如何喂送股票数据进入deepseek--启蒙篇

已于 2025-02-16 20:24:43 修改
阅读量2.3k 收藏 10
点赞数 15
分类专栏： deepseek 文章标签： 人工智能 pycharm 机器学习 python
于 2025-02-16 20:00:55 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_47390487/article/details/145668814
版权

文章目录

免责声明：本文仅提供技术信息参考，由此产生的投资交易损失与本文及作者无关

概要

我和大家一样在思考如何将deepseek与自身更好结合，其中一个结合点为将股票数据喂入deepseek。让最聪明的帮我们科学理性分析，岂不妙哉？

整体架构流程

整体架构为deepseek本地化部署+股票数据获取

技术名词解释

名词解释
* Deepseek: deep fortune seeker

技术细节

  • API deepseek本地化部署
    可以直接参考链接
    在这里插入图片描述
    本地安装Ollama成功

  • 股票数据获取
    可以直接参考链接
    在这里插入图片描述
    获取股票数据成功

小结

这样在Pycharm框架中用Python语言可以获取了股票数据信息，和deepseek本地化模型，下面能做的事情是不是很多呢？后续有功能探索后继续贴出。欢迎粉丝在此分享一下通过类似操作产生的正负收益。

DeepSeek投喂数据训练AI教程
Genio_Wang的博客
04-04 250
通过本地部署DeepSeek模型并投喂领域数据，开发者可快速构建专业化AI应用。该方案已在实际生产环境中验证，某电商企业通过投喂10万条客服对话记录，将自动回复准确率从62%提升至91%。建议初次使用者遵循「小数据验证→逐步扩展」的原则，同时关注DeepSeek官方技术社区获取最新优化方案。
DeepSeek-R1 论文阅读 DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning
CSPhD-winston的博客
02-14 1307
和。这些模型的核心创新点是通过强化学习（Reinforcement Learning, RL）来提升大型语言模型（LLM）的推理能力，而没有依赖传统的监督微调（Supervised Fine-Tuning, SFT）作为预训练的步骤。是一种通过大规模强化学习直接训练的模型。它在推理能力上表现出色，能够自然地展现出许多强大且有趣的推理行为。但它也有一些问题，比如可读性差和语言混合。这意味着模型在生成文本时，有时会显得不太清晰，或者不一致地使用不同语言。为了解决这些问题并进一步提升推理能力，研究者提出了。
如何用deepseek炒股
weixin_44088472的博客
03-06 4558
使用 DeepSeek 进行炒股的核心思路是 利用其强大的数据处理和预测能力，辅助投资决策。以下是具体的应用方法和步骤：
excel接入deepseek源码 vba接入deepseek excel快速与deepseek对接 excel里面就可以使用deepseek deepseek融入Excel开发购股票、基金的的业务
02-27
https://blog.youkuaiyun.com/oSenLin123456/article/details/145915871 Excel接入DeepSeek：开启智能数据分析与金融决策的新时代 在数字化浪潮席卷全球的今天，Excel作为企业及个人最常用的数据处理工具，凭借其灵活性、易用性和强大的计算功能，已成为金融、财务、投资等领域的核心工具。然而，随着数据量的爆炸式增长和业务场景的复杂化，传统Excel在处理海量数据、实时分析及智能化决策方面的局限性日益凸显。而将Excel与人工智能平台DeepSeek深度融合，不仅能突破Excel的原有边界，更能为股票、基金等金融场景赋能，实现从“数据工具”到“智能决策引擎”的跨越式升级。以下从必要性和核心优势两方面阐述这一技术整合的价值。
Python实现deepseek接口的调用
weixin_74305707的博客
03-23 3016
在 Python 中，可以使用 requests 或 httpx 库向 DeepSeek API 发送请求，实现文本生成、代码补全，知识问答等功能。本文将介绍如何在 Python 中调用 DeepSeek 接口，包括 API 认证、请求参数设置以及结果解析，帮助开发者快速集成 DeepSeek 功能到自己的应用中。第四步，将输出的代码复制到deepseek，API_KEY填刚才保存的apikey。第二步，点击用量统计，点击充值，不咋用的话，10块钱就够了。
python+deepseek进行个股分析
weixin_43006743的博客
02-16 1070
导入deepseek缺失的行情数据（上面获取到的EXCEL个股行情数据）接口接入deepseek,让deepseek自己不断实时获取最新行情信息。输入你的问题描述进行个股分析。
金融量化交易：基于DeepSeek的股票预测模型微调与回测框架搭建.pdf
02-14
在日常的工作和学习中，你是否常常为处理复杂的数据、生成高质量的文本或者进行精准的图像识别而烦恼？DeepSeek 或许就是你一直在寻找的解决方案！它以其高效、智能的特点，在各个行业都展现出了巨大的应用价值。然而，想要充分发挥 DeepSeek 的优势，掌握从入门到精通的知识和技能至关重要。本文将从实际应用的角度出发，为你详细介绍 DeepSeek 的基本原理、操作方法以及高级技巧。通过系统的学习，你将能够轻松地运用 DeepSeek 解决实际问题，提升工作效率和质量，让自己在职场和学术领域脱颖而出。该文档【金融量化交易：基于DeepSeek的股票预测模型微调与回测框架搭建】共计 29 页，文档内容完整、条理清晰。文档内所有文字、图表、目录等元素均显示正常，无任何异常情况，敬请您放心查阅与使用。
如何给本地部署的DeepSeek投喂数据，让他更懂你
再小的帆也能远航，把分享变成一种习惯
02-14 3629
在上一篇文章中，我们说了怎么在本地部署DeepSeek。对本地部署DeepSeek感兴趣的小伙伴看过来。本地部署 DeepSeek：小白也能轻松搞定！话说回来了，为啥要本地部署呢？① 在使用DeepSeek中，经常会出现服务器繁忙，请稍后再试。② 不想让个人隐私数据暴露出去③ 可以将各种格式的文件，如pdf、csv、txt、md 格式的数据投喂给它。比如你想让DeepSeek了解你的公司业务，就把相关的文档上传给它。DeepSeek就能吃下你给它的各种“知识大餐”，然后变得更聪明,更懂你。
【DeepSeek开发】Python实现股票数据可视化
天启和风的博客
02-04 4677
Python实现股票数据可视化，包含三种不同可视化方式的展现。
DeepSeek实战指南：AI股票分析软件（二）—— 股票数据API功能对比与选型策略
牛奶夹心巧克力
02-26 2175
针对A股分析软件开发需求，系统评估了主流金融数据平台的选型方案。对比商业收费平台（沧海、麦蕊、必盈）与开源工具（AkShare、BaoStock）的核心能力，主要依据数据覆盖完整性、接口稳定性、成本可控性、A股支持深度。
手把手教学，训练模型（喂养数据） deepseek-R1 1.5b 大模型
u013302168的博客
02-11 4250
为什么这里叫“喂养”DeepSeek 本地模型，因为大模型再强大也有它天然的局限性，比如：训练数据不可能包含你的私域数据，而打造自己的本地私域知识库，就需要检索这些数据，具体采用的是RAG（检索增强生成）方法。英文全称是Retrieval-Augmented Generation，采用RAG就需要把你的私域数据向量化，然后存储到向量数据库中，支持向量检索配合LLM大模型一起提供更专业的回复。简单概述，就是利用已有的文档、内部知识（例如飞书文档）生成。
DeepSeek本地部署+投喂数据训练AI教程！！
热门推荐
2301_76168381的博客
02-05 13万+
DeepSeek-R1，是深度求索（DeepSeek）研发的推理模型，本地部署后完全免费，无使用次数限制。DeepSeek-R1采用的大规模强化学习技术，尤其擅长数学、代码和自然语言推理等复杂任务。DeepSeek-R1系列模型（1.5b~671b）开源且免费，进一步降低了AI应用门槛，赋能开源社区发展。使用教程❶Win版安装教程（Ollama+AnythingLLM安装、DeepSeek模型下载）❷Mac版安装教程（Ollama+AnythingLLM安装、DeepSeek模型下载）
幕僚云私有化部署Dify+Ollama+DeepSeek-r1
02-14
实施幕僚云私有化部署Dify+Ollama+DeepSeek-r1的项目，对于企业而言，不仅能够提供高效的数据处理能力，还能够在保护企业数据隐私的前提下，助力企业进行数据分析和决策支持，最终实现数据驱动的业务增长和创新。
行业文档-设计装置-固定式启蒙铅笔.zip
09-06
《固定式启蒙铅笔》行业文档详细解析 在设计领域，特别是教育用品设计中，固定式启蒙铅笔是一项重要的创新。这份名为“行业文档-设计装置-固定式启蒙铅笔.zip”的压缩包文件包含了对这一独特设计的深入探讨，主要以...
【信息学奥赛一本通-编程启蒙】部分视频集（2023.10.24）S.pdf
10-24
【信息学奥赛一本通-编程启蒙】系列视频集是一套专为初学者设计的C++编程教程，旨在帮助学生入门信息学竞赛。该系列涵盖了从基础语法到基本算法的多个方面，通过清晰易懂的教学视频，逐步引导学习者掌握编程技能。 ...
DeepSeek-VL2开源，VLM迈入MoE时代~
强化学习曾小健
12-13 600
视觉-语言模型系列，它显著改进了其前身DeepSeek-VL。DeepSeek-VL2在多种任务上展现出卓越的能力，包括视觉问题回答、光学字符识别、文档/表格/图表理解以及视觉定位。，分别拥有10亿、28亿和45亿激活参数。与现有的开源密集型和基于MoE的模型相比，DeepSeek-VL2在相似或更少的激活参数下实现了竞争性或最先进的性能。”，它会回答：“为了降温，你可以使用 [[166, 460, 338, 712]] 位置处的风扇，它放在桌子上”2024年12月13日 21:09。
小白一天就能学会：DeepSeek+通达信，轻松自定义选股
weixin_46249649的博客
02-18 5481
通过DeepSeek轻松制定通达信选股公式，从而自定义选出符合条件的股票，小白一天也能学会。
手把手实战：如何用DeepSeek进行股票分析？
最新发布
weixin_46880696的博客
05-21 1148
同时，我们具备大模型全栈技术能力，可协助您完成从模型训练、微调、部署、调优的全过程，助力构建安全、高效的AI系统。配置“模型供应商”，选择 “OpenAI-API-compatible”，输入申请到的 “API Key” 和 “URL” 后点击“保存”，如下图示例完成 “AlayaNew/DeepSeek-R1” LLM的配置。通过精心设计的提示词，可以激活模型中与特定任务相关的知识，使其在无需大规模微调的情况下，直接应用于下游任务。，任何技术都有局限性，审慎的态度和科学的投资框架始终是风险管理的核心。
DeepSeek 模型与股票分析
weixin_44662828的博客
04-22 1073
维度不带 RL（监督学习）带 RL（GRPO + RLHF）训练目标最小化预测误差最大化奖励信号（质量、逻辑性）数据多样性依赖人工标注合成数据 + 人类反馈推理能力简单任务稳定，复杂任务受限系统性多步骤推理应用场景标准化问答、短文本生成数学求解、代码生成、长文本规划迭代潜力有限（依赖新标注数据）高（可通过强化学习持续优化）在股票分析中，带强化学习的 DeepSeek 模型更适合需要动态适应市场、处理多模态数据或生成可解释策略的场景，而不带 RL 的版本则适用于基于历史模式的标准化分析任务。
H100 1024集群 拓扑图
01-16
### 构建H100 1024节点集群网络拓扑 对于构建一个由1024个H100 GPU组成的高性能计算(HPC)集群而言，其设计需考虑多方面因素来确保高效能运算。这类集群通常采用层次化的互连结构，以满足不同层面的数据交换需求。 #### 层次化互联模型 在一个典型的大型GPU集群配置中，最底层是由单个机柜内的若干台服务器通过NVLink技术直接相连形成的小规模子网；这些子网再经由InfiniBand或其他形式的高速网络连接起来构成更大范围内的分布式系统[^1]。具体到拥有1024个节点的情况： - **内部链接**：每台配备有8张H100显卡的服务器内部利用NVIDIA NVSwitch实现全带宽互连，使得同一主机上的所有GPU能够快速共享数据。 - **外部扩展**：跨服务器间的通讯依赖于InfiniBand EDR/HDR/FDR等标准协议提供的低延迟、高吞吐量特性完成。整个集群可能被划分为多个Pods（例如每个包含64或更多节点），各Pod之间也存在相应的上联链路用于全局同步操作。 #### 实际部署考量 考虑到物理空间布局以及散热等问题，在实际搭建过程中往往还会涉及到更复杂的规划。比如按照功能分区布置硬件资源，或是引入液冷方案辅助降温等等措施。此外，针对特定应用场景优化后的定制版固件也可能成为提升整体性能表现的关键要素之一[^3]。 ```mermaid graph TD; A[H100 Cluster Topology] --> B{Pod Level}; B --> C[Server Internal]; C --> D[NVSwitch Interconnect (Per Server)]; C --> E[GPU-to-GPU via NVLink]; B --> F[Inter-Pod Communication]; F --> G[Infiniband Network]; ``` 此Mermaid图表展示了上述描述中的基本概念，其中包含了从单个服务器内部直到跨越不同Pod之间的通信路径。
评论
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

打赏作者

aidesignplus

你的鼓励将是我GPU的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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