Shawn Wu

Love technology, Love trading! Tesla fan , a Tesla Model 3 owner!

[Za @ZaStocks]

The best time to own a growth stock is when it’s expensive and nobody believes in the thesis.

Not when everyone is clamoring about how cheap it is.

[区块链行情研究 @qkl2058]

一位斯坦福毕业生刚发了一个马尔可夫链的讲座视频，50分钟，专门讲给做量化交易的人听，讲得特别简洁。

Jane Street 的量化分析师年薪能到 120 万美元，说到底就是要搞懂这套数学。

现在这个讲座把同样的框架给你讲透了，完全免费。

收藏起来，周末抽时间看看。

[Berryxia.AI @berryxia]

兄弟们！Google 刚刚更新了Code Wiki！

Google 直接把开发者最头疼的“读代码”瓶颈，一键干掉了。

他们刚刚发布的 Code Wiki，让任何一个代码仓库Github都能瞬间拥有一个永远最新、结构化、 智能可聊的 Wiki。

核心三招狠活：

- 自动扫描仓库，代码一改文档就实时更新，再也不用担心文档过时

- Gemini 驱动的智能聊天，直接把整个 Wiki 当知识库，回答问题还能超链接跳到具体代码行

- 自动生成架构图、类图、时序图，点一下就能从解释直达源码

新手第一天就能上手，老代码没人维护也能秒懂，大库小库通吃。

Google 自己都说：“读现有代码是软件开发里最大、最贵的瓶颈之一。”

现在，这个时代终于要结束了。

公共仓库已开放预览：https://t.co/3hCQKlozkl

你觉得 Code Wiki 会不会成为下一代代码理解标配，把“读代码”从痛苦变成享受？

[Joruno @wsl8297]

在 GitHub 挖到一份整理得很到位的 Claude Code 高阶指南：claude-code-guide。

从入门到自动化进阶，一套讲清楚：多系统协同、脚本化流程、最佳实践，全都覆盖。

GitHub：https://t.co/mgQLEERYiu

你能在里面看到：

- Claude Code 全功能使用手册 + 可直接照抄的最佳实践
- 后台任务监控、多目录工作流等高阶能力的实战用法
- 自定义命令、Hook 体系、MCP 集成的自动化方案
- 智能上下文管理与预测式任务队列的优化策略
- 从基础工具到更高阶协作效率的进阶路线

如果你或团队正在用 Claude Code，这份指南很值得花点时间过一遍。

[Joruno @wsl8297]

偶然在 GitHub 挖到一份很实用的资源：claude-code-best-practice（Claude Code 最佳实践），建议直接收藏。

它把已验证的高效工作流程、常见坑点与避坑经验都整理好了，并把 Skills、Agent、MCP 等核心概念讲清楚，省去自己摸索的时间。

如果你正在用 Claude Code 做复杂项目，或总被上下文混乱、反复出错拖慢节奏，这份指南很可能能立刻派上用场。

GitHub：https://t.co/akE1LbB0bU

[Shawn Wu @shawnbillion]

@SoulzBTC TRADING

[CryptoSoulz @SoulzBTC]

Claude Trading Folder

I’ve compressed the best trading prompts into one PDF

Get it for FREE:

• Like + Repost + Comment “TRADING”
• Follow me so I can DM you

[Bill The Investor @billtheinvestor]

本周金融领域增长最快的 GitHub 仓库：

1. TradingAgents (+7.9K ★) 来自 UCLA/MIT 的多智能体 LLM 交易框架。包含基本面分析师、情绪分析师、技术面分析师、风险管理师，支持 DeepSeek V4 思维模式。

2. FinceptTerminal (+4.3K ★) 基于 C++20 + Qt6 构建的开源 Bloomberg 替代方案。拥有 37 个巴菲特/芒格/林奇/格雷厄姆风格的 AI 智能体。支持 16 个券商集成的实时交易。内置 MCP + AI 量化标签页。

3. daily_stock_analysis (+2.3K ★) 面向美股、A 股和港股市场的 LLM 股票分析器。
自动构建包含入场/出场水平的每日决策仪表盘。通过 GitHub Actions 推送到微信/Telegram/Discord/Email。

4. Vibe-Trading (+1.9K ★) 个人交易智能体。自然语言 - 策略 - 回测 - 导出至 TradingView/MT5。只需一个 pip install，即可拥有属于你自己的 AI 交易台。

5. QuantDinger (+837 ★) 自托管 AI 量化操作系统。研究市场、生成 Python 策略、回测想法、运行实盘交易。
支持加密货币、通过 IBKR 交易股票、通过 MT5 交易外汇。一个 Docker Compose，你的基础设施，你的数据。

6. TradingAgents-CN (+641 ★) TradingAgents 的中文分支。针对 A 股市场、中文数据源和国产大模型进行了完全本地化。

7. last30days-skill (+630 ★) AI 智能体技能，可研究过去 30 天内 Reddit、X、YouTube、HN、Polymarket 及全网的任何话题。可接入任何智能体框架。

8. qlib (+569 ★) 微软推出的面向 AI 的量化投资平台。
端到端流程：数据 - Alpha - 投资组合 - 执行。目前最严肃的开源量化基础设施。

9. scientific-agent-skills (+511 ★) 用于研究、科学、工程、分析和金融的即用型智能体技能。可接入任何智能体框架。涵盖生物信息学、化学信息学，以及现在的 Hugging Science。

10. OpenBB (+387 ★) 面向分析师、量化研究员和 AI 智能体的开源金融数据平台。在一个平台上集成股票、加密货币、期权、衍生品、固定收益。

[余温 @gkxspace]

我的 mac 的工作区，这几个都是必不可缺，看来大家差不多，还有没安装的快装一下：

1. Obsidian：用来做内容存档、搭建个人知识库
2. cc-swtich：管理多个 CLI 工具，管理多家模型供应商
3. Codex ：最近更新很频繁，体验也越来越好，而且不封号
4. Ghostty：一个非常丝滑的终端，推荐～
5. 闪电说 + Typless：前者非结构化，后者结构化，配合使用很爽
6. V2rayN：更加必不可少了，大家都懂

[AI少年 @aehyok]

https://t.co/ojOf4R1uJ7

[啦 @key_lantern]

@vista8 推荐 bestblogs ，AI 领域文章聚合，最近还出了播客早报、个人早报，还有 cli 和 skill 方便和 agent 结合

[Richard @qloog]

#每日推荐 Claude Code Skills 合集， 也适用于 OpenClaw 和 Hermes

1）superpowers（16 万星）
作者 Jesse Vincent，适合所有人，让 Claude 做事更严谨。
https://t.co/Kv8FlJqwn6

2）anthropics/skills（12 万星）
Anthropic 官方，适合所有人，文件处理（Word、PPT、Excel、PDF）。
https://t.co/qyuSCoViEu

3）gstack（7.7 万星）
作者 Garry Tan（YC CEO），适合一人公司，用来模拟团队角色进行审查。
https://t.co/mzzz1CHfqj

4）obsidian-skills（2.5 万星）
作者 Steph Ango（Obsidian CEO），适合 Obsidian 用户。
https://t.co/Xt8oOjr1xa

5）claude-code-templates（2.5 万星）
作者 Daniel Ávila，适合 skill 新手的大型工具集。
https://t.co/o1QIwxWj9U

6）marketingskills（2.2 万星）
作者 Corey Haines，适合营销、副业和一人公司。
https://t.co/WeTM3wNOBT

7）claude-scientific-skills（1.9 万星）
作者 K-Dense AI，适合科研、论文写作和深度内容创作。
https://t.co/byqnzWaMdO

8）compound-engineering-plugin（1.5 万星）
作者 https://t.co/oDyokNmTd0 团队，适合长期内容或产品运营。
https://t.co/zjLnKDzrMT

[GitHubDaily @GitHub_Daily]

谷歌 Gemini 团队主管 Addy Osmani，最近开源的 Agent Skills，狂揽了 18000+ GitHub Star。

它把资深工程师的工作流和开发规范，封装成了 Skills 技能库，让 AI 在每个开发阶段都能保持一致的高标准。

整个项目围绕软件开发生命周期设计，覆盖定义、规划、构建、验证、评审、发布六个阶段，共计 20 个核心技能。

GitHub：https://t.co/73JFf2LbTw

提供 7 个触发命令，比如 /spec 写需求、/plan 拆任务、/build 写代码、/test 跑测试、/ship 部署，每个命令会自动调用相关技能。

支持 Claude Code、Gemini CLI、Codex、Cursor 等主流 AI 编程工具。

如果你已经在用 AI 辅助开发，不妨试下这个 Skills，看看能不能提升交付质量。

[梭哈.AI @SUOHA_AI]

【一图看完：金融领域 Top 10明星开源项目】

不管你是股票/传统交易员、AI金融开发者，还是Claude Code重度用户，想用Ai玩转股票分析、加密交易、支付基础设施甚至多代理玩对冲基金……

这些项目是金融开源社区的明星之选，直接把「多代理交易系统 + 金融基础模型」推上新高度，肯定有你能用到的👇

1. OpenBB-finance/OpenBB (66.1K stars)
一站式平台支持股票、加密、期权、衍生品、固定收益，与AI代理无缝集成
🔗：https://t.co/cpvnzYAXFw

2. virattt/ai-hedge-fund (56K stars)
AI代理团队模拟巴菲特、芒格等投资大师。每位代理运行独立策略，最终由投资组合经理决策
🔗：https://t.co/M3iJppQFkg

3. TauricResearch/TradingAgents (51.7K stars)
多代理LLM交易框架。基本面分析师、情绪分析师、技术分析师、风险经理协同工作，支持最新主流大模型
🔗：https://t.co/Zth6Kwzy2g

4. freqtrade/freqtrade (49K stars)
免费开源Python加密货币交易机器人。支持主流交易所、完整回测、策略优化、Telegram控制
🔗：https://t.co/wZAnWOE2dp

5. juspay/hyperswitch (42.5K stars)
Rust开源支付路由器。一个API连接50+支付提供商，支持智能路由和高性能
🔗：https://t.co/NRCAXjefJs

6. microsoft/qlib (41K stars)
微软AI量化投资平台。覆盖alpha挖掘、回测、模型训练、实盘交易，支持ML/DL、RL及自动量化
🔗：https://t.co/U45ClbhiuM

7. ZhuLinsen/daily_stock_analysis (30.5K stars)
LLM股票分析器，覆盖美股、A股和港股。自动生成每日决策仪表盘，提供精确入场/出场水平，并零成本推送通知
🔗：https://t.co/lWcBtANmOo

8. hsliuping/TradingAgents-CN (24.3K stars) TradingAgents的中文增强分支。完全适配A股市场、中文数据源及国产LLM，社区活跃
🔗：https://t.co/d0kXDivmW0

9. shiyu-coder/Kronos (19.7K stars)
首个开源金融K线基础模型。将OHLCV蜡烛图视为token预测，真正的“价格图表GPT”
🔗：https://t.co/9GfZTlHjdp

10. AI4Finance-Foundation/FinGPT (19.6K stars)
开源金融LLM，在真实市场数据上训练，专为情绪分析和机器人顾问设计
🔗：https://t.co/tPKuVmTF7R

[酱紫表 @pengchujin]

推荐个插件叫 YouTube to NotebookLM，能一键把油管频道所有视频打造成一个知识库。当然也可以单独添加单个视频和合集，太好用了！

[阿蔺A-Lin @alin_zone]

https://t.co/j9mXC1SILX

[GitHubDaily @GitHub_Daily]

很多经验丰富的程序员，在面对复杂软件系统时游刃有余，但一碰到机器学习，满屏的数学公式，让人难以建立直观的工程直觉。

最近在 GitHub 上看到 There Is No Spoon 这份开源教程，专为工程师量身定制的机器学习入门指南。

抛弃了枯燥的教科书式说教，巧妙地将抽象的 ML 概念全部转化为我们熟悉的物理和工程类比。

把神经元比作偏振镜，把模型深度比作折纸，用最直白的方式帮我们重塑对算法的底层认知。

GitHub：https://t.co/QFdHy04J6O

内容覆盖三大部分：基础概念、主流架构（卷积、注意力、循环网络、状态空间模型等），以及门控机制作为控制系统的实践工具箱。

重点不在于死记硬背数学推导，而是教我们面对具体问题时该如何选择工具，以及做出架构决策背后的权衡思考。

整份教程是一个 Markdown 文件，配有 12 张可视化插图，建议搭配 AI 助手一起读，把教程喂给它然后逐节对话探索，效果更好。

如果你有代码编程基础，又想快速掌握机器学习，这份教程值得收藏从头开始学习。

[李傻根 MORE MONEY @v3wanu]

我的美股流水线：

看盘用富途
下单到IB
出金至汇丰
花钱刷pulse

快讯看金十
k线用TV
研报逛SA
筛股上finviz

你还用啥？

[Ariston @Ariston_Macro]

Oliver Kell谈如何成为全职交易员，事实上，他的体系并不复杂，也没有依赖什么稀缺信息。核心就是成长股、强趋势、10/20 均线、mini base、higher highs 和 higher lows。真正让他长期拉开差距的部分，在于他把这些简单要素反复执行，执行到形成稳定结果。

换句话说，Oliver Kell是把一套非常简单的动量交易框架，执行到了极高一致性。

1）他对 breakout 的理解：比传统 CANSLIM 更早一步。标准 CANSLIM 往往等一个很明确的突破点，但 Oliver 更多是在 mini base 刚形成、或者 10/20 均线准备上穿时就开始布局。这样做的好处非常直接：进场成本更低，止损位置更清楚，仓位后续更容易做大。尽量在趋势刚开始形成、市场还没有完全挤进去之前先占到位置。

2）仓位放大的节奏控制：Oliver 通常先用很小风险开第一笔，初始风险控制在组合的大约 50bp 左右。之后如果走势继续上行，他会在上涨、横盘、再上涨的过程中继续加仓，同时同步抬高止损。这样一来，仓位可以逐步变大，但风险并不会同步失控。对他来说，最理想的走势不是一上来就暴冲，而是先涨一段，再横住，再给新的加仓点。因为这种结构最有利于在风险受控前提下逐步做大仓位。

3）卖出逻辑：正常情况下，他不会刻意追求卖在最高点，而是沿趋势一直拿着，直到看到明确转弱信号，比如大反转 bar、价格对均线极端偏离、或者趋势结构本身被破坏。真正强制执行的一条线，是止损。止损一旦触发，主观看法就不再重要。

4）对市场环境的适配意识：他不会脱离 tape 去理解个股，也不会只看某一只股票本身的图形。除了个股的 10/20 均线、mini base、走势结构，他也会看指数层面的 50 日均线和整体市场环境。因为他很清楚，自己的交易方式在趋势明确、市场容错率高的时候效率很高；但在 false breakout 密集、趋势持续性差的时候，就会被来回切割。所以他的做法不是换系统，而是在环境不友好的时候主动缩仓、降频，接受那段时间很难赚大钱。

5）对熊市的理解：2021 年下半年到 2022 年那段经历，对他影响很大。账面回撤，连续几个季度做不出结果，即便很多时候方向看对，最后也留不下利润。熊市对动量交易最难的地方，在于假启动很多、可持续性差、可操作窗口很短。很多交易机会只能维持两三周，甚至只有一两天的有效窗口。如果抓不准那个时间点，最理性的做法可能就是继续等。这个经验很重要，动量交易真正难的地方，并不是顺风时如何赚钱，而是逆风时如何活下来。

6）选股的第一信号：相比基本面筛选，更关注异常大的成交量。Oliver 并不是完全不看基本面，他会看盈利增长、收入增长，也会理解当前最热的主题，比如 AI。但真正让他开始认真研究一只股票的触发点，通常是量。只要一只股票出现了很大的 volume signature，他就会提高关注度，再回头看公司和主题逻辑。在他看来，市场里已经有大量分析师替你完成了研究，真正重要的是这些研究有没有变成真实的资金行为。换句话说，他更信 tape，而不是先信故事。

7）对主题交易的处理方式：他并不是那种会先建立一个很强产业信仰、然后再找标的的人。Nvidia、SMCI、AMD、VRT 这些名字，他后面当然会逐步理解它们在产业链里的位置，但真正让他参与的原因，还是量价和趋势结构先走出来了。这一点非常成熟。因为一旦你对产业逻辑形成过强主观看法，很容易在交易上失去弹性。Oliver 明确说过，他不想让自己对主题有过强意见，因为他想保留按系统交易的能力。

8）对高 PE 的理解：很多人看到高估值就天然想空，但他的判断是，只要盈利在快速扩张，高 PE 本身并不构成做空理由。市场愿意给高 PE，本质上是在给高成长定价。像 Nvidia 这样的股票，虽然价格涨了很多，但因为盈利增长速度更快，PE 甚至可能低于更早阶段。这个思路对交易很重要，因为很多人做空高估值强趋势股，最后亏得很惨，根源就在于只看静态估值，不看动态盈利扩张。

9）心态管理方法：Oliver 很坦诚地承认，自己是竞争心很强的人，交易不顺的时候会对自己下狠手。所以他的解决方案并不花哨，就是亏损时继续缩小仓位，直到重新做顺几笔，把状态找回来。这个方法很有效，因为它把市场环境反馈和自身风险暴露直接绑定起来。P&L 不顺，说明市场当前不给你的方法付钱，那就先降风险；P&L 开始顺起来，再把仓位加回去。

10）Jason 最后的总结：“一个真正想成为全职交易员的人，会怎么走这条路？”。先亏钱，再留在市场附近继续学，边工作边做自己的账户，攒够钱再回来，然后持续迭代、长期留在牌桌上。真正能活下来的交易员，很多时候并不是最早赚到快钱的人，而是即便早期非常狼狈，也始终没有离开市场的人。

完整内容：https://t.co/wgdn93kqXG

[Morgan Stanley @MorganStanley]

Watch Hard Lessons, as legendary investor Stan Druckenmiller sits down with Morgan Stanley’s Iliana Bouzali, sharing how he would construct a portfolio if he had to start over today, why contrarianism is overrated, and which stock he regrets selling too early.