量化

聚宽策略分享-1年化98国九条后中小板微盘小改文章声明:本内容为个人的业余研究，和任何单位，机构没有关系，文章出现的股票代码，全部只是测试例子，不做投资参考，投资有风险，代码学习使用，不做商业用途，

量化研究--上线完成强大的金融数据库3.0系统文章声明:本内容为个人的业余研究，和任何单位，机构没有关系，文章出现的股票代码，全部只是测试例子，不做投资参考，投资有风险，代码学习使用，不做商业用途，

LLaMA-Factory 训练方法原理及实践（Ubuntu 22.04）作者：吴业亮博客：wuyeliang.blog.csdn.netLLaMA-Factory 是一款轻量级、模块化的大语言模型（LLM）训练/微调框架，支持 LLaMA、Qwen、Baichuan 等主流模型，覆盖从预训练到对齐微调的全流程（Pre-training、SFT、RLHF、DPO、KTO 等）。本文将从原理和Ubuntu 22.04 实操两方面，系统讲解各训练阶段的核心逻辑与落地步骤。

Ubuntu 22.04 上的 LLaMA Factory 量化实践：bitsandbytes、GPTQ与AWQ详解作者：吴业亮博客：wuyeliang.blog.csdn.net模型量化的本质是将神经网络权重和激活值从高精度表示（如32位浮点数，FP32）转换为低精度表示（如8位整数，INT8，或4位整数，INT4）。这种转换并非简单的截断，而是通过一系列数学变换，在尽可能保持模型性能的同时，大幅减少模型体积和计算资源消耗。

Ubuntu 22.04上的Bitsandbytes模型量化完全指南：从原理到实践作者：吴业亮博客：wuyeliang.blog.csdn.net量化技术的核心思想是通过降低模型参数的数值精度来减少模型体积和计算资源需求。传统模型通常使用FP32（32位浮点数）格式，而bitsandbytes库支持将权重转换为8位整数（INT8）或4位表示（FP4/NF4），从而实现显著的存储压缩和计算加速。

Binance_Quantflow 平台 - Web 开发完整教程📚 从零开始学习 Web 开发，通过实战项目掌握 Flask + JavaScript 全栈开发（2025.12.2）

self-motivation

征机器人领域主流模型量化，评测，优化，部署工具model_optimizer的开源合作开发简化机器人领域模型的量化，评测，优化，部署流程。支持了yolo模型的in8/fp8, amax/entroy量化. 在thor上测试，fp8/entroy量化下模型精度损失很小，可以满足生产要求正在开发对SAM2, foudnationpose, pi0的量化评测与优化部署

熊猫钓鱼>_>

多维度股票量化指标体系详解目录1. 估值维度指标1.1 相对估值指标1.2 Python实现相对估值指标计算2. 技术分析维度指标

『大模型量化』Qwen3-VL + Lora监督微调 + 8bit量化 + 实践推理本文记录分享Qwen3-VL使用Lora完成监督微调后，进行8bit量化的过程；目录一、对Qwen3-VL进行Lora 监督微调

CPU亲和性深度实践：从基础原理到Intel大小核架构优化在多核处理器成为主流的今天，如何高效利用CPU资源成为性能优化的关键课题。根据摩尔定律的发展，CPU性能提升已从单纯提高单核频率转向增加核心数量和多架构协同工作。在这一背景下，CPU亲和性（CPU Affinity）技术显得尤为重要，它允许开发者精确控制进程或线程在特定CPU核心上的执行，为性能优化提供了底层支持。

llama.cpp 全方位技术指南：从底层原理到实战部署在人工智能领域，大型语言模型（LLM）的兴起无疑是一场技术革命。然而，这场革命的果实最初似乎只属于拥有强大云服务器和昂贵硬件的巨头。传统的LLM，通常在PyTorch等框架中训练，对显存（VRAM）和专用硬件（如高端NVIDIA GPU）有着极高的要求，这使得在普通消费级设备上运行它们成为一项巨大的挑战 [1]。

使用Python进行量化交易入门『宝藏代码胶囊开张啦！』—— 我的 CodeCapsule 来咯！✨ 写代码不再头疼！我的新站点 CodeCapsule 主打一个 “白菜价”+“量身定制”！无论是卡脖子的毕设/课设/文献复现，需要灵光一现的算法改进，还是想给项目加个“外挂”，这里都有便宜又好用的代码方案等你发现！低成本，高适配，助你轻松通关！速来围观 👉 CodeCapsule官网

【第一章】金融数据的获取——金融量化学习入门笔记要分析金融数据，首先就需要获取到金融数据，不同于平时在支付宝或者财经网，随便点点就能看到各种图表数据，这次需要我们自己获取到数据并保存在本地，方便后面的回测和分析。

散户如何做手机T0程序化交易（上）大盘差点冲上4000点，但是不是所有个股都是直线上线，中途都有调整过程，之前一直都在讲什么T0量化交易，但是很多朋友反馈自己想要手机交易方便操作，小编收集整理了一份攻略供大家参考。第一：T0算法交易的逻辑！日内T0算法：

okx欧易注册与量化设置链接 https://quantkt.com/forumDetail?id=201142如何注册okx并开启量化功能注册链接 https://www.growthweb.systems/join/65920427 (新人奖励+永久返佣20%) ios用app store下载(需要港区或者美区账号，自己注册或者某鱼) android直接下载apk即可开启合约模式(双向持仓)电脑端操作

侠客软件开发

程序+股票一年随笔今天股市暴跌，我开盘就选择了银行股，预判了大盘不行，就选择银行，收盘还赚了一些钱。远程办公做了几年，然后团队里面的总监推荐搞股票，然后就一头扎进股市，结合自身的程序优势，陆陆续续做了很多股票方面的软件，盯盘器、量化打板、量化低吸、量化江恩角度线、大资金监控、纪律执行器、半手动、全自动、热点资金情绪检测、盘中全局方向判断、DeepSeek新闻因子打板、新闻系统开发等一系列DIY的股票小软件。其中明白的一个道路，板块启动，做什么模式都可以，板块不行做啥都不行。

【量化回测】backtracker整体架构和使用示例backtrader 是一个量化回测的库，支持多品种、多策略、多周期的回测和交易。更重要的是可以集成 torch 等神经网络分析模块。

在本地部署Qwen大语言模型全过程总结大语言模型要进行本地部署，先得选择一个与本地环境适配的模型。比如笔者这里选择的是Qwen1.5-7B-Chat，那么可以计算一下需要的存储空间大小：

爱分享的飘哥

第六十一章：AI 模型的“视频加速术”：Wan视频扩散模型优化你可能已经体验过像 Stable Diffusion 这样的文生图模型，它们能够在几秒内生成高质量的图片。

【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