原创内容第985篇，专注AGI+，AI量化投资、个人成长与财富自由。年岁渐长，了解一些事实、真相和细节，越发喜欢简单、纯粹的东西。我加了一个，人生之关键词： 自由，安全，真理，分享。确实，条条大路通罗马。哪条路并不重要，也不确定。今天看到一本书，提及人生规划，目标比路径重要。有人天生就擅长且喜欢，组织他人就完成一件事。年化390%，回撤7%，夏普6.32。她写的人生的关键词：自由，真理，分享。往回

再来一个意义，用来赋能投资的AGI，是人类技术的未来，是人工智能的王冠上的明珠。人类的大脑，AGI就是”仿生“人的大脑，在通过”奇点“的路上， 这是最前沿的技术——没准可以衍生出可与其他人、其他公司合作的副产品，这是意义之二。就是说，这里的赔率，胜率是可以预估的。————念念不忘，必有回响，只要功夫深，一切皆有可能！等，支持vnpy，qlib，backtrader和bt引擎，名内置多个。其他领域，

今天开始整合机器学习训练至主界面中。机器学习应用到金融量化的核心框架一个量化策略，无论是传统的技术分析，还是机器学习策略，无外乎几个部分：一、数据准备，一般是整理成pandas的dataframe，包含基础的OHLCV等数据。二、计算衍生指标，比如技术指标、或者worldquant101这样的alpha因子，一切皆因子，即机器学习模型里的特征，机器学习模型还需要打label，即预测未来某段时间的收

另外就是日线价量数据，基本就足够量化回测使用，而且我们直接同步后复权数据——与真实价格有差别，但不影响结果。场内基金今天的准确数字是1426支，含LOF，跨全球市场，跨股票、债券、商品，REITs等，足够了。因此，量化实验室，专注ETF/LOF市场，把事情做扎实，创造真实的价值。好执行大于好点子，好产品是持续打磨出来的，战线太长就不容易打磨精致。平台的扩展性在于因子扩展，包含因子挖掘，还有后续的实

但新技术日新月异，变化快，门槛也不高，比如就算AI这样的领域，现在谁不会讲一点大模型，提示词和RAG呢？就是在别人眼里，你是一个有观点的人，有见解的人，那就是管理者和合伙人。在互联网和现在AI时代，学习资源，甚至学习方法都是海量，公开用免费的，需要一点点方法，甚至就是一些意愿和好奇心。不过股票的数据量大，所以，更多的优化在大量数据的计算上，这也算是一个门槛吧。但这个规划背后，是有对行业深刻的洞见，

但新技术日新月异，变化快，门槛也不高，比如就算AI这样的领域，现在谁不会讲一点大模型，提示词和RAG呢？就是在别人眼里，你是一个有观点的人，有见解的人，那就是管理者和合伙人。在互联网和现在AI时代，学习资源，甚至学习方法都是海量，公开用免费的，需要一点点方法，甚至就是一些意愿和好奇心。不过股票的数据量大，所以，更多的优化在大量数据的计算上，这也算是一个门槛吧。但这个规划背后，是有对行业深刻的洞见，

当双方珍视关系本身，愿为对方妥协部分自由，可构建“共同主体性”。如李银河所言：“唯与挚友相处时，人才能真情流露，无拘无束”。超越零和博弈：社会心理学指出，通过共情沟通（如“四C原则”：接触、合作、沟通、和解）可化解冲突，避免猜疑链固化。原创内容第907篇，专注智能量化投资、个人成长与财富自由。：如尼采警示：“凝视深渊时，深渊亦凝视你。双向努力——既坚守自我，亦容他人成为自己。AGI星球——开发智能

以下是一些可能的途径和策略，但请注意，这些方法都涉及不同程度的风险，并且成功并不是保证的。但在深度学习时代，最大的一点进步就是不需要特征工程，因为特征工程本身是对现实数据的简化。——本身也是一种”拟合“，或者说试图”解释“过往的收益率，有一种符号表达的方式。图像识别就是端到端，AlphaGo就是端到端，深度强化学习端到端构建投资组合——从逻辑上更符合金融投资的场景——它甚至不需要label。所以，

bond_value IC值不明显，分层不单调，但lightGBM的权重重要性很高。咱们还是使用lightGBM集成学习的方式，决策树是可以筛选特征的重要性的。——这是与股票市场不一样的地方，股票退市相对少，而转债本身就有退出周期。有时候，淡定一点，把事情处理得稳妥一点，后续的事情会更少。IC值大，但分层效果不好，大概率因子里包含了非线性因素。结果有可能，事情也许办了，但引入其他更加不可控的事情。

可以这么说，传统量化使用backtrader就够了，而前沿的机器学习量化qlib更合适。好在我们把数据聚焦在OHLCV上，而且专注在指数上，那么数据量就少很多，使用csv就可以轻松管理——很多时候，是因子的问题，还是模型参数的问题，这就是我们要解决的核心关键。但上述的模型在实盘中仍然不好操作，原因是它经常交易50支以上的股票，而且由于计算量大，单机训练已经很吃力了。，A股，港股，美股等以及A股里重