cnre

[小马 | 商业生存指南 @VibePonyAI]

治愈全球 2 亿人的超励志短片《保持自律》，

值得多看两遍！

[0xkevin (🖤 , 💙) @0xKevin00]

夯爆了，这已经不是教程，是论文了。可以收纳进量化起步必看文章了！

这篇教程一共6章实质内容，每章配了指定教材、Python代码和课后作业，总学时25到32周

<量化圣经>教程总览👇

[cnre @cnre]

'使用技术分析，评估[股票]的表现。分析近期价格走势、成交量和关键指标如移动平均线和RSI。提供买入、卖出或持有建议。'

[cnre @cnre]

数学才是真正的硬存货： AI 能帮你码出策略，但无法代替你理解为什么随机微积分里二阶项不能省、无法替你论证风险中性测度的收敛性。拥有深厚的底层数学与财务直觉，才能在策略失效时快速迭代，从根本上完成从“借用优势的赌徒”到“创造优势的庄家”的蜕变。

[cnre @cnre]

工具已经民主化，但“确信度”没有： 现在任何人都可以用 AI（Vibe Coding）几秒钟写出高大上的 Python 回测代码。技术不再是壁垒。你真正的护城河（Edge）是独特且干净的数据源、严谨的跨市场相关性定价模型，以及极强的风险对冲执行力。

[cnre @cnre]

估计误差才是你真正的敌人： 数学模型在“参数完美”时是完美的，但现实中的历史数据全是噪音。过度拟合几百个特征的复杂模型，在实盘中死得最快。顶级宽客的敬畏心在于主动做减法：简化模型、严格加入财务约束（如剔除高负债、无现金流标的）、使用半凯利仓位。

[cnre @cnre]

金融问题一旦能写成“碗状”的凸函数，计算机就能利用梯度下降，闭着眼睛瞬间找到“全局最优解”，确保你的交易成本最小或风险收益比最高。

[cnre @cnre]

多重比较陷阱： 如果你让 1000 只猴子扔飞镖，纯靠运气也总有 5 只猴子能连续命中红心。量化回测也是同理：如果你用 Python 自动生成 1000 个乱七八糟的因子去跑 A 股历史数据，纯靠运气也能调出 50 个“看似年化 30%”的神级策略。

[cnre @cnre]

凯利公式是用来防爆仓的。再牛逼的策略，如果不控制仓位，遇到极端“黑天鹅”一次全仓梭哈也会归零。

[cnre @cnre]

实战秘籍（半凯利法则）： 因为我们对胜率的估计永远有误差（你以为某股票现金流无敌、胜率有 70%，其实算上噪声可能只有 58%）。因此顶尖宽客只下注凯利公式算出来的一半（Half Kelly），用来留出容错空间，大幅降低资金曲线的上下颠簸。

[cnre @cnre]

贝叶斯定理则是你的“打脸修正器”：你原本认为某股票值 10 块（先验），突然出了一则利空新闻。贝叶斯公式能精确帮你算出，扣除新闻噪音后，这只股票现在应该值几块。谁算得快，谁就能在市场反应过来前赚走差价。

[cnre @cnre]

传统的选股看“绝对指标”，而宽客看“条件概率”。
比如：某股票平日上涨基础概率是 50%。但已知其“经营现金流净额连续 3 季增长”（条件 A），它上涨的概率跳升至 75%。这个 75% 就是条件概率。

[cnre @cnre]

🚨你还在用“新闻”做交易？
聪明的钱已经在用另一种方式：
🔍提前捕捉“内部信号”
📊跟踪异常资金流
⚡发现市场还没反应的信息差
👉 https://t.co/6MDbo7zpvb
不是预测未来，是提前看到未来已经开始发生
#crypto #trading #alpha #inside

[Bandit and Bluey @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！！

[Nafis Ahmed @iam_nafisahmed]

1. Brand Foundation Prompt

“Act as a world-class brand identity designer. Create a logo for [brand name] that communicates [core value] and targets [audience]. Style should feel premium, timeless, and globally recognizable. Avoid trends focus on longevity.”

[0x鸣人 @LuBtc888]

所有炒股的都建议去听下这个视频

可以说90%的散户都从来没有思考过这个问题

对于思考过的人来说炒股是不是真的很简单？

[卫斯理 @imwsl90]

花了几分钟，弄了个小玩意儿

https://t.co/GZYZgU9YoJ

用Claude写了个Python脚本，把Paul Graham的网站230篇文章爬下来，通过DeepSeek翻译后生成一张6MB的index.html

部署到了cloudflare上，主要是为了方便自己随时阅读，感兴趣的朋友可以通过链接访问

[Leo｜一个人 + AI @runes_leo]

做量化，过去的门槛是会写代码。

现在 AI 基本把这关抹平了。你不懂编程，也能让它帮你把一个策略从想法跑出结果。

但很多人会搞反一件事：

代码门槛塌了，不代表这件事变简单了。

AI 能帮你写实现，替不了你做研究、验证和风控。这部分没人教你，恰恰是大多数账户跑着跑着就出问题的地方。

我把自己从研究到风控的整套工作流录成了一门课，叫 PMQuant。从怎么搭工作台，到怎么在上线前把风险控住，零基础也能跟着跑。

下面这条就是第一节（序章），免费。先讲清楚边界——哪些能做、哪些是坑。完整课还在打磨，想第一批上车的，评论区留了入口。

[cnre @cnre]

@UFOCaptainTing @lixinbao_X 你真有想法👍😂

[爱吃折耳根的Ace @_zheergen]

🚨 卧槽！AI 自己写策略、自己回测、自己优化参数的量化平台来了

QuantDinger 现在 GitHub 8.8K stars
定位很直接：一个 self-hosted、local-first 的 AI 量化交易平台

它把「策略研究 → 回测验证 → 实盘执行」这个流程，用 AI 的方式串联了起来，核心亮点：

> 支持 crypto、股票、外汇等市场
> 支持 OpenAI、Claude、Gemini、DeepSeek、Grok 等多 LLM 研究
> 支持 Python-native 策略开发
> 支持确定性回测、手续费、滑点、逐笔交易分析
> 支持 IBKR、MT5、Alpaca、10+ crypto venues
> 自托管，API keys 和交易凭证留在自己环境里
> Agent 默认 paper-only，实盘需要显式解锁和权限配置
> 每次 Agent 调用都有 audit log

对于玩 A 股、美股、港股、加密和外汇的人来说，它的价值不是预测明天涨跌，而是把交易想法变成一套可验证的策略流程，强烈保存看看