• 支持向量机-SVM 1
• 知识蒸馏 1
• 建模
• 特征提取
• 特征工程 1
• 特征归一化
• softmax 1
• 时间序列预测模型 1
• FinGPT 1
• FinML
• ChatGPT
• LLM
• GPT 1
• LSTM
• Transformer 1
• 梯度下降 1
• 特征工程 1
• 神经网络 1
• AI原理系列-强化学习 1
• AI原理系列-无监督学习 1
• AI原理系列-监督学习 1
• MoE架构的解析 1
• GPU 消费级与专业级性价比分析报告
• 算力集群的自建与租赁方案对比分析报告
• 训练一个1B的金融大模型需要花多少钱？ 1
• AlphaNet 1
• 卷积神经网络
• 循环神经网络
• Bert
• AlphaNet
• Vnp...

Read more

数据科学体系架构：从理论基础到工程实践

一、数据基础架构与工程实践

现代数据科学建立在规模化数据工程基础之上。数据流水线采用Lambda架构实现批流一体化处理，使用Apache Spark进行分布式ETL处理，通过Apache Kafka构建实时数据流平台。数据质量保障采用系统化方法：使用Great Expectations框架定义数据质量规则，通过Anomaly Detection算法识别数据异常，基于数据血缘分析实现全链路追溯。

在特征工程层面，我们采用自动化特征工程（AutoFE）技术：使用TSFresh进行时序特征自动生成，通过FeatureTools实现深度特征合成。针对高维稀...

Read more

数据科学体系化构建：从底层处理到生产级部署

数据科学作为一门融合统计学、计算机科学和领域知识的交叉学科，已形成完整的理论体系和技术栈。本文将从专业视角深入剖析数据科学的关键组成部分，着重探讨数据处理与分析、机器学习、图分析、向量搜索、优化算法以及MLOps等核心模块的技术实现与系统集成。

数据工程基础：构建可靠的数据流水线

数据处理是数据科学项目的基石。在实际工业场景中，数据工程师需要构建稳健的ETL（Extract-Transform-Load）流水线来处理多源异构数据。我们采用Apache Spark等分布式计算框架处理海量数据，运用数据质量框架如Great Expectations...

Read more

数据科学全景解析：从数据处理到智能部署

在当今数据驱动的时代，数据科学已成为企业获取竞争优势的核心引擎。作为一名数据科学家，我深刻理解这个领域的复杂性和多维性。数据科学不仅是一门学科，更是一个完整的生态系统，涵盖了从数据收集到智能决策的全过程。本文将带您深入探索数据科学的关键组成部分，揭示如何将原始数据转化为可行动的智能。

数据基础：处理与分析的艺术

任何数据科学项目的起点都是数据。数据处理与分析构成了整个数据科学金字塔的基石。在实际工作中，数据往往以混乱、不完整的形式存在。数据清洗和预处理因此成为最关键且最耗时的环节。我们使用各种工具和技术来处理缺失值、异常值和重复数据，确保数据质量。...

Read more

机器智能

人工智能

超级智能

金融和机器学习

规范性金融理论

数据驱动的金融学

机器学习

人工智能优先的金融

统计失效

密集神经网络

循环神经网络

强化学习

算法交易

向量化回测

风险管理

执行与部署

展望

基于人工智能的竞争

金融奇点

附录

交互式神经网络

神经网络类

卷积神经网络

Read more

金融心理学

理性人和真实世界

一些实用术语

第一项基本原理： 市场走在前

第二项基本原理：市场是非理性的

第三项基本原理：混沌支配

第四项基本原理：技术图形自我实现

心理学的起源

Read more

Read more

Read more

全文总结 这是一本关于时间序列预测的书籍相关介绍，作者为MANNING Marco Peixeiro 。书中涵盖了时间序列预测的核心概念、统计模型、深度学习以及自动化预测等多方面内容。开篇介绍时间序列的定义、分解以及预测项目生命周期等基础概念。接着详细阐述多种统计模型，如随机游走模型、移动平均模型、自回归模型及其组合ARMA、ARIMA模型等，包括模型原理、如何通过自相关函数（ACF）、偏自相关函数（PACF）等工具辅助建模，以及利用AIC准则、Q - Q图、Ljung - Box检验和残差分析等进行模型评估与选择。在深度学习部分，介绍其在时间序列预测中的应用，包括数据窗口处理、创建基线...

Read more

K线形态相似度精确匹配：DTW算法核心解析

在金融市场的技术分析领域，K线形态识别是连接历史规律与未来预测的重要桥梁。无论是资深交易员还是量化研究者，都依赖对“头肩顶”“双底”“三角形整理”等经典形态的判断来捕捉交易信号。但市场的复杂性在于：同一形态可能在不同时间尺度下呈现出截然不同的时间跨度——比如有的“双底”用5天完成，有的却用12天；有的“头肩顶”左肩持续3天，右肩却拉伸至7天。传统的形态匹配方法（如固定窗口滑动比对、关键点硬性对齐）因无法处理这种时间轴的伸缩性，常常出现“看似相似却被判定为不匹配”的尴尬情况。

动态时间规整（Dynamic Time Warping, DTW）算法...

Read more