登录社区云，与社区用户共同成长
邀请您加入社区
近一两年来，股票量化分析逐渐受到广泛关注。而作为这一领域的初学者，首先需要面对的挑战就是如何获取全面且准确的股票数据。因为无论是实时交易数据、历史交易记录、财务数据还是基本面信息，这些数据都是我们进行量化分析时不可或缺的宝贵资源。我们的核心任务是从这些数据中挖掘出有价值的信息，为我们的投资策略提供有力的支持。在寻找数据的过程中，我尝试了多种途径，包括自编网易股票页面爬虫、申万行业数据爬虫，以及
化身现实顶级投资大师，精准剖析商业行为与模式，从投资理念到风险收益，提供专业、风格逼真的决策建议。在开发基于 DeepSeek + 文心智能体平台、模仿顶级投资大师的智能体过程中，我充分感受到 DeepSeek 模型强大算力和分析能力带来的震撼。它如同神奇画笔，将海量投资数据和大师理念绘制成生动准确的投资分析画卷。文心智能体平台则提供便捷高效创作空间，让开发过程顺畅无阻。通过这次开发，我不仅实现为
导读：拉卡拉早期基于 Lambda 架构构建数据系统面临存储成本高、实时写入性能差、复杂查询耗时久、组件维护复杂等问题。为此，拉卡拉选择使用 Apache Doris 替换 Elasticsearch、Hive、Hbase、TiDB、Oracle / MySQL 等组件，实现了 OLAP 引擎的统一、查询性能提升 15 倍、资源减少 52% 的显著成效。拉卡拉（股票代码 300773）是国内首家数
多款人工智能大模型近日扎堆上市。OpenAI发布最新多模态人工智能大模型GPT—4o；谷歌发布“人工智能全家桶”，包括对标GPT—4o的全能人工智能助手Project Astra和对标Sora的文生视频模型Veo等。5月15日，字节跳动也发布豆包大模型，并将价格拉至行业新低。不仅是字节跳动，连日来，OpenAI、阿里云等企业纷纷下调大模型价格。其中，豆包主力模型的推理输入价格只有0.0008元/千
项目基于LLaMA系列基模型，通过中文金融知识的指令微调（Instruct-tuning）进行了优化，使用中文金融公开问答数据和爬取的金融问答数据构建指令数据集，提高了模型在金融领域的问答效果。轩辕在BLOOM-176B的基础上针对中文通用领域和金融领域进行了针对性的预训练与微调，它不仅可以应对通用领域的问题，也可以解答与金融相关的各类问题，为用户提供准确、全面的金融信息和建议。LLMs的输出因指
