Video wird geladen...

Video konnte nicht geladen werden

Beim Laden dieses Videos ist ein Problem aufgetreten. Dies könnte an einem vorübergehenden Netzwerkproblem liegen oder das Video ist möglicherweise nicht verfügbar.

兄弟们！摩根大通内部 Python 量化培训资料，开源了！ jpmorganchase 开源的 python-training，是摩根大通内部给业务分析师和交易员用的 Python 培训内容，目前有 13.7K Star。虽然定位是数值计算和数据可视化入门，但内容我看了明显偏向金融和量化场景，主要包括： 1️⃣ 基础 Python 与数值计算 2️⃣ 期权相关案例（比如 Straddle） 3️⃣ 金融数据获取与处理 4️⃣ Altman Z-Score 等信用风险指标计算 5️⃣ 数据可视化与进阶绘图 6️⃣ 网页数据和 API 调用实操整体就是给交易员和分析师准备的实用型量化入门课，重点不是教完整编程，而是让人快速用 Python 处理金融数据和做简单分析。对想了解金融机构内部如何培训量化相关技能、或者需要偏实战金融案例的人来说，这份材料有参考价值。

爱吃折耳根的Ace

2,971 subscribers

12,824 Aufrufe • vor 6 Tagen •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 Kommentare

Keine Kommentare verfügbar

Kommentare vom Original-Post werden hier angezeigt

Ähnliche Videos

🚨兄弟们！28K Star 的量化金融资源大全，基本把能用到的工具都收全了 awesome-quant 是一个长期维护的 Awesome List，专门收集量化金融相关的优质资源。仓库里按类别整理了大量书籍、论文、工具库、数据源、课程和社区链接，覆盖了从入门到进阶的各个方向，核心亮点： > 覆盖量化全链路：数值计算、金融定价、技术指标、回测框架、组合优化、风险管理、因子研究等 > 多语言支持：Python、R、Julia、Java、JavaScript 等主流量化语言工具一应俱全 > 经典与现代并存：包含 QuantLib、Zipline、Backtrader 等老牌工具，也收录大量机器学习与另类数据项目 > 实用资源丰富：市场数据源、时间序列分析、情绪分析、预测市场等分类清晰 > 同时整理了大量书籍、论文复现和商业工具，适合不同阶段的学习和实践 > 社区活跃，持续更新，是目前开源里最全面的量化资源合集之一对想系统学习量化交易、构建交易系统，或者做量化研究的开发者、研究员和学生来说，这份列表目前是最好的起点资源库。

🚨兄弟们！28K Star 的量化金融资源大全，基本把能用到的工具都收全了 awesome-quant 是一个长期维护的 Awesome List，专门收集量化金融相关的优质资源。仓库里按类别整理了大量书籍、论文、工具库、数据源、课程和社区链接，覆盖了从入门到进阶的各个方向，核心亮点： > 覆盖量化全链路：数值计算、金融定价、技术指标、回测框架、组合优化、风险管理、因子研究等 > 多语言支持：Python、R、Julia、Java、JavaScript 等主流量化语言工具一应俱全 > 经典与现代并存：包含 QuantLib、Zipline、Backtrader 等老牌工具，也收录大量机器学习与另类数据项目 > 实用资源丰富：市场数据源、时间序列分析、情绪分析、预测市场等分类清晰 > 同时整理了大量书籍、论文复现和商业工具，适合不同阶段的学习和实践 > 社区活跃，持续更新，是目前开源里最全面的量化资源合集之一对想系统学习量化交易、构建交易系统，或者做量化研究的开发者、研究员和学生来说，这份列表目前是最好的起点资源库。

爱吃折耳根的Ace

17,664 Aufrufe • vor 19 Tagen

🚨卧槽！量化技能全景导航库来了 quantskills 组织开源的 quantskills 仓库，是一个专门为量化交易和金融 AI Agent 打造的全景导航地图，把大量可复用、可被 Agent 调用的量化技能进行了系统化整理。核心亮点： > 覆盖 9 大核心类目：数据接口、因子研究、策略回测、风险监控、市场分析、AI Agent 等 > 收录 500+ 个经过验证的因子技能，涵盖量价、风险、方向性和统计类 > 强调技能的标准化设计，便于 AI Agent 直接调用和组合 > 包含大量实用工具链：因子 IC 分析、事件风险预警、新闻情绪分析、组合优化等 > 提供技能与 Agent 的开发模板和治理机制，方便社区共建 > 同时整理了大量未分类的高价值研究工具和复现项目对做量化因子开发、策略研究，或者想构建能自主使用量化工具的金融 AI Agent 的开发者来说，这是一个目前开源里整理得最系统、最具导航价值的资源库之一。

🚨卧槽！量化技能全景导航库来了 quantskills 组织开源的 quantskills 仓库，是一个专门为量化交易和金融 AI Agent 打造的全景导航地图，把大量可复用、可被 Agent 调用的量化技能进行了系统化整理。核心亮点： > 覆盖 9 大核心类目：数据接口、因子研究、策略回测、风险监控、市场分析、AI Agent 等 > 收录 500+ 个经过验证的因子技能，涵盖量价、风险、方向性和统计类 > 强调技能的标准化设计，便于 AI Agent 直接调用和组合 > 包含大量实用工具链：因子 IC 分析、事件风险预警、新闻情绪分析、组合优化等 > 提供技能与 Agent 的开发模板和治理机制，方便社区共建 > 同时整理了大量未分类的高价值研究工具和复现项目对做量化因子开发、策略研究，或者想构建能自主使用量化工具的金融 AI Agent 的开发者来说，这是一个目前开源里整理得最系统、最具导航价值的资源库之一。

爱吃折耳根的Ace

23,044 Aufrufe • vor 20 Tagen

全球最贵的金融团队都在 GitHub 上开源了什么？普通人怎么了解量化？直接上手是最快的 Jane Street、Goldman Sachs、J.P. Morgan 等顶级量化与高频交易机构，都放出了代表性的金融/工程工具，帮助普通量化爱好者免费学到机构级的定价模型、实时数据可视化和高精度性能调试能力👇 1. Jane Street magic-trace（5.4k stars）基于 Intel Processor Trace 的高精度进程追踪工具。普通 profiler 看不清调用栈的时候，它能以纳秒级分辨率记录 CPU 每一条指令的完整执行过程。想深入调试性能、搞清楚程序到底卡在哪里的同学，强烈推荐试试 2. Goldman Sachs gs-quant（10.2k stars）高盛交易员日常使用的衍生品定价和风险管理 Python 工具包。包含期权、掉期等常见衍生品的完整定价模型和风险计算模块。直接 pip 安装就能用，适合想系统学习机构级量化定价的同学，实用性很强 3. Perspective（原 J.P. Morgan 项目，10.5k stars） J.P. Morgan 开源的实时数据可视化利器，特别擅长处理海量流式行情数据。能快速搭建漂亮的交互式仪表盘和实时监控界面，支持 Jupyter，比很多付费终端还灵活。对做数据分析和行情可视化的朋友非常友好这三个开源项目，能让你直接用上机构级的定价模型、实时行情仪表盘和高精度性能调试工具，帮普通开发者提升量化分析、数据可视化和代码优化能力，完全免费

全球最贵的金融团队都在 GitHub 上开源了什么？普通人怎么了解量化？直接上手是最快的 Jane Street、Goldman Sachs、J.P. Morgan 等顶级量化与高频交易机构，都放出了代表性的金融/工程工具，帮助普通量化爱好者免费学到机构级的定价模型、实时数据可视化和高精度性能调试能力👇 1. Jane Street magic-trace（5.4k stars）基于 Intel Processor Trace 的高精度进程追踪工具。普通 profiler 看不清调用栈的时候，它能以纳秒级分辨率记录 CPU 每一条指令的完整执行过程。想深入调试性能、搞清楚程序到底卡在哪里的同学，强烈推荐试试 2. Goldman Sachs gs-quant（10.2k stars）高盛交易员日常使用的衍生品定价和风险管理 Python 工具包。包含期权、掉期等常见衍生品的完整定价模型和风险计算模块。直接 pip 安装就能用，适合想系统学习机构级量化定价的同学，实用性很强 3. Perspective（原 J.P. Morgan 项目，10.5k stars） J.P. Morgan 开源的实时数据可视化利器，特别擅长处理海量流式行情数据。能快速搭建漂亮的交互式仪表盘和实时监控界面，支持 Jupyter，比很多付费终端还灵活。对做数据分析和行情可视化的朋友非常友好这三个开源项目，能让你直接用上机构级的定价模型、实时行情仪表盘和高精度性能调试工具，帮普通开发者提升量化分析、数据可视化和代码优化能力，完全免费

梭哈.AI

97,274 Aufrufe • vor 2 Monaten

Fin-R1：基于Qwen2.5-7B 并通过强化学习训练金融推理模型在多项金融基准测试中SOTA 水平 Fin-R1（强化后），以仅 7B 参数，超越大多数同规模乃至数十倍规模模型，部分关键任务甚至拿下第一。在FinQA（金融表格推理）、ConvFinQA（对话式金融 QA）中取得最高分 Fin-R1 设计用于金融核心业务场景中的推理与分析任务，包括： ✅ 金融代码编写与生成（如定价模型、风险评估脚本） ✅ 金融计算与建模（量化分析、报表计算等） ✅ 英文金融建模与报告撰写 ✅ 金融安全合规分析 ✅ 智能风控（交易反欺诈、违约预测） ✅ ESG 可持续性分析（环境、社会、治理）

Fin-R1：基于Qwen2.5-7B 并通过强化学习训练金融推理模型在多项金融基准测试中SOTA 水平 Fin-R1（强化后），以仅 7B 参数，超越大多数同规模乃至数十倍规模模型，部分关键任务甚至拿下第一。在FinQA（金融表格推理）、ConvFinQA（对话式金融 QA）中取得最高分 Fin-R1 设计用于金融核心业务场景中的推理与分析任务，包括： ✅ 金融代码编写与生成（如定价模型、风险评估脚本） ✅ 金融计算与建模（量化分析、报表计算等） ✅ 英文金融建模与报告撰写 ✅ 金融安全合规分析 ✅ 智能风控（交易反欺诈、违约预测） ✅ ESG 可持续性分析（环境、社会、治理）

小互

40,141 Aufrufe • vor 1 Jahr

$🚨卧槽！这个基金账户管理工具把定投和网格玩明白了 refraction-ray 开源的 xalpha，是一个专门做基金投资管理的 Python 引擎，特别适合定投、网格交易和多基金组合管理。它最实用的地方在于能把个人基金账户完整还原出来： 1️⃣ 从 CSV 交易记录直接重建账户，精确计算成本和收益 2️⃣ 穿透基金底层持仓，看清真正买了哪些股票和行业集中度 3️⃣ 一键获取基金、股票、指数的历史和实时数据 4️⃣ 支持 QDII 基金 T-0 净值预测（用期货数据估算） 5️⃣ 历史估值工具 + 可转债分析 6️⃣ Jupyter 里直接出图表，回测和可视化都很方便 7️⃣ 还支持 AI Agent 调用，方便自动化对长期做定投、网格，或者想系统管理多只基金组合的人来说，这个工具把数据、持仓、估值和回测整合得比较干净。$

🚨卧槽！这个基金账户管理工具把定投和网格玩明白了 refraction-ray 开源的 xalpha，是一个专门做基金投资管理的 Python 引擎，特别适合定投、网格交易和多基金组合管理。它最实用的地方在于能把个人基金账户完整还原出来： 1️⃣ 从 CSV 交易记录直接重建账户，精确计算成本和收益 2️⃣ 穿透基金底层持仓，看清真正买了哪些股票和行业集中度 3️⃣ 一键获取基金、股票、指数的历史和实时数据 4️⃣ 支持 QDII 基金 T-0 净值预测（用期货数据估算） 5️⃣ 历史估值工具 + 可转债分析 6️⃣ Jupyter 里直接出图表，回测和可视化都很方便 7️⃣ 还支持 AI Agent 调用，方便自动化对长期做定投、网格，或者想系统管理多只基金组合的人来说，这个工具把数据、持仓、估值和回测整合得比较干净。

爱吃折耳根的Ace

23,339 Aufrufe • vor 16 Tagen

初学者学习 Python，经常被引用、可变性这些概念搞得头晕，调试复杂数据结构，更是分不清变量之间的关系，非常头疼。可以看一下，memory_graph 这个可视化开源工具，它能让我们一眼看清 Python 数据结构和引用关系。通过直观清晰的图形界面，展示变量间的引用关系、数据共享情况和完整的调用栈，还支持各种 Python 环境包括 Jupyter、VS Code 调试器等。 GitHub：主要功能： - 可视化任意 Python 数据结构，包括列表、字典、自定义类等； - 清楚显示变量间的引用和共享关系，避免意外的数据修改； - 完整的函数调用栈可视化，理解程序执行流程和作用域； - 支持递归函数、二叉树、链表等复杂数据结构的动态展示。支持 VS Code、Jupyter、PyCharm 等多种开发环境，同时提供 Web 版调试器，无需安装即可在线体验和学习。

初学者学习 Python，经常被引用、可变性这些概念搞得头晕，调试复杂数据结构，更是分不清变量之间的关系，非常头疼。可以看一下，memory_graph 这个可视化开源工具，它能让我们一眼看清 Python 数据结构和引用关系。通过直观清晰的图形界面，展示变量间的引用关系、数据共享情况和完整的调用栈，还支持各种 Python 环境包括 Jupyter、VS Code 调试器等。 GitHub：主要功能： - 可视化任意 Python 数据结构，包括列表、字典、自定义类等； - 清楚显示变量间的引用和共享关系，避免意外的数据修改； - 完整的函数调用栈可视化，理解程序执行流程和作用域； - 支持递归函数、二叉树、链表等复杂数据结构的动态展示。支持 VS Code、Jupyter、PyCharm 等多种开发环境，同时提供 Web 版调试器，无需安装即可在线体验和学习。

GitHubDaily

57,015 Aufrufe • vor 10 Monaten

🚨 终于有人把“金融数据 + AI Agent”这件事打通了 OpenBB 目前 GitHub 上已有近 7 万 star，是一个开源的金融数据与研究平台，被很多人称为「开源版 Bloomberg Terminal」以前做金融研究，最烦的不是不会分析，而是数据太散：一个终端看行情，一个表格存模型，一个网站翻 SEC 文件，一个工具跑图表，最后还要复制给 AI 总结。现在它把过去只有机构才能轻松获取的专业数据，整合成了人人可用的工具，核心亮点： > 覆盖股票、期权、加密货币、外汇、宏观经济、固定收益等多个市场 > 包含财务数据、高管信息、股东结构、地区分布等细粒度信息 > 支持 AI 集成，一条指令就能让 AI 调取数据并生成深度研报 > 数据可自部署，保护隐私和数据安全只输入一条指令，AI 就能调取数据、生成深度研报，全球金融数据接口真的被打通了做股票研究、量化分析、基金投研、AI 金融 Agent 的，强烈建议保存看看

🚨 终于有人把“金融数据 + AI Agent”这件事打通了 OpenBB 目前 GitHub 上已有近 7 万 star，是一个开源的金融数据与研究平台，被很多人称为「开源版 Bloomberg Terminal」以前做金融研究，最烦的不是不会分析，而是数据太散：一个终端看行情，一个表格存模型，一个网站翻 SEC 文件，一个工具跑图表，最后还要复制给 AI 总结。现在它把过去只有机构才能轻松获取的专业数据，整合成了人人可用的工具，核心亮点： > 覆盖股票、期权、加密货币、外汇、宏观经济、固定收益等多个市场 > 包含财务数据、高管信息、股东结构、地区分布等细粒度信息 > 支持 AI 集成，一条指令就能让 AI 调取数据并生成深度研报 > 数据可自部署，保护隐私和数据安全只输入一条指令，AI 就能调取数据、生成深度研报，全球金融数据接口真的被打通了做股票研究、量化分析、基金投研、AI 金融 Agent 的，强烈建议保存看看

爱吃折耳根的Ace

18,508 Aufrufe • vor 1 Monat

在日常工作中，需要调试网络问题或监控系统流量，工具要么界面复杂难用，要么功能单一无法满足，要么需要付费。无独有偶，在 GitHub 上发现了 Oryx 这个功能强大的开源工具，可在终端上直观的监控和分析网络。通过 eBPF 在内核层面捕获网络数据包，提供实时流量可视化、统计分析和防火墙功能。 GitHub：主要功能： - 实时网络流量检测和可视化展示 - 全面的流量统计和分析报告 - 内置防火墙功能，可直接管理网络规则 - 指标浏览器，深度分析网络性能数据 - 模糊搜索功能，快速定位特定数据包 - 支持数据导出，便于后续分析处理需要 Linux 6.10+ 内核版本，通过包管理器安装或从源码编译使用，适合运维人员和网络工程师。

在日常工作中，需要调试网络问题或监控系统流量，工具要么界面复杂难用，要么功能单一无法满足，要么需要付费。无独有偶，在 GitHub 上发现了 Oryx 这个功能强大的开源工具，可在终端上直观的监控和分析网络。通过 eBPF 在内核层面捕获网络数据包，提供实时流量可视化、统计分析和防火墙功能。 GitHub：主要功能： - 实时网络流量检测和可视化展示 - 全面的流量统计和分析报告 - 内置防火墙功能，可直接管理网络规则 - 指标浏览器，深度分析网络性能数据 - 模糊搜索功能，快速定位特定数据包 - 支持数据导出，便于后续分析处理需要 Linux 6.10+ 内核版本，通过包管理器安装或从源码编译使用，适合运维人员和网络工程师。

GitHubDaily

15,348 Aufrufe • vor 11 Monaten

Python量化交易：教你从数据到买卖信号的完整实操遇到一位用 Python 把经典量化交易策略讲得非常清晰的老师。我就直接去问他，有没有从数据加载到信号生成、可视化再到策略评估的完整实操？他直接向我展示了一个非常经典的 Dual Moving Average Crossover（双均线交叉）框架：用 Python 在 Google Colab 上，以苹果股票（AAPL）为例，计算短期（SMA 30）与长期（SMA 100）简单移动平均线，生成买卖信号，并完整可视化策略表现。你在网上很难找到比这更适合入门算法交易的 Python 量化实操例子了。里面有什么： 1️⃣ 数据加载与可视化（2006–2011 年苹果历史股价） 2️⃣ 短期与长期简单移动平均线计算 3️⃣ 买卖信号生成逻辑（金叉买入、死叉卖出） 4️⃣ 策略表现可视化与优缺点评估（趋势行情表现好，震荡行情易产生 whipsaw）建议收藏，跟着敲一遍代码，快速理解 Python 量化交易策略的基本构建方式。

Python量化交易：教你从数据到买卖信号的完整实操遇到一位用 Python 把经典量化交易策略讲得非常清晰的老师。我就直接去问他，有没有从数据加载到信号生成、可视化再到策略评估的完整实操？他直接向我展示了一个非常经典的 Dual Moving Average Crossover（双均线交叉）框架：用 Python 在 Google Colab 上，以苹果股票（AAPL）为例，计算短期（SMA 30）与长期（SMA 100）简单移动平均线，生成买卖信号，并完整可视化策略表现。你在网上很难找到比这更适合入门算法交易的 Python 量化实操例子了。里面有什么： 1️⃣ 数据加载与可视化（2006–2011 年苹果历史股价） 2️⃣ 短期与长期简单移动平均线计算 3️⃣ 买卖信号生成逻辑（金叉买入、死叉卖出） 4️⃣ 策略表现可视化与优缺点评估（趋势行情表现好，震荡行情易产生 whipsaw）建议收藏，跟着敲一遍代码，快速理解 Python 量化交易策略的基本构建方式。

爱吃折耳根的Ace

19,872 Aufrufe • vor 10 Tagen

近期我们研究员正在寻找优质的全流通项目，避免了VC抛售的困扰，同时属于热门赛道，比如 #DEPIN+#AI。并且尽可能上线币安等一线交易所。我很兴奋的给大家分享挖掘出的一颗宝石：Streamr Network ，代币名称为：#DATA ，币安上线。5000万市值，全球通，目前价格0.055。 #Streamr: 一个去中心化实时数据共享网络，旨在提供高速、可靠的数据流传输和处理。通过去中心化的 P2P 架构，无需中央服务器，避免供应商锁定和单点故障。Streamr 为开发者和企业提供了一个无需信任的环境来发布、订阅和交易数据流。其核心目标是使数据变得更加自由和开放，从而推动数据生态系统的发展。数据传输在 #AI 和 #DEPIN 领域应用广泛。数据隐私+低延迟+安全性+抗审查至关重要，#Streamr 为此努力了6年之久，今年一季度发布了 #Streamr 1.0 主网！标志着项目的重要里程碑，将带来更稳定和高效的数据网络性能。看好的理由： ①实时数据流 Streamr 支持实时数据的发布和订阅，用户可以创建或加入数据流，享受即时的数据更新。这在DEPIN、AI、金融市场数据分析等领域非常重要。 ②去中心化网络：网络的P2P去中心化架构确保了数据的安全性和隐私性，消除了单点故障的风险。所有数据流和交易都是在无需信任的环境中进行，具备抗审查性。 ③数据市场： Streamr 内置了一个数据市场，允许用户自由交易数据流。数据提供者可以通过出售数据流获利，而数据消费者可以根据需要购买实时数据。 ④集成与可扩展性： Streamr 提供了强大的 API 和 SDK，使开发者能够轻松地将数据流功能集成到现有的应用程序和平台中。此外，Streamr 网络能够与其他区块链系统（如以太坊）无缝对接，进一步拓展了其应用范围。实际使用案例： Crypto Queries：项目利用 AI 语言工具与 Web3 数据进行交互，提供了一个强大的工具来查询和分析区块链数据。 Streamr ML Demo：项目将 Streamr 平台与 Binance API 连接，使用 ARIMA 机器学习模型来预测未来的交易数据，并在网页上显示实时和预测数据。 Breathing Easy：项目通过Streamr网络和 AI 聊天机器人展示实时空气污染数据，使得用户可以轻松理解空气质量信息。 Streamr+AI： AI数据源：为AI模型提供高质量的实时数据以进行训练和微调。 $DATA 激励数据提供商推动AI数据经济的发展。同时 $DATA 可充当数据交换媒介，通过P2P网络大规模分发带宽密集型AI生成的内容（视频/音频）。 Streamr+DEPIN： DEPIN数据交换媒介：DePIN 中，Streamr 可以促进互联设备之间向去中心化数据交换的转变，使 DePIN 从中心化数据管道过渡到完全去中心化的贡献者阵列。Streamr 协议允许 DePIN 用户通过其网络和技术堆栈向上、向内或向下传输数据。未来展望 Streamr 的去中心化实时数据共享网络具有广阔的应用前景。随着 1.0 版本的发布和更多开发者加入生态系统，Streamr 有望在AI、DEPIN、金融数据和更多领域发挥重要作用。通过不断的技术创新和社区驱动的发展，Streamr 正在努力实现其构建开放和自由数据生态系统的愿景。 👇视频详细了解：

近期我们研究员正在寻找优质的全流通项目，避免了VC抛售的困扰，同时属于热门赛道，比如 #DEPIN+#AI。并且尽可能上线币安等一线交易所。我很兴奋的给大家分享挖掘出的一颗宝石：Streamr Network ，代币名称为：#DATA ，币安上线。5000万市值，全球通，目前价格0.055。 #Streamr: 一个去中心化实时数据共享网络，旨在提供高速、可靠的数据流传输和处理。通过去中心化的 P2P 架构，无需中央服务器，避免供应商锁定和单点故障。Streamr 为开发者和企业提供了一个无需信任的环境来发布、订阅和交易数据流。其核心目标是使数据变得更加自由和开放，从而推动数据生态系统的发展。数据传输在 #AI 和 #DEPIN 领域应用广泛。数据隐私+低延迟+安全性+抗审查至关重要，#Streamr 为此努力了6年之久，今年一季度发布了 #Streamr 1.0 主网！标志着项目的重要里程碑，将带来更稳定和高效的数据网络性能。看好的理由： ①实时数据流 Streamr 支持实时数据的发布和订阅，用户可以创建或加入数据流，享受即时的数据更新。这在DEPIN、AI、金融市场数据分析等领域非常重要。 ②去中心化网络：网络的P2P去中心化架构确保了数据的安全性和隐私性，消除了单点故障的风险。所有数据流和交易都是在无需信任的环境中进行，具备抗审查性。 ③数据市场： Streamr 内置了一个数据市场，允许用户自由交易数据流。数据提供者可以通过出售数据流获利，而数据消费者可以根据需要购买实时数据。 ④集成与可扩展性： Streamr 提供了强大的 API 和 SDK，使开发者能够轻松地将数据流功能集成到现有的应用程序和平台中。此外，Streamr 网络能够与其他区块链系统（如以太坊）无缝对接，进一步拓展了其应用范围。实际使用案例： Crypto Queries：项目利用 AI 语言工具与 Web3 数据进行交互，提供了一个强大的工具来查询和分析区块链数据。 Streamr ML Demo：项目将 Streamr 平台与 Binance API 连接，使用 ARIMA 机器学习模型来预测未来的交易数据，并在网页上显示实时和预测数据。 Breathing Easy：项目通过Streamr网络和 AI 聊天机器人展示实时空气污染数据，使得用户可以轻松理解空气质量信息。 Streamr+AI： AI数据源：为AI模型提供高质量的实时数据以进行训练和微调。 $DATA 激励数据提供商推动AI数据经济的发展。同时 $DATA 可充当数据交换媒介，通过P2P网络大规模分发带宽密集型AI生成的内容（视频/音频）。 Streamr+DEPIN： DEPIN数据交换媒介：DePIN 中，Streamr 可以促进互联设备之间向去中心化数据交换的转变，使 DePIN 从中心化数据管道过渡到完全去中心化的贡献者阵列。Streamr 协议允许 DePIN 用户通过其网络和技术堆栈向上、向内或向下传输数据。未来展望 Streamr 的去中心化实时数据共享网络具有广阔的应用前景。随着 1.0 版本的发布和更多开发者加入生态系统，Streamr 有望在AI、DEPIN、金融数据和更多领域发挥重要作用。通过不断的技术创新和社区驱动的发展，Streamr 正在努力实现其构建开放和自由数据生态系统的愿景。 👇视频详细了解：

Rocky

64,824 Aufrufe • vor 2 Jahren

这可能是目前最完整的Python量化交易入门教程了遇到一位真正把 Python 量化交易从零到一讲透的老师。我问他，完全没有编程基础、也没有金融背景的人，能不能真正写出一套能跑通的量化回测系统？他不仅给了肯定的回答，还亲自录制了这支时长约 3 小时的完整实战教程。他从零开始，一步步手把手教你完成： 1️⃣环境搭建（Anaconda + Jupyter）与基础语法 2️⃣批量下载股票数据、数据清洗与归一化对比 3️⃣简单收益率 vs 对数收益率的核心区别 4️⃣风险收益指标、协方差、最大回撤计算 5️⃣手写双均线策略（做多+做空 & 仅做多） 6️⃣把整个回测逻辑封装成可复用的面向对象类（SMABacktester） 7️⃣最后接入 Alpha Vantage API，为后续实盘打基础这不是半成品代码演示，而是真正完整的 Zero to Hero 路径。只要跟着敲一遍，就能掌握量化数据处理和基础策略回测的全流程。时长虽然有 3 小时，但非常值得一看。建议直接收藏，回家安静保存着慢慢看，认真跟着做一遍，收获会远超预期。

这可能是目前最完整的Python量化交易入门教程了遇到一位真正把 Python 量化交易从零到一讲透的老师。我问他，完全没有编程基础、也没有金融背景的人，能不能真正写出一套能跑通的量化回测系统？他不仅给了肯定的回答，还亲自录制了这支时长约 3 小时的完整实战教程。他从零开始，一步步手把手教你完成： 1️⃣环境搭建（Anaconda + Jupyter）与基础语法 2️⃣批量下载股票数据、数据清洗与归一化对比 3️⃣简单收益率 vs 对数收益率的核心区别 4️⃣风险收益指标、协方差、最大回撤计算 5️⃣手写双均线策略（做多+做空 & 仅做多） 6️⃣把整个回测逻辑封装成可复用的面向对象类（SMABacktester） 7️⃣最后接入 Alpha Vantage API，为后续实盘打基础这不是半成品代码演示，而是真正完整的 Zero to Hero 路径。只要跟着敲一遍，就能掌握量化数据处理和基础策略回测的全流程。时长虽然有 3 小时，但非常值得一看。建议直接收藏，回家安静保存着慢慢看，认真跟着做一遍，收获会远超预期。

爱吃折耳根的Ace

33,061 Aufrufe • vor 15 Tagen

前HFT量化交易员：真正的均值回归策略是这样写的前段时间遇到一位前高频交易（HFT）量化交易员，主讲如何真正创建均值回归策略。我直接问他，网上那些用布林带做的「均值回归」是不是专业量化机构的真实做法？他明确指出，很多教程只是简单用布林带或均线标准差，这并不是专业量化的做法。真正的均值回归策略需要用统计学和数据科学来挖掘并严格验证。核心内容包括： 1️⃣ 用对数收益率（Log Returns）建模价格变动，而不是直接用价格 2️⃣ 自回归与方向编码：把收益率拆成方向和幅度，探索「跌久必涨」的统计概率 3️⃣ 严格的样本外验证（In-Sample 75% + Out-of-Sample 25%），防止过拟合和市场体制转换 4️⃣ 计算胜率、复合收益和年化夏普比率，并用 Python 绘制净值曲线最终结论很明确：真正的均值回归不是简单套用布林带，而是一套完整的统计建模与样本外验证流程。这是一支非常标准的硬核量化教学，完全属于专业量化交易范畴。建议收藏。

前HFT量化交易员：真正的均值回归策略是这样写的前段时间遇到一位前高频交易（HFT）量化交易员，主讲如何真正创建均值回归策略。我直接问他，网上那些用布林带做的「均值回归」是不是专业量化机构的真实做法？他明确指出，很多教程只是简单用布林带或均线标准差，这并不是专业量化的做法。真正的均值回归策略需要用统计学和数据科学来挖掘并严格验证。核心内容包括： 1️⃣ 用对数收益率（Log Returns）建模价格变动，而不是直接用价格 2️⃣ 自回归与方向编码：把收益率拆成方向和幅度，探索「跌久必涨」的统计概率 3️⃣ 严格的样本外验证（In-Sample 75% + Out-of-Sample 25%），防止过拟合和市场体制转换 4️⃣ 计算胜率、复合收益和年化夏普比率，并用 Python 绘制净值曲线最终结论很明确：真正的均值回归不是简单套用布林带，而是一套完整的统计建模与样本外验证流程。这是一支非常标准的硬核量化教学，完全属于专业量化交易范畴。建议收藏。

爱吃折耳根的Ace

25,905 Aufrufe • vor 7 Tagen

什么扼杀了数据可视化设计创新 #设计入门交互式数据可视化是艺术、设计、技术和数据的结合。作者是专家，她列举了这个领域缺乏创新原因，比如： - 手机用户喜欢简单、易于消化的信息 - 用户喜欢普通的柱状图、曲线图这两条算设计领域的普适标准，尤其第二条。虽然设计师竭尽所能增加动效、动画…各种视觉刺激，但天天被刺激就无感了，一般人只想快速获取信息，而不是欣赏复杂的、炫技的设计

什么扼杀了数据可视化设计创新 #设计入门交互式数据可视化是艺术、设计、技术和数据的结合。作者是专家，她列举了这个领域缺乏创新原因，比如： - 手机用户喜欢简单、易于消化的信息 - 用户喜欢普通的柱状图、曲线图这两条算设计领域的普适标准，尤其第二条。虽然设计师竭尽所能增加动效、动画…各种视觉刺激，但天天被刺激就无感了，一般人只想快速获取信息，而不是欣赏复杂的、炫技的设计

倪爽

41,712 Aufrufe • vor 1 Jahr

把 26 年 A 股数据搬到自己电脑上，这个开源项目帮你搞定了 free-stockdb 是一个面向 A 股日线、分钟线和 ETF 数据的本地量化数据底座，目标是把数据同步、清洗、复权、存储和指标计算这些工程问题统一解决。它支持增量同步和本地缓存，数据落盘后可以离线使用，减少对远程 API 的依赖和限频问题。核心特点如下： > 覆盖 7400+ 只股票和 ETF，日线、周线、月线、1/5/15/30 分钟数据都有 > 总共约 1.1 亿条记录，前复权处理过，拿来直接做回测 > 完全本地运行，不用联网、不用注册、不限次数 > 自带更新程序，数据旧了可以一键刷新 > 支持 Python、HTTP API、Excel、网页和 AI MCP 多种调用方式 > 内置技术指标计算，查询速度也比较快对想做 A 股回测、策略研究，或者需要长期本地保存历史数据的人来说，这个项目挺实用。

把 26 年 A 股数据搬到自己电脑上，这个开源项目帮你搞定了 free-stockdb 是一个面向 A 股日线、分钟线和 ETF 数据的本地量化数据底座，目标是把数据同步、清洗、复权、存储和指标计算这些工程问题统一解决。它支持增量同步和本地缓存，数据落盘后可以离线使用，减少对远程 API 的依赖和限频问题。核心特点如下： > 覆盖 7400+ 只股票和 ETF，日线、周线、月线、1/5/15/30 分钟数据都有 > 总共约 1.1 亿条记录，前复权处理过，拿来直接做回测 > 完全本地运行，不用联网、不用注册、不限次数 > 自带更新程序，数据旧了可以一键刷新 > 支持 Python、HTTP API、Excel、网页和 AI MCP 多种调用方式 > 内置技术指标计算，查询速度也比较快对想做 A 股回测、策略研究，或者需要长期本地保存历史数据的人来说，这个项目挺实用。

爱吃折耳根的Ace

15,361 Aufrufe • vor 13 Tagen

LangChain：构建与数据对话的聊天机器人4——向量和嵌入 #LangChain构建与数据对话的聊天机器人这节课主要讲述了如何使用嵌入（embeddings）和向量存储（vector stores）来处理和检索数据。首先，我们将文档分割成小的、语义有意义的分块，然后将这些分块存储到索引中，以便在需要回答关于这个数据集的问题时能够轻松地检索到。Embedding是将文本转化为向量空间的数组的过程，相似内容的文本在向量空间中会有相似的向量。这意味着我们可以比较这些向量，找出相似的文本片段。向量存储是一个可以轻松查找相似向量的数据库，这在我们试图找到与手头问题相关的文档时非常有用。视频还详细讲解了如何使用OpenAI创建嵌入，以及如何使用NumPy比较嵌入的相似度。然后，我们将所有的嵌入存储在向量存储中，以便于后续的检索。视频中使用的向量存储是Chroma，因为它轻量级且内存中，非常容易上手。最后，我们将向量数据库持久化，以便在未来的课程中使用。然而，这种方法并不完美，视频也讨论了一些边缘情况和失败模式，例如检索到重复的信息，或者无法准确捕捉到结构化信息。课程地址：播放列表： B站：

LangChain：构建与数据对话的聊天机器人4——向量和嵌入 #LangChain构建与数据对话的聊天机器人这节课主要讲述了如何使用嵌入（embeddings）和向量存储（vector stores）来处理和检索数据。首先，我们将文档分割成小的、语义有意义的分块，然后将这些分块存储到索引中，以便在需要回答关于这个数据集的问题时能够轻松地检索到。Embedding是将文本转化为向量空间的数组的过程，相似内容的文本在向量空间中会有相似的向量。这意味着我们可以比较这些向量，找出相似的文本片段。向量存储是一个可以轻松查找相似向量的数据库，这在我们试图找到与手头问题相关的文档时非常有用。视频还详细讲解了如何使用OpenAI创建嵌入，以及如何使用NumPy比较嵌入的相似度。然后，我们将所有的嵌入存储在向量存储中，以便于后续的检索。视频中使用的向量存储是Chroma，因为它轻量级且内存中，非常容易上手。最后，我们将向量数据库持久化，以便在未来的课程中使用。然而，这种方法并不完美，视频也讨论了一些边缘情况和失败模式，例如检索到重复的信息，或者无法准确捕捉到结构化信息。课程地址：播放列表： B站：

宝玉

40,993 Aufrufe • vor 3 Jahren

量化交易绕不开的库：TA-Lib，150+ 技术指标直接调用 ta-lib-python 是经典 TA-Lib 的官方 Python 封装，提供超过 150 种技术指标和 K 线形态识别功能。它覆盖了动量、趋势、波动率、成交量、重叠研究、形态识别等多个类别，是量化交易和技术分析中非常基础的工具。核心能力如下： 1️⃣ 覆盖常见技术指标（MACD、RSI、BOLL、KDJ、ADX、ATR 等） 2️⃣ 支持 60+ 种 K 线形态识别（锤头、吞没、十字星等） 3️⃣ 基于 Cython + NumPy，计算速度较快 4️⃣ 可直接配合 Pandas、Polars 使用 5️⃣ 提供函数式 API 和抽象 API，调用比较灵活它可是目前 Python 量化里使用最广泛的技术分析库之一。对做技术分析、策略回测，或者需要批量计算指标的人来说，这个库基本绕不开。

量化交易绕不开的库：TA-Lib，150+ 技术指标直接调用 ta-lib-python 是经典 TA-Lib 的官方 Python 封装，提供超过 150 种技术指标和 K 线形态识别功能。它覆盖了动量、趋势、波动率、成交量、重叠研究、形态识别等多个类别，是量化交易和技术分析中非常基础的工具。核心能力如下： 1️⃣ 覆盖常见技术指标（MACD、RSI、BOLL、KDJ、ADX、ATR 等） 2️⃣ 支持 60+ 种 K 线形态识别（锤头、吞没、十字星等） 3️⃣ 基于 Cython + NumPy，计算速度较快 4️⃣ 可直接配合 Pandas、Polars 使用 5️⃣ 提供函数式 API 和抽象 API，调用比较灵活它可是目前 Python 量化里使用最广泛的技术分析库之一。对做技术分析、策略回测，或者需要批量计算指标的人来说，这个库基本绕不开。

爱吃折耳根的Ace

13,161 Aufrufe • vor 10 Tagen

最近在开发圈很火的 GitHub 项目 Firecrawl，一个专门给 AI 用的智能爬虫，已经 7万+ Star 了。一句话总结：它可以把任何网站，直接变成 AI 能用的数据。只要给它一个 URL，它就会自动： - 抓取整站页面 - 清洗网页内容 - 解析结构信息 - 输出 Markdown / JSON 也就是说：网站 → 结构化数据 → 直接喂给 LLM。现在很多 AI 项目的数据流程其实都是：网站 → Firecrawl → 向量库 → RAG → AI 应用如果你在做： - AI Agent - RAG 知识库 - 自动化数据采集这个工具基本算是 AI 开发的基础设施了

最近在开发圈很火的 GitHub 项目 Firecrawl，一个专门给 AI 用的智能爬虫，已经 7万+ Star 了。一句话总结：它可以把任何网站，直接变成 AI 能用的数据。只要给它一个 URL，它就会自动： - 抓取整站页面 - 清洗网页内容 - 解析结构信息 - 输出 Markdown / JSON 也就是说：网站 → 结构化数据 → 直接喂给 LLM。现在很多 AI 项目的数据流程其实都是：网站 → Firecrawl → 向量库 → RAG → AI 应用如果你在做： - AI Agent - RAG 知识库 - 自动化数据采集这个工具基本算是 AI 开发的基础设施了

开发者Hailey

140,294 Aufrufe • vor 5 Monaten

兄弟们这个有点强啊而且是完全开源的感觉比OpenAI的演示的那个视觉能力还有点强 Molmo 一个开源的多模态模型，能够识别图像中的物体、场景和活动，并生成准确的描述。 Molmo还支持用户通过2D指向交互，例如用户可以通过手势或点击与图像中的对象进行互动。 Molmo使用的图像字幕数据集完全由人类注释者收集。模型能够根据输入的变化自动调整处理方式，适应不同类型的用户交互和数据格式。 Molmo在开源权重和数据模型中表现最佳，能够与一些专有系统（如GPT-4o、Claude 3.5和Gemini 1.5）相媲美。

兄弟们这个有点强啊而且是完全开源的感觉比OpenAI的演示的那个视觉能力还有点强 Molmo 一个开源的多模态模型，能够识别图像中的物体、场景和活动，并生成准确的描述。 Molmo还支持用户通过2D指向交互，例如用户可以通过手势或点击与图像中的对象进行互动。 Molmo使用的图像字幕数据集完全由人类注释者收集。模型能够根据输入的变化自动调整处理方式，适应不同类型的用户交互和数据格式。 Molmo在开源权重和数据模型中表现最佳，能够与一些专有系统（如GPT-4o、Claude 3.5和Gemini 1.5）相媲美。

小互

44,263 Aufrufe • vor 1 Jahr

🚨 卧槽！终于有人把 A 股 + 美港股的免费数据源彻底打通了！一个作者两个硬核开源项目，把原本散落在各个平台的原始数据，整合成了 AI 能直接调用的数据层。从此不用再自己对接各种接口、处理反爬、或者花几万块买专业数据了。 A 股版：a-stock-data 覆盖实时行情、资金流、股东户数、龙虎榜、全量公告、研报 PDF 下载、概念板块、北向资金、融资融券、大宗交易、解禁等。 > 7 层架构 > 28 个端点 > 13 个数据源 > 零第三方 data wrapper 依赖美港股版：global-stock-data 覆盖美股期权链、SEC EDGAR 结构化 XBRL、503 个 GAAP 指标、纯 Python 技术指标计算、资金流、财报三表、全市场列表等。 > 8 层架构 > 18 个端点 > 5 个数据源 > 仅依赖 requests 这两个项目最大的价值，不是又多了几个股票接口。而是直接封装成 Skill，可以让 Claude、GPT、Cursor、Codex 这类 AI Agent 直接调用，瞬间变成你的量化数据助手做 A 股 / 美股 / 港股复盘、AI 投研、自动化报告、量化分析的人，建议保存看看。

🚨 卧槽！终于有人把 A 股 + 美港股的免费数据源彻底打通了！一个作者两个硬核开源项目，把原本散落在各个平台的原始数据，整合成了 AI 能直接调用的数据层。从此不用再自己对接各种接口、处理反爬、或者花几万块买专业数据了。 A 股版：a-stock-data 覆盖实时行情、资金流、股东户数、龙虎榜、全量公告、研报 PDF 下载、概念板块、北向资金、融资融券、大宗交易、解禁等。 > 7 层架构 > 28 个端点 > 13 个数据源 > 零第三方 data wrapper 依赖美港股版：global-stock-data 覆盖美股期权链、SEC EDGAR 结构化 XBRL、503 个 GAAP 指标、纯 Python 技术指标计算、资金流、财报三表、全市场列表等。 > 8 层架构 > 18 个端点 > 5 个数据源 > 仅依赖 requests 这两个项目最大的价值，不是又多了几个股票接口。而是直接封装成 Skill，可以让 Claude、GPT、Cursor、Codex 这类 AI Agent 直接调用，瞬间变成你的量化数据助手做 A 股 / 美股 / 港股复盘、AI 投研、自动化报告、量化分析的人，建议保存看看。

爱吃折耳根的Ace

96,613 Aufrufe • vor 1 Monat