文章目录前言 一、Vitis-AIPytorch框架量化（vai_q_pytorch) 二、编写量化脚本并进行量化 三、模型编译 总结 前言 虽然Xilinx提供了Vitis-AI用户手册Vitis-AI2.5用户手册，但是其中对于一些安装和使用介绍极为简略，在安装和使用过程中碰到了一系列问题，所以在这里记录一下使用Vitis-AI过程中遇到的各种坑。 一、Vitis-AIPytorch框架量化（vai_q_pytorch) 我们使用的是pytorch框架的yolo模型，在使用vitis-ai量化前根据指导手册，要安装vai_q_pytorch，但是需要注意，我们在安装过程
期权是一种合约，有看涨期权和看跌期权两种类型，也就是做多和做空两个方向，走势标的物对应大盘指数，这也是期权与其他金融工具的主要区别之一，可以用于套利，对冲股票和激进下跌的风险，下文介绍期权是什么?期权的优缺点是什么?一、什么是期权?期权的标的品种可以是股票、指数、商品等。比如，国内最早期上市的上证50ETF期权，它跟踪的标的是上证50指数，如果在未来想要买涨上证50指数，就可以买入50ETF期权的认购合约，想要买跌上证50指数，就可以买入50ETF期权的认沽合约。如下图所示，左边认购等于看涨，右边认沽等于看跌。除了购买50ETF期权，还可以购买300ETF期权、500ETF期权、创业板ETF期
backtrader是著名的开源量化框架，作者叫DanielRodriguez，就是下图这位老兄。这个作者是德国人，工作在德国慕尼黑，编程水平极高，比国内一些非专业程序员编写的回测平台代码质量高太多。backtrader框架编码简洁优雅，用户编写回测策略所需代码量极少。遗憾的是这位德国老兄写的backtrader英文文档与英国人的写作风格很不一样，能说一句绝不说两句，还经常夹杂一些古怪的俚语，说实话对中国人有些晦涩难懂（有的老外看了也说难懂），严重妨碍了backtrader在中国的普及。因此，为推动backtrader在中国的普及，我们编写了目前国内唯一（也是世界唯一）的扫地僧backtrad
去年Meta发布了售价高达1500美元的VST头显QuestPro，该头显与Meta的Quest2等产品在定价、技术路径上有很大不同，其搭载了眼球追踪、彩色VST等更高端的功能，而产品发布后，外界对其反馈也褒贬不一。作为Pro产品线首个产品，QuestPro主要是为了推动混合现实生态，后期将有望通过软件更新来优化体验。因此，我们可以期待QuestPro在其生命周期内进一步升级。那么，Meta对于该产品有哪些规划呢？展望新的一年，Meta又有哪些新的计划？为了解这些问题，近期AndrewBosworth在L'UsineDigitale的采访的文章中，一起回顾了QuestPro发布，并探讨了未来发
文章目录1.投资和投资学的关系1.1什么是投资？1.2什么是投资学？2.投资学的主要内容2.1金融市场与投资环境2.1.1金融资产2.1.2债券市场的意义2.1.3金融市场与经济2.1.4投资过程2.1.5竞争性的市场2.1.6市场参与者2.1.7主要的市场债券市场外汇市场贵金属市场大宗商品市场股票市场1.投资和投资学的关系1.1什么是投资？投资是为了获得可能但并不确定的未来值（Futurevalue）而作出牺牲确定的现值（Presentvalue）的行为。（WilliamF.Sharpe，1990年获得诺贝尔经济学奖）投资有三大特点投资的时间性：资金具有时间价值，是牺牲当前消费（Reduce
近来，大型语言模型（LLM）在各种任务中表现出色。然而，即便有卓越的任务处理能力，LLM却面临着巨大的挑战，这些挑战源于其巨大的规模和计算需求。举个例子，GPT-175B版本具有惊人的1750亿参数，至少需要320GB（使用1024的倍数）的半精度（FP16）格式存储。此外，部署此模型进行推理还需要至少五个A100GPU，每个GPU具有80GB的内存，这样才能有效地保证运行。为了解决这些问题，当下一种被称为模型压缩的方法可以成为解决方案。模型压缩可以将大型、资源密集型模型转换为适合存储在受限移动设备上的紧凑版本。此外它可以优化模型，以最小的延迟更快地执行，或实现这些目标之间的平衡。除了技术方面
BOXTRADE-天启量化分析平台系统功能预览系统功能预览1.登录首页参考登录文档2.A股行情与策略分析2.1 A股股票列表可以筛选和搜索2.2 A股行情及策略回测2.2.1行情数据提供除权和前复权，后复权数据；外链公司信息2.2.2内置策略执行结果概览2.2.3量价走势图2.3 A股策略执行结果分析2.3.1策略执行结果分析2.3.2策略执行买卖分析2.3.4策略执行买点提示2.3.5策略执行卖点提示2.3.6策略执行回报率和现金流走势3.国内期货行情与策略分析3.1 期货品种大全3.1.1可以筛选交易所和品种3.1.2筛选交易所3.1.3筛选交期货品种3.2 期货在售合约可筛选品种3.3
作者| RyanDonovan编译| 徐杰承当WardCunningham在“敏捷宣言”中首次提出“技术债”概念时，他表示需要用一种方式来讨论项目早期所做的决策，这些决策会在工程师后续的开发工作中困扰他们。一些企业为了将产品推向市场而在早期做出的技术决策可能并不适用于长期发展，除非修正这些决策，否则团队的生产力将会受到影响。这里的一个例子是，Facebook最初是用PHP编写的。然而随着增加特性、复杂性和规模，PHP开始变得不再适用于新的需求，这便是PHP给Facebook带来的技术债。但值得注意的是，技术债并不一定意味着最初的选择是错误的。用PHP编写网站起初是一个明智的决定——问题并不出在
我从scikit-learn开始，我正在尝试将一组文档转换为我可以应用聚类和分类的格式。我已经看到了有关矢量化方法的详细信息，以及用于加载文件和索引其词汇表的tfidf转换。但是，我有每个文档的额外元数据，例如作者、负责的部门、主题列表等。如何向向量化函数生成的每个文档向量添加特征？ 最佳答案 您可以使用DictVectorizer获取额外的分类数据，然后使用scipy.sparse.hstack将它们结合起来。 关于python-scikit-learn，将特征添加到向量化的文档集，我
这是期权定价模型专栏的第一篇文章，此专栏旨在分享一些期权定价模型，将会从最基础的BSM模型开始写起，逐步扩散到蒙特卡洛模拟、二叉树等数值法模型，以及跳跃扩散模型、随机波动率模型，神经网络模型等等。如果你觉得有帮助，不妨点赞收藏支持一下哦。1.前言1973年BSM模型首次发表后便很快被应用到了金融市场中。交易商用BSM模型对期权进行定价，并进一步推动了期权在不同市场上的应用。自BSM模型开始，市场首次找到了理论上可靠的期权定价模型，这大大推动了整个期权市场的发展，反过来也促进了标的资产市场的定价和流动性。在某种意义上，BSM模型确实是个奇迹：它使得你可以用一种非常理性的方法来给证券定价，在此之前
