文档建议反馈控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

DolphinDB：金融高频因子流批统一计算神器！

1、金融高频因子计算 我们通过一个具体的例子来引入金融高频因子计算的问题。下面这个因子表达式是用DolphinDB的脚本语言写的。... -  ema(1000 * sum_diff(ema(price, 20), ema(price, 40)), 20) 面对此类场景，我们需要解决以下几个问题： 投研阶段能否使用历史数据快速为每只股票计算...3.2 解析和优化 DolphinDB的脚本语言是支持向量化和函数化的多范式编程语言。通过函数的调用关系，不难得到计算步骤的DAG。...在后续的版本中，DolphinDB将以行函数（rowRank，rowSum等）表示横截面操作的语义，其它向量函数表示时间序列操作，从而系统能够自动识别一个因子中的横截面操作和时间序列操作，进一步自动构建引擎流水线...对于规模较大的任务，可以通过订阅过滤的方式，拆分成多个子订阅，由多个节点以及每个节点的多个CPU并行完成订阅计算。后续的版本将完善计算子作业的创建、管理和监控功能，从手动转变为自动。

4K00

多任务学习新篇章 | EMA-Net利用Cross-Task Affinity实现参数高效的高性能预测

作者可以看到，作者的EMA-Net（SS）在NYUv2上即使没有从多个尺度获得深层监督，也能与MTI-Net竞争。...由于本研究的目标是轻量级基于CNN的方法，因此作者没有与该参数范围内的Transformer模型进行比较。...表3总结了每个模型在NYUv2上的资源使用情况，作者可以看到，通过仅将任务预测蒸馏的尺度降低，作者可以大大减少FLOPs的数量。作者还看到，作者可以在与其他方法相当的时间内将墙时钟时间降低或相匹配。...总的来说，EMA-Net在效率方面取得了几个优势。这可以归因于作者如何组织特征以便更有效地使用参数。这还减少了过拟合的风险，如Cityscapes数据集的结果所示。...向前看，探索进一步减小FLOPs对墙时钟时间的影响的技术，例如稀疏化亲和矩阵，将是非常有趣的。

63110
    • 您找到你想要的搜索结果了吗？
    是的
    没有找到

    MobileNetV4实战：使用MobileNetV4实现图像分类任务（一）

    该架构通过精炼的神经架构搜索NAS方法，创建了多个卓越性能的移动设备模型。新型知识蒸馏技术进一步提高了模型准确性，而Mobile MQA块相较于传统多头注意力，在移动加速器上实现了显著的推理加速。...如何生成val的测评报告？ 如何编写测试脚本测试测试集？ 如何使用余弦退火策略调整学习率？ 如何使用AverageMeter类统计ACC和loss等自定义变量？ 如何理解和统计ACC1和ACC5？...EMA EMA（Exponential Moving Average）是指数移动平均值。在深度学习中的做法是保存历史的一份参数，在一定训练阶段后，拿历史的参数给目前学习的参数做一次平滑。...) 针对没有预训练的模型，容易出现EMA不上分的情况，这点大家要注意啊！...Scentless Mayweed │ ├─Shepherds Purse │ ├─Small-flowered Cranesbill │ └─Sugar beet 新增格式转化脚本

    36210

    Vision-LSTM（ViL）实战：使用Vision-LSTM（ViL）实现图像分类任务（一）

    在ViL中，我们将多个xLSTM块堆叠在一起，形成一个深层的网络结构。...如何生成val的测评报告？ 如何编写测试脚本测试测试集？ 如何使用余弦退火策略调整学习率？ 如何使用AverageMeter类统计ACC和loss等自定义变量？ 如何理解和统计ACC1和ACC5？...如何使用EMA？ 如果基础薄弱，对上面的这些功能难以理解可以看我的专栏：经典主干网络精讲与实战这个专栏，从零开始时，一步一步的讲解这些，让大家更容易接受。...EMA EMA（Exponential Moving Average）是指数移动平均值。在深度学习中的做法是保存历史的一份参数，在一定训练阶段后，拿历史的参数给目前学习的参数做一次平滑。...) 针对没有预训练的模型，容易出现EMA不上分的情况，这点大家要注意啊！

    13210

    Android 隐私合规检查工具套装

    ) {} }) 那么，我们的实现思路就可以读取隐私合规 api 配置文件，然后调用 Pine.hook 即可。...后面搜到 frida gadget [13]方案，可以直接配置 js 脚本来实现 hook，无需 frida-server： 大体实现步骤： 下载 android arm 架构的 frida-gadget.so...[14], 由于 Release 产物比较多，需要点击 Assets 展开更多 创建 script.js 脚本文件，实现隐私 api 的 hook 将 frida-gadget.so[15] 与 script.js...会读取 frida-gadget.config.so 中的 path 路径，获取到 script.js 文件，并执行该 js 脚本 运行效果如下： 该方案的优点不需要 root，并且机型适配比较好，frida...总结: 对于上述的几个方案，我还是比较喜欢基于静态方案的 apk smali 扫描与基于动态方案的 frida 无侵入式 camille[18] 方案，这两个方法都无需侵入项目即可实现隐私扫描，适合非开发人员使用

    1.3K11

    DeepSpeed Chat: 一键式RLHF训练，让你的类ChatGPT千亿大模型提速省钱15倍

    DeepSpeed-Chat具有以下三大核心功能： （i）简化 ChatGPT 类型模型的训练和强化推理体验：只需一个脚本即可实现多个训练步骤，包括使用 Huggingface 预训练的模型、使用 DeepSpeed-RLHF...a) 仅需一个脚本，完成 RLHF 训练的全部三个阶段，生成你的第一个 ChatGPT 模型！...在步骤3中，我们提供了两个额外的功能，以帮助提高模型质量： 指数移动平均（EMA） —— 可以选择基于 EMA 的检查点进行最终评估 混合训练 —— 将预训练目标（即下一个单词预测）与 PPO 目标混合...图 6 显示了 DeepSpeed-HE 在 1.3B 到 175B 的模型大小范围内可以实现的最佳有效吞吐量（以 TFlops/GPU 表示）。它还分别显示了在生成和训练阶段实现的吞吐量。...DeepSpeed-HE 对 6.7B-66B 范围内的模型最为高效。超出这个范围到 175B 时，由于内存有限，无法支持更大的批量大小，吞吐量下降，但仍比小型 1.3B 模型的效率高 1.2 倍。

    34230

    DeepSpeed Chat: 一键式RLHF训练，让你的类ChatGPT千亿大模型提速省钱15倍

    DeepSpeed-Chat具有以下三大核心功能：（i）简化 ChatGPT 类型模型的训练和强化推理体验：只需一个脚本即可实现多个训练步骤，包括使用 Huggingface 预训练的模型、使用 DeepSpeed-RLHF...仅需一个脚本，完成 RLHF 训练的全部三个阶段，生成你的第一个 ChatGPT 模型！...在步骤3中，我们提供了两个额外的功能，以帮助提高模型质量：指数移动平均（EMA） —— 可以选择基于 EMA 的检查点进行最终评估混合训练 —— 将预训练目标（即下一个单词预测）与 PPO 目标混合，以防止在像...图 6 显示了 DeepSpeed-HE 在 1.3B 到 175B 的模型大小范围内可以实现的最佳有效吞吐量（以 TFlops/GPU 表示）。它还分别显示了在生成和训练阶段实现的吞吐量。...DeepSpeed-HE 对 6.7B-66B 范围内的模型最为高效。超出这个范围到 175B 时，由于内存有限，无法支持更大的批量大小，吞吐量下降，但仍比小型 1.3B 模型的效率高 1.2 倍。

    33920

    PNAS：描绘自杀想法的时间尺度

    多个模型发现，自杀意图升高的平均持续时间比自杀愿望升高的持续时间短。最后，在统计建模的基础上，关于自杀思想的个人动态的推断显示依赖于数据采样的频率。...在本文中，我们的目标是通过一个生态瞬间评估数据集来深入了解自杀念头的时间尺度，该数据集由a)间隔几个小时的观察和b)间隔10分钟的更高频率的burst观察组成。本研究的设计如图1所示。...越来越多的研究支持将自杀风险概念化为一个在短时间内展开的动态系统。这种自杀的动态概念化应该为未来的理论、评估和干预提供信息。从这项研究中，我们了解了自杀想法的几个不同方面。...例如，人们可能希望在一个短暂的(例如，1周)高风险期间使用高频采样，并使用更经典的设计来研究更长时间尺度上的风险。虽然目前的研究有几个优势，如抽样设计，有多个限制需要讨论。...在这样的设计中，由于参与者的负担，问同一个问题的多个版本可能不可行，而对不同的自杀思维项目进行平均可能导致错误的结论，如果它们代表不同时间尺度的不同过程。

    26930

    全网最硬核 JVM TLAB 分析 4. TLAB 基本流程全分析

    但是，要分配的线程个数并不一定是稳定的，可能这个时间段线程数多，下个阶段线程数就不那么多了，所以，需要用 EMA 的算法采集每个 GC 内需要对象分配的线程个数来计算这个个数期望。...之后的流程里面，无论何时，TLAB 的大小都会在这个 TLAB 的最小大小 到 TLAB 的最大大小 的范围内，为了避免啰嗦，我们不会再强调这个限制~~~！！！...之后的流程里面，无论何时，TLAB 的大小都会在这个 TLAB 的最小大小 到 TLAB 的最大大小 的范围内，为了避免啰嗦，我们不会再强调这个限制~~~！！！...之后的流程里面，无论何时，TLAB 的大小都会在这个 TLAB 的最小大小 到 TLAB 的最大大小 的范围内，为了避免啰嗦，我们不会再强调这个限制~~~！！！...线程私有分配比例 EMA：与有效分配线程个数 EMA对应，有效分配线程个数 EMA是对于全局来说，每个线程应该占用多大的 TLAB 的描述，而分配比例 EMA 相当于对于当前线程应该占用的总 TLAB

    38930

    Python实现“神仙趋势”

    到底说明的是一种什么样的趋势呐，带着激动的心情，作者今天就用python实践了一波。发现也就那样吧，有严重的时间延迟特征。这里小记一下。...神仙线有三条，分别为h1,h2,h3.计算的方法如下： h1=m日的收盘均价均线 h2=n日的h1的均线 h3=h日的收盘价均线 通达信代码如下： 神仙大趋势H1:EMA(CLOSE,6); H2:EMA...(神仙大趋势H1,18); H3:EMA(CLOSE,108),COLORYELLOW; STICKLINE(神仙大趋势H1>H2,神仙大趋势H1,H2,1,1),COLORRED; STICKLINE...#神仙趋势线 result['h1']=talib.EMA(result['close'],6) result['h2']=talib.EMA(result['h1'],...，上白线之后是强上涨，下白线之后是强下跌，但是上白线可能在上百线范围内突变为下白线，然后直接转换为强下跌。

    69910

    微软开源DeepSpeed Chat，人人可快速训练百亿、千亿级ChatGPT大模型

    DeepSpeed-Chat 具有以下三大核心功能： （i）简化 ChatGPT 类型模型的训练和强化推理体验：只需一个脚本即可实现多个训练步骤，包括使用 Huggingface 预训练的模型、使用 DeepSpeed-RLHF...a) 仅需一个脚本，完成 RLHF 训练的全部三个阶段，生成你的第一个 ChatGPT 模型！...在步骤 3 中，我们提供了两个额外的功能，以帮助提高模型质量： 指数移动平均（EMA） —— 可以选择基于 EMA 的检查点进行最终评估 混合训练 —— 将预训练目标（即下一个单词预测）与 PPO 目标混合...图 6 显示了 DeepSpeed-HE 在 1.3B 到 175B 的模型大小范围内可以实现的最佳有效吞吐量（以 TFlops/GPU 表示）。它还分别显示了在生成和训练阶段实现的吞吐量。...DeepSpeed-HE 对 6.7B-66B 范围内的模型最为高效。超出这个范围到 175B 时，由于内存有限，无法支持更大的批量大小，吞吐量下降，但仍比小型 1.3B 模型的效率高 1.2 倍。

    32920

    DeepSpeed Chat: 一键式RLHF训练，让你的类ChatGPT千亿大模型提速省钱15倍

    DeepSpeed-Chat具有以下三大核心功能：（i）简化 ChatGPT 类型模型的训练和强化推理体验：只需一个脚本即可实现多个训练步骤，包括使用 Huggingface 预训练的模型、使用 DeepSpeed-RLHF...仅需一个脚本，完成 RLHF 训练的全部三个阶段，生成你的第一个 ChatGPT 模型！...在步骤3中，我们提供了两个额外的功能，以帮助提高模型质量：指数移动平均（EMA） —— 可以选择基于 EMA 的检查点进行最终评估混合训练 —— 将预训练目标（即下一个单词预测）与 PPO 目标混合，以防止在像...图 6 显示了 DeepSpeed-HE 在 1.3B 到 175B 的模型大小范围内可以实现的最佳有效吞吐量（以 TFlops/GPU 表示）。它还分别显示了在生成和训练阶段实现的吞吐量。...DeepSpeed-HE 对 6.7B-66B 范围内的模型最为高效。超出这个范围到 175B 时，由于内存有限，无法支持更大的批量大小，吞吐量下降，但仍比小型 1.3B 模型的效率高 1.2 倍。

    97040

    ICCV 2019 Oral | 期望最大化注意力网络 EMANet 详解

    然而，自注意力机制需要生成一个巨大的注意力图，其空间复杂度和时间复杂度巨大。其瓶颈在于，每一个像素的注意力图都需要对全图计算。...本文把这一机制嵌入网络中，构造出轻量且易实现的EMA Unit。其作为语义分割头，在多个数据集上取得了较高的精度。...高斯混合模型（GMM）是EM算法的一个范例，它把数据用多个高斯分布拟合。其 即为第k个高斯分布的参数 ，隐变量 为第k个高斯分布对第n数据点的“责任”。E步更新“责任”，M步更新高斯参数。...考虑到 ，其复杂度得到显著的降低。 期望最大化注意力模块 EMA Unit 期望最大化注意力模块（EMAU）的结构如上图所示。除了核心的EMA之外，两个1*1卷积分别放置于EMA前后。...接下来，是EMANet和DeeplabV3、DeeplabV3+和PSANet的详细对比。 可以发现，EMANet无论在精度还是在计算代价上，都显著高于表中几个经典算法。

    1.3K21

    Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化|附代码数据

    另一个需要注意的是，接近2017年的数值要比接近20世纪70年代的数值高得多，而且波动也大。因此，你需要确保数据在整个时间范围内表现为类似的价格范围，需要将数据标准化。...# 现在进行指数移动平均平滑处理 # 所以数据会比原来的锯齿状数据有一个更平滑的曲线   EMA = gamma*train[i] + (1-gamma)*EMA   train[i] = EMA 通过平均法进行单步超前预测...上述公式基本上是计算t+1时间步长的指数移动平均线，并将其作为超前一步的预测。γ决定最近的预测对EMA的贡献是什么。例如，γ=0.1只能得到当前值的10%进入EMA。...我个人认为这对股票走势预测来说是一个合理的假设。 下面你直观地说明一批数据是如何产生的。 定义超参数 在本节中，你将定义几个超参数。D是输入的维度。...请注意，你所做的预测大致在0和1.0的范围内（也就是说，不是真实的股票价格）。这没关系，因为你预测的是股票价格的走势，而不是价格本身。 总结 在本教程中，首先介绍了你为什么需要为股票价格建模的动机。

    1.1K10

    Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化

    另一个需要注意的是，接近2017年的数值要比接近20世纪70年代的数值高得多，而且波动也大。因此，你需要确保数据在整个时间范围内表现为类似的价格范围，需要将数据标准化。...EMA 通过平均法进行单步超前预测 平均法允许你通过将未来的股票价格表示为以前观察到的股票价格的平均值来进行预测（通常是提前一个时间步）。...上述公式基本上是计算t+1时间步长的指数移动平均线，并将其作为超前一步的预测。γ决定最近的预测对EMA的贡献是什么。例如，γ=0.1只能得到当前值的10%进入EMA。...我个人认为这对股票走势预测来说是一个合理的假设。 下面你直观地说明一批数据是如何产生的。 定义超参数 在本节中，你将定义几个超参数。D是输入的维度。...请注意，你所做的预测大致在0和1.0的范围内（也就是说，不是真实的股票价格）。这没关系，因为你预测的是股票价格的走势，而不是价格本身。 总结 在本教程中，首先介绍了你为什么需要为股票价格建模的动机。

    1.4K30

    全网最硬核 JVM TLAB 分析（单篇版不包含额外加菜）

    对于后台分析请求，每次分配的对象相对大一些。 不同时间段内线程压力并不均匀。业务是有高峰有低谷的，高峰时间段内肯定分配对象更多。 同一时间段同一线程池内的线程的业务压力也不一定不能做到很均匀。...很可能只有几个线程很忙，其他线程很闲。...但是，要分配的线程个数并不一定是稳定的，可能这个时间段线程数多，下个阶段线程数就不那么多了，所以，需要用 EMA 的算法采集每个 GC 内需要对象分配的线程个数来计算这个个数期望。...之后的流程里面，无论何时，TLAB 的大小都会在这个 TLAB 的最小大小 到 TLAB 的最大大小 的范围内，为了避免啰嗦，我们不会再强调这个限制~~~！！！...之后的流程里面，无论何时，TLAB 的大小都会在这个 TLAB 的最小大小 到 TLAB 的最大大小 的范围内，为了避免啰嗦，我们不会再强调这个限制~~~！！！

    42850

    Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化|附代码数据

    另一个需要注意的是，接近2017年的数值要比接近20世纪70年代的数值高得多，而且波动也大。因此，你需要确保数据在整个时间范围内表现为类似的价格范围，需要将数据标准化。...# 现在进行指数移动平均平滑处理 # 所以数据会比原来的锯齿状数据有一个更平滑的曲线   EMA = gamma*train[i] + (1-gamma)*EMA   train[i] = EMA 通过平均法进行单步超前预测...上述公式基本上是计算t+1时间步长的指数移动平均线，并将其作为超前一步的预测。γ决定最近的预测对EMA的贡献是什么。例如，γ=0.1只能得到当前值的10%进入EMA。...我个人认为这对股票走势预测来说是一个合理的假设。 下面你直观地说明一批数据是如何产生的。 定义超参数 在本节中，你将定义几个超参数。D是输入的维度。...请注意，你所做的预测大致在0和1.0的范围内（也就是说，不是真实的股票价格）。这没关系，因为你预测的是股票价格的走势，而不是价格本身。 总结 在本教程中，首先介绍了你为什么需要为股票价格建模的动机。

    65000
    点击加载更多

    扫码

    添加站长 进交流群

    领取专属 10元无门槛券

    手把手带您无忧上云

    扫码加入开发者社群

    相关资讯

    热门标签

    更多标签

    活动推荐

      运营活动

      活动名称
      广告关闭

      腾讯云开发者

      扫码关注腾讯云开发者

      扫码关注腾讯云开发者

      领取腾讯云代金券

      热门产品

      热门推荐

      更多推荐

      Copyright © 2013 - 2025 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有

      深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 深公网安备号 44030502008569

      腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号 | 京公网安备号11010802020287

      领券