主攻LLM,量化,研究量化交易、机器学习和金融数据分析。
辅攻一些有趣的自动化项目,如果你有有趣的的idea和项目可以邀请我免费参与或者发送邮件。
- Quantitative Trading
- LightGBM / XGBoost
- Transformer
- Financial Data Engineering
- Index Futures Trading
- V-Right 分K级V反/反V预警
- 指数期货机器学习策略
- 宽基指数因子研究
- 金融数据 Pipeline
- 分K级振幅动态概率模型实现
主攻LLM,量化,研究量化交易、机器学习和金融数据分析。
辅攻一些有趣的自动化项目,如果你有有趣的的idea和项目可以邀请我免费参与或者发送邮件。
基于vnpy开发的全自动交易系统,文件中详细划分了回测,模拟盘,实盘开发,方便了开发者安全性分离。
基于机器学习LightGBM的指数分钟级V反与反V多周期预警、严格形态确认及可视化分析系统。
TypeScript 4
LFQL跨样本筛选机器学习方法,证明跨样本筛选的方法可以提升局部因子表现,本项目已经过学术论文验证,基于冻结因子阈值的股票横截面局部化机器学习研究框架。项目在严格时间隔离下,对比局部 LightGBM 与传统 Global LightGBM 在样本外 RankIC、RankICIR 上的表现,研究局部样本训练是否能够缓解全局模型的状态混合与过拟合问题。
Python 2
本项目研究多因子信号在A股主要宽基指数择时中的有效性,覆盖上证指数、沪深300和中证1000。 策略综合估值、风险溢价、趋势、动量与超跌修复等因子,通过投票机制生成交易信号,并采用训练集、验证集、测试集及独立盲测区间评估策略表现。 项目重点关注因子的稳定性、样本外表现、策略回撤控制能力,以及不同市场风格下的适用性。
Python 3
本项目基于YOLOv10深度学习框架,针对作物成熟度智能分类任务开展优化研究,围绕原始数据集分辨率不统一、样本姿态杂乱、样本数量不均衡、模型泛化能力弱等行业痛点,创新性提出一套数学归一化+自适应选框+均衡化数据增强的一站式优化方案。本方案区别于传统YOLO分类训练方式,通过纯数学几何变换优化数据预处理逻辑,有效提升模型分类准确率与召回率,相关优化方法已在学术论文中验证有效性。