最新

我们是 Rui 和 Michael，我们正在构建 EdotEnv（<a href="https://edotenv.com" rel="nofollow">https://edotenv.com</a>）：来自量化交易工作流的自学习强化学习环境。 在进行了大量的基准测试之后，评估结果趋于饱和，对于模型比较变得毫无意义。有用的基准应该随着模型的进步而增加难度。回到我们的量化工作岗位时，Michael 和我发现市场恰恰具备这一特性：随着人们从交易低效率中获利，市场变得越来越有效，新的盈利策略越来越难找到，旧的策略也会随着时间而衰退。 这使得市场成为 LLM 训练的理想的、不断演进的基准。难点在于将专业的量化工作流转化为可靠的训练环境，因为这需要非常专业的知识。 在我们的环境中，我们为 LLM 提供量化交易工作流，并在样本外数据上评估它们的表现：构建预测性特征/模型、设计投资组合、回测策略、持续适应市场状态。每一步都是一个带有不同自建工具的任务。例如，一个预测性特征构建任务会给代理商提供时间段 [0,T] 的清理后的市场数据来研究想法，一个回测工具用于在时间 t 上测试 [0, t] 的已创建特征，一个执行工具用于在 [t+1, T] 上使用新特征交易策略，以及最终的评估。我们的奖励机制隔离了代理商的特征构建能力，同时又能从市场特性中获益。 通过在我们的环境中运行最先进的模型，我们发现 i) 它们似乎难以深入迭代研究想法，倾向于进行广泛而浅层的搜索；ii) 更高的推理能力似乎并未提高性能；iii) 代理商不理解交易，例如在亏损时它们会停止交易，而不是更聪明地交易。请查看我们的博客了解更多详情！<a href="https://edotenv.com/?tab=blog" rel="nofollow">https://edotenv.com/?tab=blog</a> 量化工作流本质上是应用机器学习研究、长期规划和持续学习。通过我们的环境，我们教授这些可转移的研究技能，而不是特定任务的答案。我们的环境更接近于真实的研究工作流：我们使用真实世界的数据而不是合成数据；我们的环境自然包含噪声和真实的权衡；我们的奖励是可验证且即时的，无需额外的 LLM 裁判或人类专家。 我们开源了一个示例任务存储库：<a href="https://github.com/MMcollab-dotcom/feature-engineering" rel="nofollow">https://github.com/MMcollab-dotcom/feature-engineering</a>。我们计划向对机器学习建模能力、持续学习、长期规划或量化研究感兴趣的 AI 实验室/研究人员/企业销售持续改进的环境，用于训练他们自己的代理商。 我们非常欢迎任何在我们的环境中尝试自己代理商的人提供反馈，无论是用于评估还是训练后。当然，我们也乐于讨论 LLM 在交易中的未来（而且，不，不应该让 LLM 读取茶叶渣并告诉你明天要买哪只股票）。期待您的评论！

目前互联网上几乎所有流行的图片处理工具都会将图片发送到服务器进行处理，并声称会在 8 小时后删除。 鉴于如今浏览器功能强大，几乎所有的图片转换都可以在浏览器本身完成。 https://trustedimagetools.com/ - 解决了这一隐私问题。 它使用了大多数开源的 WASM 库，并针对性能进行了定制，根据图片类型动态选择。 它支持压缩、转换、裁剪、调整大小等功能，并内置了用户几乎所有需要的快速预设。 请访问 https://trustedimagetools.com/ 并分享您的想法。 注意 - 这是我的第二个隐私项目，diffchecker.dev 是我的第一个项目，它不是互联网上排名第二的 diffchecker。

一旦你意识到你的公司根本没有解决任何问题，你会如何转型？