek-R1模型在AIME 2024等多个推理基准测试中达到或超过了OpenAI-o1-1217的性能。此外，研究还成功将高级推理能力蒸馏到更小的模型中，使1.5B到70B等不同规模的模型都获得了显著的性能提升。
2025-02-07 14:31:11
716
原创 100.10 AI量化面试题：AI大模型中的MOE架构主要类型，和DeepSeek使用了哪一种类型？
本文通过通俗易懂的方式介绍MOE（混合专家系统）架构的几种变体，包括标准MOE、稀疏MOE和共享专家稀疏MOE，并分析它们的异同。
2025-02-07 10:00:00
1187
原文下载：TradingAgents: Multi-Agents LLM Financial Trading Framework
2025-02-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人