填充-机器学习/神经网络


机器学习/神经网络 中,填充(Padding) 是一种在输入数据(如图像、序列等)周围添加额外“虚拟值”的技术,主要用于控制卷积操作后输出数据的空间尺寸,并减少信息丢失。以下是详细解释:


1. 为什么需要填充?

  • 保持空间维度:卷积操作(如卷积神经网络中的卷积层)会缩小输入数据的尺寸。例如,输入图像尺寸为 (5 \times 5),使用 (3 \times 3) 的卷积核后,输出尺寸会变为 (3 \times 3)。填充可以通过在边缘添加额外像素,使输出尺寸与输入一致。
  • 保留边缘信息:不加填充时,图像边缘的像素在卷积中参与计算的次数较少,可能丢失重要特征。
  • 适应深层网络:在深层网络...

Read more

股票价格预测引擎-预测能力


股票价格预测引擎的预测能力在2025年通过多种技术创新得到了显著提升,结合机器学习、深度学习以及多模态数据分析,能够更精准地捕捉市场动态。以下是当前主流预测引擎的核心能力与技术进展:


一、技术方法与模型创新

  1. 深度学习模型
  2. LSTM与Transformer:长短期记忆网络(LSTM)因其在时间序列数据中的优异表现被广泛使用,例如某开源项目通过LSTM实现了R²分数0.91和RMSE 14.92的高精度预测。Transformer模型则通过并行处理能力优化了超长序列分析,提升了预测效率。
  3. 卷积神经网络(CNN):广发金工的研究将价量数据转化为图表,利用CNN识别价格形态(如K线图、M...

Read more

FinRL-关于金融强化学习的开源项目


这个仓库名为 FinRL,是一个关于金融强化学习的开源项目。以下是对该仓库的详细介绍:

1. 项目概述

FinRL 是第一个面向金融强化学习的开源框架,并且已经发展成为一个生态系统。它主要有三个层次:市场环境、智能体和应用程序。在一个交易任务中,智能体与市场环境进行交互并做出一系列决策。

2. 开发路线图

Dev Roadmap Stage Users Project Description
0.0 (Preparation) entrance practitioners FinRL - Meta gym - style market environments
1.0 ...

Read more

FinRL-Trading-基于FinRL进行AI股票交易策略开发项目


该网页是关于基于FinRL进行AI股票交易策略开发项目的介绍,涵盖项目目的、开发阶段、文件夹与文件等关键信息,旨在利用监督学习和深度强化学习构建并部署股票交易策略。

  1. 项目概述:基于FinRL,运用监督学习(SL)和深度强化学习(DRL)开发AI股票选择和交易策略,并部署到在线交易平台。
  2. 开发阶段

    • 阶段一:金融数据处理和技术指标:下载道琼斯30种工业股票平均价格指数(Dow-30)、纳斯达克100指数(NASDAQ-100)或标准普尔500指数(S&P 500)数据,包含开盘价、最高价、最低价、收盘价和成交量(OHLCV)及基本面指标;获取技术指标(如MACD、RSI)和基本...

Read more

FinRL-Meta-用于数据驱动的金融强化学习的市场环境和基准平台


FinRL-Meta是一个用于数据驱动的金融强化学习的市场环境和基准平台,旨在为研究人员和量化从业者提供便利。 1. 目标

- **提供基准和促进公平比较**:便于研究人员在相同数据集上评估不同策略,帮助理解深度强化学习(DRL)算法的“黑箱”特性。
- **缩小模拟与现实差距**:解决现有研究中回测与实际表现差异大的问题。
- **减轻数据预处理负担**:让量化从业者专注于策略开发和优化。
  1. 设计原则

    • 即插即用(PnP):具备模块化特点,可处理不同市场类型。
    • 完整性和通用性:涵盖多个市场、多种数据源,提供用户友好变量。
    • 分层结构和可扩展性:包含数据层、环境层和代理层,各层通过端...

Read more

FinGPT_Forecaster-基于人工智能的股票预测工具


FinGPT_Forecaster 是一个基于人工智能的股票预测工具,由 AI4Finance-Foundation 开发,旨在通过分析市场新闻和公司基本面信息,预测股票价格的短期走势。以下是关于 FinGPT_Forecaster 的详细介绍:


1. 项目概述

FinGPT_Forecaster 是 FinGPT 项目中的一个重要模块,专注于股票市场的短期预测。它通过整合过去几周的市场新闻和公司基本面信息,生成对目标公司未来一周股价走势的预测,并提供详细的分析报告。该工具基于 Llama-2-7b-chat-hf 模型,使用 LoRA(低秩适应)技术进行微调,训练数据涵盖 2022 ...

Read more

Teaching-开源STEAM平台-在线教育


该网页是开源STEAM平台的官网,由上海鸽蛋网络科技有限公司打造,旨在为机构、学校和教育从业者提供STEAM在线教育解决方案,推动教育发展。 1. 平台功能与特点 - 功能集成丰富:整合编程工具、作业系统、题库考试系统、赛事系统、编程社区,还封装AI、微信生态对接等常用工具。 - 权限管理精细:可区分多校区,精确控制角色和用户权限,实现个性化数据和界面展示。 - 多端适配便捷:兼容主流浏览器,适配PC、平板、手机,方便随时随地使用。 - 架构灵活安全:采用PaaS/SaaS架构,支持定制开发,数据独立部署存储保障安全。 - 教学工具多样:默认集成S...

Read more

解锁LangGraph:大模型时代的智能应用新框架


一、从困惑到好奇:LangGraph 初印象

在当今这个被大模型技术深度渗透的时代,我们在享受其带来的诸多便利时,也不得不面对一系列棘手的问题。就拿我日常工作中使用大模型来说,处理简单任务时,它确实表现出色,像快速生成文案、总结文档要点这类基础操作,往往能又快又好地完成。但一旦涉及到复杂流程,大模型就有些力不从心了。

比如说,之前我负责一个市场调研分析项目,需要从海量的行业报告、用户反馈数据以及市场动态资讯中,梳理出竞争对手的优劣势、市场份额变化趋势,还要预测未来市场走向并给出针对性的策略建议。这可不是一个简单的线性任务,它需要多轮的数据筛选、分析、交叉验证,以及根据不同阶段的结果进行...

Read more

LangGraph 架构-1


LangGraph 架构详解

LangGraph 是一个基于图的编程框架,专为构建多智能体应用和复杂工作流设计。它结合了 LangChain 的核心功能,并引入了图计算模型,支持循环、分支等复杂控制流。以下是 LangGraph 架构的详细解析:

1. 核心概念

  • 节点(Node):节点是图的基本单元,代表一个计算步骤或任务。节点可以是函数、模型调用或其他操作。
  • 边(Edge):边连接节点,定义数据流和控制流。边可以是有条件的,根据某些条件决定是否执行。
  • 图(Graph):图由节点和边组成,表示整个工作流或应用逻辑。

2. 主要组件

  • State:状态是图中传递的数据结构,通常是一个字...

Read more