manatee

título	Emoji	colorfrom	Colorto	sdk	sdk_version	APP_FILE	preso	licença	short_description
Peixe -boi (LM): análise de mercado com base em arquiteturas de modelos de idiomas	?	azul	vermelho	Gradio	4.22.0	app.py	verdadeiro	Apache-2.0	Análise de mercado com base em arquiteturas de modelos de idiomas

Peixe -boi (LM): análise de mercado com base em arquiteturas de modelos de idiomas

Este projeto se concentra no empregado da LLM para analisar dados de séries temporais para fins de previsão, com base no artigo "Chronos: aprendendo a linguagem da série temporal" dos serviços da Amazon Web e tecnologias de otimização da cadeia de suprimentos. O projeto do peixe -boi foi projetado para buscar, calcular e plotar dados históricos para valores mobiliários financeiros, alavancar APIs da Alpaca e o poder dos polares e plotagem para manipulação e visualização de dados. Com recursos como calcular a média do rolamento e o índice de força relativa (RSI), essa ferramenta também ajuda a analisar o desempenho passado de ações e ativos de criptografia.

Da fonte:

Neste trabalho, damos um passo atrás e perguntamos: Quais são as diferenças fundamentais entre um modelo de idioma que prevê o próximo token e um modelo de previsão de séries temporais que prevê os próximos valores? Apesar da aparente distinção - os tokens de um dicionário finito versus valores de um domínio geralmente contínuo e geralmente contínuo - ambos se esforçam fundamentalmente para modelar a estrutura seqüencial dos dados para prever padrões futuros. Os bons modelos de idiomas não deveriam "apenas trabalhar" em séries temporais? Essa pergunta ingênua nos leva a desafiar a necessidade de modificações específicas da série temporal e respondê-la nos levou a desenvolver Chronos, uma estrutura de modelagem de idiomas minimamente adaptada para previsão de séries temporais. O Chronos tokeniza as séries temporais em caixas discretas por meio de escala e quantização simples de valores reais. Dessa forma, podemos treinar modelos de idiomas prontos para uso nessa “linguagem de séries temporais”, sem alterações na arquitetura do modelo. Notavelmente, essa abordagem direta prova ser eficaz e eficiente, ressaltando o potencial de arquiteturas de modelos de idiomas para abordar uma ampla gama de problemas de séries temporais com modificações mínimas. [...]

Dependências

Bibliotecas usadas:

1. json : Uma biblioteca Python embutida para analisar dados JSON. Não há necessidade de instalação.

2. datetime & time : Bibliotecas Python integradas para lidar com a data e hora. Usado aqui para definir prazos para buscar dados. Nenhuma instalação necessária.

3. plotly (como px ): fornece uma interface fácil de usar para plotagem, que é usada para criar gráficos interativos. Instale via PIP:

   pip3 install plotly

4. polars (AS pl ): uma biblioteca rápida de dados de dados ideal para dados de séries temporais financeiras. Instale usando PIP:

   pip3 install polars

5. alpaca-py : Uma biblioteca Python para API da ALPACA. Ele fornece acesso a dados históricos de ações e operações de negociação de ações/criptografia. Instale usando PIP:

   pip3 install alpaca-trade-api

Guia de instalação

Para instalar todas as dependências, você pode usar o seguinte comando:

pip3 install plotly polars alpaca-py transformers gradio spaces

Nota: Verifique se você está instalado no seu sistema Python antes de prosseguir com a instalação dessas bibliotecas.

Práticas recomendadas

• Gerenciamento de chaves da API : por razões de segurança, evite codificar suas teclas de API no script. Considere o uso de variáveis ​​de ambiente ou um serviço de cofre seguro.

• Privacidade de dados : Ao lidar com dados financeiros, é crucial cumprir os regulamentos de proteção de dados (como GDPR, CCPA). Certifique -se de ter o direito de usar e compartilhar os dados obtidos através desta ferramenta.

• Manuseio de erros : o script inclui manuseio básico de erros, mas para uso da produção, considere implementar blocos de tentativa mais abrangente para lidar com erros de rede, exceções limitadas da API e inconsistências de dados.

• Plotating Considerações : Esta ferramenta usa plotly para visualização, que é muito versátil, mas pode ser intensiva em recursos para grandes conjuntos de dados. Para analisar conjuntos de dados grandes, considere criar gráficos com menos pontos de dados ou agregar os dados antes de plotar.

• Gerenciamento de recursos : Ao lidar com grandes conjuntos de dados ou inúmeras solicitações de API, monitore o uso do seu sistema e da API para evitar a sobrecarga.

• Controle de versão : atualize regularmente suas dependências. As APIs financeiras e as bibliotecas de manuseio de dados evoluem, e mantê -las atualizadas pode melhorar a segurança, a eficiência e a acessibilidade de novos recursos.

Citando este projeto

Se você usar este código em sua pesquisa, use a seguinte entrada do Bibtex.

 @misc { louisbrulenaudet2023 ,
	author = { Louis Brulé Naudet } ,
	title = { MANATEE(lm) : Market Analysis based on language model architectures } ,
	howpublished = { url{https://huggingface.co/spaces/louisbrulenaudet/manatee} } ,
	year = { 2024 }
}

Opinião

Se você tiver algum feedback, entre em contato com [email protected].