G.O.

[G.O. @garyo73789087]

@jukan05 @mindmoon_108 U and yr company are shorting NVDA. Admit it.

[G.O. @garyo73789087]

@SouthernValue95 The whole market listen to a kid that not attending the investor meeting ? Did u guy do DD ?

[G.O. @garyo73789087]

@jukan05 The whole market only u are the source ?

[G.O. @garyo73789087]

@jukan05 Are u shorting SpaceX ?

[G.O. @garyo73789087]

@squawksquare future tells not looking gd. fake head ?

[G.O. @garyo73789087]

@SpeakerPelosi How yr stocks today?

[G.O. @garyo73789087]

@MarketOsprey @DarioAmodei Thx Dems. China is catching up

[G.O. @garyo73789087]

@squawksquare Thx for Dems. Hope u have no stock in yr pockets

[G.O. @garyo73789087]

@elonmusk U better laser focus on tesla and SpaceX, Dems is coming for u.

[Trey Yingst @TreyYingst]

Widespread Russian drone attacks across Ukraine this afternoon.

[G.O. @garyo73789087]

@elonmusk @TeslaBoomerMama @travisraxelrod BTW can th PR do better ? The earnings like shit show compares to SpaceX.

[G.O. @garyo73789087]

@elonmusk @TeslaBoomerMama @travisraxelrod Can u replace the CFO ? The calls makes ppl sleeping.

[G.O. @garyo73789087]

@elonmusk @veggie_eric @RockstarGames can u add this car to GTA6 ?

[G.O. @garyo73789087]

@squawksquare 2028 ?

[AYi @AYi_AInotes]

你是不是也在推特收藏了上千个书签，最后只存不看，

开发者 Alex 用jev解决了这个痛点，
他刚上线的这个工具 Margin, 算是真正把你的书签收藏救活了，

以往尝试用传统大模型做个人书签检索, 体验几乎是灾难级的: 把几百条推文全文丢给大模型或者向量库, 每次搜一句话要在云端等上半分钟, 还要硬烧几块钱的调用费, 根本没人愿意天天用。
而接入专做强类型决策的 Jev 之后, 整个检索逻辑彻底被掀���了。

你只要用扩展把这几年积攒的书签一键导出导入工具, 接下来直接用最口语化的人话去搜, 比如问它有哪些关于冷启动获客的实操技巧。

系统完全不需要自回归逐字生成废话, 而是由底层的决策小脑以单条几十毫秒的速度在后台做并行打分。

短短几秒钟之内, 上百条沉睡了几年的推文被挨个计算出匹配置信度, 界面带着进度条瞬间弹出一份按相关性精准排序的推文清单, 甚至把每条内容到底契合在哪用数字标得清清楚楚。

百万 Token 只要四分钱且输出免单的机制, 让这种以往极度奢侈的遍历打分, 变成了一次只需要花几分钱的日常微小操作。

真正好用的知识库从来不是逼着人类自己去建复杂的分类文件夹, 而是把检索成本压低到可以肆无忌惮地用自然语言反复提问。

以前是把好内容随手扔进黑洞当个数字囤积狂, 从今天起是用毫秒级的决策神经随时把冷数据捞出来变成生产力。

[RRT(라미 구조대) @kingwest0219]

와... 진짜 개소름 돋네 😍
수건 잡고 휙 당기는 순간
등 뒤에서
'우두둑' 소리 나면서 눈 번쩍 뜨임;;;
도수치료 1회 15만원짜리 효과 ㄷㄷ
개이득 😃

[美研芒格君 @Kay2289123]

在 AI 时代，我认为只有不敢学，没有学不会。我分享给大家一个 prompt和一个 skill，我基本用它来学习任何内容，大大降低了学习的门槛和理解成本。效果图我放到了本个帖子的图片里

例如上个帖子分享给大家的AI Infra 入门的五篇文档，很多朋友看着 PagedAttention、Chunked Prefill、TPPP、DP 各种字母被吓到了，感觉有用，但读不进去，我就很推荐使用

Skill: /eli5

Prompt篇幅有限，我把 prompt 放到评论区，希望对大家有帮助。可以用它来可视化、通俗易懂地学习任何内容，展开自己的想象力

[Balder @Balder13946731]

不会看这两张图的小伙伴可以看看下面的解释：

这两张图展示的是典型的量化期权资金流与财报波动率分析（Quantitative Options & Earnings Volatility Analysis）。
这种分析面板通常被机构交易员、对冲基金或量化系统使用。它的核心逻辑不是去猜测公司的财务数据，而是通过提取期权市场里的真金白银的交易数据，来反推“聪明钱（主力资金）”在财报前的底牌和预期。

1. 这两张图的具体分析模块
从你提供的截图中，我们可以将这种分析拆解为以下几个关键维度：
财报夜概率分布模型（Probability Distribution）： 顶部的红绿柱状图基于期权定价计算了股价向不同区间波动的数学概率。比如，模型计算出 AMZN 财报后上涨的概率（P(up)）高达 55%。灰色的 ⁠model tilt⁠ 虚线显示了系统模型向哪一侧倾斜。
隐含波动率与历史对比（Implied vs Historical Move）： 左下的散点图对比了当前期权市场定价的“预期涨跌幅”（Implied ±6.9% / ±7.3%，黄线）与过去 8 次财报的实际涨跌幅（蓝点）。这能帮助交易员判断当前的期权是“太贵”还是“太便宜”，以及市场是否高估了财报的风险。
市场头寸与资金流定位（Positioning）： 右侧的红绿条形图（bullish → right）是整个模型预测准确的最核心模块。它追踪了市场深度的微观结构，包括看跌/看涨期权成交量比（P/C volume）、隐含波动率偏斜（IV skew）以及新增头寸的变化。
基本面与胜率共识（Street Consensus）： 底部列出了华尔街的每股收益（EPS）和营收预期，以及这两家巨头过去 8 个季度的击败预期记录（beat rate last 8: 100%）。
2. 为什么它们能准确预测 MSFT 和 AMZN 财报后的走向？
这两个模型之所以得出了准确的看涨判断（▲ BULLISH LEAN），主要原因在于它们极其敏锐地捕捉到了财报发布前，主力资金在期权市场上的极度看多布局。具体原因可以从图表数据中找到答案：
第一：期权资金流向（Order Flow）一边倒
在 AMZN 的图表中，⁠options P/C volume⁠（看跌与看涨期权成交量比）仅为 0.46（绿色条向右延伸）。这意味着市场上买入看涨期权（Call）的资金是看跌期权（Put）的两倍多。
MSFT 的这一指标也处于 0.74 的多头区间。巨量资金在财报前已经通过买入 Call 进行了真金白银的押注。
第二：强大的系统多头倾斜（System Lean & Fresh Positioning）
观察右侧的定位数据，两家公司的系统整体倾斜度（System lean）均为强烈的正数（AMZN 为 +0.39，MSFT 为 +0.34）。
更重要的是，代表新增资金动向的 ⁠fresh positioning v/OI⁠ 呈现极强的正向流入（AMZN 高达 1.25）。这说明有大量的“新钱”在财报前夕紧急入场做多，而不是在平仓观望。
第三：完美的历史“击败”势头
图表底部显示，微软和亚马逊在过去的 8 个季度中，盈利超预期的概率是 100%。底层的量化算法（system components）会将这种极强的企业基本面惯性与期权市场的狂热情绪叠加，从而大幅推高了模型看涨的置信度。
总结：
这个分析面板能够“准确预测”，并非因为它有未卜先知的能力，而是因为它量化了市场的潜台词。当强大的基本面惯性与期权市场上极其明显的机构看多资金流（极低的 P/C volume 和大量新增做多头寸）产生共振时，模型顺应了这股力量，得出了高概率的看涨结论。

[美研芒格君 @Kay2289123]

https://t.co/BRMVAFCwJx

[美研芒格君 @Kay2289123]

这绝对是个好问题。我尝试分享一下我的拙见，Overfitting芒格君（我自己）, 在 GPT 时代，不如叫蒸馏, 在投研里面是一件坏事吗？目前没有数据，这个我将来搭建好环境、训练好之后，会做回测。不过我认为和 machine learning、DL 的 overfitting 绝对是两回事

1. 我们通常说的 overfitting 更多见于深度学习和机器学习中，本质上还是用离散的数据或者连续数据去预测某种 logits，算 loss，然后有更好的表现。Overfitting的原因还是维度不够。而且 DL/ML 是尝试去拟合所有的数���、大众的数据，去预测一种普适规律；而投研是预测我的精准偏好

2. 在 GPT-6 面前，首先，GPT-6 的基本思维逻辑是聪明的，这是它学习的客观知识，智力到位了，他对自然和股市，还有知识规律，是有一个基本的理解的

下一步就是选择。这是为什么我尝试把 96,000 条我的真实交易策略蒸馏进去，我的目标就是让它 overfitting 我的策略，如果真的 overfit 了我自己，那我蒸馏真的成功了。我们有的时候给 AI prompt，让它学习一些股票大师的投资经验，其实也是在尝试主导 AI 的倾向和选择