1.2B和2C产品的区别
2.文华财经软件指标公式赢顺云指标公式启航DK捕猎者智能量化系统指标源码
3.量化平台大盘点，化源化小白收藏！码量
4.通达信量化擒龙先手！源码主附图/选股指标源码分享
5.开源大模型GGUF量化(llama.cpp)与本地部署运行(ollama)教程

2B和2C产品的区别

       ä¸€ã€å®šä¹‰

        2B=To Business  面向企业客户的产品，

        2C=To Consumer 面向用户个人的产品，

        二、相同点

        2种类型同属于产品，都需要能够满足人们某种需求，从需求调研、策划设计到推广运营每个环节都不可缺少，简单来说，产品该有的特点都会有，必备的环节都会经历，只是侧重点不同。

        三，不同点

        导致不同的本质原因是面向的群体不同。其他所有不同点皆因这两种群体在产品不同环节上表现出的特点不同而造成的。

        2B产品主要被用于自己所属的团队/公司组织，使用者并不是因为喜欢才用，而是因为他的工作不得不用，或者可以使他的工作效率更高。比如人脸核身业务，客户通常是银行、政府、机场等。

        因此对于2B产品而言。“让业务更流畅的运行”是其最重要的目标。所以功能、交互优先满足可用高效之后，才会考虑锦上添花的是否好看易用以及抓住人性的体验。

        对于2B产品PM来说，懂业务逻辑，洞悉现有业务的问题和挖掘流程如何优化是取胜的关键。但是2B产品PM往往不是产品的使用者，所以需要花更多的精力了解业务流程，分析业务上下游之间的依赖关系，业务场景。这之中因为常常涉及跨部门，跨业务的拉通，所以2B产品前期的规划变得十分困难。研发周期也相对较长。

        此外，2B产品主要是支撑业务，且可能仅涉及完整业务上的一个环节，甚至只是这个环节的服务产品。所以很难用清晰的数字量化产品的价值，投产比，提升效率，节省人力，降低成本变成了每一个2B产品PM每天挂在心里的高频词汇。

        相对而言，使用者对产品的容忍成本高，能接受较高的学习成本。此外由于2B产品的使用门槛较高，往往需要使用者了解一定的业务知识和专业术语。所以常常PM需要筹备使用手册、培训会议、甚至系列学习课程。除了同步产品使用方法之外。还有2个重要的意义：一个是拉通相关部门的不同团队的意见，对于间隙需要各方配合达成一致的共识。另一个是推广宣传产品，使得多方认可产品价值，愿意使用，并持续提供优化建议。

        2B产品解决的是业务刚需，大的方向和目标其实是清晰和易见的。对于使用频率和用户粘性没有高的要求，以业务真实需要为准即可。因为客户的具体需求和公司流程的差异要求产品往往需要定制化，所以产品优先做成一个底层的基础产品模块，能根据业务需要，自由组合，有时一个业务非常庞大复杂，模块化的产品还有利于和其他企业、产品共建完整的生态，优势互补，共同出售。

        2C产品

        2C产品主要是面向用户个人，为终端用户提供娱乐、社交、工具之类的直接服务。用户是因为有真正喜欢/需要的主观意愿，切实解决了自己的痛点，符合日常使用的场景才会使用。比如“军装照”、“测颜值”等H5小游戏，用户就是个人。

        对于2C产品而言，抓住人性，让任性挑剔的用户喜欢就是王道。因此2C PM 需要很强的同理心，花大量精力深入用户的使用场景，挖掘具有代表性用户群体的刚需高频痛点。

        相对而言2C产品更加容易量化，日活月活，留存，新客数，ARPU等都是2C产品常用的指标。

        用户对2C产品的容忍度就没有那么高了，在2C产品里使用2B里用户手册那一套根本行不通，在众多纷繁复杂的2C产品里，用户根本不会给你那么多耐心去理解，学习你的产品。一眼看不懂，学不会，甚至有一点看不爽，你就凉凉了。

        四、总结

        1、用户不同：2B、2C产品本质都是满足需求，只是一个满足企业客户的需求，一个是满足个人用户的需求。

        2、侧重点不同：2B重业务、重流程、重效率，业务痛点较明朗但价值难量化。2C重体验、重高频、重刚需，人性痛点难挖掘，但有较多指标可以追踪价值。

        3、2B是长期服务，生命周期长，有很多定制化需求；2C一次性服务，生命周期短，需求统一。

        4、易用性要求不同：2B客户对易用性要求低，2C对易用性要求高。

文华财经软件指标公式赢顺云指标公式启航DK捕猎者智能量化系统指标源码

       在技术分析领域，化源化文华财经软件中的码量指标公式提供了多种量化分析工具，帮助投资者在交易决策中获取优势。源码水电asp源码以下是化源化一个具体示例，展示了如何构建一个智能量化系统指标源码，码量以实现自动化交易策略。源码

       这个指标源码首先通过MA（移动平均）函数计算不同周期的化源化移动平均线，包括日、码量日、源码日、化源化日和日的码量移动平均线。这些平均线被视为价格趋势的源码重要指示器，帮助交易者识别市场方向。MA5、MA、MA、MA、MA和MA分别代表了5日、日、碱水源码日、日、日和日的简单移动平均线。

       接着，通过RSV（相对强弱指数）计算公式，评估价格变动的相对强弱。RSV=(C-LLV(L,9))/(HHV(H,9)-LLV(L,9))*，其中C代表收盘价，L代表最低价，H代表最高价。RSV值的计算帮助交易者识别市场的超买或超卖状态。

       进一步，通过SMA（简单移动平均）计算K、D和J值，形成KDJ指标，K=3*SMA(RSV,3,1)；D=SMA(K,3,1)；J=3*K-2*D。KDJ指标被广泛应用于判断市场趋势和拐点，为交易者提供买入或卖出信号。

       最后，通过逻辑判断和条件计算，系统能够自动识别特定的拟态页面源码交易信号。例如，当J值穿越一个预先设定的临界值（例如J<），同时满足X和Y的条件时（X=LLV(J,2)=LLV(J,8)且Y=IF(CROSS(J,REF(J+0.,1)) AND X AND J<,,0)），系统可能会触发一个买入或卖出信号，以指示交易者采取相应的行动。

       通过这样的智能量化系统指标源码，文华财经软件能够为投资者提供高效、自动化的交易策略，帮助其在市场中获取竞争优势。这种自动化的交易策略不仅节省了人力成本，还能够减少主观判断的偏差，提高交易决策的准确性。

量化平台大盘点，小白收藏！

       量化投资是利用数学、统计学和计算机技术，通过构建模型来分析市场数据并制定投资策略的一种投资方式。数据平台作为量化研究的重要载体，对提高策略开发效率、减少IT投入起到关键作用。市面上有许多金融数据获取平台，地球重启源码以下是一些常见且好用的平台，为量化研究者提供便利。

       1. **聚宽

       官网：joinquant.com/

       聚宽提供了Python版本的API，使用广泛。除了Python，还有C、C++、MATLAB等语言的接口。初期数据丰富，但后续更新有所减少。

       2. **米筐

       官网：ricequant.com/welcome/

       米筐提供高质量的数据，包括金融终端和网页版平台。用户可在线编写策略，试用免费数据。本地数据每天名额有限，仅提供一个月免费试用。

       3. **万矿

       官网：windquant.com/

       万矿是Wind旗下的量化平台，提供免费使用Wind数据，内容涵盖广泛，包括股票、债券、听书书源码基金、衍生品、指数、宏观行业等。数据质量不错且安全。

       4. **Tushare

       官网：tushare.pro/

       Tushare免费，只需注册即可使用基础数据。调取大量数据需充值。数据调取方便，覆盖股票、指数等基本信息，包含新闻快讯等其他数据，是一个便捷的工具。

       5. **掘金量化

       官网：myquant.cn/

       掘金量化是一款面向专业和入门级量化投资者的高效工具，提供功能齐备的终端，性能稳定、操作简单，能提高策略开发效率、减少IT投入。

       6. **东方财富网

       官网：eastmoney.com/

       东方财富网虽然页面设计一般，但牌照齐全，数据性价比高，面向机构免费，是性价比选择。

       7. **优矿

       官网：uqer.datayes.com/

       优矿数据质量可，但每日可下载数据量有限，不够使用。

       8. **果仁网

       官网：guorn.com/

       果仁网提供策略实验平台，运行快，研究策略便捷，回测结果验证中。

       以上平台还有TBQuant、Quantopian、CSMAR数据库、RESSET数据库、akshare等，其中akshare也受到推荐。通过选择适合自己的平台，量化研究者能够更高效地进行策略开发。

通达信量化擒龙先手！主附图/选股指标源码分享

       通达信量化擒龙先手！主附图/选股指标源码分享

       一. 指标简介：

       二. 主图指标源码

       MA5:MA(C,5);

       MA:MA(C,);

       MA:MA(C,);

       MA:MA(C,);

       DIF1:=EMA(CLOSE,)-EMA(CLOSE,);

       DEA1:=EMA(DIF1,9);

       AAA1:=(DIF1-DEA1)*2*;

       AAA上:=IF(AAA1>REF(AAA1,1),AAA1,DRAWNULL);

       AAA下:=IF(AAA1

       买:=;

       入:=AAA1-REF(AAA1,1);

       正大:=CROSS(入,买);

       DIF:=EMA(CLOSE,)-EMA(CLOSE,);

       DEA:=EMA(DIF,);

       AAA:=(DIF-DEA)*2*;

       牛股:=CROSS(AAA-REF(AAA,1),);

       正大牛股:=正大 AND 牛股;

       HSL:=V/CAPITAL*>5;

       S1:=IF(NAMELIKE('S'),0,1);

       S2:=IF(NAMELIKE('*'),0,1);

       Z3:=NOT(INBLOCK('近期解禁'));

       Z4:=NOT(INBLOCK('拟减持'));

       Z5:=NOT(INBLOCK('股东减持'));

       Z6:=NOT(INBLOCK('基金减持'));

       Z7:=NOT(INBLOCK('即将解禁'));

       Z8:=IF(CODELIKE(''),0,1);

       Z9:=IF(CODELIKE('8'),0,1);

       去掉:=S1 AND S2 AND Z3 AND Z4 AND Z5 AND Z6 AND Z7 AND Z8 AND Z9;

       AA:=MA(CLOSE,8);

       BB:=((ATAN((AA - REF(AA,1))) * 3.) * );

       均线:=MA(CLOSE,);

       均线:=MA(CLOSE,);

       均线:=MA(CLOSE,);

       天马:=((((((OPEN <= 均线) AND ((均线 - REF(均线,1)) > 0))

       AND (CLOSE > 均线)) AND (BB > 1)) AND ((CLOSE / OPEN) > 1.)));

       { 股价必涨}

       AA:=IF(CLOSE/REF(CLOSE,1)>1. AND HIGH/CLOSE<1. AND IF(CLOSE>REF(CLOSE,1),,0)>0, , 0);

       SS:=MA((LOW+HIGH+CLOSE)/3,5)>REF(MA((LOW+HIGH+CLOSE)/3,5),1) AND REF(MA((LOW+HIGH+CLOSE)/3,5),1)

       SC:=LHHV(MA((LOW+HIGH+CLOSE)/3,5),) AND C>REF(C,1) AND C>O;

       MR:=SC AND COUNT(SS,2);

       BB:=MR AND NOT(REF(MR,1));

       股价必涨:=AA OR BB OR 天马;

       { 抄底}

       二十日换手率:=BETWEEN(SUM(HSCOL,),,);{ 意思是 日换手率介于---之间}

       DFO:=(C-REF(C,1))/REF(C,1)*<-5;

       AAO:=BARSLAST(DFO);

       突破:=CROSS(C,REF(O,AAO));

       抄底:=二十日换手率 AND 突破;

       三.副图指标源码：

       DIF1:=EMA(CLOSE,)-EMA(CLOSE,);

       DEA1:=EMA(DIF1,9);

       AAA1:=(DIF1-DEA1)*2*;

       AAA上:=IF(AAA1>REF(AAA1,1),AAA1,DRAWNULL);

       AAA下:=IF(AAA1

       买:=;

       入:=AAA1-REF(AAA1,1);

       正大:=CROSS(入,买);

       DIF:=EMA(CLOSE,)-EMA(CLOSE,);

       DEA:=EMA(DIF,);

       AAA:=(DIF-DEA)*2*;

       牛股:=CROSS(AAA-REF(AAA,1),);

       正大牛股:=正大 AND 牛股;

       HSL:=V/CAPITAL*>5;

       S1:=IF(NAMELIKE('S'),0,1);

       S2:=IF(NAMELIKE('*'),0,1);

       Z3:=NOT(INBLOCK('近期解禁'));

       Z4:=NOT(INBLOCK('拟减持'));

       Z5:=NOT(INBLOCK('股东减持'));

       Z6:=NOT(INBLOCK('基金减持'));

       Z7:=NOT(INBLOCK('即将解禁'));

       Z8:=IF(CODELIKE(''),0,1);

       Z9:=IF(CODELIKE('8'),0,1);

       去掉:=S1 AND S2 AND Z3 AND Z4 AND Z5 AND Z6 AND Z7 AND Z8 AND Z9;

       AA:=MA(CLOSE,8);

       BB:=((ATAN((AA - REF(AA,1))) * 3.) * );

       均线:=MA(CLOSE,);

       均线:=MA(CLOSE,);

       均线:=MA(CLOSE,);

       天马:=((((((OPEN <= 均线) AND ((均线 - REF(均线,1)) > 0))

       AND (CLOSE > 均线)) AND (BB > 1)) AND ((CLOSE / OPEN) > 1.)));

       { 股价必涨}

       AA:=IF(CLOSE/REF(CLOSE,1)>1. AND HIGH/CLOSE<1. AND IF(CLOSE>REF(CLOSE,1),,0)>0, , 0);

       SS:=MA((LOW+HIGH+CLOSE)/3,5)>REF(MA((LOW+HIGH+CLOSE)/3,5),1) AND REF(MA((LOW+HIGH+CLOSE)/3,5),1)

       SC:=LHHV(MA((LOW+HIGH+CLOSE)/3,5),) AND C>REF(C,1) AND C>O;

       MR:=SC AND COUNT(SS,2);

       BB:=MR AND NOT(REF(MR,1));

       股价必涨:=AA OR BB OR 天马;

       { 抄底}

       二十日换手率:=BETWEEN(SUM(HSCOL,),,);{ 意思是 日换手率介于---之间}

       DFO:=(C-REF(C,1))/REF(C,1)*<-5;

       AAO:=BARSLAST(DFO);

       突破:=CROSS(C,REF(O,AAO));

       抄底:=二十日换手率 AND 突破;

       四. 选股指标源码

       指标源码内容与前文一致，仅包含主图和副图指标源码，用于量化分析股票。指标包括移动平均线、MACD、股价波动判断、换手率分析等，通过设置条件筛选出具有投资潜力的股票。使用时根据具体市场情况和策略进行调整。注意：指标的有效性需结合市场情况综合判断，不应单一依赖。

开源大模型GGUF量化(llama.cpp)与本地部署运行(ollama)教程

       llama.cpp与ollama是开源项目，旨在解决大型模型在本地部署时遇到的问题。通过llama.cpp，用户可以对模型进行量化，以解决模型在特定电脑配置下无法运行的问题。同时，ollama则提供了一个简单的方法，让量化后的模型在本地更方便地运行。

       对于许多用户来说，下载开源大模型后，往往面临不会运行或硬件配置不足无法运行的困扰。本文通过介绍llama.cpp和ollama的使用，提供了一个从量化到本地运行的解决方案。

       下面，我们以Llama2开源大模型为例，详细说明如何在本地使用llama.cpp进行量化GGUF模型，并通过ollama进行运行。

       在开始前，如果对量化和GGUF等专业术语感到困惑，建议使用文心一言或chatGPT等AI工具进行查询以获取更多信息。

       使用ollama进行运行非常简单，只需访问其官网下载安装应用即可。支持众多大模型，操作指令直接使用`ollama run`即可自动下载和运行大模型。

       运行指令示例：对于llama2大模型，原本.5G的7b模型在ollama中压缩至3.8G，量化等级为Q4_0。若需导入并运行已量化的GGUF模型，只需创建一个文件并添加FROM指令，指定模型本地文件路径。

       在使用ollama进行模型操作时，需注意创建模型、运行模型等步骤。若有疑问，可留言交流。

       对于自行下载的模型，要实现量化成GGUF格式，就需要借助于llama.cpp项目。该项目旨在实现LLM推理，支持多种量化级别，如1.5位、2位、3位、4位、5位、6位和8位整数量化，以提高推理速度并减少内存使用。

       要使用llama.cpp，首先需克隆源码并创建build目录，然后通过Cmake进行编译。推荐使用Visual Studio 进行编译。编译成功后，可在bin/release目录找到编译好的程序。

       接下来，通过llama.cpp项目中的convert.py脚本将模型转换为GGUF格式。对于llama2-b模型，转换后的模型大小从.2G缩减至6.G。

       量化模型后，运行时使用llama.cpp编译的main.exe或直接使用ollama进行操作。通过创建文本文件并指定模型，使用ollama run指令即可轻松运行量化后的模型。

       本文通过详细示例展示了如何利用llama.cpp和ollama对大模型进行量化并实现本地运行。若需进一步了解或在操作中遇到问题，欢迎在留言区进行交流。