量化

多模态模型Qwen-3.5在Llama-Factory使用+llama.cpp量化导出+部署流程（含报错处理）可以去huggingface或hf-mirror镜像站等下载Qwen3.5的模型，比如https://huggingface.co/Qwen/Qwen3.5-0.8B/tree/main 或https://hf-mirror.com/Qwen/Qwen3.5-0.8B/tree/main下载模型相关文件，保存到合适路径，比如/Users/Zhuanz/Desktop/work/Qwen3.5/model

大模型轻量化：模型格式选型（ONNX/GGUF/TFLite） + 压缩三剑客（量化/剪枝/蒸馏）+ 大模型推理执行流程介绍三种大模型部署时用的文件格式 / 载体：ONNX、GGUF与TFLite。真实场景应基于部署设备去选择模型：

三、AI量化投资：使用akshare获取A股主板20260430所有的涨停股票使用akshare库的stock_zt_pool_em接口获取指定日期的涨停股票数据验证数据是否存在，若为空则终止程序

量化：LLM与CV模型的极致压缩艺术2023年，GPT-4的参数量传闻超过1.8万亿；2024年，Llama 3.1 405B开源；2025年，Qwen3-VL-2B试图在手机上运行多模态推理。模型规模的指数级增长与硬件资源的线性增长之间，横亘着一道名为推理成本的鸿沟。

二、AI量化投资：沪市主板A股所有股票20250430到20260430双均线（MA5/MA20）回测结果获取沪市主板A股所有股票20250430至20260430的日线行情数据，包括开盘价、收盘价、最高价、最低价和成交量。下面直接上代码。

企业定制金融数据 API：从架构设计到 Python 接入实战在金融行业数字化转型的浪潮中，数据已成为企业的核心资产。无论是量化交易、风险管理还是智能投顾，都离不开高质量、低延迟的金融数据支持。然而，通用数据 API 常常无法满足企业的个性化需求——字段不全、更新频率不匹配、数据规则不一致等问题频出。因此，越来越多企业开始构建或采购定制化金融数据 API。

散户如何使用手机T0算法？1、什么是T0算法？T0算法如何运作？据记者了解，当前多家券商已在其APP中推出T0算法服务，旨在通过智能化交易工具帮助投资者捕捉日内波动收益，执行“低买高卖”策略，帮助投资者降低持仓成本或增厚收益。

最先进llama.cpp量化方法PK，APEX vs UD_XL，在 Qwen3.6-35B-A3B 中爆发！ 2026年4月哈哈哈😄，我承认是在抓眼球。只有两个模型的测试，没有测试其他尺寸的模型了。最近出了新的量化方法，APEX，看着似乎小了许多，并且据说性能不错。我很想知道性能有多好。

构建多市场统一金融数据 API 的实践指南假如你正在开发一个量化交易系统，需要同时监控 A 股、港股、美股和加密货币。你的代码大概长这样：每个市场用不同的 API，不同的字段名，不同的错误码，不同的限频策略。代码膨胀了 3 倍，维护成本呈指数增长——这还是运气好的情况，运气差的时候某个市场的 API 直接挂了，你的整个策略也就跟着一起崩了。

玖菜量化笔记

用2万起步量化投资1年，亏了多少，学到了什么？这是一个悲伤的实盘复盘，也是一篇价值可能远超本金的“避坑指南”。交学费了背景：2005年就开了股票账户，但一直没有买卖过股票，觉得看不懂。直到2025年初，才开始学习研究量化，并用2.5万起步人工或量化实盘。

程序员三明治

【AI探索】程序员到底该怎么理解 LLM？你第一反应大概率不是去翻论文，而是直接打开几个现成的产品试试。你可能会去问 DeepSeek、通义千问，或者别的聊天工具，把自己业务里的问题丢进去测一测。结果往往会让人眼前一亮：模型不仅能把话说通顺，还能理解你给它的上下文，甚至能帮你总结、归纳、改写。有些原来必须靠人工做的事情，突然看起来像是真的可以交给机器了。

读懂加密市场：系列总览如果你对加密市场感兴趣，但总觉得自己的理解还不够系统——不清楚价格背后的逻辑，不了解交易成本的全貌，搞不懂做市商和 MEV 到底怎么影响市场运作——那这个系列就是为你写的。

2026 量化策略回测的历史数据 API：从数据获取到策略验证在量化交易的世界里，“数据是基石，速度是命脉”，尤其是在 2026 年，随着量化策略向高频化、多资产化升级，数据源的选型直接决定了回测结果的准确性和策略落地的可行性。

self-motivation

model_optimizer使用实践----------分析pi05 nvfp4量化后精度下降明显的问题model_optimizer 对pi05的llm模型进行nvfp4量化后,精度下降明显.上一篇文章介绍了model_optimizer推理性能可视化的功能

从0到1：魔乐社区贡献者丁一超的大模型量化实战指南在刚刚结束的魔乐社区GeekDay上海站上，魔乐社区贡献者、昇腾优秀开发者丁一超带来了题为《如何入门大模型从量化到评测》的分享。作为一名从企业IT工作之余投身AI技术的开发者，他用亲身经历证明：量化并非高不可攀的技术壁垒，而是一条有章可循的实践路径。

低延迟量化交易数据 API：从架构设计到性能优化的完整实践指南在量化交易的世界里，延迟就是金钱。每毫秒的延迟都可能导致策略失效，每微秒的差距都可能决定盈亏去向。量化交易的核心竞争，早已不是策略本身的优劣，而是整个数据管道从源头到执行的速度竞赛。本文将从实战出发，系统拆解低延迟量化交易数据 API 的设计思路与实现细节，涵盖协议选型、架构设计、性能优化和最佳实践，代码示例以 iTick API 为实践基础，希望能为正在构建量化基础设施的开发者提供一份可落地的参考指南。

苏慕白的博客

精度套利：藏在盘口缝隙里的稳定机会我们先来看 BN 上一个交易对。现货侧，PEPE/USDT 的价格精度是 1e-8；合约侧，1000PEPEUSDT 的价格精度是 1e-7。

（2026-04-01更新）小白自己写，量化回测系统stock-quant（六）今天不写这么多内容，今天就2个内容，（对实现原理感兴趣的可以直接翻之前的内容，源码：https://github.com/zhaoxusun/stock-quant），

忧郁的橙子.

12-大模型压缩预训练、知识蒸馏Ø 深度学习（Deep Learning）因其计算复杂度或参数冗余，在一些场景和设备上限制了相应的模型部署，需要借助模型压缩、优化加速、异构计算等方法突破瓶颈。

苏慕白的博客

集合竞价中的高频打板机会A股的收益来源，和全球大多数股票市场都不太一样。在绝大多数市场中，股票收益主要来自隔夜收益，也就是上一天的收盘价平均都要低于今天的开盘价；