分类目录归档:解决方案

whale-quant -量化开源课程项目


whale-quant 仓库介绍

whale-quant 是 Datawhale 推出的量化开源课程项目,旨在帮助学习者快速掌握量化金融知识,以及使用 Python 进行量化开发的能力,覆盖从量化策略理念、数据获取、策略回测到实盘相关的完整流程与工具链。

核心内容与章节

项目包含 8 个核心章节,且所有章节均已完成开发,覆盖量化投资全流程关键知识点: | 章节号 | 标题 | 核心内容 | |--------|--------------------|------------------------------| | 第...

Read more

Mongodb 连接失败-Error-


获取股票历史数据时出错: 192.168.3.3:27017: timed out (configured timeouts: socketTimeoutMS: 5000.0ms, connectTimeoutMS: 5000.0ms) 获取股票 000006 数据时出错: 192.168.3.3:27017: timed out (configured timeouts: socketTimeoutMS: 5000.0ms, connectTimeoutMS: 5000.0ms) 训练预测过程出错: 192.168.3.3:27017: timed out (configured ti...

Read more

TradeGenius-面向加密货币交易者的AI交易分析工具


1. 一段话总结

TradeGenius 是一款面向加密货币交易者的AI交易分析工具,并非传统信号群或图表应用,核心优势是通过扫描 26天市场数据,将RSI、MACD、斐波那契等复杂技术指标转化为通俗英文报告,提供价格趋势、关键支撑/阻力位、情绪指数等关键信息,帮助交易者避免盲目跟风、节省分析时间并保持交易控制权;使用流程仅需三步(选择加密货币对、一次性支付 2.99美元/欧元、生成报告),无需注册账户,1分钟内即可获取报告,支持智能手机、平板、桌面浏览器等多设备访问,切实解决交易者分析耗时、信息杂乱的痛点。


2. 思维导图(mindmap)

## 产品定位
- 非信号群/图表应用
-...

Read more

英为财情-数据源-


一、重要合作动态 合作方:摩根大通(Kinexys)、Digital Asset 核心内容:JPM Coin(JPMD)将在Canton区块链原生发行 优势:安全、隐私保护、近乎实时发行/转移/赎回 适用对象:Canton网络运营机构 二、指数行情 中国市场指数 上证指数:4085.77(+2.11,+0.05%) 深证成指:14030.56(+8.01,+0.06%) 富时中国A50指数:15618.75(-86.71,-0.5...

Read more

PyFlux-时间序列分析设计的Python库


该网页围绕Python的PyFlux库展开,核心聚焦其在时间序列分析领域的应用,具体内容总结如下:

一、核心定位与优势

PyFlux是一款专为时间序列分析设计的Python库,具备先进的时间序列处理方法和强大的推理能力,界面直观且功能稳健,是探索和建模复杂时间序列数据的常用工具。

二、主要应用场景

  1. 金融时间序列分析与预测:这是其核心应用场景之一,为金融分析师提供数据驱动的分析与预测支持。
  2. 高频时间序列分析:能够助力用户应对高频时间序列数据的复杂性,挖掘其中的关键信息。
  3. 时空时间序列分析:可处理结合时间趋势与地理空间位置的数据,揭示时空数据中的复杂模式,支持时间序列数据挖掘与精准分析。
  4. ...

Read more

GraphRAG-知识图谱-工具链


1. 一段话总结

2025年3月18日发布的GraphRAG相关网页,核心围绕“GraphRAG结合知识图谱(Knowledge Graph) 串联信息以获取更优答案”(口号:Connect the dots for better answers)展开,涵盖Concepts(关键概念及关联)、How-to Guides(数据准备到检索的目标导向指南)、Reference(图谱模型与检索器模式目录)、Appendices(研究论文与术语表) 四大核心板块,为用户提供GraphRAG的概念学习、实操指导、参考资源及基础支撑内容。


2. 思维导图(mindmap)

## 主题:GraphRA...

Read more

From Local to Global: A GraphRAG Approach to Query-Focused Summarization-论文


该文档提出了一种名为GraphRAG的基于图的检索增强生成方法,核心是解决传统RAG在全局问题上的短板,实现对大规模文本语料的全局意义建构。

核心背景与问题

  • 传统RAG(向量RAG)擅长处理局部查询,但无法应对“数据集的主要主题是什么”这类需要全局理解的问题,这类问题本质是查询聚焦摘要(QFS)任务。
  • 现有QFS方法难以适配RAG系统的大规模文本索引需求,因此需要融合两者优势。

GraphRAG核心设计与流程

  1. 索引构建阶段
    • 文本切块:将源文档拆分为文本块,平衡提取成本与信息召回率。
    • 实体与关系提取:利用LLM提取文本块中的实体、实体关系及事实声明,并生成描述。
    • 知识图谱构建:将提取...

Read more

The Ultimate Guide to Fine-Tuning LLMs from Basics to Breakthroughs: An Exhaustive Review of Technologies, Research, Best Practices, Applied Research Challenges and Opportunities- 论文


这篇文档是一份全面的大语言模型(LLM)微调指南,用通俗的话来说,核心就是教大家“怎么把现成的大模型(比如GPT、LLaMA)改成自己需要的样子”,从基础原理到实际操作都讲透了。

一、先搞懂核心概念:什么是LLM微调?

现成的大模型(比如GPT-3、LLaMA)已经学了海量通用知识,但面对具体场景(比如医疗问诊、金融分析)可能不够用。微调就像是“针对性补课”——用小范围的专属数据(比如医疗病历、金融报告),让大模型在不忘记原有知识的前提下,精准适配特定任务或领域,不用从零训练,省钱又高效。

二、微调的完整流程:七步走就能搞定

文档里给了一个清晰的“七阶段流程”,一步步教你做: 1. 准备...

Read more