<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0"><channel><title><![CDATA[AI研究]]></title><description><![CDATA[量化与AI]]></description><link>https://forum.klang.org.cn/category/5</link><generator>RSS for Node</generator><lastBuildDate>Sat, 21 Nov 2026 19:45:29 GMT</lastBuildDate><atom:link href="https://forum.klang.org.cn/category/5.rss" rel="self" type="application/rss+xml"/><pubDate>Fri, 20 Nov 2026 00:59:53 GMT</pubDate><ttl>60</ttl><item><title><![CDATA[我想问问 寒武纪最近可以买吗？]]></title><description><![CDATA[换手 1.61%、跌 1.5%，主力还流出 2.13 亿——是大单在撤。
卡它的是交付不是需求，代工那头产能排不上队，收入就得往后挪。
你空仓等，还是有仓位在扛？
]]></description><link>https://forum.klang.org.cn/topic/275/我想问问-寒武纪最近可以买吗</link><guid isPermaLink="true">https://forum.klang.org.cn/topic/275/我想问问-寒武纪最近可以买吗</guid><dc:creator><![CDATA[沈知微]]></dc:creator><pubDate>Fri, 20 Nov 2026 00:59:53 GMT</pubDate></item><item><title><![CDATA[日韩的芯片股大涨]]></title><description><![CDATA[早上十一点那会儿看着是结束了，收盘科创50 反而 +2.19%，创业板 +0.85%。
我早先也拿上午的跌幅当信号，回测出来跟抛硬币差不多，改到第六版才肯加一根收盘确认。
这种日子我都等收盘那根线，盘中不动。
]]></description><link>https://forum.klang.org.cn/topic/268/日韩的芯片股大涨</link><guid isPermaLink="true">https://forum.klang.org.cn/topic/268/日韩的芯片股大涨</guid><dc:creator><![CDATA[devAlpha26]]></dc:creator><pubDate>Wed, 18 Nov 2026 01:37:10 GMT</pubDate></item><item><title><![CDATA[AI 写策略三个月，我踩了三个坑（第三个最要命）]]></title><description><![CDATA[三个都用过：Workbuddy、ChatGPT、Claude，写代码这件事上差别不大，关键在你给不给约束。
工具不是门槛，门槛是先把一个最简单的双均线在 QMT 里跑通，弄清楚一份回测到底要哪些字段——股票池、复权方式、手续费、成交时点。这四样心里有数，AI 才帮得上；没有的话它写出来的东西你没法验，只能看曲线好不好看。
站里量化工具版块刚有人整理了一份 xtquantai 的介绍，里面那个「先填策略规格表再生成代码」的做法，我觉得比看教程更适合入门，先照着填一遍。
另外 QMT 只能跑 Windows，回测和实盘一个环境，别在别的系统上折腾。
]]></description><link>https://forum.klang.org.cn/topic/260/ai-写策略三个月-我踩了三个坑-第三个最要命</link><guid isPermaLink="true">https://forum.klang.org.cn/topic/260/ai-写策略三个月-我踩了三个坑-第三个最要命</guid><dc:creator><![CDATA[NielsBohr]]></dc:creator><pubDate>Tue, 17 Nov 2026 01:33:11 GMT</pubDate></item><item><title><![CDATA[Workbuddy 写出来的曲线，我没敢信]]></title><description><![CDATA[周晚宁，分开说。
好用的是起稿，不是一句话丢进去就完。我得先写死：股票池、周频、周五收盘出信号、下周一开盘才成交、手续费万一。它按这些写代码。上次曲线好看，是周五的信号当天就成交了，用上了还没发生的价格。
能不能赚钱：现在不能。日期错的回测不算数。
没有截图。成交日对齐的思路是：
weekly = close.resample("W-FRI").last()
signal = weekly &gt; weekly.rolling(20).mean()
# 周五才知道的信号，下一根K线才允许成交
orders = signal.reindex(close.index).ffill().shift(1)
fill = open_

换仓日改完我再贴净值。
]]></description><link>https://forum.klang.org.cn/topic/259/workbuddy-写出来的曲线-我没敢信</link><guid isPermaLink="true">https://forum.klang.org.cn/topic/259/workbuddy-写出来的曲线-我没敢信</guid><dc:creator><![CDATA[devAlpha26]]></dc:creator><pubDate>Tue, 17 Nov 2026 00:58:53 GMT</pubDate></item><item><title><![CDATA[这几天 借助 AI 写了一本量化入门的书。]]></title><description><![CDATA[https://klang.org.cn/ds/  基于截面的动量能动 写的2个参考方案。数据还在实时的跑，效果看着不错， 年化也很客观。
一切都是 研究学习，请勿当做投资参考。
]]></description><link>https://forum.klang.org.cn/topic/250/这几天-借助-ai-写了一本量化入门的书</link><guid isPermaLink="true">https://forum.klang.org.cn/topic/250/这几天-借助-ai-写了一本量化入门的书</guid><dc:creator><![CDATA[asmcos]]></dc:creator><pubDate>Tue, 04 Aug 2026 06:50:55 GMT</pubDate></item><item><title><![CDATA[大模型的参数175B是如何算出来的？]]></title><description><![CDATA[chatglm-6B:
其次，ChatGLM-6B 的模型架构如下：
解码器层数：48
隐藏层大小：6144
注意力头数：48
注意力头维度：128
嵌入维度：6144
输出维度：50257（词汇表大小）
Dropout 比例：0.1
然后，根据这些信息，我们可以计算出 ChatGLM-6B 的各个部分的参数量如下：
解码器自注意力层参数量：(6144∗128+128)∗48∗48=2,260,172,800
解码器前馈网络层参数量：(6144∗6144+6144)∗2∗48=2,865,274,880
解码器总参数量：2,260,172,800+2,865,274,880=5,125,447,680
嵌入层参数量：50257∗6144=308,719,616
输出层参数量：50257∗6144=308,719,616
模型总参数量：5,125,447,680+308,719,616+308,719,616=5,742,886,912
这个结果和 ChatGLM-6B 的论文中给出的结果相符合1。因此，我们可以得出结论，ChatGLM-6B 的参数 6B 是由模型的所有参数的数量得到的。
]]></description><link>https://forum.klang.org.cn/topic/185/大模型的参数175b是如何算出来的</link><guid isPermaLink="true">https://forum.klang.org.cn/topic/185/大模型的参数175b是如何算出来的</guid><dc:creator><![CDATA[asmcos]]></dc:creator><pubDate>Thu, 17 Aug 2023 06:51:45 GMT</pubDate></item><item><title><![CDATA[大模型 tuning的几种方法]]></title><link>https://forum.klang.org.cn/topic/184/大模型-tuning的几种方法</link><guid isPermaLink="true">https://forum.klang.org.cn/topic/184/大模型-tuning的几种方法</guid><pubDate>Thu, 10 Aug 2023 08:17:05 GMT</pubDate></item><item><title><![CDATA[FinGPTv3.1]]></title><link>https://forum.klang.org.cn/topic/183/fingptv3-1</link><guid isPermaLink="true">https://forum.klang.org.cn/topic/183/fingptv3-1</guid><pubDate>Tue, 08 Aug 2023 07:48:27 GMT</pubDate></item><item><title><![CDATA[一步一步做微调 Finetune]]></title><link>https://forum.klang.org.cn/topic/179/一步一步做微调-finetune</link><guid isPermaLink="true">https://forum.klang.org.cn/topic/179/一步一步做微调-finetune</guid><pubDate>Sat, 08 Jul 2023 01:38:54 GMT</pubDate></item><item><title><![CDATA[使用 chatGLM 官方示例做微调]]></title><link>https://forum.klang.org.cn/topic/178/使用-chatglm-官方示例做微调</link><guid isPermaLink="true">https://forum.klang.org.cn/topic/178/使用-chatglm-官方示例做微调</guid><pubDate>Sat, 01 Jul 2023 05:37:38 GMT</pubDate></item><item><title><![CDATA[修复 FinGPT content 爬虫脚本]]></title><description><![CDATA[FinGPT-v1/data_preparations$ vim download_contents.py
]]></description><link>https://forum.klang.org.cn/topic/177/修复-fingpt-content-爬虫脚本</link><guid isPermaLink="true">https://forum.klang.org.cn/topic/177/修复-fingpt-content-爬虫脚本</guid><dc:creator><![CDATA[asmcos]]></dc:creator><pubDate>Sun, 18 Jun 2023 07:02:39 GMT</pubDate></item><item><title><![CDATA[修复 FinNLP 爬虫bug]]></title><link>https://forum.klang.org.cn/topic/176/修复-finnlp-爬虫bug</link><guid isPermaLink="true">https://forum.klang.org.cn/topic/176/修复-finnlp-爬虫bug</guid><pubDate>Sun, 18 Jun 2023 02:27:12 GMT</pubDate></item><item><title><![CDATA[如何使用 FinNLP  为 FinGPT准备数据]]></title><link>https://forum.klang.org.cn/topic/175/如何使用-finnlp-为-fingpt准备数据</link><guid isPermaLink="true">https://forum.klang.org.cn/topic/175/如何使用-finnlp-为-fingpt准备数据</guid><pubDate>Sat, 17 Jun 2023 09:51:21 GMT</pubDate></item><item><title><![CDATA[fingpt 源代码]]></title><description><![CDATA[https://ai4finance-foundation.github.io/FinNLP/zh/index_zh/
中文资料
互联网金融数据
演示内容请参见FinGPT
免责声明：我们根据MIT教育许可证的规定共享代码以供学术研究之用。此处不构成任何金融建议，亦非交易真实资金的推荐。在交易或投资之前请使用常识并首先咨询专业人士。
Ⅰ. 架构
image-20230505200244043
整个项目由4个部分组成：
第一部分是数据源，在这里，我们从互联网上收集历史和流媒体数据。
接下来，我们将数据推送到数据工程部分，在这里我们会对数据进行清洗，标记化处理和提示工程。
然后，数据被推送到大语言模型（LLMs）。在这里，我们可以以不同的方式使用LLMs。我们不仅可以使用收集到的数据来训练我们自己的轻量级微调模型，还可以使用这些数据和训练好的模型或LLM API来支持我们的应用程序。
最后一部分将是应用程序部分，我们可以使用数据和LLMs来制作许多有趣的应用程序。
Ⅱ. 数据源
image-20230505200446477
由于空间限制，我们只展示了其中一部分。

新闻
平台	数据类型	相关市场	指定公司	时间范围	数据源类型	限制条件	文档数量(万)	支持情况
雅虎	金融新闻	美国股票	√	时间范围	官方	N/A	1,500+	√
路透社	金融新闻	美国股票	×	时间范围	官方	N/A	1,500+	√
新浪	金融新闻	中国股票	×	时间范围	官方	N/A	2,000+	√
东方财富	金融新闻	中国股票	√	时间范围	官方	N/A	1,000+	√
第一财经	金融新闻	中国股票	√	时间范围	官方	N/A	500+	即将
央视	政府新闻	中国股票	×	时间范围	第三方	N/A	4	√
美国主流媒体	金融新闻	美国股票	√	时间范围	第三方	账户 (免费)	3,200+	√
中国主流媒体	金融新闻	中国股票	×	时间范围	第三方	￥500/年	3000+	√
FinGPT可能比Bloomberg的文档数目更少，但我们在同一个数量级上。
社交媒体
平台	数据类型	相关市场	指定公司	范围类型	来源类型	限制	文档 (1e4)	支持
Twitter	推文	美国股票	√	时间范围	官方	N/A	18,000+	√
StockTwits	推文	美国股票	√	最新	官方	N/A	160,000+	√
Reddit (wallstreetbets)	帖子	美国股票	×	最新	官方	N/A	9+	√
微博	推文	中国股票	√	时间范围	官方	Cookies	1,400,000+	√
微博	推文	中国股票	√	最新	官方	N/A	1,400,000+	√
在 BloomberGPT 中，他们不收集社交媒体数据，但我们认为公众舆论是干扰股票市场的最重要因素之一。
公司公告
平台	数据类型	相关市场	指定公司	范围类型	数据来源	限制	文档数 (1e4)	支持情况
巨潮网 (官方)	文本	中国股票	√	时间范围	官方	N/A	2,790+	√
美国证监会 (官方)	文本	美国股票	√	时间范围	官方	N/A	1,440+	√
由于我们从不同的股票市场收集数据，因此我们比Bloomberg GPT有更多的申报文档。
趋势
平台	数据类型	相关市场	数据源	指定公司	范围类型	源类型	限制
谷歌趋势	指数	美国股票	Google Trends	√	日期范围	官方	N/A
百度指数	指数	中国股票	即将推出	-	-	-	-
数据集
数据源	类型	股票	日期	可用性
AShare	新闻	3680	2018-07-01 到 2021-11-30	√
stocknet-dataset	推文	87	2014-01-02 到 2015-12-30	√
CHRNN	推文	38	2017-01-03 到 2017-12-28	√
Ⅲ. 模型
image-20230505200618504

在数据中心的自然语言处理领域，我们不需要从头开始训练模型。我们只需要调用API和进行轻量级的微调。
左边是一些可能会用到的LLM APIs，中间是我们可能用来进行微调的模型，右边是一些微调方法。

微调：Tensor Layers (LoRA)
image-20230505200944411

在FinGPT中，我们使用新的金融数据集对预训练的LLM进行微调。高质量的标记数据是许多成功的LLM（包括ChatGPT）的最重要的关键之一。
然而，这些高质量的标记数据通常非常昂贵和耗时，并且我们可能需要金融专家的帮助。
如果我们的目标是使用LLM分析与金融相关的文本数据并帮助量化交易，为什么不让市场为我们做标记呢？
因此，在这里，我们使用每个新闻相关的股票价格变化百分比作为输出标签，我们使用阈值将标签分成三组（积极的，消极的和中立的），并使用它们和新闻情感的标签。
相应地，在提示工程师部分，我们还要求模型选择其中一个正面的，负面的和中性的作为输出，以便我们充分利用预训练信息。
通过使用LoRA，我们可以将可训练参数减少从6.17B到3.67M。
如表格所示，与chatGLM相比，FinGPT可以在多个指标上实现大幅改善。然而，直接将我们的模型用于量化交易可能是不合适的。由于大多数新闻标题都是中性的，LLMs的大多数原始输出都是中性的，因此LLMs在积极和消极的标签上表现不佳，而这些标签可能对于量化交易是有用的。
然而，在微调之后，我们已经见证了在预测积极和消极标签方面的巨大改进。
这也是为什么该模型可以实现积极的交易结果的原因。
2. 微调：强化学习在股价上的应用 (RLSP)
image-20230505201209946
同样地，我们可以使用股价上的强化学习（RLSP）来替换ChatGPT中使用的人类反馈上的强化学习。
Ⅳ. 应用

智能投顾
image-20230505201913233

ChatGPT可以像专业人士一样进行投资建议。
在这个例子中，苹果的股价上涨与ChatGPT分析新闻的预测相符。
2. 量化交易
image-20230505201841001
我们还可以使用新闻、社交媒体推文或者公司公告来构建情感因子，右侧的部分是由Twitter推文和ChatGPT信号产生的交易结果，数据来自于一个称为stocknet-dataset的数据集。
正如您从图片中所看到的，由ChatGPT生成的交易信号非常出色，我们甚至可以仅通过根据Twitter情感因子交易而获得良好的结果。
因此，我们可以通过结合价格因素来获得更好的结果。
3. 低代码开发
image-20230505202028292
我们可以使用LLMs的帮助来编写代码。
右侧显示了我们如何快速高效地开发我们的因子和其他代码。
Made with Material for MkDocs
]]></description><link>https://forum.klang.org.cn/topic/174/fingpt-源代码</link><guid isPermaLink="true">https://forum.klang.org.cn/topic/174/fingpt-源代码</guid><dc:creator><![CDATA[asmcos]]></dc:creator><pubDate>Sat, 17 Jun 2023 07:27:08 GMT</pubDate></item><item><title><![CDATA[pytorch 特征图绘制 gradcam]]></title><link>https://forum.klang.org.cn/topic/20/pytorch-特征图绘制-gradcam</link><guid isPermaLink="true">https://forum.klang.org.cn/topic/20/pytorch-特征图绘制-gradcam</guid><pubDate>Mon, 25 Apr 2022 04:29:12 GMT</pubDate></item><item><title><![CDATA[如何用 Python 和 BERT 做中文文本二元分类？]]></title><link>https://forum.klang.org.cn/topic/4/如何用-python-和-bert-做中文文本二元分类</link><guid isPermaLink="true">https://forum.klang.org.cn/topic/4/如何用-python-和-bert-做中文文本二元分类</guid><pubDate>Tue, 05 Apr 2022 08:45:25 GMT</pubDate></item><item><title><![CDATA[舆情 分析工具bert]]></title><link>https://forum.klang.org.cn/topic/3/舆情-分析工具bert</link><guid isPermaLink="true">https://forum.klang.org.cn/topic/3/舆情-分析工具bert</guid><pubDate>Tue, 05 Apr 2022 08:33:20 GMT</pubDate></item></channel></rss>