量化

量化投资技术

【量化科普】Sharpe Ratio，夏普比率🚀🚀🚀量化软件开通🚀🚀🚀🚀🚀🚀量化实战教程🚀🚀🚀在量化投资领域，夏普比率（Sharpe Ratio）是一个非常重要的绩效评估指标。它由诺贝尔经济学奖得主威廉·F·夏普（William F. Sharpe）于1966年提出，旨在衡量投资组合的风险调整后的回报率。简单来说，夏普比率可以帮助投资者理解每承担一单位风险所获得的超额回报是多少。

【金融量化】解读量化投资回测指标在量化投资中。通过回测，可以了解策略在历史数据上的表现，并通过一系列指标来衡量其优劣。一个优秀的量化策略通常具有以下特点：

量化投资技术

动量突破均值回归策略在量化交易的世界中，动量策略和均值回归策略是两种经典且广泛应用的策略。动量策略基于“强者恒强”的理念，认为过去表现良好的资产在未来一段时间内仍会继续表现良好；而均值回归策略则认为资产价格会围绕其长期均值波动，当价格偏离均值过多时，会倾向于回归均值。本文将介绍一种结合动量突破和均值回归的策略，旨在捕捉市场中的趋势和反转机会。

2025发文新方向：AI+量化人工智能与金融完美融合！人工智能的融入，使量化交易实现了质的突破。借助机器学习、深度学习等先进技术，人工智能可高效处理并剖析海量市场数据，挖掘出数据背后错综复杂的模式与趋势，从而不仅提升了数据分析的精准度和效率，更为交易策略的构建提供了多元且深入的支撑。此外，人工智能还具备自我学习与优化的特质，凭借强化学习等手段，能持续微调策略参数，推动策略的自我更新与进化，进而让交易策略更契合市场动态，增强交易的成功概率与收益水平。

websocket股票行情接口交易所出来的数据，不管通过什么渠道，延时一般都不会差太远，估计一般也就几十ms的差别。但是如果是通过http轮询，不太可能几十ms全部轮询一次。所以，做量化的话，用http协议是最次的选择。

pytdx，取市场股票列表，get_security_list，start参数为8000时，数据获取失败，导致无法获取全量数据的BUG修正连接，普通行情（服务器），想获取所有的深市A股的股票列表调用get_security_list函数，但是发现，start为8000开始数据取不到了

深度学习笔记——模型压缩和优化技术（蒸馏、剪枝、量化）本文详细介绍模型训练完成后的压缩和优化技术：蒸馏、剪枝、量化。模型压缩和优化技术是为了在保证模型性能（精度、推理速度等）的前提下，减少模型的体积、降低计算复杂度和内存占用，从而提高模型在资源受限环境中的部署效率。这些技术对于在边缘设备、移动设备等计算资源有限的场景中部署深度学习模型尤为重要。以下是几种常见的模型压缩和优化技术的解释：

AI算法-图哥

pytorch量化训练训练时量化（Quantization-aware Training, QAT）是一种在模型训练过程中，通过模拟低精度量化效应来增强模型对量化操作的鲁棒性的技术。与后训练量化不同，QAT 允许模型在训练过程中考虑到量化引入的误差，从而在实际部署时使用低精度进行推理时能够维持更高的性能。

1037号森林里一段干木头

量化之一：均值回归策略均值回归（Mean Reversion）是金融市场中一种常见的现象，指的是资产价格在偏离其长期平均值后，最终会回归到该平均值。本文将详细探讨均值回归的理论基础、数学公式以及其在交易策略中的应用。

量化祛魅师

1.量化第一步，搭建属于自己的金融数据库！数据是一切量化研究的前提。做量化没有数据，就相当于做饭时没有食材。很多时候，我们需要从大量的数据中寻找规律，并从中开发出策略。如果我们每次使用的时候，都从网上去找数据，一方面效率低下，另一方面短时间大量的数据请求也很有可能招致封禁。

【量化部署】AWQ in MLSys 2024论文： AWQ: Activation-aware Weight Quantization for LLM Compression and Acceleration 作者： MIT 代码： AWQ 特点：该方法是一个仅量化权重的方法（W4A16），AWQ认为只有极少部分（1%）模型权重是十分重要的，在量化时应该着重保护它们。AWQ根据校准数据输入模型后得到的激活值的量级来锁定重要权重，通过放大这些权重来实现对他们的保护，放大因子是对应激活量级的 α \alpha α次方。

愤怒的可乐

[论文笔记]LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale今天带来第一篇量化论文LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale笔记。

开源一套金融大模型插件(ChatGPT)

我爱学Python!

量化方法怎么选？如何评估量化后的大模型LLM？文章内容总结自：Evaluating Quantized Large Language Models（https://arxiv.org/abs/2402.18158）

LLaMA模型量化方法优化:提高性能与减小模型大小在大型语言模型(LLM)的应用中,模型大小和推理速度一直是关键的挑战。最近,一项针对LLaMA模型的优化工作提出了一系列新的量化方法,旨在在保持模型性能的同时显著减小模型大小。本文将详细介绍这些新的量化技术及其带来的性能提升。

苏慕白的博客

Rust调用sui合约照着move-book教程 Hello, Sui! - The Move Book 很快写完 move 合约部署到测试网

llama.cppllama.cpp的主要目标是使LLM推理具有最少的设置和最先进的性能，在各种硬件–本地和云端。自启动以来，由于许多 contributions，该项目有了显著改善。它是为ggml库开发新功能的主要场所。

Llama - 量化本文翻译整理自： https://llama.meta.com/docs/how-to-guides/quantization/

LLM量化--AWQ论文阅读笔记写在前面：近来大模型十分火爆，所以最近开启了一波对大模型推理优化论文的阅读，下面是自己的阅读笔记，里面对文章的理解并不全面，只将自己认为比较重要的部分摘了出来，详读的大家可以参看原文原论文地址：https://arxiv.org/pdf/2306.00978

用 KV 缓存量化解锁长文本生成很高兴和大家分享 Hugging Face 的一项新功能: KV 缓存量化，它能够把你的语言模型的速度提升到一个新水平。