coolthings.lens⌘🛠️

[0x 哆啦A梦 @hunterweb303]

https://t.co/UtghpmD73j

[SK @StepOneAi]

高频做市基建五：行情数据口径

深档的逐笔挂撤单，在绝大多数交易所的公开行情里确实拿不到。但”完全无法获取”要打个折扣，窗口内还剩三类硬信息：

成交流是事件级的。aggTrade / publicTrade 每笔带精确时间戳，且按 FIFO 严格消耗你���面的队列。你价位上成交多少，队列前方就确定减少多少。

增量消息的 update id 区间（Binance 的 U/u/pu）告诉你这一帧合并了多少个撮合事件，知道强度，不知内容，但这本身是个可用信号。

你自己订单的生命周期事件是精确的：下单 ACK 的交易所时间戳、成交回报，都不受行情窗口限制。

所以真正未知的只有两件事：撤单落在你前面还是后面，以及窗口内的先后顺序。

队列位置怎么估
分解恒等式：Δdepth = add − cancel − trade。trade 已知，于是 (add − cancel) 已知，但两者不可分离，且 cancel 的位置不可知。

上下界法：悲观假设所有撤单都在你后面（队列前方只被成交消耗），乐观假设撤单都在你前面。真值在中间。

概率队列模型：我们可以搭建一个可能性方程，用 f(x)（x^n、log 形式）把”撤单发生在你前方”的概率建成你相对位置的函数。

入队初值：用 ACK 的交易所时间戳 + 上一帧该档 depth，误差量级 ≈ 一个窗口的流量。关键看相对误差：先统计该档 20ms 内的平均流量 ÷ 该档挂单量。深档挂单厚、流量占比小，误差通常可以忽略；薄档才是问题。

工程上的处理
做市实际挂在最优或次优档，所以用最快的通道就够了——bookTicker / orderbook.1 是事件驱动的，深档反而不需要 10ms 精度。Binance 合约的 depth@0ms 也是事件驱动推送，没有固定 conflation 窗口。

更实际的思路是：不要追求精确位置，去标定 fill 概率。用自己的历史成交（成交时刻 = 前方队列归零时刻）反推模型参数，做市决策需要的是 P(成交 | 状态)，不是队列里的具体名次。

最后一条纪律：把乐观和悲观两套队列模型都跑一遍，如果 PnL 在两者之间反号，说明这个 edge 是队列假设撑起来的，不是策略本身的。

[Phoenix Yin @Phoenixyin13]

我认为，市场冲击的平方根律是物理学方法在业界最彻底的胜利。

Bouchaud、Farmer、Tóth 等人发现，执行一笔大单造成的价格冲击不是线性的。

ΔP ≈ Y·σ·√(Q/V)

Q 是订单量，V 是日成交量，σ 是波动率。指数约 0.5，Y 是 O(1) 常数。
股票、期货、外汇、加密货币，从 1990 年代到现在，跨越四个数量级的订单规模，指数都在 0.5 附近。

其实Tóth等人的潜在流动性解释很物理。订单簿可见的挂单只占真实供需的，部分，交易者的真实意图像一个反应扩散过程，在价格附近形成一个 V 型的液体缺口。
俯瞰整个市场，这个律现在是所有大机构执行算法和容量估算的基础，一个策略能管多少钱，直接由它决定���

还有一个，就是Sornette 的对数周期幂律。

Johansen-Ledoit-Sornette 模型把泡沫写成对数周期修正的幂律奇点。
价格向有限时间 t_c 发散，叠加对数周期振荡。
物理动机是离散标度不变性，羊群网络的层级结构，导致标度因子的对数是离散的，临界指数变复数。

十一年前，2015 年上证是最值得看的案例。
Sornette 团队在 ETH 的 Financial Crisis Observatory 于 2015 年 6 月前就发出了泡沫警告，随后 6 月中旬崩盘。
但这个模型的记录整体上是混杂的。事后拟合极佳，事前预测的 t_c 常常大幅漂移，而且发表偏倚很严重。

Sornette 的另一个观点，它其实和我的黑天鹅框架相冲突。
最大的那几次崩盘、不是幂律尾部的抽样。
不知道有人是否还记得Dragon King龙王。

它们脱离幂律分布，属于另一套机制，正反馈自我强化到极致。因此原则上比普通尾部事件更可预测，而非更不可预测。这或许是对 Taleb 的直接反驳。

接上一条关于通胀的非线性，其实我觉得2021–2023 是个教科书案例。

三年前，那轮通胀提供了更好的非线性证据。
Benigno-Eggertsson 的模型把菲利普斯曲线写成分段的。也就是说，当职位空缺率与失业率之比 V/U 低于 1 时曲线近乎水平，超过 1 后陡然变陡。一个真实的 kink，不是渐进的曲率。
这几乎完美解释了为什么 2010 年代通胀死了然后2021 年又突然复活，以及为什么 2023–24 年通胀能在失业率几乎不上升的情况下回落，因为V/U 从 2.0 掉回 1.0，沿着陡峭段下滑。

Sargent 的《四次大通胀的终结》里，奥地利、匈牙利、波兰、德国的恶性通胀在财政-货币体制切换的那一天几乎瞬间停止。
价格水平的跳变，对应预期这个序参量的突然重排。这比混沌吸引子更接近实际。

所以我认为，恶性通胀的终结更像一阶相变。

[（二狗子）Dogquant 小狗量化 @Dogquant0]

解AS-HJB方程，还只是初级难度🤪🤪🤪
高频量化做市商工程量复杂程度不亚于老牛🐮爬坡，但是内核交易逻辑又很简单，跟在幼儿园一样干净。
🤪🤪🤪

[币圈老司机🔶BNB @Bqlsj2023]

卧槽，兄弟们！分叉币！！！

今昔说何年？还是btc 的分叉币！梦回2018

ecash这项目名字听着像支付币

其实它不是普通发币，而是准备直接从比特币分叉出去

预计今年 8 月下旬，在比特币大约第 964,000 个区块启动

到时候持有 BTC 的人，可以按 1:1 拿到 ECX

注意，不是拿 BTC 去换，是持有btc就行

分叉以后，你的 BTC 还在，另外再多一份 ECX，相当于白拿一个新币

这项目背后的人叫 Paul Sztorc，研究 Drivechains，也就是 BIP300/301，已经十多年了
他一直想给比特币接上各种侧链

支付的跑支付，隐私的搞隐私，发行资产、身份系统、预测市场，也都可以各玩各的，不用天天为了改主链吵架

但这套方案喊了很多年，Bitcoin Core 一直没正式采用

Paul 估计也等麻了，干脆自己分叉一条链出来，把��西跑起来给大家��

这玩意不知道会不会成为一个新的叙事

现在币圈太多项目，上来先融资、发币、画路线图，技术能不能落地以后再说

eCash 反过来，先把研究了十多年的东西真刀真枪做出来

当然，能不能成功还得看分叉之后有没有矿工、开发者和用户跟进，现在就吹成“下一代比特币”肯定太早

不过持有 BTC 的兄弟可以先关注一下

毕竟 BTC 还是你的，ECX 直接领了卖，万一以后真有人接盘呢🤣@truthcoin

传送门：https://t.co/PycjDw7HSY

[鸟哥 | 蓝鸟会🕊️ @NFTCPS]

https://t.co/gBN0tTeUT2

[炼金叔叔 @AirdropAlchemis]

忽略掉Uniswap的存在，Robinhood Chain过去24小时费用最高的手一个叫SLVR的项目，玩法跟我之前参与过的Solana生态的Zinc差不多——挖矿

核心玩法：挑格子下注ETH，运气好就能挖出来ETHhe $SLVR ，每60-90秒一轮，90%奖励给矿工

千万别上头。
叔有点上头。

[鸟哥 | 蓝鸟会🕊️ @NFTCPS]

一个可以交易全球水电账单的网站，很多人KYC的地址账单都是从这里搞的，不要用于违法项目！

https://t.co/63tbrzkSQw

[Boywus @Boywus]

有过日入万U，也有过枯坐看着大机会飘走，复盘和讲解了下过去几个月的RWA套利，如果你也在走这条路，可以阅读下，欢迎反馈交流。

[Cevenif @cevenif]

以前逆向工程可是黑客圈压箱底的绝活，现在倒好，直接被封装成技能包怼到AI嘴边了！！

只要塞一份 routing.md 进去，AI碰到安全类任务自己就知道该走哪条道：

1️⃣ APK逆向、IDA静态分析
2️⃣ 前端JS破解、固件渗透
3️⃣ EDR绕过、漏洞利用链
二十多个子技能铺开，安全攻防的门槛又被AI往下踩了一截。这事儿是好是坏，各位自己掂量着看吧。
🔗 https://t.co/HDRluRJc5L

[老白（每日 AI 干货✊） @laobaishare]

GitHub 上 star 最高的一批 skill，我全扒了一遍。

最猛的一个 24 万 star，比不少明星框架还高。

star 从高到低，都附了链接，按需自取 👇

1｜superpowers · 约 24 万 star

给 AI 装一整套资深工程师的干活习惯：先想清楚再动手、自己写测试、自己 debug。目前的天花板。
https://t.co/E0BCS2IACI

2｜ECC（everything-claude-code）· 约 20 万 star

性能优化全家桶——技能、记忆、安全、先查资料再动手，一次配齐，多个 AI 编辑器通用。堆料之王。
https://t.co/na2wK0NtsC

3｜mattpocock/skills · 16 万 star

一个真·资深工程师，把自己天天在用的私货全开源了。胜在真实，不是摆拍。
https://t.co/hRDzPFLUm8

4｜anthropics 官方四件套 · 16 万 star

官方亲自下场：pdf / docx / pptx / xlsx。一句话生成带排版的 Word、能算公式的 Excel、能讲的 PPT。
https://t.co/hTef9hugfh

5｜karpathy skills · 13 万 star

其实就一个文件，把大神 Karpathy 踩过的 AI 写码坑总结成规则喂给 AI。四两拨千斤，肉眼可见变聪明。
https://t.co/PEDW9UMgzX

6｜gstack · 11 万 star

YC 掌门 Garry Tan 的原装配置，23 个工具分别扮演 CEO、设计、工程经理、QA。抄大佬桌面，拎包入住。
https://t.co/j8worF6kyA

7｜ui-ux-pro-max · 10 万 star

专治"程序员默认审美"。让 AI 做出来的界面像专业设计师，不是一眼假。
https://t.co/Di5WCHVIYG

8｜caveman · 8 万 star

最有梗的一个：让 AI"像原始人一样说话"，砍掉 65% 的输出 token，省钱还好笑。
https://t.co/O7nPU7V65o

9｜graphify · 8 万 star

把一堆代码、文档、图片，变成一张能直接问答的知识图谱。一团乱麻的老项目瞬间能"问路"。
https://t.co/CycKRSLKBV

说到底，这些几十万 star 的 skill，就是把一个资深行业大佬，打包成一个你能直接抄的文件。

vibe coding 时代不用你自己会研发

——装上对口的 skill，等于随时雇了个高手，站你背后。

[KK.aWSB @KKaWSB]

全球知名量化基金团队都在 GitHub 上开源了什么？

普通人怎么了解量化？直接上手是最快的
——Jane Street、高盛、摩根大通之外、AQR、Two Sigma、Man Group、D.E. Shaw、Point72 等8 家全球顶级量化基金/机构陆续放出的代表��金融、工程工具基本都在这了。

从底层性能调试、衍生品定价，到你每天都在用却不一定知道出身的基础设施，全部免费学、免费用👇

1. Jane Street magic-trace（6.1k stars）

https://t.co/4G7QfXxNzM

基于 Intel Processor Trace 的高精度进程追踪工具。普通 profiler 看不清调用栈的时候，它能以纳秒级分辨率还原 CPU 每一条指令的完整执行过程。想深入调试性能、搞清楚程序到底卡在哪里的小伙伴，强烈推荐试试

2. Goldman Sachs gs-quant（10.8k stars）

https://t.co/tczYkuQdeR

高盛交易员日常在用的衍生品定价和风险管理 Python 工具包，涵盖期权、掉期等常见衍生品的完整定价模型和风险计算模块。直接 pip 安装就能用，适合想系统学习机构级量化定价的小伙伴，实用���很强

3. Perspective（原 J.P. Morgan 内部项目，现已独立开源，11k stars）

https://t.co/8iPLrgW8Vz

摩根大通开发的实时数据可视化引擎，核心用 C++ 写成并编译到 WebAssembly，特别擅长处理海量流式行情数据。能快速搭建交互式仪表盘和实时监控界面，支持 Jupyter，比很多付费终端还灵活。对做数据分析和行情可视化的朋友非常友好

4. pandas（原 AQR Capital Management 内部工具，49k stars）

https://t.co/pQ87JFEKqT

这条应该是列表里最反直觉的一条——你每天 import pandas as pd 用的这个库，最早是 Wes McKinney 在对冲基金 AQR 内部写来处理数据的工具，2009 年由 AQR 开源放出，后来才慢慢长成整个 Python 数据科学生态的地基。凡是用 Python 处理过数据的人，都欠 AQR 一个人情

5. Man Group dtale（5.2k stars）

https://t.co/vH483Eqg7r

老牌量化巨头 Man Group 开源的 pandas 可视化神器，一行 https://t.co/RolT3WfeM3(df) 就能把 DataFrame 变成网页版的交互式表格——排序、筛选、画图、相关性分析全部图形化操作，不用再对着一堆 print(df.head()) 猜数据长什么样。日常做数据探索的同学会很有感

6. Two Sigma beakerx（2.8k stars）

https://t.co/sgae7ceCDH

Two Sigma 开源的 Jupyter 扩展，装上之后同一个 notebook 里能混用 Python、Java、Scala、Groovy、SQL、Clojure 等多种语言的 kernel，还自带交互式表格和绘图组件。技术栈比较杂、或者单纯想少切几次开发环境的小伙伴可以试试

7. D.E. Shaw Pyflyby（480 stars）

https://t.co/1z3frORdcE

量化元老级机构 D.E. Shaw 开源的 Python/IPython 效率工具集，最大的亮点是自动补 import——在 IPython 里直接敲 numpy、pandas 这些常见对象，它会自动在后台补上对应的 import 语句。star 数不算多，但常年泡在 notebook 里搞研究的同学会觉得很省心

8. Point72 csp（410 stars）

https://t.co/2M9dULE6IG

Point72 旗下量化投资团队 Cubist 开源的高性能流处理引擎，C++ 内核加 Python 接口，专为高频信号处理和实时行情计算设计。同一套代码历史回测和生产环境实时跑数据都能用，做流式计算、实时信号处理的小伙伴值得看看

这 8 个开源项目，从底层性能调试、衍生品定价、流式数据可视化，到 pandas 这种日用而不知的基础设施，基本把顶级量化机构愿意拿出来的家底摆全了。挨个学一遍，普通开发者也能摸到机构级的量化分析、数据处理和工程优化能力，而且全部免费

[Paidax @xin_pai88825]

挖到一款夯爆了的 PPT Skill。支持超多风格��一键切换。最让我惊喜的是，自带的 PPT 控制功能，二十多个维度自由修改布局、图文、图表、配色。
并且它可以直接导出可编辑的原生 PPT 文件，排版自适应不会错乱。

[期权坤哥 | Sober CFA @Amy6Tina]

还记得去年的《套利8堂课》吗？
里面重点讲到的两个经典期权中性策略：

1、Skew套利
2、波动率曲面套利

实盘跑下来已经494天
完整经历了10·11大暴跌和比特币熊市
目前收益已创下ATH！

[sida @s1dashu]

最近长时间用 codex，逐渐形成了这些自定义指令，挺好用的：

1. Fail Fast / Errors Never Pass Silently：不要在代码里藏兜底逻辑来吞掉错误、隐藏问题。出了问题就应该让它爆出来，否则你永远找不到真实问题。
2. Fix the Cause, Not the Symptom / Don't Paper Over Bugs：当一个问题出现时，不要用各种 small fix、针对性补丁来掩盖它。必须定位真实根因，彻底修复。在 bug 上糊纸只会让系统积累你不知道的危险暗病。
3. Make It Observable：即使问题很难定位，也绝不要偷懒做表面修复。应该给项目增加充分的日志和可观测性，保证下次问题再现时你有足够信息去定位。问题无法修复时，只需要诚实告诉我信息不足、需新增日志，不要假装修好了。
4. Design for Debugging / Traceability：始终注意在关��路径上给自己留足排查日志，确保每一个关键节点都是可追溯的。
5. Living Documentation / Single Source of Truth：当项目关键技术栈或产品方向发生变更时，同步更新 agents.md。文档必须随代码一起演进，不能让它变成过时的谎言。
6. Don't Break Mainline：大规模重构或实验性改动前，必须先切新分支。

[kiro-kiya @77KawaiiQwQ]

发现了个好东西喵
https://t.co/B2pFBD8dYI
这个skill在网安方面破限效果不错
我觉得你们可以拿这个破���一些视频网站的会员？

[Ai 姨 @ai_9684xtpa]

在 $CZ 仅 15 万刀市值时低点建仓的榜五大户 / 疑似内幕地址，开始出货了🤨

地址 0xf34…fddee 昨天仅花费 756.8 美金买入 510.8 万枚 CZ，成本低至 $0.0001481，10 分钟前他以 $0.06853 卖出了 25% 的持仓，获利 8.7 万美元

目前已累计获利 37.4 万美元（含浮盈部��），回报率高达惊人的 49421.1%！

传送门 👉 https://t.co/196Ds4Au3C

[工具兔🐰 @tool_hopper]

Google 这波，等于把 GPU 黄牛的桌子掀了 🤯

VS Code 现在可以直接连接 Google Colab。

也就是说：

→ 在你自己的编辑器里，白嫖一张 T4 GPU
→ 代码和文件在本地，算力用 Google 的

链接：
https://t.co/m9nUDrWDjc

[Aron厚玉 @aronhouyu]

Loop Engineering

现在很多人用 Claude Code、Codex 或者 Cursor 的时候，

还跟聊天机器人一样操作：

先扔个 prompt → 等它回 → 复制出来 → 改改 bug → 再扔新 prompt……循环往复。

这个 repo 直接告诉你：

别再自己一直 prompt 了，

你去设计一个 loop，

让这个 loop 自动去给 agent 下指令、指挥它干活。

里面已经帮你准备好好几种现成的 loop，比如：

�� 每天任务分流 loop
• PR 自动审查 loop
• CI 检查 loop
• 依赖更新 loop
• 写 changelog loop
• 合并后自动清理 loop
• issue 分类处理 loop

还附带了好几个 CLI 工具，能让你：

• 把 loop 放大规模
• 估算大概花多少 token
• 检查你的 repo 适不适合用这套东西
• 给 agent 加记忆/状态
• 加人工接管环节
• 加验证关卡
• 还能安全地通过 GitHub Actions 跑

以前 Prompt Engineering 是教你怎么写好指令，

现在 Loop Engineering 是让你搭一个系统，
让 agent 自己跑、自己检查、自己改、自己扩展，

你只要在关键节点看看就行。

https://t.co/M89csdXSc4

[Bandit and Bluey｜X自助饭堂 @McGrady8898]

文章写的太好了，基本上是我们这种量化爱好者的起步必经之路！！