物联网技术与数字化转型最新观点
一、为什么特征工程决定了 AI 量化策略的上限？AI 模型最终学习的是：价格背后的深层结构与行为模式。这些模式来自你输入的特征：技术特征（如移动平均）基本面特征（PE、ROE 等）高频特征（盘口）宏观特征情绪特征（新闻、社交媒体）链上数据（...
一、为什么 AI 量化策略更容易过拟合？传统量化策略（如因子模型）的自由度有限，而 AI 策略的自由度极大：你可能使用多维特征（甚至上千维）使用深度模型（LSTM、Transformer、GNN）使用自动特征工程工具（Feature Sto...
一、XGBoost 在量化交易中的核心应用类型量化交易中最常见的三个建模任务：① 分类任务（Classification）输出：上涨 or 下跌标签例子：明日涨幅 > 0 → 1明日涨幅 ≤0 → 0适用于：趋势跟随择时短周期波动预测...
一、量化交易系统的整体架构图一个成熟的 ATS 基本由以下六层组成：┌────────────────────────┐ │ 1.数据采集 Data Layer │ └────────────────────────┘ ┌──────...
一、强化学习在量化中的基本要素强化学习框架由五要素组成：要素在量化中的含义State（状态）高维行情数据、因子、持仓信息、波动率等Action（动作）买入 / 卖出 / 平仓 / 持仓比例调整Reward（奖励）收益、夏普率、收益风险比、成...
一、情绪交易的核心概念1. 情绪因子（Sentiment Factor）情绪因子是将市场新闻、社交媒体或公告内容转化为数值型信号，例如：正向情绪：积极新闻或推文 → +1负向情绪：消极新闻或评论 → -1中性：无明显情绪 → 02. NLP...
一、因子构建的核心流程1. 数据获取与清洗因子构建的前提是高质量数据：历史行情数据：OHLC、成交量、盘口深度财务数据：上市公司财报、财务指标市场数据：利率、汇率、宏观指标舆情数据：新闻、社交媒体情绪分数数据清洗要点缺失值填充或剔除异常值剔...
一、LSTM（Long Short-Term Memory）——时间序列的专家1. 原理与特点适合长序列依赖：能记住过去重要信息，捕捉趋势门控机制：控制信息遗忘和传递，缓解传统 RNN 的梯度消失问题适用场景：趋势预测、波动率预测、价格序列...
核心概念解析1. 监督学习与标签构造机器学习交易预测核心是监督学习。核心步骤是构造标签（Label），即模型要预测的目标。涨跌分类（Classification）：Label = 1 → 下一个时间段上涨Label = 0 → 下一个时间段...
核心概念解析：AI 量化交易的五步流程1. 数据获取（Data Acquisition）AI 量化的基石是数据。数据来源包括：市场行情数据：股票、期货、加密货币等历史 OHLC、成交量、盘口深度链上数据：如比特币、以太坊的交易数量、地址活跃...
一、充电桩本身几乎不会烧车因为合规产品都有：温度传感器过流保护过压保护漏电保护短路保护断电保护地线检测车端握手协议真正危险的是：❗家庭电路不达标才是事故源头。二、最常见的 6 类危险行为（请一定避免）① 老旧小区使用老化电线（特别是 2.5...
一、充电桩本身不耗电，耗电的是——你的车重点：❗充电桩不是“电器”，它不耗电。❗只有车辆在充电时才耗电。充电桩只是一个“智能开关”。二、最准确的计算公式无论什么车型、电池大小、电价多少，都可以用这组公式：① 每次充电耗电量（kWh）电池可用...