大模型金融应用
关注
分享
扫一扫
文章平均质量分 94
MUKAMO
我是一名专注于汽车电子领域的资深工程师，对软件、人工智能以及汽车行业内的前沿技术有着深厚的理解和实践经验。我精通AutoSAR和ASPICE标准，能够确保汽车软件系统的高效开发和质量保障。
在人工智能领域，我专注于深度学习技术的研发与应用，致力于将最新的AI技术引入汽车系统，提升车辆智能化水平。同时，我熟悉功能安全标准，能够在设计和开发过程中确保汽车系统的安全可靠。
我具备出色的团队协作和问题解决能力，能够在复杂的项目环境中快速定位问题并提出有效的解决方案。我热爱汽车行业，对新技术充满热情，期待在汽车电子领域取得更多突破。
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
HMM择时策略超参优化：Shape调参与Walk-Forward的残酷真相
HMM择时策略优化中的过拟合陷阱与验证方法 研究发现，量化交易中常见的Shape调参（单窗口优化）会产生严重过拟合，导致策略在Walk-Forward验证（滚动窗口）中表现大幅缩水。数据显示，Shape调参质量分0.65以上的指数，在WF验证中平均缩水40%以上。Walk-Forward验证揭示了真实表现差异，如电子行业（801080.SI）超额收益413%，而公用事业（801160.SI）仅20%。建议采用两阶段优化：先用Shape粗筛淘汰无效参数，再用WF精调验证泛化能力，其中窗口数15-35为黄金区间原创 2026-05-28 13:03:30 · 235 阅读 · 0 评论 -
A股市场状态识别：HMM隐马尔可夫模型 + Optuna超参优化的量化实战
A股市场状态识别的HMM模型研究 本研究采用隐马尔可夫模型(HMM)结合Optuna超参优化技术，构建了一个三状态市场识别系统，用于分析A股市场的牛熊转换特征。针对A股高波动性、政策敏感等特点，模型设计了7种特征组合，通过动态标准化处理不同量纲指标。核心创新点包括： 采用三状态划分（牛市/震荡/熊市），平衡模型复杂度和实用性 引入动态Z-score标准化，解决个股波动率差异问题 使用Optuna自动选择最优特征组合和模型参数 结合Walk-Forward验证确保模型稳健性 实证结果，该方法能有效识别市场。原创 2026-05-16 16:55:03 · 521 阅读 · 0 评论 -
HMM量化择时：从模型训练到实战回测全解析
本文介绍了一种基于隐马尔可夫模型(HMM)的多指数融合量化交易策略。该策略通过11个不同指数的HMM模型训练，加权融合生成综合信号，在2021-2025年回测期间实现了50.10%的总收益，显著跑赢沪深300基准(-11.16%)。策略采用三档仓位管理：当看涨概率≥70%时满仓，50-70%半仓，低于50%空仓。模型架构包含指数选择、特征工程、HMM训练和信号融合四个核心模块，使用7套预定义特征集(C1-C7)优化不同指数的预测能力。回测显示策略年化收益8.81%，夏普比率0.96，最大回撤仅10.99%，原创 2026-05-16 13:43:47 · 549 阅读 · 0 评论