分类目录归档：个人成长
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...
在机器学习项目中，数据往往以各种形态呈现：用户ID、城市名称、产品类别、学历等级、日期时间……这些信息对人类而言含义清晰，但对绝大多数机器学习模型来说却如同天书。模型的核心是数学运算（向量、矩阵、梯度计算），它们只能直接处理数值型数据。这就是特征编码要解决的核心问题：将非数值型（类别型、文本型、时间型等）数据，转化为适合机器学习模型处理的数值型表示，同时尽可能保留或揭示原始数据中蕴含的有价值信息。
以下是特征编码解决的关键问题及其深层意义：
当AI化身金融研究员：一场投资研究的智能革命
在金融的世界里，每一个决策都关乎真金白银，容不得半点马虎。而投资研究，更是这场财富博弈中最关键的一环。传统的投资研究，往往需要研究员们耗费大量的时间和精力去收集、整理和分析数据，过程繁琐且效率低下。但现在，随着人工智能技术的飞速发展，一场投资研究的智能革命正在悄然上演。今天，就让我们一起走进这场革命，看看AI是如何化身金融研究员，改变投资研究的格局的。
一、技术架构：智能投资研究的核心逻辑
在这场智能革命的背后，是一套精心设计的技术架构。从相关的技术展示中，我们可以清晰地看到，其核心在于“多智能体协作 + 记忆增强 + 人类反馈 + 数据驱动...
Embedding（嵌入）是机器学习和人工智能领域的核心概念，本质是将高维、离散、稀疏的数据（如文字、图片、音频、用户、商品等）转换为低维、连续、稠密的实数向量表示的过程。这些向量被称为嵌入向量（Embedding Vector），其神奇之处在于能在向量空间中捕获并保留原始数据的语义、关系或特征。
利用智能体人工智能（Agentic AI）与多大型语言模型（LLMs）创建更智能解决方案的解读报告
一、引言
在人工智能技术飞速发展的当下，大型语言模型（Large Language Models，简称LLMs ）已成为推动各领域创新的关键力量。而智能体人工智能（Agentic AI）概念的出现，进一步拓展了LLMs的应用边界，为构建更智能、更具协同性的解决方案提供了新路径。本次报告聚焦于“Using Agentic AI to create smarter solutions with multiple LLMs (step - by - step process)”这一主题，通过对相...