分类目录归档：论文
这篇论文是关于DeepSeek-V3的技术报告，介绍了该混合专家（MoE）语言模型在架构、训练、评估等方面的创新与优化，展示其超越开源模型、接近闭源模型的性能优势及高效低成本的训练特点。
全文总结 本文围绕股票交易策略展开，提出采用深度强化方案的集合策略，通过三种 actor--critic based 算法获得集合交易策略，以在复杂多变的股票市场中实现收益最大化。 重要亮点
股票交易策略是投资者在股票市场中用于获取收益、控制风险的一系列方法和规则。以下是一些常见的股票交易策略：
当然可以，这篇论文介绍了一个名为DeepSeek-V2的新型大型混合专家（Mixture-of-Experts，MoE）语言模型。以下是对论文内容的总结：
DeepSeek-V2是一个具有经济性和高效率的语言模型，总参数量为236B（亿），每个token激活21B（亿）参数，支持128K（128,000）token的上下文长度。
架构创新：
MLA通过显著压缩Key-Value（KV）缓存到一个潜在向量来保证高效的推理，而DeepSeekMoE通过稀...
“Attention Is All You Need”是2017年由谷歌的Ashish Vaswani、Noam Shazeer、Niki Parmar等八位科学家撰写的一篇具有重大影响力的研究论文 。以下是对该论文的详细介绍：
“TradExpert: Revolutionizing Trading with Mixture of Expert LLMs”提出了TradExpert框架，该框架利用专家混合（MoE）方法，整合多个专注于不同金融数据的大语言模型（LLM），以提升股票交易策略。 1. 研究背景 - 人工智能与金融分析的融合催生了创新时代，大语言模型（LLMs）在金融领域的应用逐渐增加，但有效整合不同数据源及结构化与非结构化数据仍是挑战。 - 此前传统金融模型难以处理非结构化数据，虽有通用LLMs及专门的金融语言模型出现，但仍需更好地综合不同数据来源的见解。 2. 研究目的 -...
这篇论文《FinVision: A Multi-Agent Framework for Stock Market Prediction》由Sorouralsadat Fatemi和Yuheng Hu撰写，主要介绍了一种用于股票市场预测的多模态多智能体框架FinVision，该框架在处理多模态金融数据方面具有优势，通过整合多种信息源来提高交易决策的准确性。 1. 研究背景 - 金融市场复杂多变，交易任务面临多模态数据流等挑战，传统深度学习和强化学习模型在处理金融数据时存在诸多问题，如需要大量训练数据、数据类型简化过度、决策过程缺乏可解释性等。 - 大语言模型（LLMs）的发...