Praktiska användningsfall
På denna sida
Kodexekvering i produktion
Denna sista lektion täcker praktiska användningsfall för kodexekvering så att du får en tydlig bild av vad du kan bygga. Varje exempel illustrerar ett tillämpningsområde med tillhörande prompt och logik.
Finansiell analys
Portföljoptimering
Kodexekvering är särskilt väl lämpad för finansiell modellering. Sandlådan inkluderar NumPy och SciPy, som hanterar nödvändiga optimeringsberäkningar:
input_text = """
Portfolio of 5 assets with the following monthly returns (12 months):
Asset A: [2.1, -0.5, 1.8, 3.2, -1.1, 2.5, 0.8, 1.2, -0.3, 2.8, 1.5, 0.9]
Asset B: [1.5, 0.2, 2.1, 1.8, 0.5, 1.2, 2.3, -0.1, 1.6, 0.8, 1.9, 2.2]
Asset C: [-0.3, 3.5, -1.2, 4.1, -0.8, 2.9, -0.5, 3.2, -1.0, 3.8, -0.2, 2.7]
Asset D: [0.8, 0.9, 0.7, 1.1, 0.6, 0.8, 1.0, 0.5, 0.9, 0.7, 1.2, 0.8]
Asset E: [3.5, -2.1, 4.2, -1.5, 3.8, -0.9, 2.7, -1.8, 3.1, -0.5, 4.5, -1.2]
Calculate:
1. The correlation matrix between assets
2. The minimum variance portfolio
3. The optimal portfolio (maximum Sharpe ratio, risk-free rate = 4% annual)
4. The efficient frontier (10 points)
Present allocations as percentages.
"""
Modellen skriver kod med NumPy för korrelationsmatrisen och SciPy för begränsad optimering.
Sharpe-kvot och riskindikatorer
input_text = """
Daily returns of a fund over 20 days:
[0.12, -0.05, 0.08, 0.15, -0.03, 0.22, -0.11, 0.06, 0.09, -0.07,
0.14, 0.03, -0.08, 0.18, 0.01, -0.04, 0.11, 0.07, -0.02, 0.13]
Calculate the Sharpe ratio, Sortino ratio, Value at Risk (95%),
and maximum drawdown. Annual risk-free rate = 4%.
"""
Statistisk analys
Hypotesprövning
Med SciPy kan du utföra rigorösa statistiska tester:
input_text = """
Group A (treatment): [85, 88, 91, 87, 93, 89, 86, 92, 90, 88]
Group B (control): [78, 82, 80, 85, 79, 83, 81, 77, 84, 80]
Perform a Student's t-test to determine if the difference between
the two groups is statistically significant (alpha = 0.05).
Include hypotheses, test statistic, p-value, and conclusion.
"""
Regression och prognos
input_text = """
Monthly sales data (in thousands of euros):
Month (x): [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]
Sales (y): [45, 52, 48, 61, 55, 67, 72, 68, 75, 80, 78, 85]
1. Perform linear regression
2. Calculate R² and standard error
3. Predict sales for months 13, 14, 15
4. Test if the trend is significant
"""
Vetenskaplig beräkning
Lösning av differentialekvationer
input_text = """
Solve the second-order differential equation:
y'' + 2y' + 5y = 0
Initial conditions: y(0) = 1, y'(0) = 0
Interval: t from 0 to 10
Plot the solution and identify the behavior (damped oscillation,
critical, overdamped).
"""
Monte Carlo-simuleringar
input_text = """
Monte Carlo simulation to estimate the probability that a project
is profitable.
Parameters (normal distributions):
- Monthly revenue: mean = €50,000, std dev = €10,000
- Monthly fixed costs: €30,000
- Variable costs: 15% to 25% of revenue (uniform)
- Project duration: 12 months
Run 10,000 simulations. Calculate the probability of profitability
and the net profit distribution. Present the 5th, 50th, and 95th percentiles.
"""
Databearbetning och rensning
input_text = """
Raw data (CSV with common issues):
name,age,salary,city
Alice,32,45000,Paris
Bob,,52000,Lyon
Charlie,28,NA,Marseille
Diana,45,62000,paris
Eve,33,48000,LYON
Frank,-5,55000,Toulouse
Grace,29,999999,Bordeaux
1. Identify and handle missing values
2. Correct inconsistencies (negative age, outlier salary)
3. Normalize city names (consistent casing)
4. Calculate descriptive statistics on cleaned data
5. Document each transformation performed
"""
Arkitektur för komplett arbetsflöde
För produktionsapplikationer kombinerar du verktyg i ett strukturerat arbetsflöde:
- Web Search hämtar aktuella data (priser, indikatorer, nyheter)
- Code Execution analyserar hämtade data (beräkningar, statistik, diagram)
- Din applikation formaterar och presenterar resultaten för användaren
Detta mönster gäller inom många områden: finans, konkurrensanalys, marknadsanalys och automatiserad rapportering.
Viktiga punkter
- Kodexekvering excellerar inom finansiell analys (Sharpe, portföljoptimering, VaR)
- Statistiska tester och regressioner är naturliga användningsfall med SciPy
- Monte Carlo-simuleringar fungerar väl inom sandlådans minnesbegränsningar
- Datarensning med Pandas är ett praktiskt dagligt användningsfall
- Kombinera Web Search + Code Execution för kompletta automatiserade arbetsflöden
- Tillhandahåll strukturerade data och precisa instruktioner för bättre resultat
Testa dina kunskaper
Webb, X, kod: Groks serververktyg i fem kontroller.
1. Vilka är de två kategorierna av Grok-verktyg?
Svar: Integrerade verktyg, som körs serverside av xAI (webbsökning, X-sökning, kodexekvering), och dina anpassade funktioner, som körs av din kod – två världar som kombineras.
2. Hur fungerar exekveringsflödet för ett integrerat verktyg?
Svar: I fem steg serverside: modellen beslutar, verktyget exekveras hos xAI, resultaten returneras till modellen som svarar – du får det slutgiltiga svaret med spår och citat.
3. Vad möjliggör filter för Web Search och X Search?
Svar: De ramar in källor: tillåtna domäner på webben, konton och datum på X – färskhet och tillförlitlighet kontrolleras, och citat dokumenterar varje svar.
4. Vad kan Code Execution göra?
Svar: Köra Python i en sandlåda – vanliga bibliotek finns tillgängliga, strikta säkerhetsbegränsningar: beräkningar, transformationer och verifieringar delegeras till exakt kod.
5. Vad bör du övervaka när det gäller kostnader?
Svar: Varje verktygsanrop debiteras utöver tokens: rikta sökningar, begränsa djup och aktivera endast verktyg som är användbara för förfrågan.
Serverkapacitet redo direkt ur lådan, kontrollerad av dina filter och budget: integrerade verktyg gör Grok till en agent – du förblir regissören.