Mr.Y

[程序员鱼皮 @yupi996]

万万没想到，斯坦福的大模型课居然在作业仓库里放了一份 AGENTS.md，专门不让 AI 帮你写作业！🫢

这份 AGENTS.md 规定 AI 只能当助教，不写一行代码，连解题思路都不给，只会反问你，引导你自己找出 bug。

这门课叫 CS336，18 节录屏免费看，5 个作业就是从零造大模型的完整路线：
1）自己写分词器、Transformer 和优化器
2）手写 FlashAttention2，再上多卡训练
3）算力固定时，算出模型该训多大
4）把爬来的网页洗成训练数据
5）用强化学习教 1B 小模型做数学题

[kvro @0xkvro]

this Princeton paper is f*cking insane

it basically shows why most traders think they have 30 bets when they really have one

on most days, 60–80% of single-stock movement is explained by common forces

market beta alone explains about 40%

then the paper does the only thing that matters:

remove the market
remove sector + style factors
study the residual
try to break the signal

the scary part is what happens after validation

24.6% in-sample
8.1% out-of-sample
2.7% after costs
-4.3% after a regime change
that is why real quants do not protect pretty backtests

they build rejection machines

the edge is not what looks good
the edge is what survives
bookmark this before you trust another “alpha” signal

[Quant Science @quantscience_]

A TEAM OF AI RESEARCHERS JUST OPEN-SOURCED THE BLOOMBERG TERMINAL FOR QUANT FINANCE.

A Bloomberg Terminal costs $25,000 per year per seat. Banks pay for thousands of them.

This thing reads every quant paper, every financial blog, every SEC filing, every arXiv preprint, and turns it into a searchable knowledge base. For free.

[Roan @RohOnChain]

Access the Research Paper here -
https://t.co/qdXMdjtnrZ

[Roan @RohOnChain]

GPT-6 Astra is the most powerful trading agent right now.

It gives you AGI-adjacent reasoning.

I've shown the exact way to use GPT-6 Astra at its HIGHEST benchmark.

You could literally build MOST complex trading models like hedge fund with it. https://t.co/VxsUknvnSu

[Roan @RohOnChain]

GPT-6 Astra is the most dangerous AI model right now.

It gives you AGI-adjacent reasoning.

That can discover new profitable trading strategies for you 24/7.

If you set it up correctly, you gain a personal hedge fund. https://t.co/Sam7AYOut3

[黄小木 @ai_xiaomu]

牛比，这篇是广子教学了，模板存下来，以后要考。

[lauren @poteto]

Next week, @mattyp @roshan_s and myself will be speedrunning building a new company using only Grok @Bot on the Grok Bot Galaxy livestream! We’ve been given just 3 days to do it, or else we might be turned into pizza 🤪 it will be so fun and I hope to see you on the livestream!

I will have to miss the Cursor Compile conf in London and Amsterdam though. I will instead record an extended version of my talk and make it freely available here. So stay tuned for that post!

https://t.co/pkqZ3O6IZw

[Dean W. Perkins @deanwperkins]

Anthropic just released a 37-minute guide on how to build AI agents that can automate an entire business.

It’s free, and it comes straight from the engineers who built Claude.

Agents that actually work, delegate tasks, and get things done on their own.

Save this post 🔖

[摆烂程序媛 @wanerfu]

GPT-6 Astra 做加密货币研究强得离谱。

我跑这些提示词，感觉就像口袋里装了 24/7 的研究量化团队。

🧵：10 个 GPT-6 Astra 加密研究提示词（可直接复制粘贴）。👇

[0xJA | Whale.Dance 🐳 @JXiaoLoong]

https://t.co/x4GkHek6FZ

[GitHubDaily @GitHub_Daily]

给一张物体的照片，直接生成一个可以在浏览器里 360 度旋转查看的 3D 模型。

img2threejs 的思路跟传统建模不同，不靠扫描，不靠模型文件，纯用代码把物体重建出来。

生成出来的模型自带动画能力，可以转、可以动，不是只能看的死模型。

GitHub：https://t.co/Q99PbGWGCw

整个流程自带质量把关，每生成一步都会跟参考图对比，不达标不往下走。

官方展厅里有枪械、自行车、耳机等十几个案例，在浏览器里就能体验效果。

[Serena 木瓜 @369Serena]

太离谱了，我刚刷到一个 GitHub 项目：img2threejs

给一张参考图，让 Agent 把这个物体重建成纯代码的 Three.js 模型

可以跟 Codex 串成一条很小但完整的 3D 资产生产线。

比如这个思路：

1️⃣先让 Codex 用 ImageGen skill 生成一张 low-poly 参考图

2️⃣再把这张图喂给 img2threejs skill

3️⃣ 它会把物体重建成 code-only 的 Three.js 模型

4️⃣最后继续让 Codex 做一个 asset editor

这样你拿到的是一个能跑在浏览器里的 3D 对象：

可以旋转，可以动画，可以改参数，还能继续做变体。

感觉它可以用在：

网页展示、小游戏那种资产、AI 视频、电商的小玩具？

Github：
https://t.co/RL2xsl8eCM

[张无忌wepoets @wepoets1107]

沪深300指数动量对冲策略开源地址：
https://t.co/fMqoscRe5k
沪深300的动量对冲可以看回测。策略的逻辑依旧是赚取指数强势个股的alpha，同时用指数做空来对冲市场下行，减少回撤。
回测不代表未来业绩，但是刻舟求剑依旧有参考价值。
在美股、A股，动量对冲策略都显示了在5年时间周期下（跨越牛熊），K5个股的对冲后收益大于对照组ETF的单纯持有，且回撤更小。
对于上班族而言，这个低频策略是非常适合复刻的，让你的AI帮你跑起来吧。

[海明Dev @10xmylife]

我做 App 已经两年了，前几天统计了一下，收入刚好超过 50 万

虽然这个数字并不多，但是我觉得这样的生活是非常轻松的，因为我的工作时间很少，大部分收入都是被动收入，而且远超过我的想象：原来我不靠上班也能挣到钱

为什么从来没想象过呢？因为做自由职业完全不在我的人生规划之中。

我是在23年研究生毕业，然后毕业就去到特斯拉工作。结果工作没满一年就遇到大裁员，给了我N+3，我拿着十几万块钱，在上海偏僻的出租屋里面不知所措

在遇到裁员之前，我的人生规划是毕业去大厂上班，干几年跳到另一个大厂，再干几年再跳到另一个大厂，然后35岁差不多拿着一点现金存款，该干嘛干嘛去。

结果我刚毕业一年，上天就帮我提前跳到最后一步了，确实拿着现金存款，但确实只有一点，而且我也想不到该干嘛

我喜欢看国外一些独立开发和自由职业的内容，然后看了几本创业的书，比如《低成本创业》《精益创业》《小而美》，还有 marc lou、levelsio 这些独立开发者的故事。

我就想我要不要尝试一下做产品，能不能养活自己？反正手里还有一些钱，大不了花完再重新找工作。（其实选择了这条路，后面很难再回职场了）

然后我就开始做 APP 了，大概做了半年开始有起色，其实还是吃过很多苦的，尤其是没有收入那段时间，每天都在想要不要去找个班上 😂

经验分享，我觉得大概这几点：
1️⃣ 多做市场
2️⃣ 多花时间设计 onboarding、付费墙
3️⃣ 不停的发帖，在小红书、抖音、TikTok、thread，任何你能想到的社区宣传你的产品

其实我做的产品没有什么亮点，就是上面这几点做的比较好。如果你关心是什么产品的话，我贴在了评论区里。

最后还是感慨一下，我们当下处于的时代是人类历史上对创作者来说最好的时代
1️⃣在 AI 的帮助下，创作门槛极低
2️⃣自媒体作为传播杠杆，传播成本非常低
3️⃣市场庞大到无法想象

人生真的很奇妙啊

[爱吃折耳根的Ace @_zheergen]

强烈推荐给想系统入门量化交易的朋友。

这套《Algorithmic Trading Using Python》全长 4 小时 33 分钟，是目前比较完整的 Python 量化从基础到实战课程之一。

为什么值得看？

最大特点是没有刻意剪掉错误，而是完整展示真实开发过程：API 报错、数据缺失、逻辑调试，直到策略最终跑通。

对于新手来说，这种带着问题一起解决的学习方式，比只展示最终结果的教程更有价值。

课程直接落地三类真实策略：

1️⃣ 等权重标普500（规避市值加权偏差）
2️⃣ 高质量动量选股（多周期 + 百分位评分）
3️⃣ 复合多因子价值筛选（避免单一估值陷阱）

完整流程覆盖：
真实金融数据获取 → 因子清洗 → 截面排序 → 股票分配 → 生成交易方案

整套流程可以作为学习量化研究框架的参考。

建议收藏，配合代码边看边练。

它最大的价值不是教你一个赚钱策略，而是让你理解专业量化研究从数据到策略的完整流程。

周末学起来吧。

[Sebastian Raschka @rasbt]

Just saw that the LLMs-from-scratch repository passed 100,000 stars on GitHub!
This is super cool and motivating. I am really happy to see that this open-source repo has helped so many people.
Thanks also to everyone who shared ideas and opened PRs with improvements!

Of course, I plan to keep adding new material, including new attention variants and architectures (while bigger projects like RL and Reasoning From Scratch live in their separate repositories).

I am also currently working on a larger applied custom “small” LLM project. It has been keeping me super busy this month, but I will share more on that soon.

If you are new to it, some of the highlights include

1. Of course, the complete code path from tokenization and attention to pretraining, classification, and instruction fine-tuning, etc. All of it FROM SCRATCH, of course! (RL lives in a companion repo.)

2. From-scratch implementations of Llama, Qwen, Gemma, and Olmo (smaller variants that run locally and can be plugged into the training scripts).

3. From-scratch implementations of attention alternatives and other architecture components, such as GQA, MLA, sliding-window attention, Gated DeltaNet, DeepSeek Sparse Attention, cross-layer KV sharing, and mixture-of-experts

4. Materials on KV caching, training performance, memory-efficient weight loading, DPO, evaluation, and LoRA

So, if you don’t have any weekend plans yet, happy tinkering!

[套利豪仔🗽 @pritipatelor]

同一组参数的策略，可能在牛市时 Sharpe 能到 1.8，震荡市直接掉到 0.3，解决这个问题的常用做法是加入状态过滤器（Regime Filter），但怎么定义「状态」？用波动率？趋势强度？还是什么别的东西？

今日天介绍一下GMM高斯混合模型（Gaussian Mixture Model）。这东西在机器学习领域不算新，但真正用在交易策略设计上，它解决的其实是一个很根本的问题：市场是多个状态的混合体
为什么线性假设不全面？

大部分量化策略在设计时，隐含了一个危险的假设：市场服从单一分布。你算历史波动率、设定止损位、估计预期报酬，背后都默认了资料来自同一个生成过程（Data Generating Process）。但实际交易时你会发现，这个假设根本站不住脚

市场至少有几种明显不同的状态：低波动率的盘整期、高波动率的趋势期、流动性枯竭的尾部事件期。每个状态下，价格的行为模式、订单流的特征、甚至做市商的报价策略都完全不同。如果你用全样本的统计特征去做决策，就等于把三种不同的游戏规则混在一起算平均值，这在数学上也许可行,但在回测上就是不完整的

GMM 的核心逻辑是：与其假设市场是一个高斯分布,不如假设它是多个高斯分布的加权组合。每个分布代表一种市场状态,模型会自动学习这些状态的特征参数（均值、方差）以及它们出现的概率。更重要的是,它能告诉你当下这个时间点,市场处于哪个状态的概率有多高

GMM 的因子建构逻辑

实际应用时,通常会这样设计：先选定一组特征变数（Feature Variables），可能包括日内报酬率、实现波动率（Realized Volatility）、买卖价差（Bid-Ask Spread）、成交量异常度等等。这些变数不是随便选的,而是要能捕捉市场微结构（Market Microstructure）的变化

然后让 GMM 去拟合这些特征的联合分布。假设我们设定三个状态（Component），模型会输出三组参数：每个状态的多维高斯分布参数,以及每个状态的先验概率（Prior Probability）。训练完成后,对于任何新的观察值,模型都能计算它属于各个状态的后验概率（Posterior Probability）

这里有个关键点：状态数量的选择。理论上你可以设定任意多个状态,但实务上我发现 2 到 3个通常最有效。太少会欠拟合（Underfitting），抓不到市场的多样性；太多则容易过拟合（Overfitting），而且状态之间的界线会变得模糊,失去可解释性。我的经验是,先用 BIC（Bayesian Information Criterion）或 AIC（Akaike Information Criterion）做初步筛选,然后结合交易直觉去调整

状态条件下的讯号生成

有了状态分类之后,策略设计的逻辑就变得清晰很多。最直接的做法是为每个状态设计不同的交易规则。比如在低波动状态下,我会倾向于均值回归（Mean Reversion）策略,因为价格偏离均值后回归的概率较高；在高波动趋势状态下,则切换到动量（Momentum）策略,顺着趋势方向建仓

更精细的做法是动态调整仓位权重（Position Sizing）。假设模型判断当前处于高波动状态的概率是 0.7,那我可能会降低杠杆倍数,或者收紧止损距离。这不是简单的风险管理,而是基于状态概率的贝叶斯决策（Bayesian Decision Making），你在用模型的不确定性来调整你的暴露度（Exposure）

还有一种用法是作为过滤器（Filter）。有些策略在特定状态下表现很好,但在其他状态下会亏钱。与其让策略一直运行,不如只在模型判断为有利状态时才开仓。我曾经测试过一个统计套利（Statistical Arbitrage）策略,加入 GMM 状态过滤后,胜率（Win Rate）从 52% 提升到 61%,虽然交易次数减少了三成,但整体 Sharpe Ratio 反而提高了

失效模式

任何模型都有失效的时候,GMM 也不例外。第一个风险是状态切换的滞后性（Lag）。GMM 是基于历史数据训练的,它判断当前状态时,用的是过去一段时间的特征。如果市场突然剧烈变化，比如突发新闻、流动性冲击，模型可能还停留在上一个状态的判断里。这时候你的策略会用错误的规则去交易,亏损会来得又快又猛

第二个问题是状态的非平稳性（Non-Stationarity）。市场的状态本身会随时间演化。2020 年疫情期间的高波动状态,和 2015 年股灾的高波动状态,特征可能完全不同。如果你用太旧的数据训练模型,它学到的状态定义可能已经过时。常用做法是设定一个滚动窗口（Rolling Window），定期重新训练模型,但窗口长度的选择又是另一个需要权衡的参数

第三个陷阱是过度依赖模型输出。GMM 给你的是概率,不是确定性。当模型说当前处于状态 A 的概率是 0.6,那还有 0.4 的概率是其他状态。如果你把 0.6 当作 1.0 来执行策略,就等于忽略了模型的不确定性。更稳健的做法是用概率加权的方式混合不同状态的策略,而不是硬切换

执行层面考量

理论上 GMM 能帮你识别市场状态,但实际交易时还有一堆执行层面的问题。首先是计算延迟（Latency）。如果你在高频环境下交易,每次状态判断都需要重新计算后验概率,这个计算时间可能就会吃掉你的 alpha。我见过有人为了降低延迟,把 GMM 的推断过程用 C++ 重写,或者直接在 FPGA 上实现

然后是滑点（Slippage）。状态切换时,如果策略需要大幅调整仓位,你可能会在短时间内产生大量订单。这在流动性充足的市场还好,但如果是小型股票或者冷门商品期货,你的订单本身就会影响价格,实际成交价和理论价格的偏离会直接侵蚀利润

还有一个容易被忽略的点：状态判断的频率。你是每分钟更新一次状态,还是每小时、每天？频率越高,策略对市场变化的反应越快,但也越容易产生虚假讯号（False Signal）。我的经验是,这个频率要和你的策略持仓周期（Holding Period）匹配。如果你是日内交易,可能需要分钟级的状态更新；如果是多日持仓,日级更新就够了

从单资产到多资产

GMM 的一个天然优势是它能处理多维数据。理论上你可以把多个资产的特征放在一起,让模型学习它们的联合状态。比如同时考虑股票指数、债券殖利率、波动率指数（VIX）的组合状态,这样能捕捉到跨资产的关联性（Cross-Asset Correlation）

但这里会碰到维度诅咒（Curse of Dimensionality）。假设你有 10 个资产,每个资产提取 5 个特征,那就是 50 维的特征空间。GMM 需要估计的参数数量会随维度指数增长,样本量不够的话,模型根本学不出有意义的结构

实务上通常会先做降维（Dimensionality Reduction）。可以用 PCA（Principal Component Analysis）提取主成分,或者直接手工选择最有资讯量的特征。另一个技巧是分层建模：先用 GMM 对单一资产做状态分类,然后在更高层级用另一个模型去整合多个资产的状态讯号。这样既保留了多资产的资讯,又避免了维度爆炸

从静态到动态

标准的 GMM 是静态模型,它假设状态之间的转换是独立的。但市场状态其实有很强的时间依赖性（Temporal Dependency），如果昨天是高波动状态,今天继续高波动的概率通常比较高。这时候可以考虑用隐马可夫模型（Hidden Markov Model, HMM）或者动态 GMM,它们能建模状态之间的转移概率（Transition Probability）

可以尝试用 GMM 定义状态的特征分布,用 HMM 建模状态转移。这样做的好处是,模型不仅能告诉你当前状态,还能预测下一个时间点最可能进入哪个状态。对于需要提前布局的策略来说,这种前瞻性的资讯可能有价

另一个方向是引入外部资讯（Exogenous Information）。纯粹基于价格和成交量的 GMM,只能捕捉市场内生的状态变化。但很多时候状态切换是由外部事件驱动的，央行政策、财报季、地缘政治。如果能把这些资讯编码成特征,或者作为状态转移的条件变数,模型的预测能力会更强。当然,这也意味着更复杂的数据处理和更高的过拟合风险

[Xudong Han @Xudong07452910]

最近发现一个很适合系统补机器学习基础的网站：

Richard Xu 把自己过去十多年积累在 GitHub 上的几十份讲义，重新整理成了一套交互式学习教程。

内容从回归、贝叶斯、决策树和神经网络，一直延伸到 EM、MCMC、变分推断、NTK、PAC-Bayes、Transformer 和扩散模型，基础课程与研究级内容都有覆盖。

相比直接面对一堆公式密集的 PDF，网页形式更适合按主题慢慢学习，也更容易把原本零散的知识串起来。

现在很多教程都在追最新模型，这套资源更愿意把概率、优化、推断和学习理论讲清楚。模型会不断换名字，真正帮助我们理解它们的基础却没有那么容易过时。

交互式网站：
https://t.co/g5TLIk9sTv
原始讲义：
https://t.co/KOfxfDmHSA

[Xudong Han @Xudong07452910]

这篇普林斯顿博士论文，几乎把强化学习过去十年的两条主线串在了一起：

从博弈算法，一路走到世界模型。

作者 Zihan Ding，导师是 Chi Jin。整篇论文超过 300 页，汇集了博士期间八项研究工作，其中多项成果发表于 NeurIPS、ICML、ICLR 和 ICCV。

前半部分研究多智能体博弈：如何学习接近纳什均衡、难以被对手利用的策略，并把这些方法扩展到格斗游戏、多人博弈和真实网络负载均衡。

后半部分转向 Foundation Model 时代：扩散世界模型、生成模型策略、少步视频生成、可交互视频世界模型，以及支持长时预测的记忆机制。

这篇论文最有价值的地方是它记录了强化学习研究重心的一次迁移。

过去，RL 更关注如何在给定环境中学会行动。

现在，Agent 还需要借助生成模型建立对环境的理解，预测不同动作会带来什么未来，再据此规划和决策。

这里收录的也不只是零散的想法，而是一条经过多年研究和多篇顶会论文逐步铺开的路线。

很多论文告诉你某个方法如何提升一个指标。

这篇博士论文更像一张地图，让人看清强化学习如何从策略优化，走向对复杂世界的建模。

想系统理解 RL、世界模型和生成式 AI 之间的关系，这篇很值得完整读一遍。

📎 arxiv: https://t.co/M7rIJ6SKwO