#金融

TA是一个基于Pandas和Numpy的Python技术分析库,专门用于金融时间序列数据的特征工程。该库实现了43种技术指标,涵盖成交量、波动性、趋势和动量等方面,包括移动平均线、布林带、MACD等。TA为金融数据分析和量化交易策略开发提供了全面的工具支持。

轩辕项目开源了6B、13B、70B等规模的中文大语言模型系列。这些模型在金融领域表现突出，FinanceIQ评测结果优于GPT-4。在C-Eval、CMMLU等通用能力测试中也取得了优秀成绩。项目同时发布高质量中文金融数据集，促进金融AI研究。多种模型规格可满足不同应用场景需求。

TradingView Scripter为交易者和开发者提供专业的脚本编写服务，支持创建、测试和优化TradingView自定义指标和策略。平台提供全面的教程、先进的工具和活跃的社区支持，旨在提升用户的交易分析能力和自动化交易策略。适合从初学者到经验丰富的各级别交易员，提供丰富的资源和独特的功能，以显著增强用户在TradingView平台上的交易体验和效率。

资源列表囊括了投资与金融领域的优质学习材料，包括经典书籍、权威网站、专业博客、在线课程和讨论论坛。内容涉及价值投资、行为金融、市场分析等核心主题，为不同层次的学习者提供了系统化的知识框架。通过这份全面的清单，读者可以有效地拓展投资视野，提升专业技能。

36氪通过全面、独家的视角为用户深度剖析最前沿的资讯，涵盖快讯、科技、金融、投资、房产、汽车、互联网、股市、教育、生活、职场等多个领域，不断探索新商业，提供深度分析。

CentralBankRoBERTa-sentiment-classifier是一个专门用于分析中央银行沟通的情感分析模型。该模型基于RoBERTa架构，能够识别涉及家庭、企业、金融部门和政府的句子情感。经过大规模数据集微调后，模型准确率达到88%。研究人员可通过Hugging Face Transformers库轻松使用该模型，实现中央银行文本的自动化情感分析。

该模型基于DistilBERT架构，在BANKING77数据集上微调，可识别77种银行业务意图，准确率达92.44%。支持快速推理，适用于实时客户查询分析。训练仅需20分钟，成本效益高，为银行客服智能化提供了实用方案。模型能够提高客户服务效率，改善服务质量，助力银行业务数字化转型。

KF-DeBERTa基于DeBERTa-v2架构，结合Electra的RTD目标训练，旨在金融和通用领域应用。其在KLUE基准测试上表现突出，超越RoBERTa-Large，并在金融领域任务如情感分析、广告分类和实体识别中展现领先性能，体现出其在财经信息处理中的适用性和精准度。