返回首页
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程的自我改进强化学习环境。
随着各种基准测试的增多，评估逐渐饱和，变得对模型比较毫无意义。有效的基准应该随着模型的进步而增加难度。在我们之前的量化工作中，Michael和我发现市场正好具备这一特性：随着人们从交易中的低效中获利，市场变得更加高效，使得新的盈利策略更难以发现，而旧的策略则随着时间的推移而衰退。
这使得市场成为一个理想的、不断发展的大型语言模型（LLM）训练基准。困难之处在于将专业的量化工作流程转化为可靠的训练环境，因为这是一项非常小众的专业技能。
在我们的环境中，我们为LLM提供量化交易工作流程，并评估其在样本外数据上的表现：构建预测特征/模型，设计投资组合，回测策略，持续适应市场状态。每个步骤都是一个任务，使用不同的自建工具。例如，特征构建任务为智能体提供了时间段[0,T]的清理市场数据以进行研究，回测工具用于在时间t对创建的特征进行测试，执行工具用于在[t+1,T]上使用新特征交易策略，最后进行评估。我们的奖励机制能够孤立智能体的特征构建能力，同时又能受益于市场特性。
通过在我们的环境中运行最先进的模型，我们发现：i）它们似乎在深入研究想法时遇到困难，更倾向于广泛的浅层搜索；ii）更高层次的推理似乎并没有提高性能；iii）智能体不理解交易，例如，当亏损时，它们停止交易，而不是更聪明地进行交易。更多细节请查看我们的博客！<a href="https://edotenv.com/?tab=blog" rel="nofollow">https://edotenv.com/?tab=blog</a>
量化工作流程本质上是应用机器学习研究、长远规划和持续学习。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现实的研究工作流程：我们使用真实世界的数据而非合成数据；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和即时的，无需额外的LLM评审或人类专家。
我们开源了一个示例任务库：<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、长远规划或量化研究感兴趣的AI实验室/研究人员/企业出售不断改进的环境，以训练他们自己的智能体。
我们非常希望听到任何在我们的环境中尝试自己智能体的人的反馈，无论是评估还是训练后。当然，我们也很乐意讨论与LLM一起交易的未来（不，这并不意味着让LLM解读茶叶，告诉你明天该买什么股票）。期待您的评论！
目前互联网上几乎所有流行的图像处理工具都需要将图像发送到服务器进行处理，并声称会在8小时内删除这些图像。<p>考虑到现在的浏览器功能强大，几乎所有的图像转换都可以在浏览器中完成。<p><a href="https://trustedimagetools.com/" rel="nofollow">https://trustedimagetools.com/</a> - 解决了这一隐私问题。<p>该工具使用了大多数开源的WASM库，并针对性能进行了定制，能够根据图像类型动态选择处理方式。<p>它支持压缩、转换、裁剪、调整大小等功能，并内置了几乎所有用户所需的快速预设。<p>请查看 - <a href="https://trustedimagetools.com/" rel="nofollow">https://trustedimagetools.com/</a>，并告诉我你的想法。<p>注意 - 这是我第二个隐私项目，diffchecker.dev是我的第一个，它在互联网上并不是第二个diffchecker。
一旦你意识到你的公司根本没有解决任何问题，你该如何转型？