（26-5-01）基于OpenAI和LangChain的上市公司估值系统：定量分析（Quantitative Analysis）(1)

最新推荐文章于 2025-04-29 12:23:45 发布
最新推荐文章于 2025-04-29 12:23:45 发布
阅读量1k 收藏 19
点赞数 29
分类专栏： 金融大模型 《NLP算法实战》 文章标签： langchain 自然语言处理 人工智能 python NLP 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/asd343442/article/details/139813026
版权

10.5  定量分析（Quantitative Analysis）

定量分析是一种使用定量数据和数学模型来研究和解决问题的方法，它通过收集、分析和解释数值数据，以量化和量化的方式来评估特定主题、现象或实体的各种方面。定量分析通常应用于各种学科和领域，包括经济学、社会科学、自然科学、工程学和金融等。

在本项目的定量分析步骤中，将收集和处理财务数据，并按照我们的估值模型（定量）的原则进行估值。本项目的估值模型是根据达摩达伦教授在他的估值课程中所教授的原则建立的，为自由现金流量（FCFF）和股利估值构建了4种不同的场景：

  1. 按季度的收益和历史增长率
  2. 按季度的收益
了解本专栏 订阅专栏 解锁全文 超级会员免费看
（26-5-03）基于OpenAI和LangChain的上市公司估值系统：定量分析（Quantitative Analysis）(3)计算估值
码农三叔
06-21 529
（3）计算自由现金流（FCFF）和股利的估值差异，以及股票的清算价值与当前价格之间的差异。根据不同的情况进行了条件判断，如果估值值大于0，则计算出价格与估值之间的百分比差异；首先，将不同情景下的FCFF和股利估值值组成列表，并设定了衰退概率。然后，通过对不同情景下的估值值进行加权平均，得到了FCFF和股利的估值期望值，从而更全面地考虑了衰退风险。（1）在本项目中，分别使用了基于股息和自由现金流的方法计算股票的估值。通过打印这些数值，可以更好地了解不同情景下的估值结果，并评估市场价格与估值之间的差异。
（26-5-02）基于OpenAI和LangChain的上市公司估值系统：定量分析（Quantitative Analysis）(2)数据处理
码农三叔
06-20 418
（5）编写函数xtract_balance_sheet_current_assets，从财务文件中提取资产负债表中的流动资产信息，通过提取和整合这些信息，可以帮助分析者了解公司的流动资产结构，评估其财务健康状况，并进行进一步的财务分析和预测。（3）函数extract_shares的功能是从财务文件中提取股份信息，并处理不同的股份度量单位，以确保数据的一致性。（2）函数merge_subsets_most_recent的功能是将多个子集中的最新值合并成一个总集，用于合并最新的财务数据。
（26-3-01）基于OpenAI和LangChain的上市公司估值系统：质性分析(1)年度报告参考
码农三叔
06-12 523
这些部分包括企业业务、风险因素、未解决的员工意见、财产、法律诉讼、矿产安全披露、注册人普通股的市场情况、管理层对财务状况和业绩的讨论与分析、关于市场风险的定量和定性披露、财务报表和附加数据、会计和财务披露方面的变化和异议、控制与程序、其他信息、关于阻止检查的外国司法管辖区的披露、董事、高管和公司治理、高管薪酬、某些有关股东和管理层的证券所有权和相关股东事务、某些关系和相关交易以及董事独立性、主要会计师费用和服务、以及附件和财务报表附表。在本项目中，这个列表的作用是作为用于识别 10-Q 报告中目录的参考。
（26-5-04）基于OpenAI和LangChain的上市公司估值系统：定量分析（Quantitative Analysis）(4)风险评估
码农三叔
06-22 1134
对于每个文件，它提取了摘要信息并将其组织成DataFrame的行，其中包括文件类型、提交日期、摘要信息、摘要链接等。（3）打印输出公司风险评估的结果，包括公司市值（以美元计）、公司规模评级、公司复杂性评级、股份稀释程度、收入、库存信息、应收账款信息、公司类型、审计师信息。（2）看下面的这段代码，用户与从文档中提取一些公司特征和数据，用于评估公司的风险，这有助于综合评估公司的风险情况，为投资决策提供参考。通过全面评估这些因素，投资者可以更深入地了解投资公司所涉及的风险，并做出更明智的投资决策。
【大模型从入门到精通19】开源库框架LangChain LangChain文档加载器1
kaggle expert，全球排名前1000，清华计算机研究生，兴趣算法工程
08-13 1705
在数据驱动的应用领域，特别是涉及对话界面和大型语言模型（LLM）的应用中，从各种来源高效加载、处理并与数据进行交互的能力至关重要。这些加载器擅长处理来自公共源的数据，如 YouTube、Twitter 和 Hacker News，同时也适用于来自专有源的数据，如 Figma 和 Notion。保存清洗后的文本：可选地，脚本可以将清洗和分词后的文档文本保存到文件中。这个扩展的代码提供了一个更全面的示例，展示如何从加载和清洗文本到基本分析和处理特殊情况，对 PDF 文档进行程序化的处理。
多模态大语言模型arxiv论文略读（四十六）
Jamence的博客
04-28 685
➡️ 研究动机：为了克服上述挑战，研究团队提出了一种新的框架——DialogGen，旨在通过整合多模态大型语言模型（MLLMs）和T2I模型，构建一个多模态交互对话系统（MIDS），以实现多轮文本到图像生成。➡️ 问题背景：近年来，大型语言模型（LLMs）的发展极大地推动了自然语言处理领域，而多模态大型语言模型（MLLMs）则进一步将视觉信息与文本信息结合，以实现更广泛的任务，如图像描述、视觉问答（VQA）等。然而，当前的多模态模型在处理图像中的嵌入文本时仍面临挑战，这限制了其在现实世界中的应用。
# 构建词汇表：自然语言处理中的关键步骤
www_pp_的博客
04-25 746
构建词汇表是 NLP 中的一个重要步骤。通过统计字符频率、过滤低频字符并映射为索引值，我们可以高效地处理文本数据。本文通过一个具体的例子展示了如何使用 Python 构建词汇表，并保存为.pkl文件以便后续使用。希望这篇文章对你有所帮助！
深度学习--自然语言处理统计语言与神经语言模型
m0_65065095的博客
04-25 1559
传统的语言模型是基于词袋模型（Bag-of-Words）和one-hot编码展开工作的，即在传统的语言模型中要生成一个句子，其实是拿一堆词语进行拼凑，拼凑出一个句子后我们需要有一个评委来对这个机器生成的句子进行打分和评价，语言模型就是这么一位评委，它会给每个句子打出一个概率值，以表明他们与人类语言的接近程度。
NLP高频面试题（五十五）——DeepSeek系列概览与发展背景
WeLearnNLP
04-25 294
在多个权威基准上，DeepSeek-V2实现了与OpenAI GPT-4-Turbo相当的性能，而推理API价格仅为后者的1/70，“性能对标GPT-4-Turbo、成本大幅降低”使其一举成名，成为开源大模型的新标杆。DeepSeek-V3展示了在超大规模数据和参数下开源模型逼近甚至追平闭源模型的可能性，同时因为采用MoE技术，其实际计算开销仅相当于同等能力稠密模型的一小部分，这凸显了架构创新在大模型发展中的价值。其发布的每个模型版本均公开了模型权重、代码和技术报告，展现出高度的学术含量和严谨性。
Transformer数学推导——Q25 分析视觉-语言模型中区域注意力（Region Attention）的边界框投影公式
墨顿随笔
04-27 738
在视觉 - 语言大模型（如 LLM 融合图像的多模态模型）中，精准对齐图像区域与文本语义是核心挑战。边界框投影公式作为连接图像像素空间与特征空间的 “数学桥梁”，决定了模型能否将 “图像中的猫” 与 “文本中的猫” 在特征层面正确关联。正如地图投影技术让地球曲面能在平面地图上准确呈现，边界框投影公式让图像区域能在特征空间中与语言符号完美共舞。：若特征图宽 w=75，投影得到 x'=76，则修正为 x'=74（假设索引从 0 开始）。），弥补单纯特征提取的位置信息丢失，提升模型对空间关系的敏感度。
NLP高频面试题（五十四）——深度学习归一化详解
WeLearnNLP
04-25 331
现代深度学习中出现了多种归一化技术，它们各有针对的应用场景和特点。我们下面将介绍批归一化（Batch Normalization）层归一化（Layer Normalization）组归一化（Group Normalization）等最为常见的方法，以及实例归一化（Instance Normalization）、**权重归一化（Weight Normalization）**等衍生技术。对于每种方法，我们将讨论其核心原理、计算步骤、优势与局限。
CV大模型、NLP大模型与语音处理技术全景解析-AI学习Day5
qq_29061315的博客
04-25 954
你对人工智能的三大支柱了解多少？——计算机视觉（CV）、自然语言处理（NLP）和语音处理。
一种用于从视网膜图像中识别疾病的 BERT 式自监督学习 CNN
hao_wujing的专栏
04-28 595
在我们的网络中，输出图像的大小为(224,224)，下采样率为32，使我们的蒙版大小为(7,7).我们进一步使用从预训练模块中学到的特征图进行分类研究。此外，与传统的 CNN 相比，ViT 在图像处理中表现出较少的定位能力，因为它们的机制主要针对图像的块级，而不是直接关注单个像素。].我们在 CNN 中观察到的优势，以及预训练对自我监督学习的显着好处，以及 ViT 的潜在缺点，都激发了进一步的思考：是否有可能将性能良好的 CNN 与 BERT 风格的生成式自我监督学习相结合进行预训练，以结合两者的优势？
基于自然语言处理的文本生成模型设计
Candy5204的博客
04-25 640
标题:基于自然语言处理的文本生成模型设计内容:1.摘要 本研究聚焦于基于自然语言处理的文本生成模型设计。背景方面，随着信息时代的发展，对高效、智能的文本生成需求日益增长。目的是设计出能够生成高质量、多样化文本的模型。方法上，采用了先进的深度学习架构，结合大规模文本数据进行训练。结果显示，所设计的模型在文本生成的流畅性、逻辑性和相关性上表现出色，生成的文本与人类撰写的文本相似度达到了80%以上。结论表明，该模型具有良好的应用前景，但也存在训练成本高、对特定领域数据适应性不足等局限性。与传统的基于规则的文本生成
NLP系列【自然语言处理的深度学习模型综述】
qq_51580006的博客
04-25 1109
在自然语言处理任务方面，依据语料的长度分为词汇句子和篇章三层面，每一层面又有若干具体任务。在词汇层面，有命名实体识别、中文分词、词性标注、关系抽取等任务；在句子层面，有智能问答、机器翻译、文本匹配和文本纠错等任务；在篇章层面，有文本分类、文本生成、机器阅读、信息过滤与信息推荐等任务。本文从传统自然语言处理模型和神经网络自然语言处理模型两方面着手，分别介绍相应模型及模型特点、优缺点等相关特性；
多模态大语言模型arxiv论文略读（四十二）
Jamence的博客
04-26 1139
多模态大语言模型arxiv论文略读（四十一）➡️ 研究动机：为了提高模型在处理复杂布局文档和需要推理的问题时的性能，研究团队提出了一种基于数据增强和扩展的方法，通过多模态大语言模型（MLLMs）生成分步骤的问题-答案对，并使用高性能的语言模型作为错误检测器来过滤噪声数据。➡️ 问题背景：当前的多模态大语言模型（Multi-modal Large Language Models, MLLMs）在多种视觉-语言任务中展现了卓越的能力，但这些模型主要关注于理解图像的整体视觉信息，而忽略了图像中对象之间的关系。
阿里开源Qwen3：大语言模型的新突破
最新发布
maiz_shi的博客
04-29 876
Qwen3 系列包含了 2 款混合专家（MoE）模型与 6 款密集（Dense）模型，参数量覆盖范围极广，从 0.6B 一直延伸至 235B。其中，旗舰模型 Qwen3 - 235B - A22B 总参数量高达 2350 亿，不过其激活参数仅 220 亿，借助 MoE 架构实现了 “动态资源分配”，这是一个极为关键的特性，在后文性能表现部分会详细阐述它如何发挥作用。而小型 MoE 模型 Qwen3 - 30B - A3B 总参数约 300 亿，激活参数 30 亿。
多模态大语言模型arxiv论文略读（四十一）
Jamence的博客
04-25 690
➡️ 实验设计：研究团队在多个视觉-语言任务上进行了广泛的实验，包括基于对齐的语言生成、语言引导的分割、带有答案对齐的视觉问答和带有空间指针输入的指称对话。➡️ 研究动机：为了克服现有方法在处理长视频时的计算效率低下、训练和推理速度慢以及可能遗漏重要运动特征等问题，研究团队提出了一种新的框架——时间对齐桥（Temporal Grounding Bridge, TGB），旨在增强MLLMs的时间对齐能力，并扩展其上下文范围。该方法不仅适用于图像，也适用于视频，为未来的视觉指令调优研究提供了良好的起点。
常见的六种大语言模型微调框架
因为不想回家，所以还是去搬砖。
04-26 458
特性KilnAxolotlUnsloth适用场景通用参数高效微调一键式训练+部署快速搞定LLaMA/Mistral魔改自由实验超轻量极快微调超大模型、超多显卡训练上手难度⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐自由度⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐显存优化LoRA/QLoRAQLoRA集成LoRA/QLoRA可选LoRA/QLoRA灵活4bit QLoRA极限版ZeRO / 3D并行 极限优化分布式支持❓（需配Trainer）❌（单机为主）
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

码农三叔

感谢鼓励

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值