pluck_R10n

格物致知

[pluck_R10n @PluckR10n]

太祖爷留给我们最珍贵的是什么？实事求是，没有调查就没有发言权。太祖爷读过的竖排繁体应该远多余马列著作，从传统文化汲取营养理所应当。往前数五千年，从利贞到格物，再到知行合一，终归于实事求是。在这个群魔乱舞的时代就更显珍贵。

[pluck_R10n @PluckR10n]

蛤蛤回来把自己的搭档接走了。

[pluck_R10n @PluckR10n]

刚刚送走了一位长辈，对这种细节简直不能忍。会泪崩。

[云青天 @CinnabarOcean]

仍是戴着当初这顶贝雷帽来送别你

[aybeering @aybeering]

这段时间结束了我的实习，花了更多时间在量化上，自我的感觉是一步一步走上正轨了。

我的背景是计算化学，对微观结构有天然的适应性，说一个冷门段子：HOMO/LUMO 轨道真的很像ask/bid 订单簿。

过去一段时间我经常以策略为导向，回测对了，数据好看了，我就丢给AI一句话：直接帮我实盘吧。这其实挺好笑的，我错误吸收了网上大佬的话，说不能把策略发现交给AI，我照做了，但效果很差。AI把风控，执行，监控全都揉杂在一起，微观交易是一个精细活，任何一处失败都会导致结果的坍塌。

所以我们其实距离那个说一句话就当甩手掌柜的时间还很远，这也逼着我去学习，怎么做风控，怎么搭基础设施，这段时间最大的感想，就是我从一个理论学家变成了实验学家。

社交媒体上的结论性评价也不能信太多，有价值的信息需要时间产出，情绪性的信息容易表达。

AI到底还只是一个语言翻译机，只是现在它可以把人类语言翻译成工程语言，或者狭义上的代码。如果你无法用语言完整描述出项目的具体细节，具体功能，那结果一定会有偏差。

[pluck_R10n @PluckR10n]

@arst0zka8964 只有CAS配，其他的一律不配。

[pluck_R10n @PluckR10n]

@showonder @weiyux2021 不知道THU是什么鬼野鸡大学。国内配缩写的只有CAS。

[苏里格 @szslg]

2014年，几乎整个创投圈都笃信一个剧本：AWS会吞下企业级的一切——数据库、中间件、应用层，一个不留。后来的故事大家都看到了。Snowflake直接在AWS上跑出了比Redshift更快的性能，Databricks、Mongo、Confluent各自长成百亿美金级的独立玩家，连当年被视作“陪跑”的Azure和GCP，如今也都是几千亿的盘子。问题不在AWS不够强，而是市场太大了，大到没有任何单一玩家能把它全部嚼碎。

AI正在重演这段历史。今天流行的叙事换了个主角——“某一家实验室会通吃所有”。但真实走向大概率是另一个寡头格局：训练层、推理层、芯片层、应用层，每一层都会跑出多个百亿级赢家，彼此共存、互相制衡。在这个行业里，零和思维是最危险的武器——它让你只盯着切分存量，却看不见增量正在重新定义这个行业。

[实践哥MinLi @MinLiBuilds]

这就很尴尬了。
论文里最让人侧目的，是他们对 Kimi-K3 做的那一组实验。

研究者先用这个跨模型解密漏洞，把 Claude Opus 4.8 和 GPT-5.6 Sol 的隐藏思考过程完整挖了出来。然后他们做了一件很直接的事：把这些原本不该被看见的 reasoning 片段，拿去 prefill 给 Kimi-K3。

结果很扎眼。

只塞进去前几个 token（有时甚至不到 1%），Kimi-K3 的后续推理风格和最终可见回答，就会明显往 Opus 或 Sol 的方向偏移。有些情况下，生成的回答几乎能对上 Opus 的表达习惯。进一步做困惑度和记忆分析后发现，特定 Claude 和 GPT 的推理跨度，在 Kimi-K3 上比在其他开源模型上，要容易提取出大约六个数量级。GLM-5.2 也有类似迹象，而 DeepSeek、Inkling 基本没有。

作者写得很克制，反复强调“这只是暗示性的证据，不能因果证明蒸馏”。但数据摆在那里，外界立刻读出了更刺耳的含义：Kimi 有没有在训练时接触过、甚至蒸馏过这些本该被加密保护的推理轨迹？

[pluck_R10n @PluckR10n]

@wuerbangbang 我回头找你定个章子是有可能的，而且我认真考虑过了。这口么，还是算了。没应用场景，哈哈哈哈哈。

[泊舟 @bozhou_ai]

测试验收真是一个很头疼的事情。分享一个我的方案。

我事先让AI帮我根据需求文档以及当前代码，生成一个测试用例，要求是交付给测试人员的测试用例。

然后我使用grok 4.5 接上Computer Use 让他帮我按照这个文档进行测试，然后在里面告诉他，你不允许看代码，你是属于对代码属一无所知的状态。站在一个测试人员的角度进行测试，点击，然后生成缺陷报告

然后Codex拿到缺陷报告再修改，修改完之后回填进去，然后Grok再进行验收。搭配上 loopx进行循环

Grok 4.5的速度非常给力，400多项的测试用例，很快一次性完成了。

[本杰明乌萨奇 @Corsica267]

“联储的供给模型估算，私人持有的十年等效国债供应减少GDP的1个百分点，大约只压低10年收益率10bp；而FRB/US模型中，持续增加相当于GDP 1%的商业固定投资，会把中性真实利率抬高约29bp。这两组模型不能机械相减，但说明了一个重要数量级：中等程度的发债久期调整，完全可能被持续资本扩张盖过去。”

也就是说，回到Sa老师说的堰塞湖。短端利率下不来不是给长端带上去的，也不是美联储，就是企业和私人的宏观S储蓄跟不上。

[pluck_R10n @PluckR10n]

@itonlin111 这是OAI需要集群压力测试，或者其他测试了~~~仅此而已。

[芒果刀🥭 @ThirteenYizuka]

前段时间OpenAI把Codex里面gpt-5.6系列的模型从372k改回了272k，但是这个上下文太小了，根本不够用，一压缩就忘事情。于是研究了一下怎么改回最开始的372k上下文。

我以为只是配置文件里面加一行就行了，结果没想到还挺复杂，还得去修改内置的模型清单信息。。。不过最后还是弄好了，用着非常爽啊，也顺便做成了一个Skill，开箱即用，直接喊Codex给你安装，然后调用这个Skill就可以修改上下文和压缩阈值到你想要的值🥰（具体支持多少还没测过，不过改成原来的372k是没问题的）。

开源链接：https://t.co/dqSgYK7aOB

[pluck_R10n @PluckR10n]

梁园日暮乱飞鸦，极目萧条三两家。
庭树不知人去尽，春来还发旧时花。
这次家里该回去的都赶回去了，一起长大的小伙伴现在都已经是老登。恰逢庙会，就去街上走走。卖货的比买的人多。不免感慨人都去哪了。城市化的前半段是农村人进城，后半段是剩下来的人逐步离世。同样是写物是人非，桃花依旧笑春风是美好回忆，而庭树不知人尽去，春来还发旧时花——只有萧条。

[pluck_R10n @PluckR10n]

台风天。大伯过世，回家奔丧。这个年龄感情已经没有那么丰富了，或者说已经习惯性收着感情。到家马不停蹄开始忙，作为主家有很多事情需要去安置——也没有给你情绪崩溃哭的空间。到出殡，坐在灵棚里，小姑姑过去把双手放在骨灰盒上。忽然就泪崩，想到那个电影里跟门锁碰拳的剧情。我们都在忙着组织一场盛大的活动，没人注意错过了这个时刻。跟大伯的距离最近是三米。定在某一刻什么是重要的？

[美研芒格君 @Kay2289123]

https://t.co/pwNl60nvgU

[套利豪仔🗽 @pritipatelfgoo]

同一组参数的策略，可能在牛市时 Sharpe 能到 1.8，震荡市直接掉到 0.3，解决这个问题的常用做法是加入状态过滤器（Regime Filter），但怎么定义「状态」？用波动率？趋势强度？还是什么别的东西？

今日天介绍一下GMM高斯混合模型（Gaussian Mixture Model）。这东西在机器学习领域不算新，但真正用在交易策略设计上，它解决的其实是一个很根本的问题：市场是多个状态的混合体
为什么线性假设不全面？

大部分量化策略在设计时，隐含了一个危险的假设：市场服从单一分布。你算历史波动率、设定止损位、估计预期报酬，背后都默认了资料来自同一个生成过程（Data Generating Process）。但实际交易时你会发现，这个假设根本站不住脚

市场至少有几种明显不同的状态：低波动率的盘整期、高波动率的趋势期、流动性枯竭的尾部事件期。每个状态下，价格的行为模式、订单流的特征、甚至做市商的报价策略都完全不同。如果你用全样本的统计特征去做决策，就等于把三种不同的游戏规则混在一起算平均值，这在数学上也许可行,但在回测上就是不完整的

GMM 的核心逻辑是：与其假设市场是一个高斯分布,不如假设它是多个高斯分布的加权组合。每个分布代表一种市场状态,模型会自动学习这些状态的特征参数（均值、方差）以及它们出现的概率。更重要的是,它能告诉你当下这个时间点,市场处于哪个状态的概率有多高

GMM 的因子建构逻辑

实际应用时,通常会这样设计：先选定一组特征变数（Feature Variables），可能包括日内报酬率、实现波动率（Realized Volatility）、买卖价差（Bid-Ask Spread）、成交量异常度等等。这些变数不是随便选的,而是要能捕捉市场微结构（Market Microstructure）的变化

然后让 GMM 去拟合这些特征的联合分布。假设我们设定三个状态（Component），模型会输出三组参数：每个状态的多维高斯分布参数,以及每个状态的先验概率（Prior Probability）。训练完成后,对于任何新的观察值,模型都能计算它属于各个状态的后验概率（Posterior Probability）

这里有个关键点：状态数量的选择。理论上你可以设定任意多个状态,但实务上我发现 2 到 3个通常最有效。太少会欠拟合（Underfitting），抓不到市场的多样性；太多则容易过拟合（Overfitting），而且状态之间的界线会变得模糊,失去可解释性。我的经验是,先用 BIC（Bayesian Information Criterion）或 AIC（Akaike Information Criterion）做初步筛选,然后结合交易直觉去调整

状态条件下的讯号生成

有了状态分类之后,策略设计的逻辑就变得清晰很多。最直接的做法是为每个状态设计不同的交易规则。比如在低波动状态下,我会倾向于均值回归（Mean Reversion）策略,因为价格偏离均值后回归的概率较高；在高波动趋势状态下,则切换到动量（Momentum）策略,顺着趋势方向建仓

更精细的做法是动态调整仓位权重（Position Sizing）。假设模型判断当前处于高波动状态的概率是 0.7,那我可能会降低杠杆倍数,或者收紧止损距离。这不是简单的风险管理,而是基于状态概率的贝叶斯决策（Bayesian Decision Making），你在用模型的不确定性来调整你的暴露度（Exposure）

还有一种用法是作为过滤器（Filter）。有些策略在特定状态下表现很好,但在其他状态下会亏钱。与其让策略一直运行,不如只在模型判断为有利状态时才开仓。我曾经测试过一个统计套利（Statistical Arbitrage）策略,加入 GMM 状态过滤后,胜率（Win Rate）从 52% 提升到 61%,虽然交易次数减少了三成,但整体 Sharpe Ratio 反而提高了

失效模式

任何模型都有失效的时候,GMM 也不例外。第一个风险是状态切换的滞后性（Lag）。GMM 是基于历史数据训练的,它判断当前状态时,用的是过去一段时间的特征。如果市场突然剧烈变化，比如突发新闻、流动性冲击，模型可能还停留在上一个状态的判断里。这时候你的策略会用错误的规则去交易,亏损会来得又快又猛

第二个问题是状态的非平稳性（Non-Stationarity）。市场的状态本身会随时间演化。2020 年疫情期间的高波动状态,和 2015 年股灾的高波动状态,特征可能完全不同。如果你用太旧的数据训练模型,它学到的状态定义可能已经过时。常用做法是设定一个滚动窗口（Rolling Window），定期重新训练模型,但窗口长度的选择又是另一个需要权衡的参数

第三个陷阱是过度依赖模型输出。GMM 给你的是概率,不是确定性。当模型说当前处于状态 A 的概率是 0.6,那还有 0.4 的概率是其他状态。如果你把 0.6 当作 1.0 来执行策略,就等于忽略了模型的不确定性。更稳健的做法是用概率加权的方式混合不同状态的策略,而不是硬切换

执行层面考量

理论上 GMM 能帮你识别市场状态,但实际交易时还有一堆执行层面的问题。首先是计算延迟（Latency）。如果你在高频环境下交易,每次状态判断都需要重新计算后验概率,这个计算时间可能就会吃掉你的 alpha。我见过有人为了降低延迟,把 GMM 的推断过程用 C++ 重写,或者直接在 FPGA 上实现

然后是滑点（Slippage）。状态切换时,如果策略需要大幅调整仓位,你可能会在短时间内产生大量订单。这在流动性充足的市场还好,但如果是小型股票或者冷门商品期货,你的订单本身就会影响价格,实际成交价和理论价格的偏离会直接侵蚀利润

还有一个容易被忽略的点：状态判断的频率。你是每分钟更新一次状态,还是每小时、每天？频率越高,策略对市场变化的反应越快,但也越容易产生虚假讯号（False Signal）。我的经验是,这个频率要和你的策略持仓周期（Holding Period）匹配。如果你是日内交易,可能需要分钟级的状态更新；如果是多日持仓,日级更新就够了

从单资产到多资产

GMM 的一个天然优势是它能处理多维数据。理论上你可以把多个资产的特征放在一起,让模型学习它们的联合状态。比如同时考虑股票指数、债券殖利率、波动率指数（VIX）的组合状态,这样能捕捉到跨资产的关联性（Cross-Asset Correlation）

但这里会碰到维度诅咒（Curse of Dimensionality）。假设你有 10 个资产,每个资产提取 5 个特征,那就是 50 维的特征空间。GMM 需要估计的参数数量会随维度指数增长,样本量不够的话,模型根本学不出有意义的结构

实务上通常会先做降维（Dimensionality Reduction）。可以用 PCA（Principal Component Analysis）提取主成分,或者直接手工选择最有资讯量的特征。另一个技巧是分层建模：先用 GMM 对单一资产做状态分类,然后在更高层级用另一个模型去整合多个资产的状态讯号。这样既保留了多资产的资讯,又避免了维度爆炸

从静态到动态

标准的 GMM 是静态模型,它假设状态之间的转换是独立的。但市场状态其实有很强的时间依赖性（Temporal Dependency），如果昨天是高波动状态,今天继续高波动的概率通常比较高。这时候可以考虑用隐马可夫模型（Hidden Markov Model, HMM）或者动态 GMM,它们能建模状态之间的转移概率（Transition Probability）

可以尝试用 GMM 定义状态的特征分布,用 HMM 建模状态转移。这样做的好处是,模型不仅能告诉你当前状态,还能预测下一个时间点最可能进入哪个状态。对于需要提前布局的策略来说,这种前瞻性的资讯可能有价

另一个方向是引入外部资讯（Exogenous Information）。纯粹基于价格和成交量的 GMM,只能捕捉市场内生的状态变化。但很多时候状态切换是由外部事件驱动的，央行政策、财报季、地缘政治。如果能把这些资讯编码成特征,或者作为状态转移的条件变数,模型的预测能力会更强。当然,这也意味着更复杂的数据处理和更高的过拟合风险

[pluck_R10n @PluckR10n]

回复都被隐藏。这哥们在试图塑造自己的形象，乔帮主是每个人都想学的。区别是乔帮主可以开全景视角，其他人只能好好维护自己某一个侧影。真是一旦切换到运营的视角就再也无法快乐的参与其中。前些日子某导演讲看电影脑子里都是分镜，没办法享受过程。我也一样，看美国大片脑子里全是重力加速度，杨氏模量。再也看不到星战那种惊艳（开头时空穿梭太过于尊重物理了，真实世界的奇幻比这帮傻逼编剧、道具能开的脑洞大太多）。乐生讲期中考核他要改变道教。是啊，我们都是从一个傻逼的出发点把自己锁在了世界线的微妙角度。看到了开屏的孔雀跟开屏孔雀的屁股。撕裂感大概就是这么来的。

[Cell 细胞 @cellinlab]

在 小红书 刷到了 3D 打印的版本，
感觉这是目前 这个项目 最大应用场景了…

[pluck_R10n @PluckR10n]

@Kai866 印度卖俄罗斯原油的是拜登，应该每个人都知道~~~