【置顶】stackStorm架构图
评论
563 views
分类目录归档：知识库
【置顶】FinRobot-架构图
评论
405 views
【置顶】StackStorm-开源的自动化平台
评论
827 views
- 定义与概述
-
StackStorm是一个开源的自动化平台，用于事件驱动的自动化操作。它能够将各种系统、工具和服务集成在一起，通过自动化流程来响应事件，从而提高系统的运维效率、可靠性和敏捷性。例如，在一个复杂的云计算环境中，当监测到某个虚拟机的CPU使用率过高时，StackStorm可以自动触发一系列操作，如扩展虚拟机资源或者迁移虚拟机到其他主机。
-
核心组件与架构
- 传感器（Sensors）：这是StackStorm的输入部分，用于检测事件。传感器可以监控各种来源的事件，如系统日志、消息队列、网络设备的SNMP陷阱等。例如，一个文件系统传感器可以监控文件系统的变化，如文件的创建、修改...
DDG-DA: Data Distribution Generation for Predictable Concept Drift Adaptation-论文
评论
21 views
Universal Trading for Order Execution with Oracle Policy Distillation-论文
评论
19 views
1. 一段话总结
本文聚焦算法交易中的订单执行这一基础问题（核心目标是完成特定工具的清算或获取订单），指出近年该领域已从基于模型的市场假设分析视角转向无模型的强化学习视角，但由于策略可利用的市场信息存在噪声且不完美，构建样本高效的强化学习方法面临挑战；为此提出一种新颖的通用交易策略优化框架，其核心是借助先知教师（拥有完美信息）的策略蒸馏方法引导通用策略学习，以逼近最优交易策略，在AAAI 2021上被接收的该方法，经大量实验验证，相比多种强基线有显著改进，且交易行为合理。
2. 思维导图（mindmap）
## 核心背景
- 问题定位：算法交易中的订单执行（清算/获取特定工具订单）
-...Git-子模块-子树合并-多仓逻辑聚合
评论
31 views
在 Gitee 中，要在一个代码仓库（主仓库）中嵌入多个其他仓库（子仓库），核心是利用 Git 原生的子模块（Submodule） 或 子树合并（Subtree Merge） 功能——这两种方法均兼容 Gitee（本质是 Git 仓库托管），且能实现“主仓库关联子仓库、保持同步更新”的需求，具体选择哪种取决于你的使用场景（是否需要子仓库独立维护、是否希望子仓库代码融入主仓库历史等）。
一、核心方法对比（先选对方案）
| 特性 | 子模块（Submodule） | 子树合并（Subtree Merge） |
|---|---|---|
| 本质 | 主仓库存储子仓库的“引用”（Commit ID + 地址） | 子仓库代码完全合并... |
LLM-Transformer可视化-LLM Visualization
评论
52 views
QuantML量化论文知识图谱社区-
评论
69 views
QuantML量化论文知识图谱社区致力于机器学习量化模型深度研究，每日分享前沿论文、策略代码与Alpha因子，核心目标是连接论文与主题以助力高效探索；社区现有317篇论文、30个主题标签，时间跨度覆盖2011-2026年，热门标签集中在time-series prediction（272篇关联论文）、financial prediction（137篇）、trading strategies（130篇）等量化核心领域；同时提供“论文-标签图谱”“标签关系图谱”两大快速入口（前者可查论文摘要、作者与年份，后者能发现主题共现关系与聚类结构），最新论文包括2026年的《ContestTrade:...
RAG-入门10篇文章-
评论
85 views
文章1：《RAG入门：从“是什么”到“为什么需要”——大模型时代的知识增强利器》
• 核心目标：帮零基础读者建立RAG基础认知，厘清RAG与传统大模型的差异
• 核心受众：AI初学者、产品经理、想了解RAG的技术小白
• 详细大纲：
-
开篇：破除2个常见误区（RAG=复杂工程？RAG可替代Fine-tuning？）
-
什么是RAG？——用“图书馆找书+写报告”类比讲清核心逻辑（检索→整合→生成）
-
RAG vs Fine-tuning：3个关键差异（成本、知识时效性、灵活性）
-
RAG能解决什么问题？——3个核心应用场景（企业知识库问答、专业领域辅助、实时信息查询）
-
极简RA...
TIMEMIXER: DECOMPOSABLE MULTISCALE MIXING FOR TIME SERIES FORECASTING-论文
评论
167 views
论文《TIMEMIXER: DECOMPOSABLE MULTISCALE MIXING FOR TIME SERIES FORECASTING》总结
本文发表于ICLR 2024会议，由蚂蚁集团与清华大学团队合作完成。针对时间序列预测中复杂时序变化的挑战，提出基于多尺度混合的全新视角，设计出全MLP架构的TimeMixer模型。该模型通过Past-Decomposable-Mixing（PDM）块和Future-Multipredictor-Mixing（FMM）块，分别在历史信息提取阶段对多尺度序列的季节和趋势成分进行分解混合，在未来预测阶段融合多预测器的互补能力；在18个真实世界基...