在 嶺南大學 的課堂與研討室中,BSc (Hons) in Data Science & MSc in Artificial Intelligence and Business Analytics 的師生每日推導凸優化對偶性、高維協方差收縮與極值統計學;然而在工業界,大多數工程團隊仍在以線性堆疊提示詞的粗放方式調用 LLM。我們將現代投資組合理論(MPT)引入分散式 Agent 架構——把異構模型與確定性代碼視為風險資產,以協方差矩陣量化幻覺冗餘與相關性,並透過二次規劃求取最優算力權重。作為 嶺南大學 的本科生、碩士生或博士生,你可以在學期課業之餘加入我們的遠程兼職 R&D Pod,將課堂上 100% 的純粹數學與統計推導直接轉化為高併發生產系統中的底層代碼,在學術嚴謹性與工程落地之間建立無縫映射。
完全配合香港高校的學期節奏與課程安排。無論你需要在港大百週年校園、科大李兆基商學大樓或中大康本國際學術園奔波上課,抑或在實驗室處理 Problem Sets 與統計模擬,所有 Pod 協作均採用全異步架構與代碼評審(PR),讓你自由在課堂與實驗間隙專注推導與開發。
提供具國際競爭力的遠程兼職科研津貼(時薪 $20-$45 USD)。我們嚴格執行期考保護機制:在香港高校的 Midterms(期中測驗)與 Final Exams(期末考試週)期間,學生可無條件將工時歸零(0 小時/週),且 100% 保留所在科研 Pod 的研發席位與項目主導權,學業與研究絕無衝突。
研發工作可直接作為本科榮譽學士論文(Honors Thesis)、碩士畢業課題(Capstone/MSc Project)或博士階段性研究的核心題材。合資格的研發成果將聯名發表於 2024-2026 年度的量化計算預印本中;全體成員均可免費獲取我們涵蓋高維統計、凸優化與 Agentic Portfolio 的 39 小時 CPE 專業學術庫(詳見 {preprints_url})。
| 高校數理與統計課程 | 核心數學定理與公式 | 對應研發小組 (R&D Pod) | 生產級系統落地應用 |
|---|---|---|---|
| 凸優化與二次規劃 (Convex & Quadratic Optimization) | \min_{\mathbf{w}} \mathbf{w}^T \mathbf{\Sigma} \mathbf{w} \quad \text{s.t.} \quad \mathbf{w}^T \boldsymbol{\mu} \ge \mu^*, \; \mathbf{1}^T \mathbf{w} = 1, \; \mathbf{w} \ge \mathbf{0} |
POD-01 (Convex Optimization & Compute Allocation) | 將計算資源最優化分配給異構 LLM 基礎模型與確定性代碼驗證器(Deterministic Verifiers)。透過求解 Karush-Kuhn-Tucker (KKT) 條件,在最小化系統整體驗證方差(幻覺風險)的同時,嚴格滿足最低任務準確率要求 μ*。 |
| 概率論與相關隨機試驗 (Probability Theory & Correlated Trials) | N_{\text{eff}} = \frac{N}{1 + (N - 1)\bar{\rho}} |
POD-01 (Agent Ensembling & Orthogonalization) | 揭示提示詞冗餘的數理本質:當 50 個 LLM Agent 基於高度相似上下文運作且平均相關係數 \bar{\rho}=0.70 時,其有效獨立專家數僅為 N_{\text{eff}} \approx 1.42。我們藉此設計正交提示詞與多樣性先驗,徹底打破集成推理中的無效算力浪費。 |
| 高維數理統計與計量經濟學 (High-Dimensional Mathematical Statistics & Econometrics) | \hat{\mathbf{\Sigma}}_{\text{LW}} = (1 - \delta^*)\mathbf{S} + \delta^*\mathbf{F} |
POD-02 (Covariance Shrinkage & Spectral Denoising) | 解決在少量測試基準集(Benchmark runs T)下評估海量模型與提示詞參數(N > T)導致的樣本協方差奇異性問題。結合 Ledoit-Wolf 線性收縮估計量與 Marčenko-Pastur 隨機矩陣極限譜分佈,濾除噪聲特徵值,獲得條件數穩健的真實誤差協方差矩陣。 |
| 精算風險理論與極值統計 (Actuarial Risk & Extreme Value Theory) | \Sigma^-_{ij} = \mathbb{E}[\min(R_i - \tau, 0)\min(R_j - \tau, 0)], \quad \text{CVaR}_{99\%}(L_{\mathbf{w}}) \le M_{\text{audit}} |
POD-02 (Downside Risk & Tail Loss Control) | 基於 Markowitz 1959 年半方差(Semivariance)理論,僅懲罰低於閾值 τ 的下行幻覺或邏輯崩潰;並運用 Rockafellar-Uryasev 凸優化形式約束 99% 條件在險價值(CVaR),確保在審計級金融與合規生成任務中嚴格杜絕黑天鵝尾部災難。 |
| 金融經濟學與隨機微積分 (Financial Economics & Stochastic Calculus) | \mathbf{w}_{\text{tan}} \propto \mathbf{\Sigma}^{-1}(\boldsymbol{\mu} - c\mathbf{1}), \quad \text{SR}(\mathbf{w}) = \frac{\mathbf{w}^T(\boldsymbol{\mu} - c)}{\sqrt{\mathbf{w}^T \mathbf{\Sigma} \mathbf{w}}} |
POD-03 (Tobin Separation & Capital Allocation) | 將托賓兩基金分離定理(Tobin's Separation Theorem)推廣至軟件系統架構:確定性編譯器與單元測試作為零方差的「無風險資產」(\sigma_0 = 0),而 LLM 集合構成「風險資產切點組合」。根據目標準確率與計算成本預算,在資本配置線上精確求解最高夏普比率(Information Sharpe Ratio)。 |
| 序列假設檢驗與統計決策 (Sequential Hypothesis Testing & Decision Theory) | P(\text{Type I Error}) \le \alpha \quad (\text{Neyman-Pearson Cascade}) |
POD-04 (Sequential Routing & Statistical Verification) | 依據 Neyman-Pearson 引理設計分層動態級聯架構(如 FrugalGPT/RouteLLM):輕量級快速模型優先處理高置信度查詢,僅當檢驗統計量拒絕原假設時才級聯至昂貴前沿模型,在保證第一類錯誤率 α 上限下節省 80% 算力開銷;相關預印本開放於 {preprints_url}。 |
1. HKU CEDARS / HKUST Career Center / CUHK CPDC & Joint-U JIJIS: 請登入 嶺南大學 官方就業資訊平臺(HKU CEDARS / HKUST Career Center / CUHK CPDC & Joint-U JIJIS),搜索職位關鍵字「Markowitz Systems」或「Quantitative AI Research Fellow」。通過校園內部通道提交申請的同學將獲得快速評估與優先面試安排。 (RSS/XML Job Feed · iCal Open Office Hours · Google Classroom)
2. Python Seminar & Thesis Kit (/uni/hk-lingnan-university/lab.py): 我們為 {uni_local} 的量化研討會與讀書會提供一份 5 分鐘即跑的開源 Python 交互式實驗腳本(Jupyter/Colab)。該腳本利用 NumPy 和 scikit-learn 實時生成高維提示詞評估矩陣,現場演示當相關性 \bar{\rho}=0.70 時 N=50 的集成系統如何退化至僅 N_{\text{eff}} \approx 1.42,並一步調用 Ledoit-Wolf 解析收縮公式計算最優收縮強度 \delta^* 與去噪協方差矩陣 \hat{\mathbf{\Sigma}}_{\text{LW}},直觀展示數學理論如何量化 AI 系統冗餘。