皮皮网

1.文华财经T8更新版量化交易策略模型源码
2.利用TPU-MLIR实现LLM INT8量化部署
3.文华财经软件指标公式赢顺云指标公式启航DK捕猎者智能量化系统指标源码
4.论文源码实战轻量化MobileSAM，量化量化分割一切大模型出现，源码源码模型缩小60倍，实例实例速度提高40倍
5.通达信量化擒龙先手！分析主附图/选股指标源码分享
6.手把手教你搭建自己的量化量化量化分析数据库

文华财经T8更新版量化交易策略模型源码

       文华财经T8更新版量化交易策略模型源码：

       此量化交易策略模型源码采用了一系列技术指标和条件，旨在通过自动化方式提升交易决策的源码源码deflate源码百度云效率和准确性。代码中定义了关键变量以支持多头和空头策略的实例实例实施。

       在多头策略方面，分析代码通过设置多个条件来识别买入时机。量化量化若“SKLOW”超过“S”（一个计算得到的源码源码价格阈值）且“SKVOL”（成交量）大于零，且当前收盘价高于“REF(H+1*MINPRICE,实例实例BARSSK)”（过去某时段最高价），则发出买入指令（BP）。分析

       同样地，量化量化空头策略也设置了相应的源码源码买入条件。当“BKHIGH”（一个计算得到的实例实例高点）超过“B”（基础价格）且“BKVOL”（成交量）大于零，同时满足一定条件，代码会触发卖出指令（SP）。

       此外，源码中还包含了自动过滤规则（AUTOFILTER），以及设置特定价格类型（SETSIGPRICETYPE）和价格取值规则（SETOTHERPRICE），以进一步优化交易决策流程。

利用TPU-MLIR实现LLM INT8量化部署

       在年7月，我们已成功将静态设计应用于ChatGLM2-6B在BMX单芯片部署，采用F量化模式，模型大小为GB，平均速度为3 token/s。为提升效率与降低存储需求，我们进一步对模型执行了INT8量化部署。

       传统TPU-MLIR的INT8量化方案并不适合LLM。这主要是由于LLM中PTQ校准或QAT训练成本过高，一轮校准可能需1-2天，且量化误差导致模型精度大量损失。基于此，我们沿用了ChatGLM2的W8A策略，对GLMBlock中Linear Layer权重进行per-channel INT8量化存储，运算时反量化至F，以确保精度损失几乎为零。

       在编译器的薄荷 源码Top至Tpu层lowering阶段，TPU-MLIR自动替换MatMul算子，将权重矩阵切分为W8AMatMul，以区分具有不同矩阵输入的算子。以ChatGLM2中某个MatMul算子为例，量化后权重从MB减至MB，额外的Scale使用了0.MB存储，实现近一半的存储空间节省。相关源码可在TPU-MLIR仓库查询。

       性能提升主要源于W8AMatMul后端算子优化。TPU架构下，W8A的计算过程分为5步，通过GDMA与BDC指令并行执行数据搬运与运算，将Local Memory分为两部分，确保效率。当左矩阵数据量较小时，性能瓶颈在于右矩阵数据加载，W8A量化减少数据搬运总量，额外运算时间被覆盖，性能影响可忽略。

       从LLM角度看，推理流程包括prefill与decode。prefill阶段输入词向量补位至最大文本长度，decode阶段固定取前一轮生成的token作为输入。因此，prefill阶段GLMBlock接收数据量大时，W8A性能提升有限，而decode阶段$L_{ row}$恒为1，能实现显著性能提升。

       应用W8A量化后，ChatGLM2-6B整体性能得到优化。具体结果展示如下：

文华财经软件指标公式赢顺云指标公式启航DK捕猎者智能量化系统指标源码

       在技术分析领域，文华财经软件中的指标公式提供了多种量化分析工具，帮助投资者在交易决策中获取优势。以下是一个具体示例，展示了如何构建一个智能量化系统指标源码，以实现自动化交易策略。

       这个指标源码首先通过MA（移动平均）函数计算不同周期的sourceforge源码移动平均线，包括日、日、日、日和日的移动平均线。这些平均线被视为价格趋势的重要指示器，帮助交易者识别市场方向。MA5、MA、MA、MA、MA和MA分别代表了5日、日、日、日、日和日的简单移动平均线。

       接着，通过RSV（相对强弱指数）计算公式，评估价格变动的相对强弱。RSV=(C-LLV(L,9))/(HHV(H,9)-LLV(L,9))*，其中C代表收盘价，L代表最低价，H代表最高价。RSV值的计算帮助交易者识别市场的超买或超卖状态。

       进一步，通过SMA（简单移动平均）计算K、D和J值，形成KDJ指标，K=3*SMA(RSV,3,1)；D=SMA(K,3,1)；J=3*K-2*D。KDJ指标被广泛应用于判断市场趋势和拐点，为交易者提供买入或卖出信号。

       最后，通过逻辑判断和条件计算，系统能够自动识别特定的交易信号。例如，当J值穿越一个预先设定的临界值（例如J<），同时满足X和Y的条件时（X=LLV(J,2)=LLV(J,8)且Y=IF(CROSS(J,REF(J+0.,1)) AND X AND J<,,0)），系统可能会触发一个买入或卖出信号，adminQp源码以指示交易者采取相应的行动。

       通过这样的智能量化系统指标源码，文华财经软件能够为投资者提供高效、自动化的交易策略，帮助其在市场中获取竞争优势。这种自动化的交易策略不仅节省了人力成本，还能够减少主观判断的偏差，提高交易决策的准确性。

论文源码实战轻量化MobileSAM，分割一切大模型出现，模型缩小倍，速度提高倍

       MobileSAM是年发布的一款轻量化分割模型，对前代SAM模型进行了优化，模型体积减小倍，运行速度提升倍，同时保持了良好的分割性能。MobileSAM的使用方式与SAM兼容，几乎无缝对接，唯一的调整是在模型加载时需稍作修改。

       在环境配置方面，创建专属环境并激活，安装Pytorch，实现代码测试。

       网页版使用中，直接在网页界面进行分割操作，展示了一些分割效果。

       提供了Predictor方法示例，包括点模式、单点与多点分割，以及前景和背景通过方框得到掩码的实现。此外，SamAutomaticMaskGenerator方法用于一键全景分割。

       关于模型转换和推理，讲解了将SAM模型转换为ONNX格式，包括量化ONNX模型的使用方法。在ONNX推理中，输入签名与SamPredictor.predict不同，ggelua源码需要特别注意输入格式。

       总结部分指出，MobileSAM在体积与速度上的显著提升，以及与SAM相当的分割效果，对于视觉大模型在移动端的应用具有重要价值。

       附赠MobileSAM相关资源，包括代码、论文、预训练模型及使用示例，供需要的开发者交流研究。

       欢迎关注公众号@AI算法与电子竞赛，获取资源。

       无限可能，少年们，加油！

通达信量化擒龙先手！主附图/选股指标源码分享

       通达信量化擒龙先手！主附图/选股指标源码分享

       一. 指标简介：

       二. 主图指标源码

       MA5:MA(C,5);

       MA:MA(C,);

       MA:MA(C,);

       MA:MA(C,);

       DIF1:=EMA(CLOSE,)-EMA(CLOSE,);

       DEA1:=EMA(DIF1,9);

       AAA1:=(DIF1-DEA1)*2*;

       AAA上:=IF(AAA1>REF(AAA1,1),AAA1,DRAWNULL);

       AAA下:=IF(AAA1

       买:=;

       入:=AAA1-REF(AAA1,1);

       正大:=CROSS(入,买);

       DIF:=EMA(CLOSE,)-EMA(CLOSE,);

       DEA:=EMA(DIF,);

       AAA:=(DIF-DEA)*2*;

       牛股:=CROSS(AAA-REF(AAA,1),);

       正大牛股:=正大 AND 牛股;

       HSL:=V/CAPITAL*>5;

       S1:=IF(NAMELIKE('S'),0,1);

       S2:=IF(NAMELIKE('*'),0,1);

       Z3:=NOT(INBLOCK('近期解禁'));

       Z4:=NOT(INBLOCK('拟减持'));

       Z5:=NOT(INBLOCK('股东减持'));

       Z6:=NOT(INBLOCK('基金减持'));

       Z7:=NOT(INBLOCK('即将解禁'));

       Z8:=IF(CODELIKE(''),0,1);

       Z9:=IF(CODELIKE('8'),0,1);

       去掉:=S1 AND S2 AND Z3 AND Z4 AND Z5 AND Z6 AND Z7 AND Z8 AND Z9;

       AA:=MA(CLOSE,8);

       BB:=((ATAN((AA - REF(AA,1))) * 3.) * );

       均线:=MA(CLOSE,);

       均线:=MA(CLOSE,);

       均线:=MA(CLOSE,);

       天马:=((((((OPEN <= 均线) AND ((均线 - REF(均线,1)) > 0))

       AND (CLOSE > 均线)) AND (BB > 1)) AND ((CLOSE / OPEN) > 1.)));

       { 股价必涨}

       AA:=IF(CLOSE/REF(CLOSE,1)>1. AND HIGH/CLOSE<1. AND IF(CLOSE>REF(CLOSE,1),,0)>0, , 0);

       SS:=MA((LOW+HIGH+CLOSE)/3,5)>REF(MA((LOW+HIGH+CLOSE)/3,5),1) AND REF(MA((LOW+HIGH+CLOSE)/3,5),1)

       SC:=LHHV(MA((LOW+HIGH+CLOSE)/3,5),) AND C>REF(C,1) AND C>O;

       MR:=SC AND COUNT(SS,2);

       BB:=MR AND NOT(REF(MR,1));

       股价必涨:=AA OR BB OR 天马;

       { 抄底}

       二十日换手率:=BETWEEN(SUM(HSCOL,),,);{ 意思是 日换手率介于---之间}

       DFO:=(C-REF(C,1))/REF(C,1)*<-5;

       AAO:=BARSLAST(DFO);

       突破:=CROSS(C,REF(O,AAO));

       抄底:=二十日换手率 AND 突破;

       三.副图指标源码：

       DIF1:=EMA(CLOSE,)-EMA(CLOSE,);

       DEA1:=EMA(DIF1,9);

       AAA1:=(DIF1-DEA1)*2*;

       AAA上:=IF(AAA1>REF(AAA1,1),AAA1,DRAWNULL);

       AAA下:=IF(AAA1

       买:=;

       入:=AAA1-REF(AAA1,1);

       正大:=CROSS(入,买);

       DIF:=EMA(CLOSE,)-EMA(CLOSE,);

       DEA:=EMA(DIF,);

       AAA:=(DIF-DEA)*2*;

       牛股:=CROSS(AAA-REF(AAA,1),);

       正大牛股:=正大 AND 牛股;

       HSL:=V/CAPITAL*>5;

       S1:=IF(NAMELIKE('S'),0,1);

       S2:=IF(NAMELIKE('*'),0,1);

       Z3:=NOT(INBLOCK('近期解禁'));

       Z4:=NOT(INBLOCK('拟减持'));

       Z5:=NOT(INBLOCK('股东减持'));

       Z6:=NOT(INBLOCK('基金减持'));

       Z7:=NOT(INBLOCK('即将解禁'));

       Z8:=IF(CODELIKE(''),0,1);

       Z9:=IF(CODELIKE('8'),0,1);

       去掉:=S1 AND S2 AND Z3 AND Z4 AND Z5 AND Z6 AND Z7 AND Z8 AND Z9;

       AA:=MA(CLOSE,8);

       BB:=((ATAN((AA - REF(AA,1))) * 3.) * );

       均线:=MA(CLOSE,);

       均线:=MA(CLOSE,);

       均线:=MA(CLOSE,);

       天马:=((((((OPEN <= 均线) AND ((均线 - REF(均线,1)) > 0))

       AND (CLOSE > 均线)) AND (BB > 1)) AND ((CLOSE / OPEN) > 1.)));

       { 股价必涨}

       AA:=IF(CLOSE/REF(CLOSE,1)>1. AND HIGH/CLOSE<1. AND IF(CLOSE>REF(CLOSE,1),,0)>0, , 0);

       SS:=MA((LOW+HIGH+CLOSE)/3,5)>REF(MA((LOW+HIGH+CLOSE)/3,5),1) AND REF(MA((LOW+HIGH+CLOSE)/3,5),1)

       SC:=LHHV(MA((LOW+HIGH+CLOSE)/3,5),) AND C>REF(C,1) AND C>O;

       MR:=SC AND COUNT(SS,2);

       BB:=MR AND NOT(REF(MR,1));

       股价必涨:=AA OR BB OR 天马;

       { 抄底}

       二十日换手率:=BETWEEN(SUM(HSCOL,),,);{ 意思是 日换手率介于---之间}

       DFO:=(C-REF(C,1))/REF(C,1)*<-5;

       AAO:=BARSLAST(DFO);

       突破:=CROSS(C,REF(O,AAO));

       抄底:=二十日换手率 AND 突破;

       四. 选股指标源码

       指标源码内容与前文一致，仅包含主图和副图指标源码，用于量化分析股票。指标包括移动平均线、MACD、股价波动判断、换手率分析等，通过设置条件筛选出具有投资潜力的股票。使用时根据具体市场情况和策略进行调整。注意：指标的有效性需结合市场情况综合判断，不应单一依赖。

手把手教你搭建自己的量化分析数据库

       量化交易的分析根基在于数据，包括股票历史交易数据、上市公司基本面数据、宏观和行业数据等。面对信息流量的持续增长，掌握如何获取、查询和处理数据信息变得不可或缺。对于涉足量化交易的个体而言，对数据库操作的掌握更是基本技能。目前，MySQL、Postgresql、Mongodb、SQLite等开源数据库因其高使用量和受欢迎程度，位列-年DB-Engines排行榜前十。这几个数据库各有特点和适用场景。本文以Python操作Postgresql数据库为例，借助psycopg2和sqlalchemy实现与pandas dataframe的交互，一步步构建个人量化分析数据库。

       首先，安装PostgreSQL。通过其官网下载适合操作系统的版本，按照默认设置完成安装。安装完成后，可以在安装目录中找到pgAdmin4，这是一个图形化工具，用于查看和管理PostgreSQL数据库，其最新版为Web应用程序。

       接着，利用Python安装psycopg2和sqlalchemy库。psycopg2是连接PostgreSQL数据库的接口，sqlalchemy则适用于多种数据库，特别是与pandas dataframe的交互更为便捷。通过pip安装这两个库即可。

       实践操作中，使用tushare获取股票行情数据并保存至本地PostgreSQL数据库。通过psycopg2和sqlalchemy接口，实现数据的存储和管理。由于数据量庞大，通常分阶段下载，比如先下载特定时间段的数据，后续不断更新。

       构建数据查询和可视化函数，用于分析和展示股价变化。比如查询股价日涨幅超过9.5%或跌幅超过-9.5%的个股数据分布，结合选股策略进行数据查询和提取。此外，使用日均线策略，开发数据查询和可视化函数，对选出的股票进行日K线、日均线、成交量、买入和卖出信号的可视化分析。

       数据库操作涉及众多内容，本文着重介绍使用Python与PostgreSQL数据库的交互方式，逐步搭建个人量化分析数据库。虽然文中使用的数据量仅为百万条左右，使用Excel的csv文件读写速度较快且直观，但随着数据量的增长，建立完善的量化分析系统时，数据库学习变得尤为重要。重要的是，文中所展示的选股方式和股票代码仅作为示例应用，不构成任何投资建议。

       对于Python金融量化感兴趣的读者，可以关注Python金融量化领域，通过知识星球获取更多资源，包括量化投资视频资料、公众号文章源码、量化投资分析框架，与博主直接交流，结识圈内朋友。

tushare/米筐/akshare 以pandas为工具的金融量化分析入门级教程（附python源码）

       安装平台是一个相对简单的过程，因为tushare、米筐和akshare这些平台不需要使用pip install来安装（米筐除外，但不是必需操作）。首先，需要注册账户，尤其是对于学生群体，按照流程申请免费试用资格和一定积分。然后，打开编译器，比如使用anaconda的jupyter。

       基本操作中，导入tushare和米筐时，通常使用ts和rq作为别名，这会影响到之后代码的缩写。例如，使用tushare获取数据的方法可以是这样的：

       df = pro.monthly(ts_code='.SZ', start_date='', end_date='', fields='ts_code,trade_date,open,high,low,close,vol,amount')

       这里，ts_code是要分析的股票代码，start_date和end_date是查询的开始和结束日期，fields参数指定需要获取的数据。tushare和米筐对数据查询有详细的说明和解释。

       数据处理是初学者需要重点关注的部分。使用pandas进行数据的保存和处理，是这篇文章的主要内容。推荐查找pandas的详细教程，可以参考官方英文教程或中文翻译版教程，这些教程提供了丰富的学习资源。

       在处理数据时，可以使用pandas进行各种操作，如数据存储、读取、筛选、排序和数据合并。例如，存储数据到csv文件的代码为：

       df.to_csv("名字.csv",encoding='utf_8_sig')

       从csv文件读取数据的代码为：

       pd.read_csv("名字.csv")

       在数据处理中，可以筛选特定条件下的数据，如选择大于岁的人的代码为：

       above_ = df[df["Age"] > ]

       同时，可以对数据进行排序、筛选、重命名、删除列或创建新列等操作。合并数据时，可以使用`pd.concat`或`pd.merge`函数，根据数据的结构和需要合并的特定标识符来实现。

       这篇文章的目的是通过提供pandas数据处理的典型案例，帮助读者更好地理解和使用tushare平台。对于在校学生来说，tushare提供的免费试用和积分系统是宝贵的资源。在使用过程中遇到问题，可以在评论区留言或分享项目难题，以便进一步讨论和提供解决方案。

       再次感谢tushare对大学生的支持和提供的资源。如果觉得文章内容对您有帮助，欢迎点赞以示支持。让我们在金融量化分析的道路上共同成长。

开源大模型GGUF量化(llama.cpp)与本地部署运行(ollama)教程

       llama.cpp与ollama是开源项目，旨在解决大型模型在本地部署时遇到的问题。通过llama.cpp，用户可以对模型进行量化，以解决模型在特定电脑配置下无法运行的问题。同时，ollama则提供了一个简单的方法，让量化后的模型在本地更方便地运行。

       对于许多用户来说，下载开源大模型后，往往面临不会运行或硬件配置不足无法运行的困扰。本文通过介绍llama.cpp和ollama的使用，提供了一个从量化到本地运行的解决方案。

       下面，我们以Llama2开源大模型为例，详细说明如何在本地使用llama.cpp进行量化GGUF模型，并通过ollama进行运行。

       在开始前，如果对量化和GGUF等专业术语感到困惑，建议使用文心一言或chatGPT等AI工具进行查询以获取更多信息。

       使用ollama进行运行非常简单，只需访问其官网下载安装应用即可。支持众多大模型，操作指令直接使用`ollama run`即可自动下载和运行大模型。

       运行指令示例：对于llama2大模型，原本.5G的7b模型在ollama中压缩至3.8G，量化等级为Q4_0。若需导入并运行已量化的GGUF模型，只需创建一个文件并添加FROM指令，指定模型本地文件路径。

       在使用ollama进行模型操作时，需注意创建模型、运行模型等步骤。若有疑问，可留言交流。

       对于自行下载的模型，要实现量化成GGUF格式，就需要借助于llama.cpp项目。该项目旨在实现LLM推理，支持多种量化级别，如1.5位、2位、3位、4位、5位、6位和8位整数量化，以提高推理速度并减少内存使用。

       要使用llama.cpp，首先需克隆源码并创建build目录，然后通过Cmake进行编译。推荐使用Visual Studio 进行编译。编译成功后，可在bin/release目录找到编译好的程序。

       接下来，通过llama.cpp项目中的convert.py脚本将模型转换为GGUF格式。对于llama2-b模型，转换后的模型大小从.2G缩减至6.G。

       量化模型后，运行时使用llama.cpp编译的main.exe或直接使用ollama进行操作。通过创建文本文件并指定模型，使用ollama run指令即可轻松运行量化后的模型。

       本文通过详细示例展示了如何利用llama.cpp和ollama对大模型进行量化并实现本地运行。若需进一步了解或在操作中遇到问题，欢迎在留言区进行交流。