此外，嘉年华还设置了厂商展区，包含护照集章、展台抽奖等趣味活动。DolphinDB 为粉丝准备了抽奖转盘和丰富的小礼品，并有技术支持团队现场路演交流。
主题分享
对于量化交易员们来说，有了实时产生的交易信号，怎么能够快速传递到交易系统里面呢？DolphinDB 引入了三种技术：
同时，DolphinDB 在不断加强对 AI 建模分析的支持。面对庞大的因子数据量，传统的线性回归方法已难以满足处理需求，很多团队都已经引入了深度学习工具。
此外，研究员们可以通过 AI Data Loader，用 SQL 语句把分布式数据库当中的数据直接对接到 PyTorch 等工具中，省去了数据转换与落地的成本。
DolphinDB 最近也在做一些新的工作和探索。
正在研发中的 GPU 算子库可以将计算无缝迁移到 GPU 中，使得性能有数量级的提升。最后，面对越来越丰富的多元化数据、异构数据，DolphinDB 正在研发 Vector Database，来支持对这些数据方便的存储和检索。
完整的演讲内容可扫描文末二维码，加入交流群获取，论坛视频回放可点击文末“阅读原文”查看。
滑动点亮精彩瞬间
圆桌论坛
圆桌问题一览：
最近最火热的技术趋势就是 AI 大模型，请问一下各位嘉宾，有自己玩过 ChatGPT 吗？有没有什么有意思的实践可以分享？
前一阵某知名千亿量化私募宣布成立新的团队入场大模型 AI，请问各位对此有什么看法？
有人说，量化研究员的工作就是每天挖掘各种因子，但很多时候一个优秀的模型也会带来显著的策略增长，那么在量化领域里，各位认为因子和模型这两者是什么样的关系？哪一块更重要？
其实很早之前，机器学习就已经应用于预测股市价格、走势等方面的场景，但往往专注于传统模型比如决策树。现在比较流行深度学习模型，什么递归神经网络模型、卷积神经网络模型等等。能否结合自身业务，谈谈在这方面的实践？
除了前面提到的传统的选股、择时等业务，未来这类前沿技术会给量化领域带来哪些新的可能？潜在的发展方向又有哪些？
从应用的角度来说，想要将深度学习和业务结合产生好的效果，对咱们团队提出了哪些软硬件需求？
我们知道深度学习模型并不完全是对传统的机器学习算法的简单升级。在做决策时，尤其是风控，可解释性和对业务的理解非常重要。有时对一些结构化数据使用深度学习，会产生过拟合。对于数据挖掘和可解释性的平衡问题，各位有什么看法？
滑动解锁精彩瞬间
特装展区
DolphinDB 在 QTF 量化科技嘉年华中，不仅主办了6月3日上午的“因子挖掘与机器学习”分论坛，还在特装展区设置了丰富的小礼品和抽奖活动，并有专业的技术支持现场解答与路演。
现场交流
热情的粉丝
完整的论坛视频回放可点击文末“阅读原文”查看，演讲资料可扫描二维码，加入交流群获取。
