虚掩之门

战战兢兢，如履薄冰…

[套利豪仔🗽 @pritipatelfgoo]

市场上有哪些玩家，量化交易如何赚钱？

很多人对金融市场的理解只有：
散户、主力、庄家、交易所
但真实市场更像一个大型生态系
每一类机构都有不同的资金来源、交易限制与目标
而大部分能长期存在的量化策略，本质上都是在利用这些玩家之间的差异
1／市场可以先分成三层

第一层是交易基础设施：

股票交易所、期货交易所、Crypto CEX、DEX、清算机构、托管商与资料商。

它们主要提供撮合、清算、托管与市场资料，靠手续费、上币费、资料费或其他服务收入获利。

它们提供市场，但通常不是我们所说的主动投资者。

2／Sell Side：帮别人完成交易的人

主要包括：

Broker：替客户寻找交易场所、拆单与执行
Dealer：自己站在交易的另一边，承担部位风险
Market Maker：持续提供买价与卖价
Prime Broker：提供融资、借券、清算与托管

他们主要赚的是：

手续费、借贷利差、Bid-Ask Spread，以及提供流动性的报酬

股票市场的券商与做市商，和 Crypto 的交易所做市商、OTC Desk，本质上扮演相似角色

3／Buy Side：拿资本承担风险的人

Buy Side 并不是同一种玩家。

它包含：

被动指数基金
传统主动型基金
保险、退休基金与主权基金
资产配置机构
企业与避险者
Hedge Fund
Proprietary Trading Firm
散户

他们的目标完全不同

有人想追踪市场，有人想降低风险，有人追求绝对报酬，也有人只是因为情绪、需求或制度规定而交易

这些差异，正是 Alpha 可能产生的地方

4／被动投资：不是预测，而是持有市场

指数基金和 ETF 的工作，是尽量复制某个 Benchmark。

它们主要取得的是：

Market Beta，也就是承担整体市场风险的报酬

它们不一定想判断哪支股票更好

当指数调整成分股时，它们甚至必须在特定日期买进或卖出，不论当下价���是否划算

这种制度性交易，会形成其他玩家可以预测的资金流

5／主动管理与多因子量化

主动基金试图挑出未来表现较好的资产

主观基金可能研究公司、产业与管理层；系统化基金则把资讯转换成可计算的 Signal

股票常见讯号包括：

价值、动能、质量、低波动、盈利能力与流动性

Crypto 则可能使用：

动能、Funding、Basis、流动性、链上活动、持仓变化与市场资金流

多因子量化的工作，就是将许多弱但互补的讯号组合起来，同时控制市场、产业、Beta、波动与交易成本

所以多因子并不是「找到一个神奇公式」

它是一套：

预测报酬 → 组合讯号 → 控制风险 → 建立投资组合 → 执行交易的完整生产流程

6／做市策略：卖的是流动性

做市商同时挂出买价与卖价，让其他人能够立刻成交。

理想状况下，它低价买进、高价卖出，赚取 Spread

但这不是无风险套利

做市商必须承担：

Inventory Risk
Adverse Selection
价格跳动
对手比自己更有资讯
对冲与交易成本

所以做市策略真正赚到的，是市场支付给流动性供应者的补偿

7／套利与相对价值策略

套利者寻找理论上相关、实际价格却暂时不一致的资产

例如：

不同交易所之间的价差
现货与期货 Basis
永续合约与现货偏离
同类股票或同类代币的相对错价
ETF、期货与成分资产的价格关系
选择权相对价值

套利看起来风险很低，但实务上仍有：

资金成本、交易延迟、对手风险、强制平仓、模型错误与市场冲击

价格差异之所以存在，通常正是因为有人无法或不愿承担这些风险

8／市场上的 Alpha，大致从五个地方来

《The Elements of Quantitative Investing》把超额报酬来源整理成五类：

一、Risk

承担别人不愿意承担的风险，例如市场风险、崩盘风险、波动率风险。

二、Liquidity

在别人急着交易时提供流动性，收取 Spread 或流动性溢价。

三、Funding Constraints

其他人受到杠杆、保证金、借券或资金限制，被迫以不理想价格交易

四、Predictable Flows

预测指数调整、基金再平衡、清算、Token Unlock 或其他制度性资金流

五、Informational Advantage

比其他人更快、更准确地预测未来报酬，也就是统计套利与 Alpha Research 的核心

9／真正重要的不是策略名称

同样叫 Momentum、Market Making 或 Statistical Arbitrage，不同机构做出来可以完全不同

真正应该问的是：

这笔报酬是谁支付的？
他为什么愿意支付？
这个限制为什么不会立刻消失？
策略可以承载多少资金？
扣除成本后还剩多少？

一个策略如果只能描述回测结果，却无法回答这些问题，它很可能只是资料探勘

真正能长期生存的量化策略，背后通常都有一个持续存在的：

风险、限制、需求、资讯差或市场摩擦

[战斗室 @7warroom]

有些隐私防护的思路很野。
不是把你藏起来，而是专门让摄像头“瞎”掉。

2021 年，有人复刻过一个硬核项目。
一顶看起来普普通通的定制棒球帽。
玄机藏在帽檐上：里面装了红外二极管。

它的机制非常直接。
红外光，人的肉眼根本看不见。
但在夜视或者红外敏感的监控摄像头眼里，它就是高强度探照灯。
强光会直接导致镜头画面局部过曝。
戴着它走在街上，监控只能拍到一团极其耀眼的光晕。
连脸的轮廓都抓不到。

现在的街头，像 Flock 这种全天候监控网络到处疯长。
车牌、人脸，无死角记录。
面对这种毫无边界的扩张，这是一种在物理层面的直接对抗。

不过，���发者也挺无奈。
东西做出来了，体验很震撼，但愿意买单的人实在不够多。
项目最终还是没能大规模推开。

[Suu @Suu766]

我靠！！逆向这门本来要学很多年才能真正弄明白的手艺，现在被人做成一个 Skill 了！！！

项目叫 reverse-skill

装进 Codex、Cursor 或 Claude Code 之后，碰到 APK、网页代码、固件这些东西，AI 会自己判断先看哪里、该用什么工具、接下来怎么分析

以前这些东西，全靠人自己一点点积累

现在等于把一整套经验直接交给了 AI

安全圈里原本很吃经验的一批工作，正在被压缩成一个可以直接加载的技能包

这已经不只是降低门槛了，是门快没了

建议马上收藏起来

传送门：
https://t.co/DTxAlR9gx8

[霧、襟元に/ @KUGQS172]

两件反常的事正在中国同时发生。
一边是银行存款利率已经跌破了1%，钱放进银行收益越来越低。
另一边是人民币兑美元却一路升到6.8以内，创下近三年的新高。

按经济学最基本的常识，一个国家利率越低，本币应该越没人要，汇率越该往下走才对。
可现在偏偏反过来，利率往地板上走，汇率往天花板上顶。
更奇巧的是，刚刚过去的2025年，中国挣回了1.2万亿美元的贸易顺差，外汇储备三万多亿，是全世界最不缺外汇的国家之一。

可就在同一时间，监管关闭了富途、老虎等一众海外投资平台。钱明明多的花不完，为什么反而要看的更紧？
这两件看似矛盾的事，其实是同一只手在背后操作，它有个专门的名字叫金融意志。

现在往境外汇钱，单笔超过5000块人民币或者$1000，银行就要核实你的身份。想拆成小额多走几次，��开额度，会被列入关注名单。
这些动作针对的根本不是外汇不够，而是钱想往外跑。

那钱为什么想往外跑？因为国内利率被压到了1%以下，而同期美元资产的利率明显更高，一边几乎没利息，一边回报更高。这么大的利差摆在那，资金天生就有外流的冲动。

问题就出在这，假如真放开让资金自由流出去会发生什么？

• 第一步，大量资金换成美元出境，人民币需求下降，利率开始承压。

• 第二步，钱抽离境内，国内流动性被抽干，利率被重新顶上去。

• 第三步，才真正要命。利率一旦反弹，那套靠借新还旧、靠把高息债换成低息债维系的链条会当场断裂。

所以把钱往外汇管住，本质不是为了省外汇，而是为了把利率死死焊在低位，不让它弹起来。
这就是金融抑制的两只手：一只手压价格，把利率按到地板；另一只手控数量，把资本拦在境内。两只手得同时用，松开任何一只，另一只就白费。

那为什么非要把利率压这么低？答案藏在一个更大的数字里——债务。
这些年地方上借的钱，光显性的国债加地方债，到去年底就已经接近百万亿的量级，再算上各类融资平台借的隐性债，体量更大。

这么大的盘子怎么处理？现实里基本不靠还，靠两个字：
一个是拖：把到期的债展期置换成期限更长的；
一个是降：把过去利率高达7%、8%的债，换成三个点出头的低息债。
光这轮置换，利息成本就降了2.5个百分点以上。
而降能成立的前提是，整个社会的利率得跟着一起往下走，债务人才换得动。

所以利率下行不是顺其自然的结果，是被需要的。
谁因此受益？

是背着债的地方政府、企业，还有几千万背房贷的人，利息负担实实在在轻了。
谁买单？是把钱老老实实存在银行里的储户，你拿着1%的利息，相当于在用自己的购买力，悄悄补贴那笔正在被慢慢化解的债务。
这才是金融意志最不动声色的地方：它不抢你的钱，只是让你的钱不值钱。

讲到这，再回头看人民币升值，你会发现它也没那么简单。
很大程度上不是人民币自己变强了，而是美元变弱了。
刚过去的一年里，美元指数跌了将近百分之十，所有非美货币都跟着对美元抬了头。

一个能说明问题的细节是：人民币对美元是涨了，但对欧元、对一篮子货币反而是贬的，衡量综合汇率的那个指数全年都在往下走。说白了是对美元强，对一篮子弱。
甚至连央行自己都不希望它升太快，一直在用偏低的中间价、用国有大行出手买美元的方式，给升值踩刹车。

一个国家一边把利率压到地板，一边还要亲自下场防止本币升值，这件事本身就说明：这盘棋的核心从来不是汇率，是利率。

这条路30年前，有个国家已经完整的走过一遍，就是日本。
90年代泡沫破裂后，日本央行从1991年开始连续降息，1999年直接进了零利率，后面更是搞了20多年超宽松，一度负利率。

那么大的政府债务谁来扛？靠的是国民的储蓄，居民和企业的钱通过银行、保险、养老金源源不断买进日本国债，等于全体国民在给政府的债务输血。

但最值得琢磨的是日元的走势。按常理，零利率20年日元早该一泻千里了吧？
现实恰恰相反，在前面差不多20年里，日元不但没怎么贬，反而因为日本长期通缩、又有避险属性，成了全球公认的避险货币，一度升到75对亿美元的高位。

真正的大幅贬值是最近十来年才发生的事。当美国开始大幅加息，美元之间的利差被彻底拉开之后，日元才从75一路贬到160附近，几乎腰斩。

日本这30年告诉我们的，不是低利率就一定让货币崩盘，而是另一句更冷静的话：
低利率能撑多久？本币会不会贬？取决于你的产业还顶不顶得住，利差的口子会不会失控。

说回我们自己：存款破1%，不是银行变抠；人民币创新高，也不是经济突然变强。
这一次你的钱没有变少，它只是被悄悄放进了一个利息极低、又不太搬得出去的房间，替一笔更大的债，慢慢付着时间的利息。

[Tz @Tz_2022]

这个动画深刻地说明了为什么说人类的文明一直只在做两件事：

- 扔石头
- 烧开水

其中扔石头到底是啥意思。。。

期待有人也能把“烧开水”的视频也做出来。。。

[AYi @AYi_AInotes]

亲测DeepSeek V4 flash算命，比我花800块找的大师说得还准🤯。。。

价值至少1000块提示词无保留分享👇

[套利豪仔🗽 @pritipatelfgoo]

刚刚github上开源了一款专门为交易打造的 AI

它不是 ChatGPT，也不是通用大模型

它只做一件事：读懂 K 线

这款模型名为 Kronos，官方称其是全球首个专注于金融交易的基础模型

它基于 45 家交易所、120 亿笔真实交易数据从零训练而成，而不是在现有模型上进行微调

官方公布的数据相当惊人：

→ K 线走势预测准确率提升最高可达 93%

→ 支持零样本（Zero-shot）分析任何交易资产

→ 一台普通笔电即可运行

→ 100% 开源，永久免费

[爱丽丝呀！ @BTCqzy1]

给 Codex 5.6 装上这个审美 skill 之后，设计出来的海报终于有灵魂了！

最近挖到一个宝藏开源 skill：gc-minimal-zine-poster

它最牛的地方在于，给 Codex 加了一套 Zine 视觉解构系统。

实测几天发现，它能把普通文字、情绪，甚至一张废片，直接重构成安��、高级的 Zine 风格海报：

1️⃣素材重构：再烂的照片、再干的文字，都能被它解构，并注入极致的 Zine 审美。

2️⃣硬核审美约束：从比例、留白、纸张质感到字体选择，都建立了一套严格的视觉规则。保留高级 海报的克制、安静。

3️⃣审美批量产出：输入主题就能直接出高质量海报 + 可复用 Prompt，相当于给 Codex 配了个艺术总监。

下面都是codex5.6做的一些案例～感兴趣的可以看看～

地址：https://t.co/IRGQDHrOlx

[爱吃折耳根的Ace @_zheergen]

量化交易必懂：MDP 如何让 AI 学会动态决策？

昨天粉丝问我：有没有把马尔可夫决策过程（MDP）讲得既清晰又扎实的课程？最好是从确定性搜索过渡到不确定环境的完整推导。

我去找了斯坦福 Percy Liang 教授主讲的《Markov Decision Processes》。

他清晰地拆解了 MDP 的完整逻辑：从引入随机性与马尔可夫假设，到策略（Policy）、折扣因子、Q 值、策略评估，再到价值迭代求解最优策略。

核心内容包括：

1️⃣ 从 Search 到 MDP：动作结果从确定变为概率分布，经典 Flaky Tram 示例
2️⃣ 策略与折扣因子 γ：为什么解不再是一串固定动作路径
3️⃣ Q 值与 Bellman 方程：精确计算策略价值
4️⃣ 价值迭代（Value Iteration）：通过迭代求解最优策略 π*

最终结论很明确：MDP 是所有强化学习算法（Q-Learning、PPO、DQN）的数学基础，也是理解市场交易、动态资产配置和期权行权等随机决策问题的核心框架。

对正在学强化学习或量化交易的朋友，这是非常扎实的理论基石。建议收藏。

[墓碑科技 @mubeitech]

两个手机彻底断网，没WiFi没蓝牙，还能传文件吗？
能。

这是一条最低配版的离线数据链路。
原理非常粗暴：把文件切碎，变成一串动态二维码。
一台手机的屏幕疯狂播放。
另一台手机打开摄像头，死死盯着屏幕录。
光影闪烁间，数据就传过去了。

不需要配对，不用下App，甚至不需要局域网。
这中间有个致命硬伤：万一漏���了一帧怎么办？
毕竟单向传输没有回头路，接收端没法喊“刚才没看清，重发”。

答案是喷泉码。
屏幕上闪过的每一帧，都不是文件的顺序切片，而是整个文件打乱后的混合体。
接收端根本不在乎顺序。
它只管像接水一样闭着眼睛收，只要抓到足够数量的帧，就能重组出完整文件。
哪怕你中途才把摄像头凑过去，只要录够时间，一样无缝拼接。
丢帧只会多花点时间，永远不会中断传输。

当然，速度别指望起飞。
实测大约是140KB/s。
传个365KB的文件约2.6秒，一张2MB的图片也就十几秒。

为什么搞这么个东西？
开发者受够了流媒体的广告和烂音质，想做个纯本地的MP3播放器。
为了在完全没网的环境下跟朋友分享音乐，他盯上了二维码。

更绝的是，这个原型机是他用AI工具Claude Code熬了一个通宵敲出来的。
现在代码已经开源。
一夜之间，想法落地。

[爱吃折耳根的Ace @_zheergen]

别再手写回测系统了，这个经典开源量化项目已经帮你造好了

Backtrader 是一个功能非常完整的 Python 量化回测与交易框架，GitHub 上已有 22.6K Star。它的核心目标是让你专注写策略，而不是重复造轮子。

核心特点如下：

1️⃣ 纯 Python 实现，支持多数据源、多周期、多策略同时运行
2️⃣ 内置丰富指标库，并可直接对接 TA-Lib
3️⃣ 支持多种订单类型（市价、限价、止损、追踪止损、OCO、括号单等）
4️⃣ 灵活的佣金、滑点、仓位管理（Sizer）模拟
5️⃣ 内置分析器（夏普、回撤、SQN 等）+ 可视化绘图
6️⃣ 可对接 Interactive Brokers、Oanda 等做实盘/模拟交易

对想快速验证策略逻辑、做系统化回测，或者学习完整量化框架设计的人来说，这个项目依然很值得上手。

[Leo @leoxbtt]

Un dev creó transferencia de archivos SIN INTERNET… solo con códigos QR y Claude

Un desarrollador quería hacer un reproductor de MP3 web para escapar de los anuncios.

Terminó inventando algo mucho más loco:

Un sistema air-gapped que pasa archivos de un teléfono a otro
sin WiFi, sin Bluetooth, sin estar en la misma red.

¿Cómo?

Mostrando códigos QR que parpadean a toda velocidad en la pantalla.

Usó Claude Code y en una sola noche tuvo la prueba de concepto 100% funcional.

La IA está haciendo que un solo developer pueda inventar cosas que antes solo se veían en laboratorios.

El futuro se está construyendo más rápido de lo que creemos.

[Hux @huxlab]

我靠，Kimi K3实在太强了：

一座3100万美元的酒店。

190个房间的所有管道、电线、风管、消防系统，全部提前建模协调完毕。

以前：3个工程师，6周，花费约4.7万美元。
现在：1个工程师确认AI输出，9天，总共约1.05万美元。

方法很简单：

把Kimi K3接到建模软件上，让它直接读蓝图照片和英文描述，然后自己把模型搭出来，而不是人一个一个组件去摆。

施工阶段的变更单直接少了60%到80%。

这不是演示，是真的在省钱、省时间、少出错。

当AI开始真正碰“真实世界的复杂系统”，变化才刚刚开始。
#kimi #kimik3 #k3

[爱吃折耳根的Ace @_zheergen]

前HFT量化交易员：真正的均值回归策略是这样写的

前段时间遇到一位前高频交易（HFT）量化交易员，主讲如何真正创建均值回归策略。

我直接问他，网上那些用布林带做的「均值回归」是不是专业量化机构的真实做法？

他明确指出，很多教程只是简单用布林带或均线标准差，这并不是专业量化的做法。真正的均值回归策略需要用统计学和数据科学来挖掘并严格验证。

核心内容包括：

1️⃣ 用对数收益率（Log Returns）建模价格变动，而不是直接用价格
2️⃣ 自回归与方向编码：把收益率拆成方向和幅度，探索「跌久必涨」的统计概率
3️⃣ 严格的样本外验证（In-Sample 75% + Out-of-Sample 25%），防止过拟合和市场体制转换
4️⃣ 计算胜率、复合收益和年化夏普比率，并用 Python 绘制净值曲线

最终结论很明确：真正的均值回归不是简单套用布林带，而是一套完整的统计建模与样本外验证流程。

这是一支非常标准的硬核量化教学，完全属于专业量化交易范畴。建议收藏。

[Nuri Erginer @nerginer]

Tradingview'deki tüm Indikatörleri indirdim! (1000'e yakın)

Bunları bir Knowledge Graph haline getirip AI ile inceledim.

1.572 node, 11.285 edge. Her edge kaynak koddaki bir satıra kadar izlenebilir.

Sonuçlar Hoşunuza Gitmeyecek !!!

[Amto @XAMTO_AI]

当初A哥开始折腾量化交易的时候，最大的障碍不是策略难写，而是找工具和资料的过程太散。

Awesome Systematic Trading这个仓库把系统性交易相关的资源做了系统整理：

97个回测和实盘库（Backtrader、Zipline、vnpy都在里面）、40多份机构与学术策略、55本经典书籍、23个视频访谈，以及博客和课程。

从框架搭建到策略研究到回测上线，基本覆盖了量化交易的完整路径。

🔗传送https://t.co/ICZB0n1QWz

[爱吃折耳根的Ace @_zheergen]

量化必看：深度学习不是唯一答案，简单线性模型依然能赢

昨天粉丝私信我说：现在人人都在追深度学习，简单甚至线性的模型还有价值吗？

我去找了 Vincent Warmerdam 的经典演讲《Winning with Simple, even Linear, Models》。

他用大量 Python 实操案例给出了非常清醒的答案：在很多真实工业场景里，依靠创造性的特征工程 + 简单线性模型，效果往往不输复杂黑盒模型，而且在可解释性、部署稳定性、调试难度和凸优化保证上具有压倒性优势。

核心干货包括：

1️⃣ 用一行特征交叉（x3 = x1 × x2）就能让逻辑回归轻松解决 XOR 问题
2️⃣ 用径向基函数（RBF）做时间序列周期性特征，比 One-Hot 更平滑精准
3️⃣ 生产环境用 Passive-Aggressive 算法做流式学习，天然应对概念漂移
4️⃣ 推荐系统里一个��单概率公式就能消除热门项偏见，几行 SQL 就能上线
5️⃣ 贝叶斯更新与���次模型的可解释优势

最终结论很明确：在真正工业落地时，良好的特征工程 + 易维护的线性/规则系统，往往比追求复杂模型更有价值。

如果你在量化交易、推荐系统或数据科学项目中正面临「模型太重、上线困难、可解释性差」的问题，这个演讲会带来很大启发。建议收藏。

[Jasper Wei @Jasper_Wei1]

Kimi 的插件确实牛逼，精准抓住了男人用AI的尽头是炒股

接入Wind据我所知目前是独一份的，国内做投研的都知道wind数据的含金量

就这套东西自己用来做小型量化系统，做投研分析系统一点问题没有，Kimi帮你解决了关键的数据问题

[露西的百宝箱 @Lucy_love_AI]

10个GitHub仓库应该被禁

(每年摧毁500亿美元企业收入)

保存这个.

1. yt-dlp
下载YouTube、X、TikTok、Instagram等平台的任何视频。

YouTube Premium每月14美元功能还不如它。
完全免费。

仓库 → https://t.co/VcuOdGkEJf

2. Ollama

直接在笔记本电脑上运行GPT-4级AI模型。
无API成本。

很多开发者每月花500美元用OpenAI，
Ollama离线免费完成。

仓库 → https://t.co/SjLv5kHi79

3. Fooocus

用自己的GPU生成媲美Midjourney质量的图像。

Midjourney每月30美元。
Fooocus无限免费生成。

仓库 → https://t.co/JIHuXGYGV1

4. Whisper

OpenAI开源的转录模型。

Otter每月20美元做的事，
Whisper免费完成，支持99种语言。

仓库 → https://t.co/XCel1qj9ud

5. Plausible Analytics

Google Analytics的开源隐私友好替代品。

Google Analytics 360企业版每年15万美元。

Plausible自托管完全免费。

仓库 → https://t.co/euffyRbVR4

6. AppFlowy

开源Notion。Notion团队每用户每月20美元。

AppFlowy在自己服务器上
无限用户永久免费。

仓库 → https://t.co/blaPL1JcdJ

7. Penpot

Figma的开源替代品。Figma每个编辑每月45美元。

Penpot提供几乎相同体验，
自托管永久免费。

仓库 → https://t.co/y85SRFnVtV

8. n8n

开源Zapier。Zapier Pro复杂自动化每月600美元。

n8n自托管无限自动化
完全免费。

仓库 → https://t.co/UCCGx45D9W

9. https://t.co/cLSNPPAAb5

Calendly的开源替代品。
Calendly Teams每用户每月16美元。

https://t.co/cLSNPPAAb5个人免费，
团队开源。

仓库 → https://t.co/4TJYwWpSQs

10. Bitwarden

1Password的开源替代品。

很多密码管理器每用户每月8美元。

Bitwarden提供完整免费版
且完全开源。

仓库 → https://t.co/SDpxdaSSol

这些仓库每年悄无声息地
摧毁500亿美元企业收入。

但都完全合法。

保存这个线程。

分享给那些
仍在为有多年免费替代品的工具付费的人。

100%免费。100%开源。

[爱吃折耳根的Ace @_zheergen]

这个量化策略合集把很多经典玩法都实现了一遍

je-suis-tm 开源的 quant-trading，用 Python 整理了大量可直接运行的量化交易策略回测脚本，目前 GitHub 有 10.4K Star。

主要内容包括：

1️⃣ 技术指标类：MACD、RSI、Bollinger Bands、Parabolic SAR、Awesome Oscillator 等
2️⃣ 形态与突破类：Heikin-Ashi、Shooting Star、London Breakout、Dual Thrust
3️⃣ 统计套利：Pair Trading（协整配对交易）
4️⃣ 期权与波动率：Options Straddle、VIX Calculator
5️⃣ 其他：Monte Carlo 模拟、组合优化、另类数据相关项目

每个策略基本都有独立脚本，可以直接跑回测，适合拿来学习信号逻辑，或者作为自己策略开发的起点。

对想系统学习经典量化策略、或者需要快速验证技术指标效果的人来说，这个仓库内容比较丰富。