- 博客(89)
- 资源 (41)
- 收藏
- 关注
RSS订阅原创 十、AI量化投资：akshare连板接力20260507
筛选今天涨停的股票，用于第二天打板。包括一进二、二进三以及更高的板。后续会研究每个股的连板概率，敬请期待！获取20260507所有的涨停股票，通过一套筛选模式，获取可打板股票池。运行后，最终得到40只股票。
2026-05-07 21:28:09
685
原创 九、AI量化投资：akshare连板接力通过年涨幅排除趋势股
获取20260506所有的涨停股票，通过一套筛选模式，获取可打板股票池。通过添加52周涨幅大于5倍和今年以来涨幅大于3倍来排除不可能达到很高连板的趋势股。筛选今天涨停的股票，用于第二天打板。包括一进二、二进三以及更高的板。后续会研究每个股的连板概率，敬请期待！运行后，最终得到27只股票。
2026-05-06 22:39:02
429
原创 八、AI量化投资：akshare连板接力20260506股票池获取
筛选今天涨停的股票，用于第二天打板。包括一进二、二进三以及更高的板。后续会研究每个股的连板概率，敬请期待！获取20260506所有的涨停股票，通过一套筛选模式，获取可打板股票池。还有哪些筛选条件，欢迎打到评论区。运行就，最终得到27只股票。
2026-05-06 19:57:15
347
原创 七、AI量化投资：akshare连板接力股票池添加封成比筛选
实现了一个基于次日打板策略的股票筛选系统，主要针对前一天涨停的股票进行筛选。核心筛选条件包括：主板10%涨停股、股价≤30元、总市值≤300亿、流通市值≤250亿、最后封板时间≤14:30、炸板次数≤5次等。代码通过akshare接口获取2026年4月30日的涨停股票数据，经过多重筛选后按连板数降序和首次封板时间升序排列，最终输出符合条件的股票池。筛选结果包含越剑智能、永杉锂业等个股的代码、名称、最新价、连板数等关键信息，并保存为CSV文件。该系统为短线交易者提供了高效的第二日打板候选股筛选
2026-05-05 08:27:31
550
原创 六、AI量化投资：akshare连板接力股票池
第二天打板前一天涨停的股票，筛选出第二天能打的股票池。包括一进二、二进三以及更高的板。获取20260430所有的涨停股票，通过一套筛选模式，获取可打板股票池。
2026-05-04 15:13:00
798
原创 五、AI量化投资：使用akshare进行连板战法
第二天打板第一天已经涨停的股票，从第一天已经涨停的股票中筛选出第二天能打的股票池。获取20260430所有的涨停股票，通过一套筛选模式，获取可打板股票池。
2026-05-04 08:21:54
479
原创 四、AI量化投资：使用akshare获取A股主板20260430筛选后的涨停股票
【代码】三、AI量化投资：使用akshare获取A股主板20260430筛选后的涨停股票。
2026-05-03 19:18:33
635
原创 三、AI量化投资：使用akshare获取A股主板20260430所有的涨停股票
筛选关键字段（代码、名称、连板数等）验证数据是否存在，若为空则终止程序。连板数相同时按首次封板时间升序排列。接口获取指定日期的涨停股票数据。清理时间字段中的多余空格。使用akshare库的。处理异常日期格式（清除。重置索引并隐藏默认索引。
2026-05-03 09:13:04
487
原创 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
本文介绍了使用Python获取沪市主板A股日线行情数据并进行双均线策略回测的方法。首先通过akshare接口获取沪市主板股票列表，筛选600/601/603/605开头的股票代码。然后定义DualMAStrategy策略类，实现5日与20日均线的金叉买入、死叉卖出逻辑。对每只股票进行回测后，输出包含累计收益率、最大回撤率、夏普比率等指标的排名结果。回测显示，ST信通(600289)以265.81%的累计收益率位居榜首。该方法为量化投资提供了从数据获取到策略回测的完整解决方案。
2026-05-02 19:18:47
569
原创 一、AI量化投资：双均线策略（MA5/MA20）在长飞光纤（601869）近两年数据回测
获取长飞光纤（601869）2024年4月30日至2026年4月30日的日线数据（开盘价、收盘价、最高价、最低价、成交量）。标注金叉（MA5 > MA20且前一日MA5 ≤ MA20）和死叉（MA5 < MA20且前一日MA5 ≥ MA20）。双均线策略基于短期均线（MA5）与长期均线（MA20）的交叉信号生成买卖点。MA5上穿MA20形成“金叉”为买入信号，下穿形成“死叉”为卖出信号。统计总收益率、年化收益率、最大回撤、胜率（盈利交易占比）和夏普比率。买入信号次日开盘价买入，卖出信号次日开盘价卖出。
2026-05-02 13:27:35
168
原创 Dify新手小白手把手指导（一）：AI面试官
4.在“提示词生成器”页面输入“我想让你担任 {{jobName}} 面试官。我将成为候选人，您将向我询问 {{jobName}} 开发工程师职位的面试问题。2.将“选择应用类型”选中为“聊天助手”；9.点击“开始对话”，得到应用界面。
2025-07-22 13:46:51
549
原创 Dify ：适合AI方向创业的LLM应用开发平台
Dify（Define + Modify）是一个开源平台，致力于让开发者从原型设计到生产部署，快速构建可持续运营的 AI 应用。它通过直观的界面、强大的功能和灵活的部署方式，提供了一个完整的 LLMOps 解决方案，类似一个精心设计的开发脚手架。开源透明：Dify 在 GitHub 上完全开源（https://github.com/langgenius/dify），开发者可以自由查看代码、贡献功能或自定义开发。全面的功能支持：支持提示词编排、知识库管理、模型选择、工具集成和性能监控。易用性。
2025-07-18 09:27:12
1381
原创 开源的大语言模型（LLM）应用开发平台Dify
Dify（Define + Modify）是一个易用的 LLMOps 平台，旨在让开发者能够快速从原型设计到生产部署，构建可持续运营的 AI 应用。工作流编排：通过可视化画布构建和测试复杂的 AI 工作流。全面模型支持：支持数百种专有和开源 LLM，如 GPT、Mistral、Llama3，以及任何与 OpenAI API 兼容的模型。提示词 IDE：直观的界面用于设计提示词、比较模型性能，并支持文本转语音等功能。RAG 管道。
2025-07-18 08:51:48
1364
原创 使用CrewAI创建一个研究团队
任务定义了代理需要完成的具体工作。编辑文件，添加两个任务：研究任务和报告任务。description: "针对{topic}进行深入研究，收集最新的信息和数据。expected_output: "一份包含{topic}最新进展的详细研究笔记。description: "根据研究员提供的笔记，撰写一份结构清晰的综合报告。expected_output: "一份格式化的Markdown报告，存储在output/report.md文件中。注意指定了报告的输出路径，确保在运行时生成的文件存储在正确位置。
2025-07-17 10:14:35
976
原创 如何在CrewAI中 打造高效智能体（Agents）
以 “角色 - 目标 - 背景故事” 为框架设计智能体，结合清晰、聚焦的任务设计，并通过迭代持续优化。行动建议从具体场景（如 “写一篇 AI 技术博客”）入手，定义 1-2 个智能体；先设计任务（明确步骤与输出），再设计智能体；测试后根据结果调整 —— 若输出差，优先检查任务是否清晰；若角色不匹配，再优化智能体定义；逐步尝试多智能体协作，体验技能互补的效果。通过以上方法，你可以构建出能高效协作、产出高质量结果的 AI 智能体团队，解决复杂任务。
2025-07-17 08:32:16
1219
原创 CrewAI中构建智能体如何选择Crews 和Flows
CrewAI 是一个功能强大的开源 Python 框架，旨在协调自主的、角色扮演的 AI 代理，这些代理能够协作完成复杂任务。在使用 CrewAI 构建 AI 应用时，最关键的决策之一是选择合适的方法——是使用 Crews、Flows，还是两者的组合。本文基于 CrewAI 官方文档，探讨如何根据任务复杂性和精度要求评估 CrewAI 的用例。
2025-07-16 17:00:07
899
原创 使用 CrewAI 进行股票分析：自动化投资决策的新途径
CrewAI 旨在促进角色扮演 AI 代理之间的协作。在股票分析示例中，这些代理共同协作，提供全面的股票分析和投资建议。每个代理都有特定的角色和任务，通过相互配合，能够更高效地完成复杂的分析任务。
2025-07-16 14:06:47
1206
原创 CrewAI 结合本地大模型 Llama3.1 研究AI 大模型在医疗领域的应用
，聚焦「AI 大模型在医疗领域的应用」主题，详细介绍如何通过 Ollama 部署的本地大模型 Llama3.1，自动生成该领域的研究报告。本地大模型部署模式可保障医疗数据隐私性，同时降低对云端 API 的依赖，适合医疗相关研究场景。该方案兼顾数据隐私（本地模型）和信息时效性（可选网络搜索），适合医疗相关的研究场景。，定义两个协作智能体：「医疗领域研究员」负责收集信息，「医疗报告分析师」负责整理报告。核心修改：让智能体调用本地 Llama3.1，而非云端模型。运行成功后，报告将保存至。
2025-07-16 10:20:43
1321
原创 CrewAI 结合 Ollama 本地大模型 Llama3.1 获取研究报告
本指导文档将基于 CrewAI 官方快速入门教程（），详细介绍如何通过 Ollama 部署的本地大模型 Llama3.1，实现 AI 研究报告的自动生成。相比依赖云端 API，本地大模型能在保证数据隐私的同时降低使用成本，适合对数据安全性有要求的场景。
2025-07-16 09:38:09
858
原创 通过 Ollama 获取并运行本地大型语言模型（LLM）
Ollama 允许通过Modelfile自定义模型，适合需要特定配置或导入外部模型（例如 GGUF 格式）的场景。
2025-07-16 09:11:47
1469
原创 CrewAI 创建 AI 智能体快速入门指南
您可以创建自定义工具以扩展智能体功能。name: str = "文件读取工具"description: str = "根据文件路径读取文件内容"...,
2025-07-15 15:36:02
1139
原创 使用 CrewAI 创建新项目流程概览
CrewAI 推荐使用 YAML 模板来定义智能体和任务。编辑和文件以配置您的 AI 团队行为。通过以上步骤，您可以使用 CrewAI 成功创建一个新项目，定义智能体和任务，并运行多智能体协作工作流。CrewAI 的 YAML 模板和模块化设计使其易于扩展和定制，适合从简单到复杂的企业级 AI 自动化场景。立即开始构建您的第一个 AI 团队吧！参考CrewAI 安装文档CrewAI 快速入门CrewAI 社区支持。
2025-07-15 11:14:01
1411
原创 CrewAI可用免费模型汇总
CrewAI 结合免费开源模型为开发者提供了一个经济高效且灵活的解决方案。通过 Ollama，开发者可以轻松部署 LLaMA、Qwen、Mistral、OpenHermes、Phi 和 Gemma 等模型，满足多种任务需求。这些模型在本地运行不仅降低了成本，还增强了数据隐私性。尽管免费模型在性能上可能略逊于商业模型，但在大多数场景下已足够应对 CrewAI 的多智能体协作需求。开发者可根据任务复杂度和硬件条件选择合适的模型，结合 CrewAI 的角色扮演和任务管理功能，构建高效的 AI 协作系统。
2025-07-15 10:36:41
1679
原创 uv 使用指导文档
uv 是一个功能强大、性能优越的 Python 工具，集成了包管理、虚拟环境管理、脚本运行和项目构建等功能。通过其快速的依赖解析和简化的工作流，uv 大幅提升了 Python 开发效率。无论是开发单文件脚本还是复杂项目，uv 都能提供高效支持。更多详细信息，请访问uv 官方文档。
2025-07-15 09:49:08
2102
原创 CrewAI 使用指导文档
CrewAI 是一个轻量、高性能的框架，专注于多 AI 代理协作，能够通过角色扮演和任务分配实现复杂任务的自动化。它支持灵活的定制、外部工具集成以及多种大型语言模型（LLM）的使用，适用于从简单任务到企业级复杂场景的自动化需求。编辑文件，定义两个代理：研究员和报告撰写者。writer:编辑文件，定义两个任务：研究和报告撰写。CrewAI 提供了一个强大而灵活的框架，用于构建协作 AI 代理团队。通过角色驱动的设计、任务管理和外部工具集成，用户可以轻松实现复杂任务的自动化。
2025-07-15 09:36:48
2054
原创 ChatDev 简易指导文档
ChatDev 允许用户自定义软件开发流程（ChatChain），例如。配置文件位于，可调整阶段、循环次数和是否启用反思。示例：修改 ChatChainConfig.json启用 Git 管理后，程序员智能体将使用 GitHub 进行版本控制。
2025-07-14 16:19:49
868
原创 AutoGen 简易指导文档
AutoGen 支持集成外部工具或 API。raise ValueError("不支持的操作符")description="执行基本算术运算"智能体可以通过自然语言调用此工具，例如“请计算 5 + 3”。
2025-07-14 16:12:25
1826
原创 多代理框架MetaGPT
MetaGPT 通过为多个代理分配不同角色（如产品经理、架构师、项目经理、工程师等），模拟软件开发团队的协作，适用于软件开发、研究、游戏开发等多种场景。例如，输入metagpt "设计一个类似今日头条的推荐系统"，即可生成从需求分析到代码实现的完整输出。用户可通过定义Action和Role自定义代理。例如，创建一个"""通过_watch这使代理观察其他代理的输出并触发相应动作。
2025-07-14 09:04:03
1227
原创 Dify 指导文档
Dify 是一款开源的大语言模型（LLM）应用开发平台，旨在通过融合后端即服务（Backend as Service）与 LLMOps 的理念，帮助开发者快速构建生产级的生成式 AI 应用。无论您是专业开发者还是非技术人员，Dify 都能通过其直观的界面和强大的功能，让您轻松参与 AI 应用的开发与运营。Dify 的名字源自“Define + Modify”，寓意定义并持续改进您的 AI 应用，同时也代表“Do it for you”，即为您提供一站式解决方案。
2025-07-14 08:43:21
1370
原创 Auto-GPT 简易教程
编辑或.env文件以调整：LLM 模型：默认使用gpt-4，可切换为或其他兼容模型。记忆设置：调整上下文窗口大小（如 4096 令牌）。工具启用：启用/禁用 Web 搜索、文件写入等功能。在目录下创建新工具脚本。参考现有工具（如），实现工具逻辑。在配置文件中注册新工具。# 实现搜索逻辑（例如调用 Google Custom Search API）
2025-07-11 17:21:15
1419
原创 RD-Agent(Q) ：首个以数据为中心的量化多智能体框架
高维度：市场数据包含大量变量，传统方法难以有效处理。非平稳性：市场动态随时间变化，模型需具备适应性。持续波动性：价格波动频繁，策略需兼顾预测准确性和稳健性。自动化程度低，依赖人工干预。可解释性差，难以追溯决策逻辑。因子挖掘（factor mining）与模型创新（model innovation）之间缺乏协调优化。RD-Agent(Q) 通过多智能体协作和数据驱动的方法，解决了这些问题，实现了全栈量化策略的自动化研发。
2025-07-11 15:21:44
1853
原创 Qlib使用强化学习
Qlib 的强化学习框架通过和等组件支持量化投资中的复杂决策优化，例如订单执行和投资组合管理。强化学习通过与环境的交互学习最优策略，最大化累积回报。环境（Environment）：模拟金融市场，基于历史数据提供状态、动作和回报。策略（Policy）：强化学习代理（Agent）根据当前状态选择动作，例如买入或卖出股票。执行器（Executor）：处理订单执行逻辑，支持多层次策略优化（例如，优化特定投资组合的订单执行策略）。回测（Backtest）：评估强化学习策略的性能，生成收益、风险等指标。
2025-07-11 11:24:21
1479
原创 通过investment_data获取最新量化投资数据
https://github.com/chenditc/investment_data 是由开发者 chenditc 维护的开源项目，专注于为量化金融研究提供高质量的中国市场金融数据。该项目与 DoltHub 数据库（https://www.dolthub.com/repositories/chenditc/investment_data）紧密关联，主要提供与 Qlib 平台兼容的数据支持。
2025-07-11 11:04:19
1133
原创 Qlib中的TopkDropout策略详解
Qlib的TopkDropoutStrategy是一种基于预测分数的投资组合管理策略，通过动态调整持仓优化投资回报。该策略定期选择预测分数最高的topk只股票持有，同时剔除表现最差的n_drop只股票并买入同等数量的新股票，保持固定持仓规模和可控换手率。其核心优势在于规则简单、易于实现，适合中高频交易场景。但策略表现依赖预测分数质量，且高换手率可能导致交易成本显著影响收益。用户可通过调整topk、n_drop等参数优化策略，并建议结合高质量预测模型和真实交易成本进行回测评估。
2025-07-11 10:12:18
2316
原创 Qlib中的Alpha158具体包含哪些数据
Alpha158 的特征可以分为以下几大类，涵盖了价格、成交量和滚动窗口（rolling window）等多种计算方式。这些特征是基于日频 OHLCV 数据，通过数学公式和统计方法生成的因子。KBar 因子（K 线相关因子）： 这些因子基于 K 线（KBar）的价格关系，主要描述开盘、收盘、最高、最低价之间的相对变化。示例包括：KMID：(close - open) / open（收盘价相对于开盘价的变化率）。KLEN：(high - low) / open（最高价与最低价的波动幅度相对开盘价）。
2025-07-11 09:37:25
3086
原创 使用 Qlib 获取股票数据
如果您想使用其他数据源（如 Yahoo Finance 或其他市场数据），需要手动准备数据并转换为 Qlib 格式。Qlib 支持 CSV 格式的数据，具体格式要求请参考Qlib 文档。
2025-07-10 16:21:51
1856
原创 运用Qlib 库实现了一个基于 TopkDropout 策略的股票回测系统
使用TopkDropout策略，每日调整股票组合完整回测流程，包括风险分析和绩效评估。
2025-07-10 15:54:11
809
原创 使用Qlib基于LightGBM预测沪深300涨跌
这段代码适用于量化金融研究，目标是构建一个基于机器学习的交易策略，通过历史数据预测股票表现，生成交易信号。Alpha158 提供的 158 个技术指标为模型提供了丰富的特征输入，而 LightGBM 模型的高效性和准确性使其适合处理高维金融数据。Qlib 是一个专为量化金融和算法交易研究设计的开源库。本文配置一个基于 LightGBM 的梯度提升决策树（GBDT）模型，并使用金融数据集（包含 158 个技术指标特征）进行训练和预测。
2025-07-10 15:13:30
1566
cudnn-8.0-windows7-x64-v7.1.3.zip
2018-04-20
cudnn-9.0-windows10-x64-v7.1.3.zip
2018-04-20
cudnn-9.1-windows7-x64-v7.1.3.zip
2018-04-20
cudnn-9.0-windows7-x64-v7.1.3.zip
2018-04-20
Python-3.6.6.tgz
2018-07-26
nccl-repo-ubuntu1604-2.1.15-ga-cuda8.0_1-1_amd64.deb
2018-07-24
tensorflow1.6-cuda9.1-python3.6
2018-07-19
cuda9.1-tensorflow1.6-python3.5
2018-07-19
nccl-repo-ubuntu1604-2.1.15-ga-cuda9.1_1-1_amd64.deb
2018-07-24
nccl-repo-ubuntu1604-2.2.12-ga-cuda8.0_1-1_amd64.deb
2018-07-24
沪市主板A股所有股票20250430到20260430双均线回测结果
2026-05-02
tensorflow_gpu-1.9.0-cp36-cp36m-manylinux1_x86_64.whl
2018-07-27
cudnn-10.2-linux-x64-v8.0.0.180.tgz
2020-07-09
nccl-repo-ubuntu1604-2.2.13-ga-cuda9.0_1-1_amd64.deb
2018-07-24
ISBI Challenge: Segmentation of neuronal structures in EM stacks
2020-07-22
libtorch-win-shared-with-deps-1.5.1+cpu.zip
2020-07-21
tensorflow_gpu-1.10.0-cp36-cp36m-manylinux1_x86_64.whl
2018-08-15
nccl-repo-ubuntu1604-2.2.12-ga-cuda9.0_1-1_amd64.deb
2018-07-24
torch-1.0.0-cp35-cp35m-linux_x86_64.whl
2020-06-12
1660Ti+ubuntu18.04+cuda10.0+cudnn+tensorflow-gpu1.13.odt
2019-06-14
nccl-repo-ubuntu1604-2.2.12-ga-cuda9.2_1-1_amd64.deb
2018-07-24
nccl-repo-ubuntu1604-2.1.15-ga-cuda9.0_1-1_amd64.deb
2018-07-24
nccl-repo-ubuntu1604-2.2.13-ga-cuda8.0_1-1_amd64.deb
2018-07-24
nccl-repo-ubuntu1604-2.2.13-ga-cuda9.2_1-1_amd64.deb
2018-07-24
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人