MISTSTOCKHOLDER

[MISTSTOCKHOLDER @miststockholder]

@kk2b2t @No87ATM @MengxuS 毕业求职缓冲期被极致压缩：60 天 Grace Period（宽限期）被砍
学生端（F-1）：在 D/S 终止新规中，F-1 毕业或 OPT 结束后的 离境/转身份宽限期从传统的 60 天腰斩至 30 天。这意味着毕业后如果没能立即无缝衔接工作或新项目，你只有一个月的时间打包、搬家或离境，缓冲余地极小。

[MISTSTOCKHOLDER @miststockholder]

@No87ATM 希望能拜读一下

[Z.ai @Zai_org]

Introducing GLM-5.3-Flash

- Leading capabilities at a highly competitive price
- Natively multimodal with a 1M-token context window
- A 320B-A18B model released under the MIT License
- Previously previewed as Ox Alpha, running entirely on Chinese AI chips

Blog: https://t.co/tzOmB7gdZP

Available now across all official platforms:

Weights: https://t.co/9LRMahY9Wa
API: https://t.co/VcaQnzYmS9
Coding Plan: https://t.co/Nk8Y98HNhU
ZCode: https://t.co/Peepqv4XSx
Chat: https://t.co/WCqWT0qCQb
AutoClaw: https://t.co/aGEG5HqTTb

[MISTSTOCKHOLDER @miststockholder]

@LOvOe_me 门槛还是不一样，而且玩推搞技术的还是多一些。可惜机器人太多了。

[Percy Liang @percyliang]

🚢 Marin 535B-A23B started training this week! As usual, the whole process is open.
Voyage plan: pretraining (80%) + midtraining (20%) on 18.75T tokens on 11 x GB200 NVL72 for ~3 months (2.7e24 FLOPs). Post-training will follow.
Before kicking off the run, we trained a 4-rung scaling ladder from 1.6B-A61M (48B tokens) to 27.7B-A1.2B (926B tokens) to debug issues, and to make a forecast of our hero run. This is by far our biggest run, so definitely expecting the unexpected.

[MISTSTOCKHOLDER @miststockholder]

@Fei2411 还是挺卡的，我拿来写书

[Fini.Yang @FiniYang]

这是我们的第二个 DeepSeek Harness 插件 🥳
长期记忆插件 dsh-noema 🐳
基于现有成熟的记忆系统产品
让 DeepSeek Harness 中的 Agent
能跨会话记住重要内容工作前主动回忆
也能在设置页里查看和管理记忆
不用每次都从零开始复述背景

⚙️ 支持从 Codex、Claude Code、Cursor 等导入已有记忆并管理
欢迎使用：https://t.co/GAcSnazFzi
#deepseek #harness #dsh #plugin #memory #agent

[Z.ai @Zai_org]

Introducing GLM-5.3: Built to Code. Ready for Cyber Defense.

- Top-tier coding and agentic capabilities, achieved through post-training on the 743B base model
- A major leap in cybersecurity, setting a new standard among open models

Tech Blog: https://t.co/ekQkO83jCv

[trader-c @TradercBTC]

首先，程序化交易系统常见的由三种种类：趋势、动量和突破系统

一般来说，这三类程序化交易或者对应的指标来说，通常使用固定参数

但市场并不总处于同一种状态，有时方向清晰、噪声小，有时横向震荡、噪声大，有时波动突然扩张，有时波动持续收缩

固定参数因此面临一个根本矛盾
参数快的虽然及时，但频繁被噪声触发；
参数慢虽然稳定，但趋势已经走了一段才进场

因此根据这个问题，我们提出核心假设：系统能否根据市场状态，自动���整计算速度、阈值或突破范围，而不依赖交易者临时判断？

因此我们认为，真正的自适应方法不是交易者看到行情变化后手工修改参数，而是系统依据事先规定的市场状态测量，自动改变参数、阈值或敏感度

例如：
噪声高时，使用较慢的趋势计算；
方向性强时，提高趋势指标的反应速度；
波动扩大时，自动扩大突破或止损阈值；
波动缩小时，自动缩小阈值。

因此我们有以下推理过程
第一步：固定周期无法同时适应趋势与震荡
假设使用10日均线，在快速趋势中，它可能反应不够快；在横盘中，它又可能反应过快，造成反复交易。

把参数改成50日均线，横盘噪声可能减少；但趋势启动时会严重滞后。
因此，寻找一个“全市场通用的最佳周期”通常不现实。

第二步：必须先量化“市场状态”

自适应系统不能仅仅声称“市场有趋势时变快”，还要回答如何客观区分方向性运动和无方向噪声？

Kaufman最著名的处理是效率比率，Efficiency Ratio，简称ER。
ERt​=∑i=1n​∣Pt−i+1​−Pt−i​∣∣Pt​−Pt−n​∣​

分子是这段时间价格的净移动距离；
分母是每天价格变化绝对值的总路径长度。

例子A：高效率趋势
价格：
100→102→104→106→108→110

净移动：10；路径总长度：10；ER=1。

说明价格几乎沿直线移动，方向性强、噪声低。

例子B：低效率震荡
价格：
100→104→99→105→98→100

净移动：0；路径总长度很大；ER≈0。
说明价格走了很长的路，但没有产生净方向。

【个人理解】
ER是在测量，市场为获得一单位净位移，付出了多少来回波动。

因此它更接近“趋势纯度”或“方向效率”，而不是普通波动率。

4. 关键方法：KAMA
Kaufman Adaptive Moving Average，即Kaufman自适应移动平均线。

��基本思想是：
ER高，说明行情方向性强，均线加快；
ER低，说明噪声大，均线减慢。

将效率比率映射到快速与慢速平滑系数之间：
SCt​=[ERt​(FastSC−SlowSC)+SlowSC]2

然后更新自适应均线：KAMAt​=KAMAt−1​+SCt​(Pt​−KAMAt−1​)

当然我们这里的关键不是记住公式，而是理解其控制逻辑

KAMA与普通均线的本质区别是普通均线的速度由固定周期决定，但KAMA的速度由当前市场效率决定：

也就是说，它不仅估计价格趋势，还先估计“当前数据是否值得快速响应”。

[Latent.Space @latentspacepod]

🆕 Unpacking ChatGPT Work

https://t.co/wccYg8wY9K

ChatGPT Work, an extension of the @openai Codex harness to cloud and general knowledge work, launched on July 9 and crossed 10M users 3 weeks later.

@shloked guests with an A+ reconstruction of how Memory, Proactivity, Scheduling, Browser Use, Plugins, Skills and Tools work in this new harness that is bringing a full agentic experience to the almost 1B weekly active users of ChatGPT!

[Ariston @Ariston_Macro]

分析师的天花板Michael Maubouss的最新著作《The Wisdom of Crowds in Markets》，系统分析了预测市场、体育博彩、赛马博彩与股票市场的信息聚合机制，回答了一个核心问题：市场何时体现“群体智慧”，何时陷入“群体疯狂”。文章了解释泡沫、市场效率及预测市场的交易价值，对理解价格发现和市场行为具有很高的参考价值….

1）市场中的“群体智慧”与“群体疯狂”并非互相矛盾，而是同一框架下的两种状态。市场大多数时间能够有效聚合分散信息，因此价格通常是有效的；但当决定群体智慧成立的关键条件遭到破坏时，市场便会进入群体疯狂阶段，价格开始明显偏离价值。整个市场行为可以统一解释为群体智慧条件是否成立的问题，而不是效率市场与行为金融之间的对立。

2）群体智慧成立依赖三个核心条件：认知多样性（Diversity）、信息聚合（Aggregation）以及激励机制（Incentives）。其中认知多样性并非年龄、性别等社会属性，而是信息、知识、启发式方法、认知框架和思维模型的差异。Scott Page提出的 Diversity Prediction Theorem进一步给出了数学表达：Collective Error = Average Individual Error − Prediction Diversity，意味着整体预测能力既来自个体能力，也来自预测之间的差异性，多样性越高，整体误差越小。

3）市场本质是一台信息聚合机器。不同市场虽然采用连续双向竞价（Continuous Double Auction）、Bookmaker定价、Parimutuel Pool等不同机制，但目标一致，都是将分散信息不断聚合进入价格。研究显示，简单平均即可改善预测结果，而加权平均、Extremizing等聚合方法还能进一步提高预测准确率，因此价格形成机制本身就是市场效率的重要来源。

4）激励决定信息质量。真实市场通过收益与亏损激励参与者寻找信息优势（Edge），下注规模本身应反映对自身Edge的信心。与此同时，Grossman-Stiglitz悖论说明完全有效市场无法存在，因为如果价格已经包含全部信息，就没有人愿意承担获取信息的成本；没有人获取信息，市场又无法有效。因此市场只能保持“Efficiently Inefficient”，Edge存在，但必须足以覆盖信息成本、交易成本以及市场冲击成本。

5）作者将市场问题划分为四类：寻找已知答案（Needle-in-the-Haystack）、估计未来真实状态（State Estimation）、未来存在最终结果的预测（Prediction with Resolution）以及永远没有最终答案的预测（Prediction without Resolution）。股票市场属于最后一种，因此也是最复杂、最容易产生持续偏离的市场，而预测市场、体育博彩等则属于能够最终验证结果的市场。

6）Galton猜牛重量实验验证了群体智慧最经典的现象：787位参与者中绝大多数人的预测并不准确，但整体平均预测几乎与真实重量完全一致。真正发挥作用的并不是每个人都优秀，而是彼此独立的误差不断相互抵消，因此整体预测优于绝大多数个体，这也是群体智慧最重要的统计学基础。

7）Prediction Market是作者认为最接近理想信息聚合机制的市场之一。Kalshi数千万笔交易显示，市场价格与最终真实概率高度一致，长期准确率明显优于多数民调与单一专家意见。虽然经过复杂统计聚合后的Poll以及Superforecaster团队能够达到甚至超过Prediction Market，但Prediction Market整体仍是当前最有效的信息聚合工具之一。

8）Prediction Market最大的交易价值来自三个发现：第一，市场价格本身几乎可以直接视为概率；第二，Favorite-Longshot Bias长期存在，即市场低估热门事件、长期高估小概率事件；第三，市场��纵虽然可以短暂推动价格，但真实信息最终会重新定价，操纵者通常亏损退出，因此长期操纵难以持续。与此同时，盈利高度集中，Top1%获得77%利润，Maker长期赚钱，而Taker长期亏钱。

9）体育博彩市场同样高度有效。Bookmaker不仅平衡双方仓位，更主动利用大众偏见制定赔率。Favorite-Longshot Bias虽然广泛存在，但绝大多数偏差不足以覆盖Vigorish，因此无法形成稳定套利机会。长期真正盈利的体育博彩参与者仅占3%~5%，Sharps甚至需要借助Runner、Beard等方式突破下注限制。

10）Parimutuel赛马市场提供了另一种信息聚合方式。赔率完全由下注资金分布决定，最终Closing Odds通常高度有效，但15%~24%的Takeout几乎吞噬全部套利空间。Smart Money通常集中在比赛结束前最后时刻进入，因此Closing Odds明显优于早期赔率，而大型公众事件（如Triple Crown）则容易因为大量非专业资金流入而产生可交易偏离。

11）股票市场与博彩市场最大的区别，在于长期��期望。博彩属于零和减成本游戏，而股票代表企业所有权，企业长期创造现金流，因此整体财富持续增长。过去一百年，美国股票市场创造约91万亿美元财富，而博彩长期累计亏损约5.8万亿美元。绝大多数赌徒长期亏钱，而绝大多数股票投资者长期赚钱。

[MISTSTOCKHOLDER @miststockholder]

@yuanhao 你好请问这个图用什么工具绘制

[MISTSTOCKHOLDER @miststockholder]

@0xAA_Science 现在也是炼丹，单纯是炼的人变多了

[Junu Park @junupark_]

great resource just published from @Modular!

[MISTSTOCKHOLDER @miststockholder]

@DrBoZengOC @bboczeng id怎么回事

[MISTSTOCKHOLDER @miststockholder]

@JohnWu95 @cheng_gao_fa @mtrainier2020 卡还是跟中美买，本质上还是给中美交钱

[MISTSTOCKHOLDER @miststockholder]

@tradergoku 看完了，真不错

[MISTSTOCKHOLDER @miststockholder]

@paul2mt @nini_incrypto_ 看我家监控？

[Marco @maarcoofdezz]

Dos ingenieros de Anthropic pasaron 24 minutos exponiendo cada función de Claude Code que no sabías que existía y gratis.

La mayoría de las personas pasarán de largo este contenido

[MISTSTOCKHOLDER @miststockholder]

@notinlovepast @sheriyuo @latepostnews 收入来源是广告？