量化

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。

突破性技术: 大语言模型LLM量化激活outliers异常值抑制LLM过去有两种突破性技术大大提升了量化精度，分别是group-wise量化和GPTQ/AWQ量化。前者相比于过去的per-tensor和per-channel/per-axis量化提出了更细粒度的对channel拆分为更小单元的量化方式，后者通过巧妙的算法明显提升了4bit量化的精度。

Python | R | MATLAB高斯过程统计模型📜海上风电场模型 | 📜天气和建筑设计模型 | 📜不确定性量化应用模型 | 📜马尔可夫链蒙特卡罗算法多模态采样贝叶斯模型 | 📜分类过程最大似然模型 | 📜C++和Python通信引文道路社评电商大规模行为图结构数据模型 | 📜Python燃气轮机汽车钢棒整流电路控制图统计模型过程潜力分析。

picoLLM：大模型的量化魔术师上大模型技术论文不断，每个月总会新增上千篇。本专栏精选论文重点解读，主题还是围绕着行业实践和工程量产。若在某个环节出现卡点，可以回到大模型必备腔调重新阅读。而最新科技（Mamba，xLSTM,KAN）则提供了大模型领域最新技术跟踪。若对于如果构建生成级别的AI架构则可以关注AI架构设计专栏。技术宅麻烦死磕LLM背后的基础模型。