manatee

ชื่อ	อีโมจิ	สีจาก	น้ำโคลอร์โต	SDK	sdk_version	app_file	ที่ถูกตรึง	ใบอนุญาต	short_description
Manatee (LM): การวิเคราะห์ตลาดตามสถาปัตยกรรมแบบจำลองภาษา	-	สีฟ้า	สีแดง	Gradeio	4.22.0	app.py	จริง	Apache-2.0	การวิเคราะห์ตลาดตามสถาปัตยกรรมแบบจำลองภาษา

Manatee (LM): การวิเคราะห์ตลาดตามสถาปัตยกรรมแบบจำลองภาษา

โครงการนี้มุ่งเน้นไปที่การใช้ LLM เพื่อวิเคราะห์ข้อมูลอนุกรมเวลาเพื่อการพยากรณ์โดยใช้กระดาษ "Chronos: การเรียนรู้ภาษาของอนุกรมเวลา" จาก Amazon Web Services และ Amazon Supply Chain Optimization Technologies โครงการ Manatee ได้รับการออกแบบมาเพื่อดึงข้อมูลและพล็อตข้อมูลประวัติสำหรับหลักทรัพย์ทางการเงินการใช้ประโยชน์จาก API จาก Alpaca และพลังของโพลาร์และวางแผนสำหรับการจัดการข้อมูลและการสร้างภาพข้อมูล ด้วยคุณสมบัติเช่นการคำนวณค่าเฉลี่ยการหมุนและดัชนีความแข็งแรงสัมพัทธ์ (RSI) เครื่องมือนี้ยังช่วยในการวิเคราะห์ประสิทธิภาพที่ผ่านมาของหุ้นและสินทรัพย์ crypto

จากแหล่งที่มา:

ในงานนี้เราย้อนกลับไปและถาม: อะไรคือความแตกต่างพื้นฐานระหว่างรูปแบบภาษาที่ทำนายโทเค็นถัดไปและรูปแบบการพยากรณ์อนุกรมเวลาที่ทำนายค่าต่อไป? แม้จะมีความแตกต่างที่ชัดเจน - โทเค็นจากพจนานุกรม จำกัด เมื่อเทียบกับค่าจากโดเมนที่ไม่มีขอบเขตซึ่งมักจะเป็นโดเมนต่อเนื่อง - ทั้งสองความพยายามโดยพื้นฐานมีจุดมุ่งหมายเพื่อจำลองโครงสร้างตามลำดับของข้อมูลเพื่อทำนายรูปแบบในอนาคต ไม่ควรใช้รูปแบบภาษาที่ดี“ แค่ทำงาน” ในซีรีย์เวลาหรือไม่? คำถามที่ไร้เดียงสานี้กระตุ้นให้เราท้าทายความจำเป็นของการปรับเปลี่ยนเฉพาะอนุกรมเวลาและการตอบคำถามทำให้เราพัฒนา Chronos กรอบการสร้างแบบจำลองภาษาที่ปรับเปลี่ยนสำหรับการพยากรณ์อนุกรมเวลาน้อยที่สุด Chronos tokenizes อนุกรมเวลาลงในถังขยะที่ไม่ต่อเนื่องผ่านการปรับขนาดอย่างง่ายและปริมาณของค่าจริง ด้วยวิธีนี้เราสามารถฝึกฝนรูปแบบภาษานอกชั้นวางใน“ ภาษาของอนุกรมเวลา” นี้โดยไม่มีการเปลี่ยนแปลงสถาปัตยกรรมแบบจำลอง วิธีการที่ตรงไปตรงมานี้พิสูจน์ให้เห็นว่ามีประสิทธิภาพและมีประสิทธิภาพโดยเน้นย้ำถึงศักยภาพของสถาปัตยกรรมแบบจำลองภาษาเพื่อแก้ไขปัญหาอนุกรมเวลาที่หลากหลายด้วยการปรับเปลี่ยนขั้นต่ำ -

การพึ่งพาอาศัยกัน

ห้องสมุดที่ใช้:

1. json : ห้องสมุด Python ในตัวสำหรับการแยกวิเคราะห์ข้อมูล JSON ไม่จำเป็นต้องติดตั้ง

2. datetime & time : Libraries Python ในตัวสำหรับการจัดการวันที่และเวลา ใช้ที่นี่สำหรับการกำหนดกรอบเวลาสำหรับการดึงข้อมูล ไม่จำเป็นต้องมีการติดตั้ง

3. plotly (เป็น px ): ให้อินเทอร์เฟซที่ใช้งานง่ายเพื่อวางแผนซึ่งใช้สำหรับการสร้างพล็อตแบบโต้ตอบ ติดตั้งผ่าน PIP:

   pip3 install plotly

4. polars (AS pl ): ไลบรารี DataFrames ที่รวดเร็วเหมาะสำหรับข้อมูลอนุกรมเวลาทางการเงิน ติดตั้งโดยใช้ PIP:

   pip3 install polars

5. alpaca-py : A Python Library สำหรับ Alpaca API มันให้การเข้าถึงข้อมูลหุ้น/crypto ในอดีตและการดำเนินการซื้อขาย ติดตั้งโดยใช้ PIP:

   pip3 install alpaca-trade-api

คู่มือการติดตั้ง

ในการติดตั้งการพึ่งพาทั้งหมดคุณสามารถใช้คำสั่งต่อไปนี้:

pip3 install plotly polars alpaca-py transformers gradio spaces

หมายเหตุ: ตรวจสอบให้แน่ใจว่าคุณติดตั้ง Python ในระบบของคุณก่อนที่จะดำเนินการติดตั้งไลบรารีเหล่านี้

แนวทางปฏิบัติที่ดีที่สุด

• การจัดการคีย์ API : ด้วยเหตุผลด้านความปลอดภัยหลีกเลี่ยงการเข้ารหัสปุ่ม API ของคุณลงในสคริปต์ พิจารณาใช้ตัวแปรสภาพแวดล้อมหรือบริการที่ปลอดภัย

• ความเป็นส่วนตัวของข้อมูล : เมื่อจัดการข้อมูลทางการเงินสิ่งสำคัญคือการปฏิบัติตามกฎระเบียบของการปกป้องข้อมูล (เช่น GDPR, CCPA) ตรวจสอบให้แน่ใจว่าคุณมีสิทธิ์ใช้งานและแบ่งปันข้อมูลที่ดึงผ่านเครื่องมือนี้

• การจัดการข้อผิดพลาด : สคริปต์รวมถึงการจัดการข้อผิดพลาดขั้นพื้นฐาน แต่สำหรับการใช้งานการใช้งานลองใช้บล็อกการลองใช้ที่ครอบคลุมมากขึ้นเพื่อจัดการกับข้อผิดพลาดของเครือข่ายข้อยกเว้นขีด จำกัด API และความไม่สอดคล้องกันของข้อมูล

• การพิจารณาการวางแผน : เครื่องมือนี้ใช้พล็อตสำหรับการสร้างภาพซึ่งมีความหลากหลายมาก แต่สามารถใช้ทรัพยากรได้มากสำหรับชุดข้อมูลขนาดใหญ่ สำหรับการวิเคราะห์ชุดข้อมูลขนาดใหญ่ให้พิจารณาการสร้างพล็อตที่มีจุดข้อมูลน้อยลงหรือรวบรวมข้อมูลก่อนที่จะวางแผน

• การจัดการทรัพยากร : เมื่อจัดการกับชุดข้อมูลขนาดใหญ่หรือคำขอ API จำนวนมากตรวจสอบการใช้งานระบบและ API ของคุณเพื่อหลีกเลี่ยงการโอเวอร์โหลด

• การควบคุมเวอร์ชัน : อัปเดตการพึ่งพาของคุณเป็นประจำ API ทางการเงินและการจัดการข้อมูลไลบรารีพัฒนาและทำให้พวกเขาทันสมัยสามารถปรับปรุงความปลอดภัยประสิทธิภาพและการเข้าถึงคุณสมบัติใหม่

อ้างถึงโครงการนี้

หากคุณใช้รหัสนี้ในการวิจัยของคุณโปรดใช้รายการ BIBTEX ต่อไปนี้

 @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 }
}

ข้อเสนอแนะ

หากคุณมีข้อเสนอแนะใด ๆ โปรดติดต่อที่ [email protected]