只不过rdagent更专有一些，直接面向r&d的过程去生成模型，面向数据驱动的场景直接建模。有没有一种可能，借助大模型的能力，把这个过程直接自动化，那样的话，科研就非常轻松了。以前我们做量化，需要到量化社区，前沿论文中去找线索。而且多数论文是没有代码复现的，我们还需要花大量的时间去复现。她做放射性研究，纯粹出于好奇，就想搞清楚，这个放射性背后是什么。4、ETF维度筛选：热门ETF，LOF，分类：宽

忽视了，其实，稳定性，生态，扩张性才是最重要的。它是加载一个个独立的dataframe，然后需要加一个字段——openinterest，这是期货里的概念，暂时用不到，直接置为0即可。第三个问题，在界面上，网站上，数据自动更新，缓存上，规则配置上花了不少时间，没有直奔主题。“凡事发生必有利于我”——生命中看似让你不爽，不愉快的人和事，必定是来“提醒你”，还有进步与提升的空间，或者，在某些方面需要最出

在金融量化交易中，RD-Agent能够自动从海量的研究报告中提取关键因子并生成相关模型，大幅减少因子生成的时间，同时确保因子库的广度和深度。：RD-Agent将生成的因子整合到现有的因子库中，并与微软的Qlib系统进行回测，以评估这些因子在实际市场中的表现，加速策略的验证过程。曾几何时，这是金融量化人的梦想，机器可以读文献，然后自己写代码去复现论文，生成因子集，做出策略，还会自动优化。传统的投研流

关于webapp和app的开发，又想起ionic，其实现在web框架，多端的已经很多了，比如flutter可以写出接近原生的体验等，python也有很多web框架。之所以选ionic的核心原因，还是从界面的角度考虑——它能比较容易搭出一个过得去的应用，在没能ui参与的情况下。我都不算生活和工作中的小事，就算职业规划这样的大事，你遇上一个机会，可能就拐了个弯。持续做你能做到的有趣的事情，登上一座小山

当然，上述策略涉及到很多ETF只有近两年的数据，所以回测周期只有两年，所有收益率很高。拉长周期看，其实如果能比较稳健实现20%，就非常厉害了。因为为数不多的，一个人，一台电脑，就可以创造一个世界。本质上还是实力的交锋，所以，努力做好自己的事情就是了。回家的频率从一周，到两周，到数个月，大学变成的按年。但一路走来，发现有些人，有些事，确实没有解释的必要。很幸运，依着兴趣爱好，笃定要学编程，学计算机。

而类比人类的学习，我们不会拿1万张猫的图片让孩子学习什么是猫，一个小朋友也许只见过几只猫，他几乎可以认出各种图片的，抽象的，卡通的猫。所以有了alpha go， alpha master和alpha zero这样的围棋大师，然后它们的技能迁移的打战略游戏上，也是一等一的好手，都拜强化学习所赐。昨天我们讲的DNN的模式，我们是让模型学习过去的因子“预测”当天的收盘价的“涨跌”。我们学骑自行车，并不会

ETF排重之后（像沪深300指数的ETF有几十支）有150多支，从量化的角度，我们选择交易量最大的，通常也是规模最大的一支即可。——像黄金ETF，不方便同步指数数据的，直接使用ETF数据。大家可以会好奇，为何不直接使用ETF，使用ETF自然是方便，但有些ETF的上市时间很短，所以数据很有限。在大类资产上，两周（10天）的动量IC值是明显的，因此，我们之前的周调仓，应该优化成两周调仓。A股的指数，我

虽然DRL的训练过程较为复杂，且必须面对市场的不确定性，但它的自适应能力和长期优化的潜力是其显著的优势。这是官方给的代码，大家可以结合论文先看作者的思路，后续会结合我们自己的数据，考虑整合到Quantlab框架中。最近开始，还会把星球沉淀下来的模块，生成相应的专栏，可能会使用小报童的形式，大家这几周可以关注下。爱迪生的研究所，在经济周期面前，仍然需要断臂求生，这就是商业法则——生存为第一要义。“一

第二个五年，而立之年，来自父母的催婚，房价的高企，遇到过所谓心动的女生，雄心凌志不足以支撑现实之困局。去尝试，希望快速突破，被抛到空中，落回地面，“恍然大悟”，并无速成之法门。毕业那五年，初出社会，带着玫瑰色眼镜，感觉自带主角光环，“我命由我不由天”，经历年事情，都看成“天将降大任于斯人”。房子，车子，孩子，在社会阶梯中攀爬，慢慢积累一些财富，懂一点人情世故，心态平和且稳健很多。等，支持vnpy，

说缺点的话，打包后文件夹比较大，200M，压缩后60来M，还算可以接受吧。另外就是杀毒软件可能会误报，我是直接加到信任名单里，不过可以看下，如何解决让它不误报的问题。短期，一天，能做的事情，很有限，其实不必列长长的清单，也许某几天可以完成的很好，但长期会压力大，没有必要。aitrader的框架后续计划在gitee上托管，地址已经同步在星球中，并发布的初始代码。选择脚本，基本参数，然后把本地目录选择