大语言模型（LLM）是2022年底ChatGPT横空出世以来，计算机技术中最炙手可热、日新月异的前沿领域。LLM已慢慢剥离单纯的工具属性，成为独立处理任务的智能载体。2024年，Qwen2、Llama3.1等千亿参数模型陆续发布，开源模型性能逐步接近闭源水平。作为量化研究人员，如何将大语言模型技术与金融应用相结合，提升投研水平，是必须思索的命题。本文首先参考李沐演讲分析LLM发展趋势与最佳实践，然后综述量化投资领域LLM的具体应用场景。

SHAP (SHapley Additive exPlanations)基于博弈论，是一种模型无关的机器学习解释方法，既能衡量单次预测结果中的特征贡献，也能聚合局部结果成为对模型的整体解释。SHAP方法在理论上有诸多优异性质，得益于大量工程优化，在实践中也有很强的可操作性，是XAI领域的重要方法。本文主要简介SHAP的基础理论，并给出应用示例。

本文介绍了三种度量变量相关性的指标：Pearson相关系数、Spearman相关系数和Chatterjee相关系数，最后一种可以简便地衡量非线性相关关系。

后羿（HOUYI） 定位于通用电子射击游戏瞄准辅助程序，目前支持的游戏是Apex Legends（以下简称apex）。其运行框架由识别-追踪二阶段构成，具体来说，先用目标检测算法识别出屏幕中敌人，再自动计算并校正准星位置。HOUYI的使命是用计算机技术对抗电子射击游戏对人的异化。

Don’t Panic

引言

这个社会存在着——或者说将会存在——一个问题，那就是：大部分人在大部分时间产生数据，同时受数据支配，却对此一无所知。针对这一问题人类生产了大量文章，但其中绝大多数是从各种数学符号的组合入手的——这很奇怪，因为无知的并不是这些数学符号。

本文的写作目的是让您——哪怕从没听说过微积分——掌握进入大数据时代所需的一切知识。尽管显得冗长，并且包含许多虚假或者至少是不够准确的信息，但它在两个极其重要的方面超越了那些更加高深和老派的学术著作。

第一，它是完全免费的；第二，在它的开头以大而友善的字体写着“Don’t Panic”。其内容也使得读者略过繁难的数学公式，直接获取高层次的总体概念，笔者愿称之为Math-free。

Risk of Rain 2中角色DPS可以被分解为数个子项的乘积（基础攻击力、攻速、暴击率等），因此线性堆叠攻速、暴击等属性的装备数量增加可以带来指数级的dps增长。类似地，角色的坦度也可以被分解为总血量乘以护甲。由于装备资源有限、巨大的边际收益以及提升成本不一致导致的复杂性，有必要提前计算装备数量约束下达到最大DPS和有效生命的最优配装。而这对于工程师而言是最有意义的，因为炮塔是以纯粹站桩输出的形式出现的。

本文首先证明了k-means算法的收敛性，与网上已有资料相比较为简洁明了。后半部分讨论了k-means结合GMM与RPCL算法思想后产生的两种变体。本文不适合初步了解k-means算法阅读。

本文用python训练一个智能体，可以从起点走向终点而不会掉下悬崖，实现并对比强化学习中的Sarsa和Q-learning算法，讨论形成最优解因素。

逻辑回归是在工业界广泛应用的分类算法，特点是结构简单，主要有以下优缺点：

pros
1.训练和运行速度都很快
2.实现方便
3.内存占用少
4.可解释性好

cons
1.由于于无法拟合非线性关系，对特征工程的要求较高。
2.对多重共线性数据较为敏感