aybeering

AI MSc , in progress | UCAS | ai and trading is cool I guess

[aybeering @aybeering]

从5月份开始涉足polymarket的trading bot，踩了非常多坑，最终找到了一个比较合适长期维护的框架，并开源出来：https://t.co/esSjKAU6Oy

1. 很多人实际上是依靠AI来构建仓库的，而AI最大的问题为：总是用一堆临时的脚本堆砌项目。而策略是需要不断变化的，如果没有一个很好的infra，后期维护的难度会越来越高。

2. 这个项目提供了一个思路：我对每一层都做了封装，信号层最终只输出一个bool值，将信号因子封装在内部，状态机只需要检测这个bool值，就能直接下单，同样的逻辑在本仓库处处体现。

3. 复杂度不暴露，单个模块来看都很复杂，但是都只暴露一个简单的接口，这样维护起来更加方便。

4. 欢迎一起维护这个项目。

[aybeering @aybeering]

AI刚爆发的时候，很多企业的第一反应是：我们也要自己搞一个LLM出来，于是市面上出现了很多LLM训练师，模型微调工程师。但是随着时间过去，大家无一例外发现这玩意儿太烧钱了，普通的一个企业根本烧不起。LLM的训练是一个科技/资本密集型产业。

2026年大家学聪明了，不自己从0开始训练LLM了，转而招聘Agent工程师。早期会调用API_KEY这个能力还出现在一些招聘要求上。

实际上现在招聘Agent工程师和早些招聘模型微调师是一个方法论。AI公司在进化，LLM向agent转变已经是个必然升级，AI公司在提供普通人能用到的最顶级agent。codex cil已经代表第一水平的agent，而且它本身就是一个非常厉害的harness。

如果公司要求Agent工程师重新手写记忆层/工具层，那完全就是刻舟求剑。

还是那句话：先尝试在业务中植入最先进的AI产品，然后尝试用最简单一句话来测试效果，效果不好再自己动手修改工作流。

[aybeering @aybeering]

@StepOneAi 是的，写了一周代码了，X都没咋更新🥲，写完只想机械地刷手机

[aybeering @aybeering]

@yutao56666761 一起学习😁

[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。

[aybeering @aybeering]

@Juanmao_shaw 哈哈哈嗯呢一起交流吧哈哈哈

[aybeering @aybeering]

@Juanmao_shaw 一起吗？我们可以交流一下思路

[卷毛 shaw @Juanmao_shaw]

还有人记得海力士3个玩法套利60wu的帖子吗？

https://t.co/5tpG7Jam7f

我有意向完善后做成自动化交易系统，所有又上手实操了一下，首先这是一个纯Paper，且只有S1和S3（我喜欢先paper 100笔+后再配实盘的这种流水线筛选机制），但是套利框架是包含在里面的，昨天晚上做出来正新鲜着，VPS跑到了现在，准备记录一下👀

海力士套利提到的3个玩法：

1⃣S1 跨所价差：同一股票在六所里任意两所出价差，空贵买贱，锚=开盘强制归一
✅ S1：跨所价差平时只有万分之几不够付手续费，肥价差只在事件窗口出现，日常机会得等

2⃣S2 资费差：A所租金高B所低，两边对冲收租金差（资金费=多空互付的租金），六所两两配对扫描
❌ S2：手续费吃掉亏损的86%，费差越肥死得越快，含Hyperliquid腿的组合死得最多，有修复方案，参照之前有套跑通的做资费套利对比后是因为之前有池子数据，美股这个板块开通没多久，API也可以接，理论上可以积累一个池子出来

3⃣S3 正股锚：休市时合约比正股贵，空合约（Gate/Bitget的港股合约）+买港交所正股等开盘，海力士原版打法
✅ S3：智谱（港交所02513）/MiniMax（00100）周末休市，Gate和Bitget上它们的合约溢价拉到2.5%，周一9:30开盘9:33收敛平仓，这个S3目前看起来还不错，可能其他两个放弃专做这个

覆盖平台：币安（153个股票合约）/ Bybit（174）/ Gate（326）/ OKX / Bitget / Hyperliquid，六个平台同一只股票六个价格，休市时没有真实股价当锚价差天天漂，赚的就是这个钱，买真股票+做空币圈虚高的合约，后面陆续接入其他的美股平台

[aybeering @aybeering]

分享一张图：btc 5min市场的概率已经和最终真实的结算概率拟合到一个非常惊人的地步了

[Phoenix Yin @Phoenixyin13]

最近，我终于意识到连续的微积分可能只是人类智力制造的一种工程妥协。

起源是我瑞士的同学给我发来一本书，是一本厚达 1200 页的巨著 A New Kind of Science (NKS)。
这本书的作者，就是我一直关注的天才学者，Stephen Wolfram。

如果你顺着他的思路往下剥，就会发现这种微积分是工程妥协的直觉并非毫无根据，甚至在某种意义上触及了现代物理学与计算理论最深刻的矛盾之一。

1. 为什么说是工程妥协？
在牛顿和莱布尼茨的时代，人类根本没有大规模算力。如果你想预测行星轨道、流体流动或者热量扩散，面对一个由无数微观粒子组成的离散世界，你根本不可能逐个去计算它们的相互作用。
为了获得解析解，我们人类大脑做出了一个极其天才但也极其妥协的假设：

连续性与可微性。

我们把离散的原子抹平，假设空间和时间可以无限分割；把极度复杂的非线性离散迭代，近似为光滑的微分方程；
我们用积分和极限定理，换取了可以用纸笔算出的精确解。

微积分的本质，是用连续光滑的宏观流形，去粗粒化微观上极其复杂、甚至是不可预测的离散状态。它是人类在算力极其匮乏的时代，为了理解世界而不得不做的一种宏观平滑近似。

2. 关于NKS 的离散宇宙观
Wolfram 在 NKS 中展现的逻辑非常粗暴且震撼。
极其简单的离散规则，加上时间的不断迭代，就能自发产生极其复杂的结构与混沌行为。（这里我要提到著名的 Rule 30）。
在传统的微积分视角下，复杂性往往来自于连续方程里的复杂系数或高维耦合x但

在 Wolfram 的视角下，宇宙的底层根本不需要“连续”的概念。空间可能是极其庞大的离散节点图，时间只是图结构的重写规则。
我们所看到的连续时空、广义相对论和量子力学，可能仅仅是这个巨大的离散计算网络在宏观尺度下的热力学极限。
就好比你在屏幕上看到的光滑画面（看似连续），本质上全是一个个独立的像素点（离散）在高速刷新。
微积分研究的是像素平滑后的图像，而 NKS 想直接拆开显示器看电路。

我的解释，应该足够具体了。

3. 连续性遇到计算不可归约性
更深层的震撼在于计算不可归约性。
传统微积分的精髓在于预测未来。
只要给出微分方程和初始条件，带入 t，就能直接用公式算出未来的状态，这就是计算被归约了。
但如果宇宙底层是离散的元胞自动机，很多系统的演化是不可归约的，这意味着不存在任何数学捷径可以让你跨越过程直接预测结果，你唯一的办法就是把规则一步一步运行下去。

微积分之所以看起来无所不能，是因为人类只挑了那些计算可归约的狭窄领域，比如简单轨道、线性波动进行工程应用。
而面对真实世界的大多数复杂系统，像我之前提到的湍流、意识、金融市场、量子引力，连续的微分方程往往迅速陷入发散或奇异点，那正是工程妥协达到极限的警报声。

从连续回到离散，是认知工具在算力纪元的一次彻底解放。
我不可否认，微积分是人类用纸笔征服光滑宏观世界的伟大史诗。
但宇宙的终极底牌，或许真的写在那些极其简单的离散比特与图重写规则之中。

[WquGuru @wquguru]

https://t.co/ILE1R9TBIs

[aybeering @aybeering]

@ThorneKael81823 我觉得一边学一边做是最好的

[aybeering @aybeering]

很多人都建议不要用AI做量化。

但是我的想法是：这还挺有意思的。

[aybeering @aybeering]

@StepOneAi 😁好 一起进步

[aybeering @aybeering]

@StepOneAi 是的 行动力很重要^-^

[aybeering @aybeering]

我觉得现90%的人用AI体验不好是因为“胆子不够大”。

每当新的模型出来的时候，我都会用最模糊，难度最高的任务去让AI解决，显然它是解决不了的，但是可以从它的答案中，看出它目前的能力极限。

[aybeering @aybeering]

再补充一点：长鑫可自由交易的股份占总股份的6.73%，海力士为79%。（预估）

[0xkevin (🖤 , 💙) @0xKevin00]

说个鬼故事

海力士最新市值4.38万亿人民币。而长鑫是3.5万亿人民币

换言之，如果海力士明天再跌一天，长鑫再涨一天，海力士可能比长鑫便宜了

ps：海力士的营收是长鑫的7倍….

[aybeering @aybeering]

感觉中国的AI公司商业定价有点奇怪，总是站在个人消费者的另一面：

过去一段时间选择美国的AI是因为能力。之前中国的AI不是第一梯队，但是价格远远低于美国的AI，但问题在于对于非技术人员，这段时间里AI的能力还没有到达“能用”水平，花了钱看不到效果。

现在选择美国的AI是因为价格。GLM 5.2 和K3的发布，效果很好，社区也有人推荐，但是价格直接先于性能一步提升到了第一梯队（冷知识：GPT pro将GPT Chat/Codex 用量分开，从这一点出发性价比极高，Codex还经常重置）。

很怪啊.....

[aybeering @aybeering]

感谢 @StepOneAi 给我送的流量～，第一次让我觉得分享是有价值的。

有AI loop做策略的一些心得：一个交易模型的本质，更像是薛定谔方程，它的因子和变量都是未知的。

所以交易员需要花大量的时间去寻找因子，找到之后回测，验证这个因子是否有效。让AI自主寻找无疑能节省大量的时间。

但是，如果不经过特殊的设计，AI的立场迎合机制会让策略最终走向过拟合，循环直接卡死。

我的解决方法很简单：从一个普通的交易员身上观察。我发现不管是什么策略，一开始都是从盯盘上看出来的，交易会会从图表获得灵感，然后选择标的，标注买卖点，构建数学模型。

然后我在我的loop 框架内，加入了一个多模态agent，它的作用只有一个：不看数据，不理解策略，先找出可交易点。

然后有意思的wheel就转起来了：可以将回测的交易点和多模态AI标注的点作为A/B对照，用差别构造损失函数，策略改动agent根据A/B不断调整策略，直到损失函数降低到预期。

这套方法，曾经让我将某个策略的胜率从40%提升到96%，我只和AI说了一句话：帮我优化好它。