玄投君 Flame

想搞懂世界怎么运转。
用代码造工具，用不对称博弈，用术数看世界。

[玄投君 Flame @Evan99503]

宏大的世界观弱化痛苦，微观的事实感受幸福

[玄投君 Flame @Evan99503]

@limxn6 回家卖红薯

[玄投君 Flame @Evan99503]

不错

[玄投君 Flame @Evan99503]

自由现金流ETF（159222）：避开金融“假现金”的策略，真的可靠吗？

我最近在研究159222（易方达国证自由现金流ETF），起因是有人问我金融公司账面现金到底能不能信。金融股的现金往往对应着大量负债——银行的存款、保险的准备金、券商的融资，这和实业公司“赚到手就能用的现金”完全不是一回事。

159222正好提供了一个相对直接的答案：它几乎不碰金融公司。

指数设计：主动把金融和地产踢出去

这个ETF跟踪国证自由现金流指数。编制规则里最硬的一条就是——直接剔除金融和房地产板块。

筛选逻辑大致是这样的：
- 先要求近一年自由现金流、经营活动现金流、企业价值均为正
- 再看ROE稳定性和经营现金流占营业利润的比例
- 最后按自由现金流率（自由现金流/企业价值）排序，取前100只

权重采用自由现金流加权，单票上限10%，每季度调整。

这个设计本质上是在找“真实能把现金留下来”的公司，而不是那些靠高杠杆把资产规模做大的公司。金融和地产因为现金流特征特殊、杠杆高、监管约束多，被直接排除在外。

持仓结构：传统制造+周期资源

目前前十大重仓股（2026年一季度数据）基本都是实业公司：

- 上汽集团 9.88%
- 中国海油 9.75%
- 格力电器 9.55%
- 中远海控、长城汽车、宝钢股份、中国铝业等

行业分布上，制造业占比约70%，采矿业约10.5%，剩下的主要是交通运输、电力设备等。金融暴露接近于零。

这和用户最初的担忧高度一致——如果你在意资产负债表里“现金”的真实性，这个指数在规避金融公司高负债问题上做得比较彻底。

表现：回测亮眼，但样本外时间还短

回测数据显示，国证自由现金流指数自2013年以来年化收益接近20%，在同类策略中回撤控制较好，尤其在下跌行情中相对抗跌。过去10年累计收益也明显优于沪深300的自由现金流版本。

但真实运行情况如何？

159222于2025年4月9日成立，截至2026年6月已经运行约14个月。目前规模从成立初期的5亿左右增长到19亿以上。自上市以来相对指数取得了约6.1%的超额收益，跟踪误差控制得不错。

这14个月的表现，至少目前没有出现“回测好看、实际崩盘”的情况。2025-2026年这段时间，PPI触底回升、中上游周期改善，对指数重仓的汽车、能源、材料板块有一定支撑。

过拟合风险：雪球讨论的合理性

雪球上很多人质疑这个指数“过拟合”，主要集中在两点：

1. 2024年规则修订后，历史回测表现明显改善。这确实是因子策略常见的风险——先看数据，再调整条件。
2. 样本外验证时间太短。指数虽然基日是2012年，但真正用新规则运行并被市场广泛接受是2025年以后。14个月的实际表现还不足以完全打消疑虑。

我认为这个质疑是有道理的。自由现金流因子在中国过去10年的有效性，很大程度上受益于企业去杠杆、资本开支收敛这个特定环境。未来如果进入新一轮资本开支扩张周期，或者成长风格持续占优，这个策略的表现可能会有明显差异。

总结：适合做什么？

159222的核心价值在于用自由现金流这个更严苛的指标，过滤掉金融公司那种“表面现金、实际高负债”的问题。它不是一个全市场策略，而是对传统红利或价值策略的一种质量升级。

优点：
- 天然规避金融和地产的高杠杆风险
- 历史风险调整收益较好
- 实际运行至今跟踪正常

风险与局限：
- 周期属性较强（重仓汽车、能源、材料）
- 成长属性偏弱
- 过拟合风险存在，长期可持续性仍需更多数据验证
- 成立时间短，流动性仍有提升空间

我的看法：如果把这个ETF当作组合里的一小部分（比如10-20%），用来对冲金融/地产暴露、增加现金流质量敞口，是可以考虑的。但把它当作核心持仓或者“压箱底”策略，目前看还不够成熟。

自由现金流这个概念本身有价值，但具体到这个指数，历史表现和实际表现之间还有一段需要继续验证的距离。

[玄投君 Flame @Evan99503]

AIPO ETF 持仓拆解：AI 电力股资产负债表与现金流到底健康吗？

我把 AIPO ETF 2026 年 6 月 8 日的持仓明细从头到尾过了一遍。这只 ETF 主题很清晰——AI 电力与数据中心基础设施。Top 4 标的（PWR、ETN、GEV、VRT）合计占比超过 30%，后面还有半导体、核电、公用事业一串。很多人问：这些公司资产负债表稳不稳？现金流能不能持续？拉长线看，这个 ETF 是不是一定涨？

先说清楚 AIPO 到底是什么。它不是宽基 ETF，而是集中押注 AI 算力爆发带来的电力短缺和电网升级。持仓里电力设备、电气连接、核燃料、数据中心相关公司占了绝大多数。简单说，就是赌“AI 训练和推理需要大量稳定电力，而当前电网和发电能力跟不上”这个逻辑。

Top 持仓资产负债表与现金流实测

PWR（Quanta Services，8.13%）：基础设施建设龙头，Net Debt 55.6 亿，Total Debt 64.2 亿，Working Capital 正值，FCF 16.2 亿。债务水平在基建行业算正常，自由现金流能覆盖大部分再投资和股东回报。现金流连续性较强。

ETN（Eaton，7.39%）：电气设备和电源管理，Net Debt 92.7 亿，Total Debt 105.3 亿，FCF 35.5 亿。杠杆合理，现金生成能力在同业中突出。资产负债表健康，Working Capital 也正。

GEV（GE Vernova，7.31%）：能源设备，Total Debt 仅 11.7 亿（偏低），FCF 37.1 亿，现金头寸良好。资产负债表相对干净，现金流非常稳。

VRT（Vertiv，7.25%）：数据中心冷却与电源，Net Debt 11.9 亿，Total Debt 32.3 亿，FCF 18.9 亿。债务可控，Working Capital 正，现金流强劲。

BE（Bloom Energy，4.63%）：燃料电池，Net Debt 低，FCF 5700 万（正但规模小）。Working Capital 强，但整体体量小于前四。

半导体与 AI 相关（AVGO、NVDA、AMD、MRVL、ARM，合计约 12%）：典型高增长科技公司，资产负债表以净现金或低净债务为主，经营现金流与 FCF 长期为正且规模大。周期性波动存在，但现金储备充足。

公用事业与能源（D、XEL、PEG、PCG、VST、CCJ、CEG 等，合计约 8%+）：受监管公司，资产负债表稳定，债务多为长期低成本，经营现金流持续正向且可预测。现金流确定性高，但增长相对温和。

被忽略的风险角度

1. 集中度风险：Top 4 already 30%，Top 10 接近 48%。电力+AI 芯片双主题重叠，一次事件可能放大波动。
2. 监管风险：公用事业和核电持仓受州级费率管制和 NRC 审批影响，回报率和项目进度不确定。
3. 周期与利率风险：基建和公用事业对利率敏感，半导体对经济周期敏感。高利率环境可能推高债务成本、延缓项目。
4. 竞争与技术替代：新进入者或液冷/分布式发电技术可能侵蚀部分份额。
5. AI 需求兑现风险：如果 hyperscaler Capex 增速低于预期，电力需求逻辑就弱化。

长期上涨条件（多空并列）

多：AI 算力需求 CAGR 持续 25-30% 以上，电力短缺持续 3-5 年，Top 持仓订单 backlog 稳定增长，FCF 复合增速 12-15%。

空：AI Capex 进入平台期或宏观衰退，电力需求增速降至 10% 以下，估值从增长溢价回归均值，ETF 年化回报可能 0-8%。

总结
AIPO ETF 持仓资产负债表与现金流基础健康，主题契合 AI 电力结构性需求，但集中度与监管风险并存。适合作为卫星仓位（组合 3-5% 以内），而非核心持仓。长期表现取决于 AI 需求落地速度与宏观环境动态平衡。

免责声明：本文仅供学习参考，不构成投资建议。投资有风险，决策需自行判断，作者不承担任何责任。

[玄投君 Flame @Evan99503]

Agentic AI 开发真实成本：Code Review 吃掉 59% token，5 种省沟通税协议怎么做

我把 Concordia University 那篇 MSR ’26 论文从头到尾读了两遍，又把 SDLC 标准流程、ChatDev 选型逻辑，以及当前能实际落地的几种 token 节省协议都补全了。目标读者是既想看硬数据、又关心 AI 工具落地成本的开发者和投资者。

很多人现在想用多代理系统把软件开发全流程自动化——需求、设计、编码、测试、发版一气呵成。但实际跑下来，token 费用经常失控。钱到底花在哪？是写代码贵，还是后面的审查和验证贵？论文用真实执行轨迹给出了第一个可量化的答案。

SDLC 到底是什么？论文是怎么映射的？

SDLC（Software Development Life Cycle）就是把软件从想法变成可用产品的完整流程。经典阶段通常包括需求分析、设计、实现（编码）、测试、部署、维护。论文把 ChatDev 的内部阶段映射到六个可观测的开发阶段：

- Design：需求分析 + 语言选择
- Coding：写初始代码
- Code Completion：补全占位符或不完整文件
- Code Review：程序员代理和审查代理迭代对话、修改代码
- Testing：动态系统测试找 bug
- Documentation：生成用户手册和环境依赖文档

这种映射不是随意分的，而是基于 ChatDev 官方文档对每个阶段的描述做的。好处是让不同框架的结果可以横向比较，开发者也能直接对应到自己项目里的成本分布。

为什么研究团队选 ChatDev 做这个实验？

论文里写得很明确：ChatDev 的“chat chain”架构是清晰的顺序瀑布模型（设计→编码→测试），阶段边界明显，容易映射到标准 SDLC。而且它是目前最流行、引用量最高的开源多代理框架之一。研究团队需要一个能跑通完整端到端流程、同时阶段可清晰拆分的系统，ChatDev 正好满足这两个条件。其他框架阶段划分更隐式，不利于做这个维度的量化分析。

他们用 GPT-5 Reasoning 模型，在 30 个真实软件开发任务上跑了完整轨迹。任务来自 ProgramDev 数据集，复杂度跨度从简单算法到完整应用，reasoning token 从 1.7 万到 4 万不等，足够代表不同难度。

核心发现：Code Review 阶段平均吃掉 59.4% token

这是最扎眼的数字。Code Review 阶段在所有任务里平均消耗 59.4% 的 token。Code Completion 在少数任务触发，平均占 26.8%。Documentation 占 20.1%，Testing 占 10.3%。反观最开始的 Design 只占 2.4%，Coding 也才 8.6%。

这说明 agentic 软件工程最贵的不是“从零写代码”，而是“改代码 + 验证”。Code Review 本质上是两个代理把完整代码上下文来回传递、迭代讨论的过程。每次迭代都要把整份代码塞进 prompt，token 自然暴增。论文把这叫“沟通税”——代理协作的代价。

输入 token 占 53.9%，输出和 reasoning 各占约四分之一

除了 Coding 阶段（输出 58%，输入仅 6.9%），其他阶段输入 token 都大幅领先。整体平均：输入 53.9%、输出 24.4%、reasoning 21.6%。接近 2:1 的输入输出比，直接验证了之前 AgentTaxo 提出的 communication tax。

不同阶段的 token 画像差异极大。Coding 是典型的输出重阶段（生成冗长的源代码）。而 Review、Testing、Documentation 都是输入重阶段（需要把已有代码作为上下文，做分析和判断）。这份画像可以直接用来预估项目成本：绿地项目和重构项目，token 结构完全不同。

为什么 Review 阶段这么贵？

Code Review 阶段是程序员代理和审查代理反复对话、修改代码。每次迭代都要把完整代码上下文传过去，token 自然暴增。这和 MAST 研究里提到的“验证失败 + 步骤重复”问题高度吻合——高 token 消耗其实是系统在用蛮力对话弥补协作缺陷。论文的发现也解释了为什么很多 agentic 系统在复杂任务上容易陷入循环：不是模型不够聪明，而是协作协议太原始。

5 种能实际落地的省 token 协作协议

Code Review 阶段之所以贵，本质是“全上下文来回传”。下面是目前几种正在落地的降低沟通税的方法，按实现难度从低到高：

1. 消息裁剪与历史限制（最容易落地）
AutoGen 提供了 MessageTokenLimiter 和 MessageHistoryLimiter 两个 transform。开发者可以设置单条消息最大 token 数、或者整个对话累计 token 上限。超过就自动截断或丢弃旧消息。CrewAI 则有 respect_context_window 参数，配合 memory 模块，能在不丢关键信息的前提下把上下文压缩。实测在多代理循环里能把 token 消耗降 30-50%。

2. 持久化内存 + 向量检索（Mem0 + CrewAI 类方案）
不用把所有历史对话都塞进 prompt，而是把关键信息存到外部向量数据库。每次新代理只需要检索相关片段。Mem0 集成到 CrewAI 后，实测 token 成本最高可降 90%。对代码审查这种需要反复引用旧代码的场景特别有效——不需要每次都把 10k 行代码全量传一遍。

3. 结构化伪代码规划（CodeAgents，arXiv 2507.03254）
把多代理推理过程写成结构化的伪代码，而不是自然语言聊天。代理之间传递的是紧凑的“计划-执行”结构，而不是完整对话历史。在 GAIA 和 VirtualHome 等 benchmark 上，token 减少 55-87%，同时任务成功率持平或略升。这种方法把“沟通”从聊天模式变成更像 API 调用的模式，天然省 token。

4. 层级化拓扑 + 选择性通信
不是所有代理都平等对话，而是引入 manager/worker 层级。Manager 只在必要时把摘要后的任务分发给 specialist worker。近期 survey 显示，学到的（learned）层级拓扑比手工设计的顺序链 token 效率高得多。配合 RL（强化学习）训练通信策略，能让代理学会“什么时候该说话、说什么”，进一步砍掉冗余消息。

5. 模型路由 + 上下文 summarization
Review 阶段用小模型（或蒸馏模型）做初步判断，只在有争议时才升级到大模型；同时把长上下文实时总结成 bullet points 再传。Co-Saving 等工作已经在探索这类混合策略。

这些方法都不是纸上谈兵。AutoGen 和 CrewAI 已经把 limiter 和 memory 做成开箱即用的配置项，CodeAgents 也开源了 prompting 框架。真正落地时最大的挑战是“保效果的同时省 token”——过度压缩可能导致 agent 遗漏关键上下文。目前的趋势是把压缩、检索、层级这三件事结合，形成可配置的 token 预算系统。

对开发者和投资者的实际意义

对想自己搭 agentic 系统的团队：先把 Code Review 阶段的 token 占比降下来，ROI 最高。建议从 AutoGen/CrewAI 的 limiter 开始，1-2 天就能看到效果。

对 AI 工具和基础设施公司：谁能把上面这些优化做成默认能力（尤其是 CodeAgents 这种结构化方法），谁就能在 agent 框架这场竞赛里拉开差距。当前市场还在拼单代理能力，下一阶段拼的必然是协作效率和 token 经济性。

从投资角度看，这份研究也给 AI 基础设施相关公司提供了一个可量化的观察点：当前 agentic 系统的瓶颈不在初始生成，而在验证和协作环节。未来如果有框架或中间件能显著降低 Review 阶段的 token 消耗，商业价值会比较直接。

研究局限

论文本身是 work-in-progress，只分析了 ChatDev + GPT-5 一个组合，部分阶段样本较少（Code Completion 只触发 6 次）。映射规则也是一种抽象，后续可以扩展到 MetaGPT 等其他架构，做横向对比。作者已经开源了 30 条执行轨迹数据集和复现包，有需要的开发者可以直接拿来验证或扩展。

[Ruuj @RuujSs]

MIT published a full lecture on risk-neutral pricing and Black-Scholes equation.
It covers forward contracts, options valuation, stochastic calculus, and why derivative prices depend on volatility.

To all quants out there turn on Notifications, new article will be out tomorrow!

[玄投君 Flame @Evan99503]

高考结束快二十年

人快四十，好多同学都在体制内，生活水平都处在贫困线，一年没几次外出旅游，

相反在外企和大厂的同事，福利待遇，各种保险，全部打满，手里还有大几百的存款！

[玄投君 Flame @Evan99503]

AI 信用市场的隐秘信号：DoubleLine 与 Oaktree 正在为潜在 downturn 做准备

最近 Bloomberg Credit Weekly 的一篇报道，让我注意到一个值得深挖的细节：DoubleLine 和 Oaktree 这两家以信用投资见长的机构，正在选择性买入那些“如果 AI 繁荣转为信用 downturn 时能表现更好的债务”。这不是空穴来风，而是建立在他们公开表态和实际操作基础上的观察。

DoubleLine 的 Robert Cohen 在 2026 年 6 月的 Bloomberg Global Credit Forum 上直言，AI 相关债务“几乎肯定会达到泡沫水平”，概率接近 100%。他把当前信用市场描述为过度乐观，投资者在买债时假设公司会“grow into”其义务。Oaktree 的 Howard Marks 则在 2025 年 12 月的 memo《Is It a Bubble?》以及后续《AI Hurtles Ahead》中，区分了“mean-reversion bubble”和“inflection bubble”，强调技术可能真实，但投资者行为和债务使用会放大破坏力。

这些表态背后，是 AI 基础设施建设正在把信用市场推向一个新阶段。

AI 信用泡沫的现实规模

自 2025 年以来，美国 AI 相关高等级票据、高收益债、贷款等债务发行已超过 3700 亿美元。Bloomberg Intelligence 预计未来五年 AI 资本开支可能达到 5 万亿美元，其中很大一部分将通过债务市场融资。Morgan Stanley 甚至预测 2026 年信用市场债务发行中 10-15% 可能与 AI 相关。

Hyperscalers（Alphabet、Meta 等）今年预计发行 2500-3000 亿美元债券。Oracle 等主体的杠杆也在上升，部分预测显示其债务到 2028 年可能超过 2000 亿美元，CDS 利差已出现走阔迹象。典型结构包括项目融资贷款、SPV，以及各种同步支付安排，目的是维持投资级评级。

这些数字本身并不可怕，可怕的是现金流与 capex 的严重 mismatch。2025 年部分时点 AI 相关收入约 600 亿美元，而 capex 已达数千亿美元级别。数据中心从规划到投产需要多年，期间任何需求、变现或技术迭代的偏差，都可能留下过剩产能。

多维度风险拆解

我把当前 AI 信用暴露的主要风险按维度整理如下：

- Capex 强度与需求不确定性：建设周期长、利用率依赖 AI 商业化速度。Nvidia 单日市值波动超 1000 亿美元的案例已显示市场对进展的敏感。
- 能源与资源瓶颈：数据中心耗电、用水量巨大，已引发环境诉讼风险。电力可用性不足可能直接卡住项目。
- 杠杆与结构复杂性：SPV、off-balance-sheet 安排、circular deals（例如 Nvidia 对 OpenAI 的投资与芯片供应）增加了透明度问题。
- 历史 parallels：铁路、互联网、电信光纤过剩建设都曾经历“installation phase”后的剧烈调整。
- 监管与 ESG：环境披露要求、银行资本规则、反垄断审查都可能成为额外约束。
- 流动性与利差：当前利差仍紧，一旦经济数据恶化或美债收益率反弹，frothy 部分容易首当其冲。
- 社会反馈：大规模就业替代可能引发政策转向，进一步影响长期需求假设。

这些维度中，能源/水资源约束和需求真实化速度是目前最硬的瓶颈。替代成本极高，短期内难以绕过。

机构实际在做什么

DoubleLine 的做法是避免大部分 AI-linked debt，只在利差合适时考虑高质量信用，重点看强资产负债表和 robust 保护条款。Oaktree 则保留选择性空间，通过 Brookfield 进行数据中心基础设施暴露，同时在信贷端强调 discipline。

他们买入的资产特征相对清晰：durable cash flows、verifiable customer commitments、结构保护优先，而不是单纯追逐 AI 叙事。Oaktree 的 distressed debt 背景，也让市场猜测其在后期可能捕捉折价机会。

这不是在激进做空，而是通过不参与高风险部分实现防御性定位。如果 AI 持续超预期，确实存在机会成本；但如果 capex 势头放缓或出现信用事件，这些结构更优的债务相对更具韧性。

历史教训与当前差异

过去类似周期（铁路、dot-com、电信）都证明：泡沫往往不是技术本身的问题，而是债务使用 + 估值脱离基本面共同作用的结果。Marks 在 memo 中反复强调，bubbles 可能加速基础设施建设，但也会摧毁部分投资者的财富。当前与 2000 年的区别在于，Magnificent Seven 等头部公司的基本面更扎实，但债务规模和资源约束是新增变量。

监管与 ESG 维度不可忽视

AI 数据中心融资涉及大量环境影响，已有诉讼案例出现。银行监管对高耗能项目的资本要求、气候披露新规，都可能在未来 12-24 个月内形成额外压力。信用机构在 underwriting 时已将这些因素纳入考量，这也是他们强调“strong protections”的原因之一。

结语

DoubleLine 和 Oaktree 的动作，并非在预测 AI 即将崩盘，而是提醒市场：信用周期的逻辑与股权叙事不同。结构、保护、现金流可持续性，才是决定 downturn 中谁能站稳的关键。

我把这些信息整理出来，不是为了给出任何买卖建议，而是因为信用市场的信号往往比股权市场更早、更直接。AI 技术本身可能继续推进，但债务驱动的建设节奏如果脱离真实需求，调整几乎是必然的。重点在于，如何在不确定性中保持选择性和纪律。

[玄投君 Flame @Evan99503]

对冲基金杠杆高就危险？OFR官方研究用数据告诉你真相

我最近在看美国财政部下属的金融研究办公室（OFR）发表的一篇工作论文，标题叫《对冲基金的杠杆与风险》。这篇论文用真实监管数据，回答了一个散户最关心的问题：对冲基金借那么多钱，是不是风险就特别大？

很多人一听到“对冲基金”，脑子里就浮现出1998年长期资本管理公司（LTCM）崩盘的画面——杠杆太高，一夜之间血本无归。所以大家默认：杠杆越高，风险越大。这听起来很合理，但OFR的研究发现，实际情况比这个简单认知复杂得多。

先把“杠杆”说成人话

杠杆其实就是借钱。假设你有10万块，想买一套100万的房子。你自己出10万，银行借你90万，这就是9倍杠杆。房子涨10%，你赚90万，回报率是90%；房子跌10%，你亏90万，也可能是血本无归。

对冲基金的杠杆也是这个道理。他们用很少的自有资金，借来更多钱去买股票、债券、衍生品。杠杆越高，赚得多也亏得狠。但关键在于：他们借钱买的是什么资产？是高风险的还是低风险的？这直接决定了整体风险到底有多大。

两种完全不同的理论

传统金融理论（马科维茨组合理论）认为，杠杆和风险是正相关的。你借的钱越多，组合的波动就越大，风险线性上升。这也是为什么监管机构一直盯着对冲基金杠杆的原因。

但另一种“杠杆约束理论”提出相反看法。高风险资产因为大家抢着买，价格被推高，未来预期收益反而变低（这就是著名的“低beta异常”）。不受杠杆限制的投资者，会用杠杆去买低风险但高回报的资产；而受限制的投资者，只能买高风险资产。

结果就是：杠杆越高，买的资产风险反而越低。杠杆和组合整体风险，可能持平、甚至负相关。

OFR用监管数据做了什么测试

OFR用的是美国SEC的Form PF表格数据，这是2011年多德-弗兰克法案之后，大型私募基金必须上报的监管数据。研究覆盖了大约2900只大型对冲基金，几乎是目前最全面的样本。

他们发现：

第一，杠杆和资产风险呈现强负相关。尤其是市场beta（资产价格随大盘波动的敏感度）。市场beta alone就能解释对冲基金杠杆横截面差异的20%，在权益策略基金里这个比例高达47%。

第二，杠杆和组合整体风险是弱负相关。系统性风险（跟市场相关的部分）负相关，但特质风险（个股特有的波动）正相关，两者抵消后，整体接近持平。

第三，杠杆和alpha（超额收益）正相关，但这个正相关完全由市场beta解释。一旦把beta放进回归，杠杆和alpha的关系就消失了。

简单说，对冲基金部分是用杠杆在放大低beta、高alpha资产的收益，而不是单纯在放大风险。

对散户到底意味着什么

这篇研究最有意思的地方在于，它挑战了“杠杆=风险”的简单等式。对冲基金的杠杆确实高，但因为他们倾向于用杠杆买低风险资产，所以整体组合风险并没有想象中那么高。

但这不等于零风险。如果市场危机中，低beta资产的beta突然上升，或者特质风险和杠杆的关系变陡，风险就可能快速上升。另外，研究没有考虑交易对手风险、融资 rollover 风险这些额外渠道。

监管上也值得注意。欧洲系统性风险委员会曾经建议对投资基金设置明确的杠杆上限。但如果简单一刀切，反而可能迫使原本不受约束的基金去买高beta资产，增加持仓集中度和危机时的相关性。

[Ray Dalio @RayDalio]

https://t.co/WTy8hynCmb

[玄投君 Flame @Evan99503]

Alphabet和Meta的AI融资：增发、发债与钱流向了谁

我拿着Alphabet和Meta的股票，最近看到两家公司同时大动作融资，心里有点复杂。Alphabet直接宣布80亿美金的股权融资，Meta则连续推出30亿和25亿的债券发行。这不是小事。AI基础设施的钱到底从哪里来，又流向了哪里？对现有股东意味着什么？今天把这些事实拆开说清楚。

增发到底是什么？会稀释股东权益吗

增发就是上市公司发行新股筹钱。和IPO不同，它是已经上市的公司再次卖新股票。形式包括公开增发、定向增发、ATM程序（在市场逐步卖股）、可转换优先股等。

增发会增加总股本，现有股东的持股比例下降，每股收益短期可能被摊薄。这就是市场看到Alphabet公告后股价跌约4%的原因。稀释是事实，但不是全部故事。Alphabet这次把结构设计得比较细：15亿普通股、15亿强制可转换优先股（2029年左右转换，还加了capped call机制限制稀释）、40亿ATM程序、10亿定向给Berkshire Hathaway。ATM里约30亿是用来支付员工股权激励的税款，不是单纯扩张融资。Berkshire的参与也算一种长期信号。

Meta这边没有同等规模的公开增发，只有一个36.57亿的ESOP shelf registration，主要服务员工股权计划。历史数据显示，Meta的回购基本抵消了股权激励带来的稀释，稀释股本数量还在同比小幅下降。

Alphabet为什么选股权融资，Meta为什么狂发债

两家公司2026年AI资本开支指导都很夸张：Alphabet 180-190亿美金，Meta 115-135亿美金。经营现金流虽然强（Alphabet trailing 174亿），但规模已经不够用。它们选择了不同的平衡方式。

Alphabet把股权和债务一起用。过去一年债务已经超过85亿，这次再加股权，形成balanced funding。目的是在保持资产负债表健康的同时，加速AI算力建设。股权部分还能把Berkshire这种长期投资者拉进来。

Meta更依赖债务。2025年10月30亿债券、2026年4月25亿债券，连续大额发行。好处是不稀释股权，坏处是利息支出增加，杠杆上升。4月那笔25亿的订单峰值只有96亿，比上一次低，利差也略有扩大，显示AI债务市场开始出现疲软迹象。

AI的钱到底流向了谁

这些钱大部分变成硬件和基础设施。核心流向三个方向：

NVIDIA（NVDA）仍是最大受益者。AI训练和灵活工作负载仍大量依赖其GPU。NVIDIA目前占AI加速器市场约70%。两家公司都在买Blackwell等新一代产品。

Broadcom（AVGO）和Marvell（MRVL）在自定义ASIC和网络领域拿走很大份额。Broadcom设计了 hyperscaler 约70%的自定义AI加速器（Google TPU、Meta部分自定义芯片）。网络硅片（高速以太网交换机、DSP、光模块）也是AI集群必不可少，Broadcom和Marvell都有份额。自定义ASIC增长更快，2026年出货量同比预计44.6%，而GPU是16.1%。

Meta最近还和Google签了多亿美金的TPU租赁协议，进一步分散供应链。Alphabet自己也在TPU和NVIDIA之间平衡。

简单说，钱先到NVIDIA的GPU，再到Broadcom和Marvell的自定义芯片和网络，最后才是服务器、电源、冷却和数据中心建设。

两家公司融资方式对比

主要融资方式
• Alphabet: 股权+债务混合
• Meta: 以债务为主

股权规模
• Alphabet: 80亿+（含可转优先股、ATM、Berkshire定向）
• Meta: 仅ESOP shelf 36.57亿

债务规模
• Alphabet: 过去一年超85亿
• Meta: 2025-2026连续30亿+25亿

稀释影响
• Alphabet: 净稀释控制在市值2%以内
• Meta: 主要通过回购抵消

Capex用途
• Alphabet: AI算力+TPU供应链
• Meta: AI数据中心+MTIA+网络

需要注意的风险

第一，稀释的最终影响取决于AI投资回报率。如果新算力不能快速转化为Cloud和AI订阅收入，EPS压力会持续。

第二，自定义ASIC正在侵蚀NVIDIA的长期份额。效率优势明显，规模化后成本更低。NVIDIA仍主导训练，但推理环节份额可能被蚕食。

第三，债务市场疲软信号已经出现。连续大额发行后，投资者要求更高补偿。未来发债成本可能上升。

第四，竞争对手也在IPO或融资。OpenAI、Anthropic等如果获得更多资本，Alphabet和Meta的领先优势需要更大力度的投入才能维持。

[Quant Science @quantscience_]

This 17 page pdf reveals the same technique Hedge Funds like Jim Simons' Renaissance Technologies use to find signal through noise.

Stanford released the complete Hidden Markov Model framework for everyone to use it.

Bookmark it before someone takes it down:

[玄投君 Flame @Evan99503]

@xiaomustock 你比巴菲特聪明

[Suni @suni_code]

Found the Best Resource to learn Harness Engineering. 😭

https://t.co/3eOEmMlfbv

[玄投君 Flame @Evan99503]

《日内交易策略拆解：ORB开盘突破入场出场规则、风控与回测结果》

我最近读了一篇论文《Can Day Trading Really Be Profitable?》，它用2016-2023年的真实美股数据，直接挑战了“日内交易就是赌博，97%的人亏钱”这个主流观点。论文作者通过回测证明，在特定策略和严格执行下，日内交易可以产生显著且与大盘不相关的alpha。

我把论文里的ORB策略从头到尾拆了一遍，重点讲清楚入场、出场、止损、仓位和杠杆怎么实际操作。感兴趣的读者可以自己去回测，看看能不能复现论文的结果，感觉还挺有意思的。

以下内容仅供研究和讨论，不构成任何交易建议。

1. 策略核心逻辑

ORB的本质是捕捉美股开盘后资金集中推动产生的动量。开盘后前15-30分钟，机构大单集中成交，形成一个“开盘区间”。价格有效突破这个区间，就代表多头或空头力量占优。

这个策略的优势在于规则清晰、天然带止损，且在高流动性品种（如QQQ/TQQQ）上更容易执行。论文没有过度优化参数，而是在包含两次熊市的环境下验证，增加了结果的可信度。

2. 开盘区间的定义与入场规则（详细版）

开盘区间的定义：
- 时间窗口：美股开盘后前15分钟（9:30-9:45 ET）或前30分钟。建议先用15分钟回测确认哪个窗口更稳定。
- 区间高点 = 这段时间内的最高价
- 区间低点 = 这段时间内的最低价

多头入场规则：
- 价格有效站上区间高点（建议用5分钟K线收盘价确认，避免假突破）
- 最好伴随成交量明显放大（可选过滤条件）
- 入场价格：突破高点上方1-2个最小变动单位（tick）
- 入场后立即设置止损，不能犹豫

空头入场规则：
- 价格有效跌破区间低点
- 入场价格：跌破低点下方1-2个tick

实操小技巧：
- 可以在开盘后5分钟就开始观察区间，提前做好预判
- 避免在重大新闻日（如FOMC、CPI）使用，或提前设置过滤条件
- 入场后如果3-5分钟内没有明显延续，可以考虑提前离场（可选）

3. 止损规则（基础版 vs 优化版）

基础版止损：
- 多头：区间低点下方
- 空头：区间高点上方
- 优点：简单直接，与开盘区间逻辑一致
- 缺点：固定区间可能不适应当天实际波动率

优化版止损（论文推荐，表现更好）：
- 使用14日平均真实波幅（ATR）的5%作为止损距离
- 多头入场后，止损放在入场价下方5% ATR
- 空头入场后，止损放在入场价上方5% ATR
- 优势：比固定区间止损更适应当天波动率，减少假突破被扫
- 触发后必须立即市价出场，绝不移动止损

为什么用5% ATR？
论文通过敏感性分析发现，较小的止损距离配合EoD出场能显著提升整体回报，同时控制单笔风险。

4. 止盈/出场规则

核心规则：
- 没有固定止盈目标
- 直接持有至美股收盘（End of Day, EoD）

逻辑：
- 小止损 + 让利润奔跑（cut losses quickly, let profits run）
- 如果当天趋势很强，EoD出场能吃到更大R（盈亏比）
- 如果当天没有明显趋势，EoD出场也能及时了结，避免隔夜风险

额外风控：
- 每天最多只做1-2笔
- 单笔风险控制在账户的0.5%-1%（用ATR算仓位）

5. 仓位管理与杠杆使用（详细计算示例）

单纯交易QQQ时，经纪商杠杆限制会让策略60%的时间无法充分发挥edge。

正确做法：用TQQQ（3倍杠杆ETF）代替QQQ。

仓位计算示例（简化版）：
- 账户资金：$25,000
- 单笔风险比例：1% = $250
- 假设TQQQ当天14日ATR为$1.60
- 5% ATR止损距离 ≈ $0.08
- 可交易手数 ≈ $250 / $0.08 ≈ 3,125股（实际需再扣滑点缓冲，建议留10-20%安全边际）

重要提醒：
- TQQQ波动率极高，仓位必须比交易QQQ时小得多
- 大账户或大仓位时，止损滑点风险会明显上升

6. 回测效果（2016-2023）

基础版（QQQ + 标准ORB）：
- 年化alpha：33%（扣除佣金后）
- 累计回报显著跑赢QQQ买持
- 在牛市和熊市中均有正alpha

杠杆版（TQQQ + 标准ORB）：
- 累计回报：1,484%
- QQQ同期：169%

优化版（TQQQ + 5% ATR止损 + EoD出场）：
- 累计回报：9,350%
- 年化alpha：93%
- $25,000账户理论增长至约$6,400,000（扣佣金）

策略在2018、2020、2022熊市中依然有效，证明了与市场的不相关性。

7. 胜率与盈亏比分析

论文未直接披露具体胜率数据，但从策略设计可以推断：

- 胜率：大概率中等（40-55%区间，典型突破策略特征）
- 盈亏比：明显偏向正向（通过5% ATR小止损 + EoD让利润奔跑实现）
- 整体正期望主要来自高盈亏比，而非高胜率

这也解释了为什么严格执行止损和“让利润奔跑”如此重要。

8. 日内交易风险管控实操清单

论文明确指出，主要风险不是策略失效，而是执行错误：

1. 滑点风险：大仓位或大账户时，止损可能被跳过（尤其是TQQQ）
- 对策：小仓位交易，避开低流动性时段

2. 操作纪律风险（最致命）：
- 把日内单变成隔夜持仓
- 止损没执行
- 提前离场（没到EoD就跑）
- 对策：写交易日志，每笔必记录是否严格执行规则

3. 杠杆放大风险：TQQQ在震荡市或跳空日容易出现大幅回撤
- 对策：严格按ATR算仓位，单笔风险不超过1%

4. 过拟合风险：回测再好，未来可能失效
- 对策：持续监控实盘表现，每季度复盘一次

9. 日内交易实操建议

- 先用模拟盘或小资金验证至少3-6个月
- 只交易QQQ/TQQQ，不要随意换品种
- 准备好交易日志：每笔记录入场时间、区间高低点、止损价、实际出场价、是否严格执行
- 避开重大事件日：FOMC、就业数据、财报季高峰等
- 结合低频策略：把ORB作为卫星策略，主力仍做长期指数持仓

感兴趣的读者可以自己去回测这个ORB策略，把参数、时间窗口、止损设置都调一遍，感受一下在不同市场环境下的表现，确实挺有意思的。

总结

这篇论文给日内交易提供了一个相对清晰的实操框架：小止损 + EoD让利润奔跑 + 用TQQQ解决杠杆限制 + 严格纪律。优化后的ORB策略在2016-2023年确实展现了极高的alpha。

但它同时也划清了界限——这不是“随便做日内就能赚钱”，而是需要极致执行力和风险控制。

免责声明：以上内容仅为对学术论文的个人解读与策略拆解，仅供研究和讨论，不构成任何投资或交易建议。市场有风险，杠杆产品可能导致本金全部损失。所有交易决策请自行研究、回测并承担全部风险。过往表现不代表未来结果。

[玄投君 Flame @Evan99503]

比特币链上指标简述（6月4日）：

当前BTC价格约$61,000–$64,000。AHR999指标降至0.32，处于深度买入/积累区（<0.45）。

长期持有者（LTH）持有约16.3百万BTC（占供应约80%），接近历史高位，HODL意愿强劲。

全网平均成本（Realized Price）约$52,800–$54,000，供给层面约60%盈利、40%亏损，地址层面约69%盈利、31%亏损。

整体显示长期持有者持续积累，网络处于净盈利但回调中。

[玄投君 Flame @Evan99503]

《交易与交易所》读书笔记：小散户的几条铁律

我把拉里·哈里斯的《交易与交易所》读完后，没有产生“特别残酷”的感觉。我读下来的最大收获其实很简单：哪些交易方式我应该彻底避开。

作为小散户，资金量小、信息滞后、速度慢，我清楚自己没有优势去和机构拼硬件、拼延迟、拼算法。所以这本书给我最直接的启示，就是把精力放在“躲避”和“逆周期”上，而不是去学那些需要极致速度的招数。

能不交易就不交易

书里反复讲，交易本质上是零和博弈。不知情交易者无论用市价单还是限价单，都会因为逆向选择而处于劣势。市价单要支付加宽后的价差，限价单则面临双重后悔——成交了可能被套，没成交又错过机会。

对我来说，这句话翻译成行动就是：能不交易就不交易。不是说完全不碰市场，而是把交易频率降到最低。只有当我真正看懂了暂时性波动，或者有清晰的事件催化剂时，才考虑出手。平时就老老实实持仓，减少因为频繁交易而累积的成本。

避开一切拼速度的游戏

书里把套利者、抢跑者、高频交易者都归类为需要极致速度和最低成本的参与者。小散户去碰这些，几乎没有胜算。配对交易听起来对冲了方向风险，但实际执行中，一条腿没成交、携带成本、基差扩大，都会把利润吞掉。更别说真正的无风险套利机会早就被速度最快的玩家拿走了。

所以我的结论很直接：凡是需要拼速度、拼延迟、拼同时成交的交易方式，我一律不碰。我没有那个硬件，也没有那个信息优势。把这些精力省下来，留给真正能看懂的基本面和事件。

买卖价差到底是什么？

很多人交易时只看到佣金，其实真正的成本里，买卖价差往往占大头。

简单说，买卖价差就是当前最好的买入价和卖出价之间的差额。比如一只股票，买一价是10.00元，卖一价是10.05元，价差就是0.05元。你用市价单买入，就要按10.05元成交；卖出就按10.00元成交。这0.05元就是你为“立刻成交”支付的即时性成本。

书里把价差拆成两部分：一部分是做市商的正常经营成本和库存风险，另一部分是逆向选择成分——做市商为了补偿可能输给知情交易者的损失而加宽的价差。小散户用市价单交易，这部分成本其实是在为市场里的信息不对称买单。

所以我现在看盘，第一件事就是看当前价差有多宽。价差明显偏宽的品种，我会更谨慎，因为它已经在告诉你，这里的交易成本不低。

逆周期：别人贪婪时我恐惧

书里把波动性分成基本面波动和暂时性波动。暂时性波动往往由不知情交易者的恐慌或狂热造成，价格会偏离基本面，然后被价值交易者拉回来。

这给了我一个很清晰的操作思路：别人贪婪时我恐惧，别人恐惧时我贪婪。当市场因为短期事件出现极端恐慌，价格被砸出明显暂时性低估时，我更愿意考虑提供流动性。反之，当市场狂热、估值严重偏离时，我宁可观望。

这不是什么高深策略，而是把“能不交易就不交易”和“避开拼速度”结合后的自然结果。

不要迷信明星，但可以借用喊单效应做短期事件驱动

书里把明星基金经理公开看好某只股票、引发散户跟风的现象，称为利用声誉的“虚张声势”。跟风者拿到的是过时信息，最终往往成为接盘侠。

我认同这一点，所以我不会去迷信任何股神或明星基金。但我承认，喊单确实会制造短期的事件驱动和流动性。

我的做法是：把喊单当作一个可观察的短期催化剂，而不是信仰。当某个明星公开表态后，我会去研究这个事件本身的基本面逻辑，而不是盲目跟进。如果逻辑站得住，且价差和波动性都符合我的条件，我会考虑做短期的波段；如果只是情绪驱动，我就继续观望。

这本质上是用他们的声誉制造的流动性窗口，而不是相信他们比我更聪明。

总结我的几条铁律

读完这本书，我给自己定了几条不会轻易改变的规则：

- 能不交易就不交易，把频率降到最低。
- 凡是需要拼速度、拼延迟、拼同时成交的策略，一律避开。
- 时刻关注买卖价差，把交易成本控制在可接受范围内。
- 在别人贪婪或恐惧制造的暂时性波动中寻找机会，逆周期操作。
- 不迷信任何明星或股神，但可以把他们的喊单当作短期事件驱动的观察信号。

这本书没有告诉我具体买什么，而是帮我把“哪些事我不应该做”这件事讲得非常清楚。对我这种小散户来说，知道自己不该碰什么，比知道应该碰什么更重要。

[玄投君 Flame @Evan99503]

@xiaomustock 你比华尔街聪明

[玄投君 Flame @Evan99503]

这是我给高三考生的一点建议:

1. 今天距离高考还有3天，高考考完一定不要去对答案，尽情享受假期。
2.天气炎热的话注意避暑，可自带风油精、冰袋降温。
3.疯狂暗示自己，一定可以考出理想的成绩。
4.狂欢聚会什么的，考后再计划也来得及。
5.星星之火，可以燎原，相信你我皆是黑马。
6.期望的分数不要太高，不要眼高手低，做好困难准备。
7.四点那会考数学特别容易饿，中午一定要吃饱。
8.微信里经常有人发所谓标准答案，不要轻信。
9. 我不会的题别人也不会，不要慌张。
10.五点左右考完可以去散散步，不要着急回家吃饭
11.十点半是最合适的上床时间。

不是高考生的只需要看每条第一个字就好了

[玄投君 Flame @Evan99503]

"Crowding doesn’t tell you where the market is going. It tells you how hard you’ll hit the ground if it falls." （拥挤度并不能告诉你市场会往哪里走。它只是告诉你，如果市场跌倒，你会摔得有多惨。）