🚀 快速阅读

1. 架构：基于多层感知器（MLP），通过指标、时间和股票混合处理股票数据。

2. 功能：捕捉股票指标、时间和股票间的复杂相关性，预测下一个交易日的收盘价。

3. 应用：适用于量化投资、风险管理、算法交易和投资组合优化等场景。

正文（附运行示例）

StockMixer 是什么

StockMixer 是上海交通大学推出的用于股票价格预测的多层感知器（MLP）架构，具备简单且强大的预测能力。该架构通过指标混合、时间混合和股票混合三个步骤处理和预测股票数据，有效捕捉股票指标、时间和股票间的复杂相关性。

时间混合利用多尺度时间片段信息，股票混合基于市场状态影响个股，从而实现更准确的预测。StockMixer 在减少内存使用和计算成本的同时，在多个股票市场基准测试中表现优异，超越多种先进的预测方法。

StockMixer 的主要功能

1. 指标混合：通过矩阵乘法和激活函数模拟每只股票-时间对内部指标之间的相互作用，提取对未来股票趋势有信息量的高级别潜在特征。

2. 时间混合：基于多尺度时间片段的信息交换来捕捉股票价格运动中的时间趋势和模式，支持模型从不同时间尺度提取特征。

3. 股票混合：学习从整个市场到个股再回到整个市场的股票状态，模拟股票之间的复杂相关性，更稳健地建模股票相关性。

4. 预测股票价格：结合上述混合得到的特征表示，预测下一个交易日的收盘价。

StockMixer 的技术原理

1. 多层感知器（MLP）架构：基于 MLP，通过线性计算复杂度和简单的架构处理股票数据。

2. 信息交换：基于 MLP 结构在不同维度（指标、时间和股票）之间交换信息，增强模型的表现力。

3. 残差连接和层归一化：用残差连接保持输入和混合特征之间的平衡，层归一化减少数据偏移的影响。

4. 多尺度时间片段：将时间序列分割成不同大小的片段，捕获不同时间尺度上的特征。

5. 股票到市场和市场到股票的影响：基于两个 MLP 结构学习潜在的股票状态，用这些状态影响个股，模拟股票之间的相关性。

6. 损失函数设计：结合点回归和成对排名感知损失，优化模型用最小化预测和实际回报率之间的均方误差，保持高预期回报股票的相对顺序。

如何运行 StockMixer

1. 环境配置

确保已安装以下依赖：

• Python 3.7

• torch~=1.10.1

• numpy~=1.21.5

• PyYAML, pandas, tqdm, matplotlib

2. 数据集准备

原始数据集（NASDAQ、NYSE 和 S&P500）可从以下链接获取：

• NASDAQ/NYSE: https://github.com/fulifeng/Temporal_Relational_Stock_Ranking

• S&P500: https://github.com/thanhtrunghuynh93/estimate

3. 运行代码

编辑 train.py 中的配置，然后运行以下命令：

python src/train.py   

资源

• GitHub 仓库：https://github.com/SJTU-DMTai/StockMixer

• 技术论文：https://ojs.aaai.org/index.php/AAAI/article/view/28681

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】