manatee

заголовок	эмодзи	Colorprom	колорто	SDK	sdk_version	app_file	прикреплен	лицензия	short_description
Manatee (LM): анализ рынка на основе архитектур языковой модели	?	синий	красный	градио	4.22.0	app.py	истинный	Apache-2.0	Анализ рынка на основе архитектур языковой модели

Manatee (LM): анализ рынка на основе архитектур языковой модели

Этот проект фокусируется на использовании LLM для анализа данных временных рядов для целей прогнозирования, основанную на бумаге «Chronos: изучение языка временных рядов» из технологий Amazon Web Services и Amazon. Проект Manatee предназначен для извлечения, вычисления и заговора исторических данных для финансовых ценных бумаг, используя API -интерфейсы от Alpaca, а также силу поляров и наставление для манипулирования и визуализацией данных. С такими функциями, как вычисление среднего и относительного индекса прочности (RSI), этот инструмент также помогает анализировать прошлые характеристики акций и крипто -активов.

Из источника:

В этой работе мы делаем шаг назад и спрашиваем: каковы фундаментальные различия между языковой моделью, которая предсказывает следующий токен, и моделью прогнозирования временных рядов, которая предсказывает следующие значения? Несмотря на очевидное различие - токены из конечного словаря по сравнению с значениями из неограниченной, обычно непрерывной области - оба стремятся в основном стремиться к моделированию последовательной структуры данных для прогнозирования будущих моделей. Разве хорошие языковые модели не должны «просто работать» на временных рядах? Этот наивный вопрос побуждает нас оспаривать необходимость модификаций специфических временных рядов, и отвечая на него, заставив нас разработать Chronos, структуру языкового моделирования, минимально адаптированную для прогнозирования временных рядов. Chronos токенизирует временные ряды в дискретные ящики посредством простого масштабирования и квантования реальных значений. Таким образом, мы можем обучить готовые языковые модели на этом «языке временных рядов» без изменений в модельной архитектуре. Примечательно, что этот простой подход оказывается эффективным и эффективным, подчеркивая потенциал для языковой модели архитектуры для решения широкого спектра задач временных рядов с минимальными модификациями. [...]

Зависимости

Библиотеки используются:

1. json : встроенная библиотека Python для анализа данных JSON. Нет необходимости в установке.

2. datetime & time : встроенные библиотеки Python для обработки даты и времени. Используется здесь для определения сроков для извлечения данных. Установка не требуется.

3. plotly (как px ): обеспечивает простой в использовании интерфейс для участков, который используется для создания интерактивных графиков. Установите через PIP:

   pip3 install plotly

4. polars (как pl ): быстрое библиотека данных, идеально подходящее для данных финансовых временных рядов. Установите с помощью PIP:

   pip3 install polars

5. alpaca-py : библиотека Python для API ALPACA. Он обеспечивает доступ к историческим акциям/крипто -данным и торговым операциям. Установите с помощью PIP:

   pip3 install alpaca-trade-api

Руководство по установке

Чтобы установить все зависимости, вы можете использовать следующую команду:

pip3 install plotly polars alpaca-py transformers gradio spaces

ПРИМЕЧАНИЕ. Убедитесь, что у вас будет установлен Python в вашей системе, прежде чем продолжить установку этих библиотек.

Лучшие практики

• Управление API Keys : из соображений безопасности избегайте жесткого кодирования своих ключей API в сценарий. Рассмотрите возможность использования переменных среды или службы безопасного хранилища.

• Конфиденциальность данных : при обработке финансовых данных крайне важно соблюдать правила защиты данных (например, GDPR, CCPA). Убедитесь, что вы имеете право использовать и делиться данными, извлеченными через этот инструмент.

• Обработка ошибок : сценарий включает в себя базовую обработку ошибок, но для использования производства рассмотрите возможность реализации более полных блоков Try-Except для обработки сетевых ошибок, исключений предела API и несоответствий данных.

• Построение соображений : этот инструмент использует сюжет для визуализации, которая очень универсальна, но может быть ресурсным для крупных наборов данных. Для анализа больших наборов данных рассмотрите возможность создания графиков с меньшим количеством точек данных или агрегировать данные перед построением.

• Управление ресурсами : при работе с большими наборами данных или многочисленными запросами API контролируйте использование вашей системы и API, чтобы избежать перегрузки.

• Управление версией : регулярно обновлять ваши зависимости. Финансовые API -интерфейсы и библиотеки обработки данных развиваются, и поддержание их актуальных условий может повысить безопасность, эффективность и доступность новых функций.

Ссылаясь на этот проект

Если вы используете этот код в своем исследовании, используйте следующую запись 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 }
}

Обратная связь

Если у вас есть какие -либо отзывы, пожалуйста, обратитесь на [email protected].