量化无非就三种策略：指数增强、股票对冲以及CTA，其中指数增强就是在跟住基准的同时，拿一部分资金根据基本面因子或者趋势因子去做高波动操作，他可以是盈利面也可以是消息面，至于具体的策略是什么，几乎没有人会告诉你，因为每家公司的策略都在不停变化，举个例子，比如有个基金，把沪深300各行业的比例算出来，然后在这些行业里，只选择前50%，ROE最高的公司，要求做到，行业上的配置比例，跟沪深300完全一致，这就相当于把沪深300精简了一半出来，利用最好的前150家公司，赚长期业绩阿尔法的钱。也确实跑出了一定的优势。但注意，他是长期优势，并不代表短期就一定有优势。还有高贝塔策略，也就是在一个指数当中，寻找
我刚刚在http://regexcrossword.com/做了有趣的正则表达式填字游戏-发现我不明白量化组的含义，例如(.)+或(.)*让我试试http://ole.michelsen.dk/tools/regex.html，它提供了JavaScript和PHP正则表达式引擎:要匹配的字符串是“Trololo!”(不带引号)。(如果打开“全局匹配”改变了什么，它被添加为primed版本，即JS'，因为它在PHP模式下没有改变任何东西。)JS,(.)+=>0:Trololo!1:!JS',(.)+=>0:Trololo!PHP,(.)+=>0:Trololo!0:!JS,(.)*=>0
我正在研究在Java中计算昂贵的vector运算的方法，例如大矩阵之间的点积或乘法。这里有一些关于这个主题的好话题，比如this和this.似乎没有可靠的方法让JIT编译代码使用CPUvector指令(SSE2、AVX、MMX...)。此外，高性能线性代数库(ND4J、jblas等)实际上确实会为核心例程对BLAS/LAPACK库进行JNI调用。我知道BLAS/LAPACK包是本地线性代数计算的事实上标准选择。另一方面，其他人(JAMA，...)在没有native调用的情况下用纯Java实现算法。我的问题是:此处的最佳做法是什么？对BLAS/LAPACK进行native调用实际上是推荐
欢迎大家关注公众号「JAVA前线」查看更多精彩分享文章，主要包括源码分析、实际应用、架构思维、职场分享、产品思考等等，同时欢迎大家加我微信「java_front」一起交流学习1一个公式1.1基本内容一个公司有7200名员工，每天上班打卡时间是早上8点到8点30分，每次打卡时间系统执行时长5秒，那么RT、QPS、并发量分别是多少？RT表示响应时间，问题已经包含答案：RT=5秒QPS表示每秒访问量，假设签到行为平均分布：QPS=7200/(30x60)=4并发量表示系统同时接受请求数：并发量=QPSxRT=4x5=20根据上述实例引出公式：并发量=QPSxRT1.2如何理解看到上述公式不禁产生疑问
继去年上半年一鼓作气研究了几种不同的模版匹配算法后，这个方面的工作基本停滞了有七八个月没有去碰了，因为感觉已经遇到了瓶颈，无论是速度还是效率方面，以当时的理解感觉都到了顶了。年初，公司业务惨淡，也无心向佛，总要找点事情做一做，充实下自己，这里选择了前期一直想继续研究的基于离散夹角余弦相似度指标的形状匹配优化。 在前序的一些列文章里，我们也描述了我从linemod模型里抽取的一种相似度指标用于形状匹配，个人取名为离散夹角余弦，其核心是将传统的基于梯度点积相似度的的指标进行了离散化： 传统的梯度点积计算公式如下： 对于任意的两个点，通过各自的梯度方向，按照上述公式可计算出他们的
用GGUF和Llama.cpp量化Llama模型什么是GGML如何用GGML量化llm使用GGML进行量化NF4vs.GGMLvs.GPTQ结论由于大型语言模型（LLMS）的庞大规模，量化已成为有效运行它们的必要技术。通过降低其权重的精度，您可以节省内存并加快推理，同时保留大部分模型性能。最近，8-bit和4-bit量化解锁了在消费者硬件上运行LLM的可能性。加上Llama模型和参数有效技术以微调它们（Lora，Qlora）的释放，这创建了一个丰富的本地LLM生态系统，该生态系统现在正在与OpenAI的GPT-3.5和GPT-4竞争。目前，主要有三种量化技术：NF4、GPTQ和GGML。NF4
对中文微调的模型参数进行了量化，方便以更少的计算资源运行。目前已经在HuggingFace上传了13B中文微调模型FlagAlpha/Llama2-Chinese-13b-Chat的4bit压缩版本FlagAlpha/Llama2-Chinese-13b-Chat-4bit，具体调用方式如下：环境准备：pipinstallgit+https://github.com/PanQiWei/AutoGPTQ.gitfromtransformersimportAutoTokenizerfromauto_gptqimportAutoGPTQForCausalLMmodel=AutoGPTQForCaus
老子云概述老子云3D可视化快速开发平台，集云压缩、云烘焙、云存储云展示于一体，使3D模型资源自动输出至移动端PC端、Web端，能在多设备、全平台进行展示和交互，是全球领先、自主可控的自动化3D云引擎。平台架构平台特性基于HTML5和WebGL技术，可在主流浏览器上进行快速浏览和调试，支持PC端和移动端自主研发AMRT展示框架和9大核心技术，支持3D模型全网多端流畅展示与交互提供格式转换、减面展UV、烘焙等多项单模型和倾斜摄影模型轻量化服务线上免费开放的效果编辑器为全行业赋能，低成本高效率的实现模型多平台展示交互和应用提供成套3D可视化行业技术解决方案，助力行业数字化转型升级和数字孪生应用开发者
Python金融_使用Pandas进行股票量化回测1.前言金融量化交易的回测是一种评估投资策略有效性的方法。它涉及在已知的市场数据上运行交易策略，并估计该策略在未来可能产生的收益。回测的目的是了解策略在历史数据上的表现，并预测其在未来实际交易中的表现。回测的过程通常包括以下步骤：确定投资策略：根据投资者的风险偏好、投资目标等因素，制定合适的投资策略，包括投资品种、投资比例、买卖规则等。收集市场数据：收集与投资策略相关的市场数据，如股票价格、成交量、利率等。构建回测模型：利用历史数据和量化分析工具，构建回测模型，模拟投资策略的执行和收益情况。运行回测模型：将回测模型应用于历史数据，模拟投资策略的
融合了数学、python、深度学习以及金融知识，是本推荐的好书。请收藏本文，读后再给大学总结。
