Russell Feng

[GitTrend @GitTrend0x]

一本真正从零开始的量化入门书

量化交易一直被很多人视为“高门槛专业领域”，但这本书的目标就是打破这个认知。

XQuant：人人都是量化交易员

是一本开源的量化交易入门教程（目前为书稿形式），由 xingwudao 编写并持续迭代。它采用 VitePress 构建，在线阅读体验极佳，内容完全免费。

核心价值在于极其实践导向：
• 从「跑通第一个策略」开始，一步步教你选资产（从 3 只 ETF 起步）、决定仓位分配、设置再平衡/止损止盈
• 教你如何判断策略好不好、如何防止过拟合
• 最后落到实盘执行、监控诊断、迭代优化
• 最后引入因子研究入门，帮助你持续发现新机会

整本书像一本「量化交易实操手册」，而不是空谈理论。配套还有独立练习仓库（含代码和 notebook），读完就能动手练。
作者还建了读者群（加微信 xquanter 备注「XQuant 读者」），方便交流反馈。

在线阅读地址（强烈推荐直接看）：https://t.co/iqHnSdZQxG
配套练习仓库：https://t.co/GF9JRoQnfO

在当前量化工具和数据越来越丰富的环境下，这类「从 0 到能跑通策略」的系统化入门资源，真的非常稀缺且宝贵。

适合想系统入门量化交易的初学者、想把想法落地成策略的开发者，以及希望把交易从「感觉」变成「系统」的交易者。

去读读看吧。

[Smartpig @Smartpigai]

Codex 最强实战课来了，建议直接收藏。

不到 2 小时，带你彻底玩转 Codex + GPT-5.5 这套“AI 开发外挂”：
从技能与插件配置、自动化工作流搭建，到多任务并行实战，全程手把手演示。

如果你想快速掌握真正高效的 Vibe Coding，这可能是目前最值得刷的一条免费中文实战教程。

连 OpenAI 官方都点名认可。

[Magiccat（💜,💛） @MagiccatMila]

X推特上那些搬运博主的内容源终于知道从哪来的了！

就这个AgentKey，一个工具通吃小红书、抖音、快手、B站、微博、知乎、Youtube和各种你意想不到的平台，公开的内容、评论、点赞、转发都能扒下来。

最骚的是一句命令就能把它安装在Codex/龙虾或者Claude Code，直接建立自动化工作流跑流程，省下90%调研搬运时间。

数据源还很稳定和安全，不用自己配置。

🔗https://t.co/35Zyr2s7JZ

对于新手，调研门槛降下来很多

[Line @0xLinehigher]

非常建议每一个选择计算机系的大学生，在大学时期将cs336啃完，不开中文字幕，只开英文字幕。啃完之后，你对LLM的理解和英语能力至少在国内前百分之1%。

这门课超过国内任何一所大学里面计算机的课程。

《Stanford CS336: Language Modeling from Scratch》 是一门斯坦福大学计算机科学系的课程，这门课每一年春季都会有，每一年都会在油管免费开放。

里面的内容非常前沿而且实用，目前油管上的版本是25年的版本，第一节课提到的模型已经是GPT-4。而与此同时，国内的计算机课程还在用着至少5年前的PPT。

依稀记得，我的第一节C语言课程，PPT的里面的演示系统是XP...

啃完CS336，你会收获LLM的全栈技术栈，从数据收集，清洗，模型训练，优化，评估到部署，Transforemer架构，注意力机制，各种目前最新的机器学习训练方法

这门课的目标就是从头让你手搓一个LLM，亲手实现完整的pipeline。

两位主要讲师：
1、Percy Liang
MIT 本科 + MEng，UC Berkeley 博士（2011）。曾在 Google 做 post-doc，后加入 Stanford 任教。

2、Tatsu
Harvard 本科（统计与数学），MIT 博士（co-advised by Tommi Jaakkola 和 David Gifford），之后在 Stanford 做 Percy Liang 和 John Duchi 的 post-doc

耐心啃完这个，所有计算机课程几乎都不需要上了...因为在过程中必然会遇到很多不懂的点，边学边查，然后顺带就把学校关于机器学习和深度学习的专业课给学完了。

如果刚上大一，可以先看cs50，然后再到cs336，先稍微打点计算机的基础。

与此同时，一定要把线性代数学好，将高数丢了都要把线性代数学好，线性代数是机器学习的底层DNA。

如果线性代数没有学好，会比较难理解神经网络，相当于没学好加减乘除就想去求导。

[爱吃折耳根的Ace @_zheergen]

🚨 终于有人把“金融数据 + AI Agent”这件事打通了

OpenBB 目前 GitHub 上已有 近 7 万 star，是一个开源的金融数据与研究平台，被很多人称为「开源版 Bloomberg Terminal」

以前做金融研究，最烦的不是不会分析，而是数据太散：一个终端看行情，一个表格存模型，一个网站翻 SEC 文件，一个工具跑图表，最后还要复制给 AI 总结。

现在它把过去只有机构才能轻松获取的专业数据，整合成了人人可用的工具，核心亮点：

> 覆盖股票、期权、加密货币、外汇、宏观经济、固定收益等多个市场
> 包含财务数据、高管信息、股东结构、地区分布等细粒度信息
> 支持 AI 集成，一条指令就能让 AI 调取数据并生成深度研报
> 数据可自部署，保护隐私和数据安全

只输入一条指令，AI 就能调取数据、生成深度研报，全球金融数据接口真的被打通了

做股票研究、量化分析、基金投研、AI 金融 Agent 的，强烈建议保存看看

[逸尘 @gengdaJ]

https://t.co/1DKkDVEtC6

[逸尘 @gengdaJ]

最近这几个月分享了太多关于Codex的玩法了，横跨了赚钱、自媒体、视频、记忆系统、APP开发上架、教程等多个领域，大家进行系统学习的时候，可以把这篇推文发给Codex，让它给你推荐阅读路径。

一、边玩边赚钱与实战变现
1. Codex进阶实战教程，办公四件套、3D视频、电商自动化
https://t.co/iQpedrxwlu
2. GPT2-image变现杠杆思路，6步赚钱路线图
https://t.co/JmnyYcReXr
3. 第一款App已有上百付费用户，全程用Codex完成
https://t.co/UUWc3toPBx
4. GUI可视化数据中台想法，打通微信飞书X数据
https://t.co/hK7YXLFewR

二、Codex App 新手入门
1. Codex App 小白完整入门指南，界面设置权限全解析
https://t.co/3WMhhNaazG
2. Codex新对话代理问题完整修复方案
https://t.co/qLMn094nRO
3. Codex App是普通人最佳本地AI选择，对比Claude Code
https://t.co/AwOeGpQr98

三、记忆系统优化
1. 基于EverOS重构Codex记忆系统并开源模板
https://t.co/JEe8D6LlaY
2. Codex+Obsidian+SQLite+向量检索迭代升级
https://t.co/xQ2CLgU844
3. 一键搭建Obsidian长期记忆系统完整提示词
https://t.co/6rpYIHz8dT
4. 外接Obsidian大脑优化版提示词，Token大幅节省
https://t.co/ETkLAihZRx
5. Codex记忆系统开源模板，支持多Agent共用
https://t.co/pycB6qr40H

四、Agent开发与部署
1. 从0到1开发并部署生产级Agent实战视频教程
https://t.co/S0rIGrOhFv
2. 非技术小白用Codex完整开发项目的最佳路径
https://t.co/u8cMbxT4ID

五、工具集成与自动化
1. Codex打通微信飞书自动归档合同交付物
https://t.co/GXrrcsSGKR
2. Computer Use打通Codex与ChatGPT Pro调用最强模型
https://t.co/S8YO61eYbu
3. Codex最好用插件推荐，Computer Use与Playwright优先
https://t.co/oLW1wGSG7A
4. Codex官方支持开源模型DeepSeek GLM Kimi
https://t.co/8oPhJ01CSi
5. Codex+GPT5.5实现微信双开Skill
https://t.co/ssSqUMNnOY

六、Computer Use与实战案例
1. Computer Use冰山一角用法大清单，10+真实案例
https://t.co/TQkuSdsDYv
2. 用Codex完成App备案与华为审核全流程
https://t.co/sGkoVoNaSi
3. Codex修复自家WiFi连接问题仅用2分钟
https://t.co/iaVHAefI6s

七、产品比较与日常使用
1. Claude Fable5 vs Codex，坚持使用Codex理由
https://t.co/e7EMk72Ehj
2. Codex /Sites命令构建团队网站或App
https://t.co/pl90Df0VJW
3. Claude vs GPT Codex全面对比分析
https://t.co/ma6I6z6kpF
4. 学习Codex最简单方法，搜索主页所有Codex推文
https://t.co/O8xnCD21wF
5. 重庆线下Codex分享，下沉市场仍有巨大空间
https://t.co/g8BHwWe92a

[爱吃折耳根的Ace @_zheergen]

🚨 卧槽！终于有人把 A 股 + 美港股的免费数据源彻底打通了！

一个作者两个硬核开源项目，把原本散落在各个平台的原始数据，整合成了 AI 能直接调用的数据层。

从此不用再自己对接各种接口、处理反爬、或者花几万块买专业数据了。

A 股版：a-stock-data
覆盖实时行情、资金流、股东户数、龙虎榜、全量公告、研报 PDF 下载、概念板块、北向资金、融资融券、大宗交易、解禁等。
> 7 层架构
> 28 个端点
> 13 个数据源
> 零第三方 data wrapper 依赖
https://t.co/cVxAK7IKAk

美港股版：global-stock-data
覆盖美股期权链、SEC EDGAR 结构化 XBRL、503 个 GAAP 指标、纯 Python 技术指标计算、资金流、财报三表、全市场列表等。
> 8 层架构
> 18 个端点
> 5 个数据源
> 仅依赖 requests
https://t.co/NbhcrJwUkY

这两个项目最大的价值，不是又多了几个股票接口。

而是直接封装成 Skill，可以让 Claude、GPT、Cursor、Codex 这类 AI Agent 直接调用，瞬间变成你的量化数据助手

做 A 股 / 美股 / 港股复盘、AI 投研、自动化报告、量化分析的人，建议保存看看。

[IA João @MartinsJoa_]

O ChatGPT tem um modo oculto chamado Tutor Pessoal Infinito. Ele te ensina qualquer habilidade do zero em 3 horas.

Aqui estão 8 prompts:

[泊舟 @bozhou_ai]

市面上 Codex 的教程太散了。

官方文档一块、视频一块、各路博主又一块，新手想系统上手，光把这些东西拼到一起很花时间。

所以我和小伙伴花了十天，自己整理出一本《Codex 橙皮书》。今天免费开源，直接拿走。

一份 PDF 206页，从零到能用 Codex 跑通真实项目，挨个章节啃下来就够：

一. 先搞懂 Codex 是什么
它和 ChatGPT、Cursor、Claude Code 到底差在哪，四个入口怎么选，先把概念捋清楚。

二. 安装、配置与环境准备
App、CLI、IDE 插件、Web 四端，从下载到第一次跑通，一步步带着做。

三. 核心功能详解
自动化、插件、Skill、MCP、Git/GitHub、云端运行、记忆系统 AGENTS.md，一个个讲透。

四. 标准工作流
我们自己跑出来的标准六步法，再配一套能直接复制的任务模板。

五. 实战案例库
从宠物零食官网、管理后台，到招商 PPT、宣传视频，五个案例手把手做完。

全程中文，面向小白，配了一大堆实测截图。我们踩过的坑，基本都写进去了。

开源地址： https://t.co/IU966bjfgs

[cvxv666 @antpalkin]

ChatGPT can write you a thousand trading strategies from one sentence.

999 will quietly bleed your account dry. Every single one of them looks like a winner.

One method pulls the real one out. Quant desks have run it for years. It's called loop engineering.

It's not a smarter prompt. It's a loop: generate a strategy, test it, score why it failed, feed that back, and run it again until one survives data it has never seen.

Man Group runs $150 billion. They built an AI that writes and tests hundreds of strategies a week.

And second agent whose only job is to hunt the ones that secretly overfit and kill them before a cent goes live.

> describe an idea -> backtest 5 years in 12 seconds
> read why it died -> feed that back in
> run it again until one survives data it never saw

AI can write a thousand strategies. Loop engineering is the only thing that tells you which one was ever real.

89% of retail lost money in 2025. Almost none of it from bad ideas. All of it from trading the first guess and never running it through backtest loop.

Horizon just put the whole thing in a chat box, free while the beta's open: https://t.co/qMCIUPVKGK

You're not losing to smarter traders. You're losing to the ones who opened the tab.

Anyone can generate a strategy now. Almost no one runs the loop that proves it.

That gap is the whole edge.

You'll mean to check it later. Later is a "waitlist closed" page.

[知识玩家 @BrainQuestor]

用了3年ChatGPT后，我转向了Claude，我可以说它让我的生产力提升了10倍。

这里有10个我每天使用的提示词，它们改变了我的日常生活，也可能改变你的生活：

(保存这个，别弄丢了🧵)。

[Jason Zhou @jasonzhou1993]

https://t.co/Ra4YZLY7dc

[Roan @RohOnChain]

https://t.co/JRsWSeUfrN

[Jealousy 尼卡 @eastweb3eth]

跟着 特朗普和国会高官 买股票，你还会亏嘛？

刚刚发现了一个超牛逼的网站，这个网站追踪了 特朗普和美国国会高官 的全部股票持仓，而且是实时的。

除此之外，还有 吉姆·克莱默追踪器 和 内幕交易 追踪。 可以说是我发现功能最强大网站。

网站地址：https://t.co/pJ1Rn0qwcc

本文非投资建议，大家投资股票请DYOR

我是尼卡，平时会持续分享 AI、美股、Web3 相关有用又有趣的工具和项目，感兴趣的话欢迎关注，下次见～

[Jealousy 尼卡 @eastweb3eth]

AI股票大师 （推特查漏补缺系列第三弹）

相信大家电脑里的 AI 股票工具已经不少了，但是同质化非常严重，基本都是差不多的模型，差不多的变量，差不多的分析结果。

把这些 AI 股票工具都删了吧，就保留我今天推荐的这个【AI股票大师】，支持美股，A股，港股，并且有下面3个特色核心算法：
1. RTSI - 个股趋势强度指数
RTSI算法基于现代投资组合理论和行为金融学原理，结合机器学习技术构建。该算法通过多维度数据融合，量化个股的趋势强度。
2. TMA - 技术动量分析（行业分析的核心算法）
TMA (Technical Momentum Analysis) 算法是本系统的核心创新算法，基于现代技术分析理论和行为金融学原理设计。该算法专门用于衡量行业板块的技术面动量强度，通过多维度技术指标融合，实现对行业轮动机会的精准识别。
3. MSCI - 市场情绪综合指数
MSCI算法基于行为金融学理论，结合市场微观结构理论和情绪分析技术。通过多维度情绪指标融合，量化市场整体情绪状态。

具体算法变量和模型解释大家可以到仓库查询，内容较多我就不在本推文中解释了。

仓库地址：https://t.co/qOwEYo4fBP

我是尼卡，平时会持续分享 AI、美股、Web3 相关有用又有趣的工具和项目，感兴趣的话欢迎关注，下次见～

[Adrian Punk @AdrianPunk115]

https://t.co/MBDhelxJTx

[Jami @expertwith_AI]

This trader deployed Claude Fable 5 right before the government killed it and flipped $11,000 in losses into $300,000 profit in 5 days.

Fable 5 was not forecasting where price would move.

It was calculating the complete probability distribution of every possible market outcome and executing before the market repriced.

One position hit 205x.

The model is banned now.

The algorithm it generated is still running on Polymarket 24/7.

Here is what happened:

Fable 5 ran 1000s of simulations across every market scenario simultaneously.

It mapped probability density across the entire outcome surface, not just the most likely path.

Found edges where Polymarket pricing lagged true probability by enough margin to justify entry.

Executed in milliseconds before the gap closed.

Most trades captured small spreads. One trade caught a 205x asymmetric payout because the market completely mispriced tail risk.

$11,000 hole erased in under a week.

The edge was not prediction.

It was probability arbitrage at machine speed.

Fable 5 is gone. The framework it built is not.

You only need Claude + device + 1 hour per day.

Giving this free for 24 hours.

To get it:

1. Comment the word "Money"
2. Like and retweet this
3. Follow me @expertwith_AI so I can DM you

Save this post. Deploy the probability system this week. Start with $500. Scale on evidence.

[delost @thedelost]

Citadel doesn't look for good signals

they build a system that makes 50 bad ones work better than any single great one

Ξ_t(x,y) = Norm[V + F + C + B + S + A + H + J + Q + T]

that equation has 10 components. each one is a weak signal on its own
none of them would pass a significance test alone. most hover around 52%

individually, useless. combined, they produce something retail has never seen

the ζ-field is a normalized composite score across all signals weighted by historical Sharpe ratio

when a single signal fires, nothing happens
when 30 of 50 fire in the same direction at the same time, the composite z-score crosses threshold

that's the trade

the 3D surface maps periodicity across two spatial dimensions
the hot zones are where multiple signals cluster in agreement
the cold zones are where signals contradict each other and the system stays flat

the bottom chart: Citadel's ZETA model vs buy & hold on S&P 500 starting 2006
same asset. same crash. different outcome

the model doesn't avoid drawdowns because it predicts crashes
it avoids drawdowns because when signals disagree, position size drops to zero automatically

> signal aggregation math: standard since the 1980s
> z-score normalization: in every stats textbook ever printed
> Citadel applying this at scale: across 50+ independent signal streams
> retail using one RSI and one moving average: standard practice

one strong signal is a coin flip that feels like conviction

fifty weak signals normalized into a composite field is what $60 billion in AUM actually runs on

full breakdown in the video below

[GitHubDaily @GitHub_Daily]

想系统学全栈开发和 AI，网上教程东一篇西一篇，学完理论知识不知道找什么项目实战。

偶然看到 fullstack-ai-agent-roadmap 这份学习路线，共 110 篇教程、58 万字，带我们从零基础开始到能独立做出 AI 产品。

整个路线用 Obsidian 组织，配有思维导图，从 Python、JavaScript 基础开始，再到前端、后端、数据库，最终深入到大语言模型和 AI 智能体开发。

GitHub：https://t.co/4GHpprrwGv

每个知识点都用日常类比讲解，附带完整可运行代码和练习题。每章还必须完成一个验收项目，比如异步爬虫、协作白板、企业文档问答系统等，学完就有实际作品。

另外还精选了 400 多个 GitHub 项目，按入门、进阶、源码级分类，告诉我们每个项目该怎么用来学习。

零基础想转行或者想补齐全栈和 AI 知识体系的同学，可以收藏跟着学，每天花 3 小时。