最新

您好， 我想分享一个我一直在开发的开源项目。QuantSupport 是一个量化库，涵盖了不同资产类别（股票、利率、外汇、固定收益）的曲线构建、模拟和风险分析。 它的目标是成为银行的实际生产工具，而不是像许多其他工具那样仅仅是一个分析库。为此，它从头开始利用自动微分来获得风险功能（敏感度），这对于实际交易环境至关重要。 该库还包含其他引擎，例如 XVA 引擎以及用于构建更复杂支付结构脚本语言。 我认为它正处于一个更加成熟的阶段，但为了确定这一点，我非常希望得到量化领域人士的反馈，任何评论都将不胜感激。 此外，在以下仓库中有一个示例： <a href="https://github.com/jmelo11/derivative_structuring" rel="nofollow">https://github.com/jmelo11/derivative_structuring</a> 其中，大型语言模型利用该库的脚本功能，为用户提示的请求提供定价和见解，从而实现模型一致的结果。

Back Me Up 是一款小巧的、略带科学风格的机器，可以查找支持你论点的已发表论文。它的灵感来源于一次与朋友关于生命科学的谈话，我们当时觉得“肯定有论文能证实大多数论点”，比如咖啡有害、咖啡有益等等。 你输入一个论点，例如“喝葡萄酒对心脏有益” -> 系统会在一个语料库（PMC、bioRxiv、medRxiv 和 arXiv）中进行语义搜索 -> 如果找到符合你论点的相关引文，就会提取出来并给出结论。 前端使用了 Sol 和 Opus 的组合，我花了一些时间探索不同的设计，最终选择了这个有点滑稽的打印机，它可以打印出你的证据。 一些说明： - 我没有进行准确性评估，这是一个我随意构建的项目，所以对其可靠性一无所知。但它通过了“感觉测试”，不妨试试看！ - 最初我为一小部分 PMC 数据构建了一个 RAG，但将其扩展似乎是一项耗时的工作，不适合一个晚上的项目。幸运的是，我找到了一个 API，可以跨不同来源进行语义搜索。

最初只是个玩笑（因为我拥有这个域名），结果却变成了一个最小可行产品（MVP）。它的实用性……到目前为止，还值得商榷？但确实存在一些用例，这种规格可能会派上用场。 我自己的规格可以在 <a href="https:&#x2F;&#x2F;spec.md&#x2F;allan" rel="nofollow">https:&#x2F;&#x2F;spec.md&#x2F;allan</a> 找到。在链接末尾加上 .md，就能得到 Markdown 版本。可以与 AI 代理共享，为它们提供关于您或您同事的背景信息。 欢迎提出反馈！

俄乌冲突的最佳分析师因 YouTube 的一些制裁，今天停止发布他的视频了。<p>https:&#x2F;&#x2F;www.youtube.com&#x2F;c&#x2F;%D0%A1%D0%B0%D0%B2%D1%80%D0%BE%D0%BC%D0%B0%D1%822018&#x2F;videos (该频道以前是西里尔文名称，所以链接本身没问题)。<p>编辑：他的 Boosty 也被禁了。Boosty 是俄罗斯的服务，YouTube 是美国的服务。