- 综合排序
- 最热优先
- 最新优先
- 来自专栏量化投资与机器学习
Marcos Lopez de Prado：金融机器学习的10大应用
全网TOP量化自媒体 Marcos Lopez de Prado，想必国内的读者这几年应该熟悉一些了吧！ 公众号第一次介绍Marcos Lopez de Prado，则是来自他一篇论文：《The 7 Reasons Most Machine Learning Funds Fail》，公众号进行了解读，详见： Advances in Financial Machine Learning》： 今年又出了一本：《Machine Learning for Asset Managers》 最新，Marcos Lopez de Prado 应邀在美国计算机学会关于金融领域的人工智能会议上发表主旨演讲，会议将于2020年10月14日至16日举行： https://ai-finance.org/conference-program/ 不过Marcos Lopez de Prado 合约的方向（Long | Short）和合约的大小（size）无法在三隔栏方法中体现，也就导致无法止盈和止损，所以Marcos Lopez de Prado引出了Meta-Labeling作为数据的进一步处理方法
1.6K20发布于 2020-10-27 - 来自专栏量化投资与机器学习
Marcos Lopez de Prado：计量经济学家的机器学习手册
它们包括计量经济学方法传统范围之外的问题，如投资组合构建、押注规模、复杂优化、情绪分析、自动化、错误投资策略的检测、经济系统的图论表示，以及许多其他（López de Prado 2016, 2018c
1.1K20编辑于 2022-08-26 - 来自专栏新智元
谷歌推出新模型「pQRNN」，少量参数下进行文本分类，性能堪比BERT
PRADO是如何工作的 在一年前开发时，PRADO 利用了 NLP 领域特有的文本分割来减少模型的大小并提高性能。 图：PRADO的模型结构 图：PRADO和LSTM在Yelp数据集上的对比 通常，NLP 模型的文本输入首先被处理成适合输入神经网络的形式，将文本分割成与预定义的通用字典(包含所有可能的token列表 pQRNND:改进PRADO 在 PRADO 成功的基础上，我们提出了一种改进的NLP模型 pQRNN。 结论：轻量级文本分类神器 通过使用上一代模型PRADO证明了它可以作为下一代最先进的轻量级文本分类模型的基础。 为了促进这一领域的进一步研究，谷歌现在已经开源了 PRADO 模型，并鼓励社区使用它作为新模型架构的起点。
94451发布于 2020-09-27 - 来自专栏相约机器人
性能媲美BERT，但参数量仅为1/300，这是谷歌最新的NLP模型
去年，谷歌发布了一种被称为 PRADO 的神经架构，该架构当时在许多文本分类问题上都实现了 SOTA 性能，并且参数量少于 200K。 大多数模型对每个 token 使用固定数目的参数，而 PRADO 模型使用的网络结构只需要很少的参数即可学习与任务最相关或最有用的 token。 ? PRADO 的工作原理 在一年前开发该模型时，PRADO 在文本分割上充分利用特定领域的 NLP 知识，以降低模型大小和提升模型性能。 改进 PRADO 谷歌研究者在 PRADO 的基础上开发了一个更强的 NLP 模型——pQRNN。 为了鼓励社区在谷歌研究成果的基础上做出进一步改进，谷歌还开源了 PRADO 模型。
70850发布于 2020-09-28 - 来自专栏编程
国外十大流行开源框架排名，第一名你绝对不知道？
Prado PRADO团队由一些PRADO狂热者组成，这些成员开发并推动PRADO框架以及相关项目的进行。 PRADO的灵感起源于Apache Tapestry。 从04年开始，PRADO成为SourceForge上的开源项目之一。这个项目目前进展到了3.x版本。 8.
4K60发布于 2018-01-10 - 来自专栏安恒信息
研究人员将在Blackhat 2013上讲解如何30秒破解SSL
Salesforce和Square工程师Angelo Prado和Neal Harris将在Blackhat USA 2013上发表《SSL，30秒破解-超越CRIME》的议题。 Angelo Prado说： “这是一个非常强大的工具，如果你了解工具的利用条件并且清楚你的攻击目标，你可以在不被受害者发现的情况下（不会有任何证书报错信息）破解SSL。” 如Prado所述，Salesforce和Square所做的一切建立在不久之前研究人员Juliano Rizzo和Thai Duong披的CRIME（Compression Ratio Info-leak
65760发布于 2018-04-09 - 来自专栏CSDNToQQCode
十大最主流的PHP框架
7、Prado PRADO团队由一些PRADO狂热者组成，这些成员开发并推动PRADO框架以及相关项目的进行。 PRADO的灵感起源于Apache Tapestry。 从04年开始，PRADO成为SourceForge上的开源项目之一。这个项目目前进展到了3.x版本。
4.9K30编辑于 2022-11-29 - 来自专栏云技术分享
【python 3.6】类：访问属性及调用方法
FOCUS 'FOCUS' >>> x1.danjia //访问x1商品的danjia属性，返回20 20 //上面两个属性都是在实例创建时定义的 >>> x2 = price('PRADO ',50) //新建一个实例对象，名称为PRADO，单价20 >>> x2.zhekou(0.7) //对此商品打7折 >>> x2.danjia
2.4K20发布于 2021-01-29 - 来自专栏CSDNToQQCode
PHP的25种框架
23、Prado PRADO团队由一些PRADO狂热者组成，这些成员开发并推动PRADO框架以及相关项目的进行。 PRADO的灵感起源于ApacheTapestry。 从04年开始，PRADO成为SourceForge上的开源项目之一。这个项目目前进展到了3.x版本。 24、ZooP ZoopPHP框架，意为Zoop面向对象的PHP框架。
5.8K20编辑于 2022-11-29 - 来自专栏量化投资与机器学习
【量化核武】美丽的回测——教你定量计算过拟合概率
除此之外，Bailey 和 Lopez de Prado 两位学者也讨论了 inflated Sharpe Ratio 的问题（Bailey and Lopez de Prado 2012, 2014） 在这个前提下，Bailey 和 Lopez de Prado 假设不同参数的策略的夏普率满足均值为 E[SR]、方差为 V(SR) 的正态分布。 Lopez de Prado 和他的 co-authors 提出的。 一个量化策略的提出往往经过回测、模拟盘、实盘三个阶段。 Lopez de Prado (2014). Lopez de Prado, and Q. J. Zhu (2017). The probability of backtest overfitting.
2.5K41发布于 2018-10-25 - 来自专栏Netkiller
怎样制作RPM包
Cassandra, MongoDB - Cache: APC Cache, XCache, Memcached, Squid, Varnish - Frameworks: PHP(CodeIgniter, Prado Cassandra, MongoDB - Cache: APC Cache, XCache, Memcached, Squid, Varnish - Frameworks: PHP(CodeIgniter, Prado Cassandra, MongoDB - Cache: APC Cache, XCache, Memcached, Squid, Varnish - Frameworks: PHP(CodeIgniter, Prado Cassandra, MongoDB - Cache: APC Cache, XCache, Memcached, Squid, Varnish - Frameworks: PHP(CodeIgniter, Prado Cassandra, MongoDB - Cache: APC Cache, XCache, Memcached, Squid, Varnish - Frameworks: PHP(CodeIgniter, Prado
5.3K60发布于 2018-03-05 - 来自专栏量化投资与机器学习
量化投资里的无监督学习算法：聚类
0 前言 本文的作者是我们熟悉的老朋友：Marcos Lopez de Prado ? 公众号第一次介绍Marcos Lopez de Prado，则是来自他一篇论文：《The 7 Reasons Most Machine Learning Funds Fail》，公众号进行了解读，详见：
1.6K20发布于 2020-02-14 - 来自专栏编程
三种主流Web架构
而完全基于组件和事件驱动的开发框架对于PHP来说也已经不新鲜，PRADO就是一个这样的框架，曾经得过Zend编程大赛的头奖。 但目前来说很显然Prado所提倡的这种开发方式仍然没有被大部份PHP程序员所接受。为什么呢？ 我觉得主要有以下两个问题： (1)效率问题 这里指的不是开发效率，而是代码的执行效率。 Prado本身提供了一个缓存机制来缓解这个问题。如果不采用缓存，可以说很多站点根本不能使用Prado这样的框架，比如门户网站，大型论坛等。 这是语言层次的功能，Prado无法通过代码层次的努力完全弥补。 (2)没有强大的IDE支持 设置控件的属性，添加其对应的事件处理器，看似简单，但控件多了，这也是个繁重的工作。. Prado目前没有这样的IDE支持。 总之，这种基于控件的框架比较适合于用户交互较多的，需要对页面中的很多组件设置不同处理操作，但对于性能要求不高的应用。
5.6K71发布于 2018-02-02 - 来自专栏竹清助手
为什么选择PHP作为后台语言
有很成熟的框架，比支持MVC的框架：phpMVC，支持类似ASP.net的事件驱动的框架：Prado，支持类似Ruby On Rails的快速开发的框架：Cake等等，足够满足你的应用需求。
1.7K30发布于 2018-08-31 - 来自专栏量化投资与机器学习
这场举世瞩目的人工智能听证会，让华尔街何去何从？
今天的这篇文章想说的太多太多，那就让我们从Marcos Lopez de Prado说起吧！ *图片来源：Webb's 报告 目前Marcos Lopez de Prado计划聘用一个约20人的团队，并根据每项任务聘请外部专家。 Marcos Lopez de Prado称，该公司已经与一些新客户签约，包括一家主权财富基金和几家对冲基金。 机器学习与回归和大数据的区别 Lopez de Prado还在SSRN网站上发表过一篇论文: 在这篇文章中，Marcos Lopez de Prado解释了机器学习如何不同于传统的回归分析 Marcos Lopez de Prado与另外四名专家一起出席作证，就人工智能对华尔街的影响进行发言。作证的五位小组成员是： Dr.
1.4K10发布于 2019-12-25 - 来自专栏量化投资与机器学习
分层风险平价：基于图论和机器学习的新资产配置方法（附代码）
我们应该关注的内容： 最近的文献提出了分层聚类下的风险平价分配模式，促使Lopez de Prado将该方法称为分层风险平价（HRP）： ? 将相关性转化为距离，如下所示： distances = np.sqrt((1 - estimate_correl) / 2) 第二步：准对角化 Lopez de Prado 应用了他所谓的quasi-diagonalization 为了便于比较，坐着考虑了Lopez De Prado的HRP策略的两个版本，它们都基于递归二分法：首先，复制原始策略，使用算法1中描述的单连接和逆方差分配。 其次，我们考虑算法2中描述的一种变体，使用Ward的方法和IVP，与Lopez de Prado的原始HRP策略进行比较。所考虑的策略概述见下表： ?
2.4K61发布于 2020-02-26 - 来自专栏PHP在线
php的优缺点
有很多成熟的框架，比如支持MVC的框架：phpMVC，支持类似ASP.net的事件驱动的框架：Prado，支持类似Ruby On Rails的快速开发的框架：Cake等等，足够满足你的应用需求。
5K50发布于 2018-03-07 - 来自专栏直播时代
PHP的优势在哪？
有很多成熟的框架，比如支持MVC的框架：phpMVC，支持类似ASP.net的事件驱动的框架：Prado，支持类似Ruby On Rails的快速开发的框架：Cake等等，足够满足你的应用需求。
3.3K20发布于 2019-07-22 - 来自专栏王的机器
『为金融数据打标签』「1. 三隔栏方法」
2 三隔栏方法 AFML 作者 Prado 一种创新的数据标注方法，三隔栏（Triple-Barrier, TB）方法。 ---- 写了几篇之后，现在总觉得 Prado 有点喜欢 show-off 的感觉，一个简单的东西讲得很晦涩，一篇简单的代码写得很复杂。不知道是自己段位不够，还是本来就是这样子的。
2.3K30发布于 2019-09-04 - 来自专栏量化投资与机器学习
如何更稳健的计算组合最优权重（附代码）
本期遴选论文 来源：SSRN 标题：A ROBUST ESTIMATOR OF THE EFFICIENT FRONTIER October 15, 2019 作者：Marcos López de Prado 今天分享的论文是Marcos López de Prado 2019年的论文《A ROBUST ESTIMATOR OF THE EFFICIENT FRONTIER》本文主要有两个创新点。
3K40发布于 2021-07-29
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号