Hikyuu 2.5.6 版本发布:量化交易框架的优化与修复
Hikyuu 是一个开源的量化交易研究框架,它提供了完整的量化交易解决方案,包括数据获取、策略开发、回测和实盘交易等功能。作为一个专业的量化工具,Hikyuu 致力于为量化交易研究者和开发者提供高效、稳定的开发环境。
核心功能优化
本次发布的 2.5.6 版本主要针对框架的稳定性和功能性进行了多项优化和修复:
-
指标计算修复:解决了指标在动态参数情况下的计算错误问题,这对于依赖动态参数调整策略的用户尤为重要。
-
K线数据处理改进:修复了预加载参数大小写不一致导致的问题,确保数据加载的稳定性。
-
多因子模型增强:修复了使用 SE_MultiFactor(mf, topn) 形式创建的多因子模型无法正常运行的问题,提升了因子分析的可靠性。
-
数据导入优化:针对 TDX 本地数据导入进行了多项改进,包括 MySQL 扩展数据生成和 Linux 系统文件路径适配。
系统兼容性提升
-
跨平台支持:特别修复了 macOS 下的安装问题,并改为使用动态库,同时禁用序列化以提高兼容性。
-
环境变量增强:Environment _add_valid 方法新增了 value 参数,默认值为 1.0,为策略开发提供了更多灵活性。
底层架构改进
-
异常处理优化:改进了 IndicatorImp::calculate() 函数中的异常捕获逻辑,提高了系统的健壮性。
-
第三方库更新:升级了 fmt、nng 和 sqlite 等核心依赖库的版本,确保框架运行在最新的技术栈上。
-
日期处理增强:优化了 Datetime 的日期范围获取逻辑并添加了哈希支持,提升了时间相关操作的效率。
-
部件加载机制:改进了部件加载和缓存机制,提高了系统整体性能。
总结
Hikyuu 2.5.6 版本虽然没有引入重大新功能,但对现有功能的稳定性和兼容性进行了全面优化。这些改进使得框架在各种使用场景下更加可靠,特别是在跨平台支持和数据处理方面有了显著提升。对于量化交易开发者来说,这些底层优化将为策略开发和回测提供更加坚实的基础。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00