搜索[向量化]结果-低调大师优秀个人博客

精选列表

搜索[向量化]，共10000篇文章

GEO自动化监测与度量系统：用代码量化品牌的“AI可见性得分”

在GEO（生成式引擎优化）的实践中，最大的痛点往往不是“不知道怎么做”，而是 “不知道做得怎么样”。传统SEO有明确的排名（Position 1-10）和点击率（CTR），而AI生成内容没有“排名”——你的品牌要么被AI提及/推荐，要么被彻底无视。如果每次评估效果都要靠人工去各个AI对话框里手动提问，不仅效率极低，且样本量太小毫无统计学意义。本文将彻底解决GEO的“度量黑盒”，提供一套从指标定义到自动化监测代码的完整方案，帮你构建品牌的“AI可见性仪表盘”。

2026-10-01

用WorkBuddy调MCP做量化，数据、回测一句话跑通

我们利用ai工具做量化策略研究分析，单纯的有skill是不够的，skill只是相当于一个使用的指南，使用的教程参考模板，mcp相当于执行工具，可以执行代码，调用数据做分析，skill是指南，mcp是执行

2026-09-29

AI同时调用多个量化Skill，动量策略一句话跑通

今天我们调用多个模块实现，一个全球大类的的动量轮动策略，当然也有回测的我无业版本比较方便

2026-09-29

QMT量化FAQ第2期：从策略运行到实盘的高频问题全解析

今天继续按更新计划更新教程内容，今天更新qmt常见的问题解答2，以前更新过1的内容量化教程--qmt量化常见问题解答1

2026-09-28

量化教程 | QMT入门全攻略：从安装到实盘一次讲透

今天我们介绍一下QMT入门教程，很多人接触量化软件不知道怎么样使用，今天我给一个详细的教程，从开通，安装，到环境的配置的一个全流程

2026-09-28

Python 如何获取股票 1 分钟 K 线：从单只股票到多标的量化数据管道

我曾经以为 Python 获取一只股票的 1 分钟 K 线已经是量化数据工程的全部问题，后来真正做多标的策略时才发现，单只股票能跑通和整个数据管道稳定运行完全是两回事。

2026-09-23

我用 WorkBuddy 从零搭了一套楼盘量化评分专家，你也可以照抄

我想要一个永远站买方立场、拿官方数据说话、能把楼盘拆开量化的 AI 助手。

2026-09-23

噪声信号先过一道筛：Jev 帮量化把算力留给可信信号

量化链路里，策略输出的候选信号往往鱼龙混杂，其中不少是异常噪声。过去我不加区分地把它们全量送进后续复盘，噪声占用了大量计算。这一周我在复盘前加了一道 Jev 过滤，把明显无效的信号先筛掉，后续链路轻了

2026-09-23

用云服务器搭建一套完整个人量化交易系统

用云服务器搭建一套完整的个人量化交易系统，是把前面讲过的各个环节整合成一个有机整体。一套完整的系统包括：数据采集（抓取+清洗）、数据存储（云数据库）、策略引擎（计算信号）、回测研究（验证策略）、风控模

2026-09-21

Anthropic 提出三个度量指标，想量化“AI 发展到底有多快”

"我们芯片多、我们跑得快"——这种话听多了就容易变成营销。Anthropic 这次换了个思路：与其互相吹，不如直接把自家实验室的内部数据拿出来，给"AI 发展速度"这件事定一套可以测量的指标。它发了三份方法论性质的度量。第一份叫"AI 主导研发（AI-led R&D）"，借用 Epoch AI 的自动化分级（AL0 到 AL5，AL3 是 AI 协作、AL4 是 AI 主导）来统计 Claude 在自己公司内部研发里到底扮演什么角色。结论很克制：截至 2026 年 8 月，Claude 在任何抽样任务子集上都还没有做到完全自主，但已经主导了约 26% 的 AI 研发工作，处于"AI 协作"及以上水平的工作占比超过 90%。这组数字直接连着"递归自我改进"（RSI）这个悬案。Anthropic 想表达的是：AI 还没到完全自己改自己的程度，但"AI 参与研发"已经不是概念，是正在发生的日常。第二份量的是"对 AI 智能体的监督"。它说自己最常用的内部平台上，任意时刻都有约 3 万个智能体在做研究和工程。监督分两层——在线监视器实时看、覆盖率 100%，离线监视器事后翻。每周约 10 万份转录被审查，其中约 50 份升到人工处理。在超过 10 亿个决策里，只有 0.002%（约 1/47000）被拦截，监视器每千个会标记 1 到 2 个。第三份最有意思，量的是"算力分配"。Anthropic 抽查了 7 月 13 到 20 号那一周的全部算力，把工作负载分门别类，看有多少算力给了安全研究。结果：投入 AI 研发的算力里约 6% 给了安全方向，而 AI 主导研发的算力里约 12% 给了安全。它自己强调这些是"刻意保守"的估计——既推进能力又推进安全的任务不计入，模型安全分类器的算力也不算在内。深意在于：算力是 AI 研发流程里"最可验证的输入"，真要搞 AI 发展的调控（pacing），算力分配是最容易盯住的杠杆。配这几段数据的还有一个政策动作。Anthropic 明确提出要把独立的第三方评估者嵌入实验室、给予和内部团队对等的访问权限，也在推 AAIF 政策提案——Dario Amodei 之前公开呼吁过对整个行业的发展节奏做协调。 Anthropic 的立场很清楚：鼓励其他前沿实验室用同一套标准公布同样的数字。它承认安全研究与能力研究难以区分，开发者会有动力把界线画得对自己有利，所以举证责任该放在开发者身上，证明"这是安全相关工作"。这些数字绝对值未必多漂亮，价值在于给"怎么比较"定了一套统一标尺——这在"各家都在说自己最安全"的环境里，至少是个能对着谈的东西。来源：Measurements for understanding the pace of AI development inside frontier labs - Anthropic

2026-09-18

量化交易中五档行情和实时行情到底有什么区别？

我在做量化策略时，曾经把“实时行情”和“五档行情”当成了同一类数据，后来才发现它们解决的是完全不同的问题。

2026-09-15

量化策略临时选股时，我为什么坚持先确定股票池再请求行情

程序启动后，先获取市场行情，然后把所有股票放进 Pandas DataFrame，再根据成交量、价格、涨跌幅等字段进行过滤。

2026-09-15

一根缺失K线，为什么会让我的量化回测结果失真

我曾经维护过一套股票量化回测框架，当时策略本身非常简单：每天收盘后计算过去一段时间的收益率和均线，再决定第二天是否调仓。

2026-09-13

量化程序部署到云服务器后，安全组别直接放通全部端口

把量化程序搬到云服务器时，大家通常先算 CPU 和内存够不够，安全组反而容易被顺手带过。最常见的做法是为了省事先选“放通全部端口”，想着程序跑起来再改，结果忙完部署就把这件事忘了。

2026-09-10

量化研究中如何处理数据缺口：从发现缺失到自动补洞的完整实践

策略本身并不复杂：每天收盘后计算过去一段时间的收益率、波动率和成交量指标，然后筛选股票进入下一交易日的候选池。

2026-09-09

# LLM 量化到底省不省电？我造了一个实测专家替你算

做 LLM 推理部署的人都会默认一件事：模型量化 = 省显存 = 省电。

2026-09-08

我用这套方法定位量化策略到底慢在哪

最初股票池只有大约 100 只股票，每隔一个固定周期获取数据，然后计算几个短周期指标。最开始运行得非常顺，单轮计算基本感觉不到延迟。

2026-09-07

Python 量化数据 API 怎么选？我认为稳定性比功能数量重要得多

对我来说，它比较适合研究代码的一点，是 Python SDK 可以直接返回 Pandas DataFrame。

2026-09-01

为什么个人量化者总在做数据工程：我踩过的三个坑

我做量化以后最大的一个感受是：策略代码可能只有几百行，但真正让我花时间最多的，往往是数据清洗、接口维护、字段统一和异常排查。

2026-08-31

Python 量化入门：用 pandas 处理 A 股 K 线数据并计算技术指标

量化交易听起来很高大上，但本质就是用代码处理数据、发现规律。这篇文章从最基础的 K 线数据开始，教你用 pandas 完成数据获取、清洗、技术指标计算的全流程。

2026-08-25

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。

精选列表

GEO自动化监测与度量系统：用代码量化品牌的“AI可见性得分”

用WorkBuddy调MCP做量化，数据、回测一句话跑通

AI同时调用多个量化Skill，动量策略一句话跑通

QMT量化FAQ第2期：从策略运行到实盘的高频问题全解析

量化教程 | QMT入门全攻略：从安装到实盘一次讲透

Python 如何获取股票 1 分钟 K 线：从单只股票到多标的量化数据管道

我用 WorkBuddy 从零搭了一套楼盘量化评分专家，你也可以照抄

噪声信号先过一道筛：Jev 帮量化把算力留给可信信号

用云服务器搭建一套完整个人量化交易系统

Anthropic 提出三个度量指标，想量化“AI 发展到底有多快”

量化交易中五档行情和实时行情到底有什么区别？

量化策略临时选股时，我为什么坚持先确定股票池再请求行情

一根缺失K线，为什么会让我的量化回测结果失真

量化程序部署到云服务器后，安全组别直接放通全部端口

量化研究中如何处理数据缺口：从发现缺失到自动补洞的完整实践

# LLM 量化到底省不省电？我造了一个实测专家替你算

我用这套方法定位量化策略到底慢在哪

Python 量化数据 API 怎么选？我认为稳定性比功能数量重要得多

为什么个人量化者总在做数据工程：我踩过的三个坑

Python 量化入门：用 pandas 处理 A 股 K 线数据并计算技术指标

资源下载

Mario

Spring

Sublime Text

WebStorm

欢迎您来访！