与「量化」相关的搜索结果

好家伙！TradingView 的 Lightweight Charts 终于有人把技术指标库补齐了！ 70 多种技术指标、77 种 K 线形态，连实时计算、自动绘图和副图管理都搞定了！ tulip-rs-lwc，一套基于 Rust + WebAssembly 的 Lightweight Charts v5 技术分析插件。 以前用 Lightweight Charts 开发交易终端，K 线图虽然漂亮，但 MACD、RSI、布林带这些指标都得自己计算和绘制。 现在这套插件直接把计算和绘图封装好了，调用 API 就能使用。 核心能力： 1️⃣ 70+ 技术指标：MACD、RSI、EMA、布林带、ATR、ADX 等常用指标。 2️⃣ 77+ K 线形态：自动识别锤子线、十字星等形态，并标记在 K 线上。 3️⃣ 实时增量计算：新 K 线进来只计算新增数据，不用重复处理历史行情。 4️⃣ 自动图表布局：均线叠加主图，MACD、RSI 自动显示在独立副图。 5️⃣ Rust + WASM：通过 WebAssembly 执行指标计算，方便集成到交易终端。 6️⃣ 专业绘图：支持布林带填充、PSAR 趋势圆点和 Pivot Points 支撑压力线。 我比较喜欢它的自动布局功能，不用自己处理主图、副图和指标绘制，直接调用接口就能组合多个指标。 做 TradingView 图表开发、量化可视化或者想搭建专业 K 线交易终端的，这套源码值得收藏！ GitHub：

MiniMax 开源的生图模型 MiniMax-H3-Image，原版 68.65GB。几天里社区做出 27 个量化版，Q4 是 10.78G，最小的 Q2_K 压到 6.4G，原生就能出 4096×4096 的图。 你的显卡几个 G，够跑哪一版？

这个 Grok Bot 跑出来的收益，确实有点夸张 我让 Grok Bot 的全自动交易终端运行了一整晚，期间持续自主执行交易。初始本金只有 69.67 美元，睡醒后账户余额已经达到 13,370 美元 整个过程我没有手动干预过任何一笔订单 只需要充值、启动自动交易，后续的机会筛选、进场时机、仓位管理，以及按照预设风控执行止盈止损，都交给机器人完成 我把这套 AI 自动交易系统涉及的 GitHub 开源工具整理成了下面这份清单： 1. Cryptofeed 实时获取各大交易所的成交、价格和盘口数据，为策略扫描提供行情输入 2. CCXT 统一交易所 API 接口，一套代码即可连接多个平台，完成行情查询、资产读取和订单执行 3. Freqtrade 量化交易的核心框架，支持策略回测、模拟交易、仓位监控，并提供可视化管理后台 4. VectorBT 利用历史行情测试不同的开仓和平仓策略，评估收益表现与最大回撤 5. TA-Lib Python 计算常见技术指标，从行情中提取 RSI、MACD、移动平均线等交易信号 6. skfolio 优化投资组合，根据资产权重、换手率和交易成本，辅助制定仓位配置 7. QuantStats 自动分析交易绩效，生成报告，直观呈现胜率、回撤和波动率等指标 8. DuckDB 轻量级数据库，用于保存盘口快照、订单和交易记录，方便后续分析与复盘 9. APScheduler 定时任务调度工具，可自动更新行情、检查账户状态，并按计划生成每日交易报告 10. Lightweight Charts 提供终端 K 线可视化，实时展示行情走势和策略执行的交易标记 这些组件可以通过脚本、API 和 MCP 协议连接起来，组成一套协同工作的自动化交易系统 不过，真正准备接入实盘时，有几条规则不能忽略： 独立管理下单权限，严格限制最大持仓和单日亏损 遇到状态不明确的订单，先核实执行结果，再决定是否重试 策略上线前，先在模拟盘完整运行一个周期 每日复盘必须区分已实现盈利、未平仓头寸、手续费、失败订单和账户资金变化，确保每笔资金流向都有记录 AI 自动交易的价值，不只是让机器人替你下单，而是把行情扫描、策略判断、风险控制和交易复盘串成一套自动化流程

Anthropic 首席执行官 Dario Amodei 刚刚解释了整个 AI 行业面临的最大问题之一。 根据 Dario 的说法，计算资源是 Anthropic 目前面临的最大商业困境，而这归结为一个简单的问题：当你几乎完全不知道公司两年后将产生多少收入时，你如何规划数十亿美元的基础设施支出？Anthropic 的收入在 2024 年增长了大约 10 倍，在 2025 年又增长了 10 倍。这是惊人的增长，但即使是 Dario 也承认，他们对下一年会是什么样子几乎没有可见度。 与此同时，公司必须在实际需要它们的一到两年之前就锁定 GPU、数据中心容量、电力和网络基础设施。而且这些并不是小承诺。我们谈论的是可能高达数百亿美元的支出，这些支出必须基于需求预测来承诺，而这些预测可能完全错误。这就是事情变得有趣的地方。如果 Anthropic 购买了太多计算资源，而收入没有如预期增长，公司就会面临财务过度扩张的风险。但如果购买得太少，后果可能更糟。 它不仅会难以服务现有客户，还可能在开发下一代 AI 模型方面落后。而这可以说是一个更大的风险，因为今天正在训练的模型将决定公司未来六到十二个月的竞争地位和收入潜力。换句话说，Anthropic 不能简单地等到需求显现后再投资基础设施。到需求变得明显时，可能已经太晚，无法获得竞争所需的计算资源。这就是 AI 基础设施建设与其他大多数传统行业如此不同的原因。公司们被迫在今天做出巨大的资本配置决策，这些决策基于技术进步和未来收入，而这些都极难预测。 @龙虾量化

我去！有人把私募量化研究员的整套技术体系，整理成了一份免费的中文实战手册！ 从因子挖掘、机器学习选股，到 Barra 风险模型、组合优化和 A 股真实交易规则，连 Python 源码都准备好了！ 这个开源项目就是 quant-handbook。 涵盖 8 大模块、31 讲课程和 31 份 Python 实战示例，从因子挖掘、机器学习选股到组合优化、策略回测都有！ 核心亮点： 1️⃣ 数据工程：使用 Polars、DuckDB 处理行情数据，解决复权、财报对齐和未来数据泄漏。 2️⃣ 因子研究：覆盖量价、基本面、订单流因子，以及 IC/IR、分层回测和因子正交化。 3️⃣ AI 量化选股：结合 LightGBM、CatBoost、SHAP，构建机器学习选股流程。 4️⃣ 组合优化：实现 Barra 风险模型、风险平价、行业中性和换手率约束。 5️⃣ 真实交易回测：模拟 A 股 T+1、涨跌停、停牌、手续费、印花税和市场冲击成本。 6️⃣ 绩效归因：分析 Alpha、Beta 收益来源，监控特征漂移和组合风险。 以前学量化，因子会算、模型会训练，但真正做回测时，未来函数、交易成本和风控问题经常被忽略。 这套手册把完整的量化研究流程都串起来了。 我比较喜欢它对回测真实性的处理，不只是计算收益曲线，还把无法成交、交易成本和未来数据泄漏这些问题考虑进去了。 31 讲都有对应的 Python 示例，适合从零学习，也能作为量化策略开发的参考。 做 A 股量化、机器学习选股，或者想系统学习量化研究的，这份手册值得收藏！

大家都知道LLM，那SLM呢？ 小语言模型的三种主流构建方法 1. 知识蒸馏（Knowledge Distillation） 基于“教师-学生”框架迁移大模型能力， 代表模型有 DistilGPT、TinyLLaMA。 2. 从头轻量化训练（Training from Scratch） 设计轻量架构并在中等规模语料上独立训练， 代表模型有 MiniBERT、ALBERT. 3. 模型压缩技术（Model Compression） 在现有架构上通过剪枝、量化 或低秩分解缩减体积并保留性能

老铁，别再掏大几千块去买交易软件和行情终端了！ 这一周 GitHub 上「金融 + AI」涨星最快的 10 个开源项目，我已经替你梳理完毕，全部免费！ 💡 预测与研判 · Kronos（+2653★）：专注 K 线分析的开源模型，以 45+ 交易所的数据训练而成，输入历史价格便能预测后续几根 K 线 · daily_stock_analysis（+487★）：由大模型每日分析美股、A 股、港股，决策看板推送到 Telegram / Discord / 邮箱 🤖 交易 Agent · TradingAgents（+1944★）：多 Agent 交易框架，分析师、研究员、交易员、风控团队先吵上一架再下单，总星数 11.3 万 · Vibe-Trading（+821★）：港大 HKUDS 出品，用大白话描述思路，就能起草策略、跑回测，支持 MCP · day-trader-skill（+972★）：11 个 Claude 技能，覆盖扫盘、新闻、进场和止损，还能把一个交易时段重放 1 万次，默认模拟盘 🪙 币圈重点 · freqtrade（+360★）：老牌开源加密交易机器人，自带 FreqAI 机器学习、回测和 Telegram 控制，已支持 Hyperliquid 🔍 投研工具 · last30days-skill（+730★）：跨 Reddit、X、YouTube、HN、Polymarket 做调研，按点赞和真金白银的下注热度排序 · OpenBB（+294★）：给分析师和 AI Agent 用的开放数据平台，股票、期权、加密、宏观都有，带 MCP · FinceptTerminal（+412★）：开源版「彭博终端」，行情、研究、AI Agent 集成在一个桌面端 · tick-stock-panel（+346★）：A 股自托管量化工作台，用大模型写策略、回测、盯盘，65 个接口加 MCP AI 正把机构级投研工具一路拉到散户的桌面上。工具在走向平权，但真正拉开差距的，依旧是你的判断和风控。 建议先收藏，下次做研究直接拿出来用。

# 模型缩小四倍还不翻车？不是压得够狠，是量得够准 先说结论：大多数人以为量化是把模型压小一点、省一点显存，压得越狠、省得越多，这个想法只对了一半。量化真正值钱的地方不是省显存，是省钱加变快，模型缩小两到四倍之后，小批次推理常常反而更快，因为瓶颈不在算力，在记忆体频宽，搬的位元组少了，每秒吐出的字元单位就多了。作者第一次把大模型推到真实使用者面前，七 B 模型用十六位元载入，光权重就吃掉十四 GB 左右的显存，帐单难看得很，有人随口问一句要不要试试量化，她当晚掉进一堆缩写的兔子洞，才整理出这篇指南。 先说清楚底线：十六位元每权重两位元组，七 B 模型约十四 GB、十三 B 模型约二十六 GB。压到八位元，七 B 模型约七 GB、十三 B 模型约十三 GB。压到四位元，七 B 模型约四 GB、十三 B 模型约七 GB，模型缩小两到四倍。作者打了一个很准的比方，量化就像把照片从巨大原始档压成调校过的压缩图，手机上看起来几乎一模一样，体积却只剩一小部分。权重就是模型的照片，十六位元是原始档，四位元是压缩图，压得好，大多数人看不出差别，压得不好，细节先糊掉。关键在压得好不好，不在压得多不多。 怎么做？顺序只有一个，先用五分钟实验确认方向，再挑上线或随处跑的格式，最后拿自己的提示词量过再灰度发布。五分钟实验用四位元载入工具快速试，零校准资料、零转换步骤，一个下午就能知道显存占用下降约七成、模型还能不能讲话。显卡上线用服务引擎带量化参数直接起一个相容接口，热门模型在模型仓库里已经有现成的四位元检查点，不用自己压，没有就用压缩工具自己做一个。随处可跑的路是转成通用格式再量化，中央处理器、笔电和苹果晶片都能跑，四位元中档是尺寸与品质的甜蜜点，更保险就往上走五位元或六位元。 小心三件事。第一，压完只跑几个提示词就上线一定翻车，作者就是这样翻车的，结构化资料输出偶尔格式损坏，两天后才被使用者抓到，通用评测完全没抓到。第二，只看困惑度就放行不够，困惑度看起来没问题，任务品质可能已经悄悄下滑，它只能当参考，不能当唯一的验收标准。第三，别以为压完就一定变快，一种格式只有在服务引擎有对应的最佳化核心时才会真的变快，没在你自己的机器上实测过，纸上变快不算数。还要记住，键值快取不随权重量化缩小，长上下文服务照样可能爆记忆体，瓶颈在这里要另外看。 再往上加东西也有顺序：先写五十到一百条真实提示词，对照十六位元基线一条一条比，刻意去测最先崩的几类任务，长上下文、结构化 结构化资料 与函式呼叫、数学、程式码、非英文。验收不是打分数，是找变差的任务集中在哪里，集中在 结构化资料格式就升那类任务的位元，散在各处就整体升一档。真实负载下测延迟与吞吐量，不是空闲显卡上跑一条请求。最后先切一小部分流量灰度发布，没问题再全量，出问题立刻切回十六位元版，不要等到全部使用者都中奖才动手。 一句话：量化不是免费压缩，是一场交易，你只有量得够准，才有资格拿这场交易去换更小的帐单。今晚就能做的事：挑一个你正在跑的模型，用四位元载入工具跑一次五分钟实验，看看显存占用下降约七成之后，它回的第一句话还像不像它自己。 S1哥观点：别再问量化是不是把模型压坏的便宜行事，压坏模型的从来不是量化本身，是你压完只跑几个提示词、看一眼困惑度就敢上线。作者的教训就摆在那里，结构化资料输出偶尔格式损坏，通用评测完全没抓到，两天后使用者才回报。量化真正值钱的地方也不在省显存那一行，是小批次推理反而可能更快，因为瓶颈在记忆体频宽，搬的位元组少了，每秒吐出的字元单位就多了。更值得问的是，你现在跑的那个模型，是卡在帐单、卡在显卡太小，还是卡在速度？那个卡点，决定了你该挑哪种格式、压到几位元。你第一个想压小上线的模型是哪一个？评论区说说。 收藏用清单（照着做）： 1. 先算帐再动手，七 B 模型约十四 GB，压到四位元约四 GB，模型缩小两到四倍，再留键值快取和执行开销的位置。 2. 挑对格式再压，快速实验用四位元载入工具，显卡上线用四位元的两种主流方法，笔电用通用格式，新款卡用八位元浮点。 3. 跑五分钟实验，确认显存占用下降约七成、模型回复正常，再写五十到一百条真实提示词对照十六位元基线逐条比。 4. 刻意测最先崩的五类任务，真实负载下测速度，先切小流量灰度发布，没问题再全量。 转给还在为模型帐单头痛的朋友，压小两到四倍再上线，量得准才不会翻车，他今晚就能先跑五分钟实验。

兄弟们，又一套顶级 AI 量化打法出来了。 有人拿 Claude Fable 5.1 搭了套 Quant Spline Balance，专门扫 Polymarket 上的加密涨跌盘。日均能稳稳吃 1667 美元左右。 实盘数字挺夸张的。跑了 201 天，总利润 335210。平均每笔大概 60 块。忙的时候每小时能自动成交 70 多笔。BTC、ETH、SOL 的短时涨跌全覆盖。 说白了，不是在赌方向。是靠两个 AI 一块干活，一个负责定价，一个负责对冲，吃的是市场自己搞出来的价差。 定价那边用的是 GAM 非线性模型。它实时抓 BTC 行情，把偏离度、波动率、还剩多少时间、订单流偏了没，这几样丢进公式，算出涨跌该是多少概率。 公式长这样： z = β₀ + s₁(d) + s₂(v) + s₃(τ) + s₄(OFI) 然后转成价格： p_Up = 1 / (1 + e^(−z)) F_Up = 1 × p_Up F_Down = 1 − F_Up 同一波 BTC 波动，时间剩得多少、波动大不大，模型给出的估值就不一样。只要它算出来的公允价比当前买价高，系统就自动进。 另一边是均值方差风控。专门管仓位，别让一边敞口太大。手里有多单的时候，它会盯着空单成本，算一个最合适的残差区间： R* = min(Rmax, max(0, [p_Up − (1 − c_Down)] / [γ × p_Up × (1 − p_Up)])) 一旦一边偏了，马上补反向单，把风险压下来。 核心就一句话。多单成本加空单成本要是低于 1 美元，中间就有差价可以吃。机器人就反复干这件事。 账号实盘： 几笔比较猛的。535 变 2860，净赚 2325。632 变 2896，净赚 2263。685 变 2601，净赚 1916。 简单说，GAM 负责算该值多少钱，均值方差负责别让仓位失控。