==== |
====== |
========= |
======= |
===== |
==== |
==== |
==== |
======= |
======= |
============ |
| Backtrader Documentation （官网） | Backtrader量化平台教程（一）:backtrader的整体框架 |
| Backtrader 基本使用教程 — 量化投资实战教程(1) | 「手把手教你」入门量化回测最强神器backtrader（二） |
| 量化投资实战教程(1)—基于backtrader的简单买入卖出策略 | |
| vn.py官网 | vn.py项目文档 |
| VNPY知乎专栏 | |
| 沪深Level2行情 | |
Modeling the Momentum Spillover Effect for Stock Prediction via Attribute-Driven Graph Attention Networks |
Universal Trading for Order Execution with Oracle Policy Distillation |
Stock Selection via Spatiotemporal Hypergraph Attention Network: A Learning to Rank Approach |
| Copula-based Contrastive Prediction Coding (Co-CPC) || stocknet-dataset 在对股票走势预测进行深入研究的同时，由于数据和建模的不确定性，现有工作的泛化程度较低。一方面，以端到端方式对随机股票数据训练股票表示可能导致过度建模，涉及模型的不确定性；另一方面，股票数据与其相关因素的相关性分析涉及到数据的不确定性。为了同时从数据和建模的角度解决这些不确定性，一个基本但具有挑战性的任务是通过考虑从宏观层面到行业和微观层面的层次耦合，以更少的不确定性学习更好的股票表征。为此，我们提出了一种基于Copula的对比预测编码(Co-CPC)方法。Co-CPC首先建立了特定股票部门和相关宏观经济变量之间的依赖关系模型，这些变量是顺序的和异质性的，例如，宏观变量与不同的时间间隔、规模和分布有关。然后，通过引进宏观状态信息，以自我监督的方式学习股票表征，可以进一步用于下游任务，如股票移动预测。在两个典型的股票数据集上的大量实验验证了Co-CPC方法的有效性。 |
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。