- 博客(49)
- 收藏
- 关注
RSS订阅原创 量化交易学习笔记：XGBoost 在量化选股中的应用
不同于 GBDT 只用了一阶段形式，XGBoost 是把损失函数的二阶泰勒展开的差值作为学习目标，相当于利用牛顿法进行优化，来逼近损失函数的最小值，也就是使得损失函数为0，并在目标函数之外加入了正则项对整体求最优解。国内股票市场市场存在明显的周期性，每个周期的市场风格在不断变换，具备不同的风格特征，典型的比如2017年前的小市值风格因子。XGBoost 具有许多参数，不同的输入参数和数据集都会训练不同的模型，因此，在利用训练模型进行回测选股前，有必要对重要参数在不同输入值下的模型表现进行验证。
2023-12-21 23:28:31
1747
1
原创 学习笔记：如何分析财务报表
在财务报表里面，比如资产负债表是有很多科目的，比如一家公司有很多的资产，也有很多的负债和所有者权益，我们是不太可能把所有的这些资产项目、负债项目和所有者权益项目都一下弄清楚的。我们要把最重要的问题要弄懂，什么是资产负债表里面最重要的项目呢？可以从下面两种角度来看。
2023-11-26 10:34:26
1334
原创 量化交易：筹码理论的探索-筹码分布计算的实现
很多朋友习惯了同花顺、大智慧等看盘软件，经常问到筹码分布如何计算。说起来筹码分布的理论在庄股时代堪称是一个划时代产品，虽然历经level2数据、资金流统计、拆单算法与反拆单算法等新型技术的变革，庄股时代也逐渐淡出市场，但其背后的市场逻辑仍然具备一定的参考意义。本篇就以BigQuant平台为基础，复现经典筹码理论的基础变量计算，为因子挖掘提供更多参考特征。
2023-11-25 21:11:19
4311
原创 量化交易：借助talib使用技术分析指标
所谓股票的技术分析，是相对于基本面分析而言的。基本分析法着重于对一般经济情况以及各个公司的经营管理状况、行业动态等因素进行分析，以此来研究股票的价值，衡量股价的高低。而技术分析则是透过图表或技术指标的记录，研究市场过去及现在的行为反应，以推测未来价格的变动趋势。其依据的技术指标的主要内容是由股价、成交量或涨跌指数等数据计算而得的，技术分析只关心证券市场本身的变化，而不考虑会对其产生某种影响的经济方面、政治方面的等各种外部的因素。talib的简称是，主要功能是计算股价的技术分析指标。
2023-11-19 14:01:44
441
原创 量化交易：建立趋势跟踪策略的五个指标
趋势跟踪策略是只需需顺势而为的策略，即在价格上涨时买入，在价格开始下跌时卖出。在趋势跟踪策略中，人们的目标不是预测或预测，而只是关注市场上的任何新兴趋势。
2023-11-19 13:42:39
660
原创 量化交易：公司基本面的量化
公司的基本面因素一直具备滞后性，令基本面的量化出现巨大困难。而从上市公司的基本面因素来看，一般只有每个季度的公布期才会有财务指标的更新，而这种财务指标的滞后性对股票表现是否有影响呢？如何去规避基本面滞后产生的风险呢？下面我们将重点介绍量化交易在公司基本面分析上的应用，即平时常说的。
2023-11-18 21:33:50
382
原创 量化交易：传统小市值策略 VS AI市值策略
在平台上可以快速开发股票传统策略和股票AI策略，今天拿市值因子来练手，看看两个策略在2015-01-01到2016-12-31这两年时间各自的收益风险情形。市值因子是国内股票市场能够带来超额收益的alpha因子，已经被验证为长期有效的因子，也是广大私募基金常用的因子之一，传统的选股策略的股票组合大多在市值因子上有很大的风险暴露。。。AI市值策略是通过策略生成器构建策略，采用StockRanker排序模型基于市值因子做预测选股，即AI市值策略只有一个特征：市值。
2023-11-18 20:54:39
529
原创 量化交易：开发传统趋势策略之---双均线策略
本文以双均线策略为例，描述如何在策略平台上，开发一个传统的趋势跟踪策略，以更好地理解。双均线策略的策略思想是：当短期均线上穿长期均线时，形成金叉，此时买入股票。当短期均线下穿长期均线时，形成死叉，此时卖出股票。研究表明，双均线系统虽然简单，但只要严格执行，也能长期盈利。
2023-11-18 15:23:11
446
原创 笔记：AI量化策略开发流程-基于BigQuant平台（二）
算法专为量化而生，核心思想是排序学习和梯度提升树。如下图这个模型有20棵决策树组成，每棵决策树最多有30个叶节点。给定一个样本，每个决策树会对样本打分（分数为样本根据判定条件到达的叶节点的值）；最后的分数是所有决策树打分的总和。决策树的结构、判定条件和叶节点的分数等等都是由算法在训练数据上学习出来的。将测试集数据喂给训练好的决策树，则可得到测试集数据数据在该模型上的分数，再根据分数形成股票排序、回归、分类预测，指导后续的买入卖出。BigQuant交易引擎把每一个K线当做一个事件。
2023-11-12 20:40:19
1163
1
原创 笔记：AI量化策略开发流程-基于BigQuant平台（一）
从本文开始，按照AI策略开发的完整流程（共七步），上手在BigQuant平台上快速构建AI策略。
2023-11-11 22:33:44
2299
原创 用趋动云GPU部署自己的Stable Diffusion
1）进入用户工作台，在当前空间处选择注册时系统自动生成的空间（其他空间无免费算力）；2）点击，选择，创建新项目；3）填写项目名称及项目描述；镜像和数据集选择如下；4）点击，其余无需填写，右下角，系统弹出的提示，单击，项目创建成功。找到最右侧-->按照下图进行选择运行初始化中，约5~10分钟，当右侧的和不再是灰色时，表明工具注入成功。此时便可以在此开发环境中通过工具进行模型调优，详情参见下一步。
2023-11-09 22:18:06
1170
原创 用免费GPU线上优化猫狗识别实践
该部分以为例，学习如何直接通过平台提供的开发环境调用GPU资源1）进入趋动云用户工作台，在当前空间处选择注册时系统自动生成的空间（其他空间无免费算力）；2）填写项目名称及项目描述；3）添加镜像：选择含 TensorFlow 2.x 框架的官方镜像即可；4）添加绑定数据集：选择公开数据集，DogsVsCats。5）其余无需填写，点击右下角，系统弹出的提示，单击，项目创建成功。单击上传文件图标将获取的 DogsVsCats.py 文件上传至项目中。单击右上角的，进入页填写开发环境的初始化配置单击。
2023-11-07 17:24:34
166
1
原创 如何用趋动云GPU线上跑AI项目实践-部署最新的ChatGLM3-6B模型
选择预训练模型，点击公开，选择不要葱姜蒜上传的这个ChtaGLM3-6B模型。都选完之后，点击右下角的创建，代码选择暂不上传。待会直接clone代码。创建好账号之后，进入自己的空间，点击右上角的创建项目。镜像选择pytorch2.0.1，python3.9。给项目起一个你喜欢的名称，选择本地代码。
2023-11-05 21:31:05
1707
1
原创 自动驾驶之项目一-城市环境的目标检测
在这个项目中，将创建一个卷积神经网络，使用Waymo的数据集来检测和分类物体。您将获得一个城市环境图像数据集，其中包含带标注的骑自行车者、行人和车辆。首先，执行广泛的数据分析，包括标签分布的计算，样本图像的显示，并检查对象遮挡。来自Waymo数据集的夜间图像示例，带有针对车辆和行人的标注使用此分析决定哪些增强对该项目有意义；然后，训练一个神经网络来检测和分类对象。使用TensorBoard监控训练，并决定何时结束。最后，尝试使用不同的超参数来提高模型的性能。
2023-06-30 21:40:11
686
原创 机器人学习之项目- Project5:KUKA Robot Challenge（二）
将关于经典路径规划算法的知识应用到KUKA项目1)由于迷宫是未知的，必须执行“边走边搜索”技术。使用地图维度，可以用矩阵形式表示迷宫。从开始的姿势开始搜索，识别一个单元格是空闲的还是被占用的，在搜索的时候更新矩阵，直到达到目标姿势。2)定义一组可以在迷宫中移动的角度。要更新矩阵中单元格的状态(已占用或空闲)，可以更改夹持器的方向角度，并检查是否能够以每个预定义的角度向单元格移动。如果任何预定义的角度返回有效响应，单元格将被更新为空闲。相反，如果所有预定义的角度返回无效响应，则单元格将被更新为已占用
2023-04-13 22:29:03
303
原创 机器人学习-路径规划实验（二）- map文件
机器人学习-路径规划实验（一）---8.A*:真实世界地图（Real-World Map）附map.txt：
2023-04-12 23:18:50
117
原创 机器人学习之项目- Project5:KUKA Robot Challenge（一）
KUKA（库卡）路径规划项目在这个项目中，给定一个迷宫的开始和目标状态,实现一个路径规划算法来搜索路径，然后在迷宫中的6自由度工业机器人的帮助下，将物体从起点移动到目标状态。
2023-04-12 22:54:05
1063
3
原创 机器人学习之项目- Project4:Home Sevice Robot
这个项目的下一个任务是选择两个不同的目标，根据目标确定方向，以测试机器人达到的能力。我们将这些目标称为取货区和卸货区区域。该部分仅用于测试目的，以确保机器人能够在自主命令它向这些位置移动之前，可到达这些位置。我们将使用ROS导航堆栈，它基于Dijkstra's-统一代价搜索算法（Uniform Cost Search algorithm）的一种变体，来规划机器人从起点到目标位置的轨迹。ROS导航堆栈允许机器人在遇到障碍时重新规划新的轨迹，从而避免其路径上的任何障碍。在使用AMCL进行定位时，已经使用过这
2023-04-11 23:05:23
260
原创 机器人学习- 基于样本和概率的路径规划（二）
策略是从状态到行动的映射。对于每一个状态，都会有一个策略告诉机器人它应该采取什么行动。最优策略，记为π *，通知机器人在任何状态下采取的最佳行动，以使整体收益最大化。我们将在下面更详细地研究最优策略。
2023-04-09 22:09:13
217
原创 机器人学习- 基于样本和概率的路径规划（一）
由于在高维问题上这么大的空间使用离散规划，对其进行离散化是非常困难的；路径规划问题的复杂性随着C空间的维数呈指数级增长。
2023-04-09 13:39:08
672
原创 机器人学习-路径规划实验（一）
本实验任务：编写前面学过的两个路径规划算法。首先用C++编写Breadth-first搜索算法。该算法分为不同的编码测验，最终生成机器人从起点移动到目标的最短路径。然后，将继续进行必要的更改，以编写A*算法。在对BFS和A*算法进行编码之后，将可视化地比较生成的扩展列表。仔细检查后，判断哪种算法更有效。在本实验的后面部分，将把A*算法应用到现实世界的问题中。实际问题只是使用占用网格映射算法生成的地图。
2023-04-08 12:44:01
758
原创 机器人学习-关于经典路径规划（三）
---Breadth-first Search广度优先搜索---Depth-first Search深度优先搜索---Uniform Cost Search成本一致搜索---A *搜索
2023-04-05 22:00:13
706
原创 机器人学习-关于经典路径规划（一）
在本文中，将学习三种不同的路径规划方法。第一种称为离散(或组合)路径规划，是三种方法中最直接的。另外两种方法，称为基于样本的路径规划和概率路径规划，建立在离散规划的基础上，以开发更广泛适用的路径规划解决方案。
2023-04-05 10:03:00
2531
2
原创 机器人学习之项目- Project3:Map My World
在这个项目中，将使用RTAB-Map包从模拟环境中使用机器人创建一个2D占用网格和3D octomap。RTAB-Map(基于实时外观的映射)是SLAM开发能够三维映射环境的机器人的流行解决方案。RTAB-Map具有良好的速度和内存管理，并为信息分析提供了定制开发的工具。
2023-04-03 15:10:59
235
原创 机器人学习之项目- Project2 :Where Am I?
欢迎来到“Where Am I(我在哪里)?”定位项目!在这个项目中，将学习如何利用ROS AMCL包在Gazebo模拟环境的地图中准确地定位移动机器人。在完成本项目的过程中，涉及机器人软件工程的几个方面，重点是ROS：创建ROS包，在自定义Gazebo世界中，启动自定义机器人模型使用ROS AMCL包，远程操作或导航来定位机器人探索、添加和调优对应于每个包的特定参数，以实现最佳的定位结果
2023-03-31 23:34:50
345
原创 机器人学习之项目- Project1 : Go Chase it!（五）
在这个项目中编写的第二个节点是process_image节点。这个客户端节点将订阅机器人的摄像头图像并分析它们以确定白球的位置。一旦确定了球的位置，客户端节点将从drive_bot服务器节点请求一个服务来驱动机器人向球的方向移动。机器人可以向左、向右或向前行驶，这取决于机器人在图像中的位置。写完这个节点后，将白球放在机器人的摄像头前面。如果一切正常，节点应该分析图像，检测球的位置，然后请求一个ball_chaser/command_robot服务来驱动机器人朝向白球行进!
2023-03-27 11:21:36
101
原创 机器人学习之项目- Project1 : Go Chase it!（四）
这个项目中的第二个主要任务是创建ball_chaser ROS包。在这个包中，分析相机捕获的图像，以确定白球的位置，然后驱动机器人开向球的方向。ball_chaser中的节点与my_robot包建立通信，通过订阅机器人相机传感器的数据并发布到机器人的车轮关节来实现。
2023-03-26 20:10:01
145
1
原创 机器人学习之项目- Project1 : Go Chase it!（三）
现在，给机器人添加传感器，以感知周围的环境。添加两个传感器——一个摄像头和一个激光雷达。
2023-03-26 14:55:00
186
原创 机器人学习之项目- Project1 : Go Chase it!（二）
让我们通过创建URDF文件来构建一个基本的移动机器人模型，并在一个空的Gazebo world中启动它。我们可以把工作分解成更小的组件——机器人底座、轮子和传感器。
2023-03-24 17:06:18
136
原创 机器人学习之项目- Project1 : Go Chase it!（一）
在这个项目中，在catkin_ws/src中创建两个ROS包:drive_bot和ball_chaser。下面是设计机器人的步骤，把它安置在一个设定的世界里，并编程让它追逐白色的球:
2023-03-22 18:55:03
181
原创 如何编写ROS节点（三）
要查看ROS订阅者和客户机的运行情况，需要编写一个名为look_away的节点。look_away节点订阅/rgb_camera/image_raw主题，其中包含来自安装在机械臂末端的摄像机的图像数据。每当相机指向一个不感兴趣的图像(在本例中，是一个颜色统一的图像)时，回调函数将请求safe_move服务来安全地将机械臂移动到感兴趣的图像上。
2023-03-21 23:04:02
342
原创 如何编写ROS节点（二）
在许多方面，arm_mover与simple_mover非常相似。像simple_mover一样，它负责命令手臂移动。但是，arm_mover节点并不是简单地命令手臂遵循预定的轨迹，而是提供了safe_move服务，允许系统中的其他节点发送movement_commands。除了允许通过服务接口移动外，arm_mover还允许使用参数配置最小和最大关节角度。
2023-03-20 19:03:06
459
原创 如何编写ROS节点（一）
在本文中，将学习如何在c++中编写ROS节点。编写的第一个节点称为simple_mover。simple_mover节点只向simple_arm发布关节角度命令。
2023-03-19 17:24:59
1545
原创 机器学习算法 - 从线性回归到前馈神经网络
在本文中，主要有以下内容:线性回归:对两个变量之间的线性关系进行建模的回归方法，介绍了L1和L2的损失。逻辑回归:一种分类算法及一种分类损失，交叉熵损失。梯度下降优化:一种寻找损失最小化问题最优解的迭代算法。前馈神经网络:一种由完全连接的层组成的神经网络。反向传播:一种利用链式法则计算神经网络中损失梯度的算法。用神经网络进行图像分类:如何将图像在前馈神经网络中输入。
2022-11-02 15:55:51
645
8
原创 激光雷达简介及物体检测（二）
本文基于点云的物体检测的最相关类别有一个总览；它们在各自的数据表示、特征提取和检测网络的体系结构方面有所不同。了解一种可用的探测器是如何工作的，通过将激光雷达点云转换为鸟瞰视角，然后将强度、高度和点密度输入卷积神经网络来寻找车辆。最后，是如何使用召回率和精度来评估目标检测器的性能。
2022-09-22 10:19:33
3109
原创 激光雷达简介及物体检测（一）
通过本文内容，熟悉激光雷达传感器技术，理解飞行时间（time-of-flight ）原理，并了解其他技术，如FMCW或OPA系统。此外，了解了如何从Waymo帧中提取范围图像，如何将范围和强度数据可视化，并将其转换为3d点云。
2022-09-18 21:32:41
6359
原创 笔记：机器学习的工作流程
本文学习如何思考机器学习问题。机器学习(ML)不仅关于数学和建模，而且关于选择问题的设置，识别客户需求和长期目标。本文的组织如下:1.通过识别关键利益相关者，选择正确的度量指标，建立机器学习问题的框架。2.因为ML是关于数据的，将讨论与数据相关的不同挑战。3.在解决ML问题时如何组织数据集，以确保创建的模型在新数据上表现良好。4.如何利用不同的工具来确定模型的局限性。......
2022-09-01 12:18:54
3515
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人