量化

【金融机器学习】第五章：最优投资组合——Bryan Kelly, 修大成（中文翻译）本章讨论并分析投资组合选择的机器学习方法。投资组合选择问题是金融学的核心问题，其目标是通过有效配置投资者资源实现增长最优的储蓄，且资产定价中的所有主要问题都与之密切相关。在弱经济假设（如无套利）下，经济中的均值-方差有效组合（MVE）是可交易随机贴现因子（SDF）的体现，因此概括了市场参与者在均衡价格中权衡风险与回报的方式（Hansen and Richard, 1987）。类似地，单个资产对MVE组合的暴露与其预期收益率一一对应，这意味着MVE相当于一个单因子贝塔定价模型，可以解释平均收益率的横截面差异

【金融机器学习】第三章：收益预测——Bryan Kelly, 修大成（中文翻译）实证资产定价的核心在于衡量资产风险溢价。这种衡量呈现两种形式：一种旨在描述和理解不同资产间风险溢价的差异，另一种聚焦于风险溢价的时间序列动态。作为收益的一阶矩，它自然成为审视金融机器学习实证文献的起点。一阶矩同时概括了两个方面：i) 投资者认为持有风险资产应获得的合理折现补偿（可能因市场摩擦导致的定价扭曲而存在偏差）；ii) 潜在投资者所面临投资机会的首要特征。

【金融机器学习】第二章：复杂模型的优势——Bryan Kelly, 修大成（中文翻译）我们许多人的计量经济学训练都植根于"简约性原则"的传统。Box和Jenkins（1970）的模型构建方法就是典型例证，其对金融计量经济学的影响无论如何强调都不为过。在Box和Jenkins最新版预测教材¹的引言中，"简约性"被列为"模型构建的基本理念"之首：“实践中必须强调的是，我们应采用能够充分表征现象的最少参数数量”【原文强调】。

【金融机器学习】第四章：风险-收益权衡——Bryan Kelly, 修大成（中文翻译）前一章节主要讨论了不涉及风险-收益权衡的监督预测模型，因此不构成资产定价模型。本章将利用无监督与半监督学习方法，建立明确建模风险-收益权衡的因子定价模型。

AI量化交易是什么？它是如何重塑金融世界的？在电子交易普及之前，证券交易依赖于交易所内的公开喊价系统。交易员通过手势、喊话甚至身体语言传递买卖信息，这种模式虽然直观，但效率低下且容易出错。例如，某厂早期的交易数据显示，一笔订单平均需要5分钟才能完成撮合，而如今，电子交易平台可以在微秒级时间内完成相同操作。

小市值策略复现（A股选股框架回测系统)相关config配置 https://quantkt.com/forumDetail?id=201043

Jackilina_Stone

【论文阅读】平滑量化：对大型语言模型进行准确高效的训练后量化论文题目：SmoothQuant: Accurate and Efficient Post-Training Quantization for Large Language Models

伊玛目的门徒

解决backtrader框架下日志ValueError: I/O operation on closed file.报错（jupyternotebook）解决办法：在 IPython 环境下，内核可能会对日志进行重定向，从而引发问题。你可以尝试在运行代码之前禁用 IPython 的日志重定向：

什么是量化？BERT 模型压缩的秘密武器在自然语言处理（NLP）领域，BERT（Bidirectional Encoder Representations from Transformers）模型自问世以来，便如同一颗璀璨的明星，迅速成为研究和应用的焦点。它凭借着强大的语言理解能力和卓越的性能表现，在多个 NLP 任务中取得了领先成绩，为整个领域带来了革命性的变化。

AI学习第二天--大模型压缩（量化、剪枝、蒸馏、低秩分解）目录1. 量化：压缩大象的“脂肪”比喻技术逻辑2. 剪枝：修剪大象的“无效毛发”比喻技术逻辑3. 知识蒸馏：让大象“师从巨象”

【大模型实战篇】使用GPTQ量化QwQ-32B微调后的推理模型之所以做量化，就是希望在现有的硬件条件下，提升性能。量化能将模型权重从高精度（如FP32）转换为低精度（如INT8/FP16），内存占用可减少50%~75%。低精度运算（如INT8）在GPU等硬件上计算效率更高，推理速度可提升2~4倍。

【金融量化】Ptrade中如何获取各类回测数据？

【金融量化】Ptrade中的基础交易与高级量化交易策略的下单接口功能：用于按指定数量买卖股票或其他金融产品。参数：返回：返回Order对象的id（字符串类型），如果创建订单成功则返回id，失败则返回None。

【金融量化】Ptrade中交易环境支持的业务类型• 特点：普通股票买卖是最基础的交易形式，投资者通过买入和卖出上市公司的股票来获取收益。 ◦ 流动性高：股票市场交易活跃，买卖方便。 ◦ 收益来源多样：包括股价上涨的资本利得和公司分红。 ◦ 风险较高：股价波动较大，受市场情绪、公司业绩等多种因素影响。 • 适用场景：适合中长期投资、趋势跟踪策略等。