- 博客(70)
- 收藏
- 关注
RSS订阅
原创 当 AI Agent 接管你的钱包：未来支付体系的终极演进
未来支付体系将迎来由AI Agent主导的第三次进化。当前支付体系已从现金/卡时代、移动支付时代逐步演进到AI Agent支付时代，其核心驱动力是降低交易摩擦、提升决策效率。AI Agent支付具备四层架构：资金基础层（智能路由选择最优支付方式）、支付协议层（规则化持续授权模型）、Agent决策层（智能消费决策）和用户意图层（自然语言交互）。这一变革将彻底改变"人做决策+人完成支付"的传统模式，实现"AI决策+AI执行"的自动化消费闭环。Web3领域已出现为Agent
2026-02-24 13:37:22
1065
原创 「同事.skill」爆火：当 AI 学会“炼化“你的同事
Agent Skill = 可被 AI 智能体动态发现并按需加载的"能力包"。如果 MCP 是"USB 接口"，那 Skills 就是"U 盘里的安装程序"。MCP 解决的是连通性，Skills 解决的是"AI 到底会不会干这件事"。每个 Skill 的入口是一个SKILL.md文件，由YAML 前置元数据Markdown 正文---When to use: 当需要对 Pull Request 进行结构化代码审查时。When NOT to use: 简单的 typo 修复或纯文档变更。---
2026-04-06 14:31:53
547
原创 在线支付系列（五）：统一支付网关架构设计
前面的幂等、状态机、回调处理做得再好，也不能保证 100% 正确。对账就是那个每天帮你"查缺补漏"的守门员。
2026-04-04 20:48:00
298
原创 在线支付系列（四）：PayPal——一位海外买家的安全支付之旅
费率最高、退款最贵（不退手续费），但门槛最低、买家信任度最高。适合需要转化"谨慎型"海外用户的场景。
2026-04-04 20:45:47
299
原创 在线支付系列（三）：Stripe & 信用卡——一件跨境商品的卡支付之旅
纽约的 John 深夜刷手机，在一个中国独立站上发现了一双限量球鞋，标价 $149.99。他决定入手。页面弹出支付框，他选择了信用卡支付，输入了 Visa 卡号、有效期、CVC。突然，屏幕中间弹出一个窗口——他的银行要求输入手机验证码。他打开短信，输入 6 位数字，点击确认。这整个过程大约 10 秒。
2026-04-04 20:41:12
351
原创 在线支付系列（二）：支付宝 & 微信支付——一杯咖啡的扫码之旅
周一早上 8:30，你走进公司楼下的咖啡店，扫了吧台上的二维码，选了一杯冰美式，¥28。打开微信，扫一下，输入指纹，手机震动——“支付成功”。整个过程不到 2 秒。你可能觉得这没什么。但如果你是这家咖啡店的老板，刚请了个开发者帮你搭线上点单系统——你的开发者正在跟支付宝和微信支付的签名机制较劲。这篇文章，就从这杯 ¥28 的拿铁出发，带你走通支付宝和微信支付的完整对接流程。我们不会一上来就甩代码，而是先搞懂每一步"为什么要这么做"，然后再写代码。让我们先跟着这笔 ¥28，看看它完整的旅程。你用支付宝扫码支付
2026-04-04 20:38:50
332
原创 Harness Engineering 最佳实践：从概念到落地的完整操作手册
bin/bash# 检查分层依赖方向ERRORS=0# UI 层不能引用 Repo 层thenecho "❌ ERROR: ui/ 层直接引用了 repo/ 层"echo "✅ FIX: 通过 runtime/ 层的接口访问数据"fi# Repo 层不能引用 Service 层（反向依赖）thenecho "❌ ERROR: repo/ 层反向引用了 service/ 层"echo "✅ FIX: 使用接口（interface）解耦，依赖注入"fithen。
2026-04-02 16:01:13
529
原创 Claude Code 源码泄露全复盘：51.2 万行代码裸奔，Anthropic 在同一个坑里摔了两次
Source Map 是前端开发中的调试利器。当 TypeScript/JavaScript 代码经过编译、压缩、混淆后，Source Map 文件能把它"还原"回原始源码，方便开发者在浏览器或 Node.js 中调试。一个典型的.map"sourcesContent": ["// 这里是完整的原始源码...", ...],关键字段是——它直接包含了所有原始源文件的完整内容。换句话说，只要拿到.map文件，就等于拿到了全部源码。维度要点泄露原因。
2026-04-01 18:16:02
1578
原创 数字货币交易所系列（四）：DEX 深度解析——从 AMM 到链上订单簿，去中心化交易的技术与未来
前三篇我们完整拆解了 CEX——业务全景、核心技术、安全风控与监管。CEX 的逻辑本质上和传统金融一样：你信任一个中心化机构，把钱交给它，它帮你撮合交易。但区块链存在的意义，不就是为了**去掉这个"中间人"**吗？2020 年 DeFi Summer，Uniswap 的日交易量首次超过 Coinbase。一个没有公司、没有服务器、没有员工的智能合约，在交易量上击败了一家市值百亿美元的上市公司。这不是偶然——这是去中心化交易的"iPhone 时刻"。但 DEX 也不是银弹。滑点大、Gas 贵、被 MEV 机器
2026-04-01 11:42:02
375
原创 数字货币交易所系列（三）：安全、风控与监管——从 Mt.Gox 到 FTX，CEX 的信任是怎么建立（和崩塌）的？
提币是资金流出交易所的唯一通道——如果黑客入侵了系统，提币风控是阻止资产流失的最后机会。提币请求到达│├── 地址检查：是否在黑名单中？（OFAC 制裁地址、已知盗币地址）│├── 金额检查：是否超过用户历史提币金额的 N 倍？│├── 频率检查：24 小时内提币次数是否异常？│├── 设备检查：是否从新设备/新 IP 发起？│├── 行为检查：是否在登录后立即提币？（盗号典型模式）│└── 综合评分 → 高风险 → 人工审核 / 24 小时延迟放行。
2026-04-01 11:37:13
243
原创 数字货币交易所系列（二）：CEX 核心技术架构——撮合引擎、钱包系统与充提链路的深度拆解
CEX 的技术架构，本质上是在解决一个矛盾三角性能/ \/ \安全 ──── 一致性性能：撮合引擎要快到微秒级，行情推送不能有延迟安全：管着几十亿美元的资产，密钥管理不能有丝毫差错一致性：每一分钱都不能算错，清结算必须精确到小数点后 8 位在这三者之间取得平衡，就是 CEX 技术团队每天在做的事情。但技术架构只是防线的一半。另一半是——风控系统如何检测异常？安全事件发生时如何应对？监管框架如何约束交易所行为？这些问题，我们下一篇来拆解。下一篇。
2026-03-31 14:35:42
786
原创 数字货币交易所系列（一）：一文看懂 CEX 的全部业务——你用的交易所，到底在做什么生意？
CEX（Centralized Exchange，中心化交易所）是一个由公司运营的数字货币交易平台。用户把资产存入交易所，交易所负责撮合买卖、保管资产、提供金融服务。本质上，CEX 扮演的角色是数字货币世界的券商 + 银行 + 交易所传统金融 CEX 对标纽交所 / 纳斯达克（撮合交易） → 撮合引擎券商（开户、下单、清算） → 账户体系 + 交易接口银行（存款、转账、理财） → 钱包 + 充提 + Earn资管公司（基金、结构化产品） → Launchpad + 结构化理财。
2026-03-30 19:36:26
346
原创 AI 算力基础设施深度系列（六·完结）：生产运维、安全与成本优化——将算力平台推向生产
生产运维、安全与成本优化知识地图：1. GPU 故障管理:├── XID 错误码体系（48/79/95 立即隔离）└── 自动隔离 + 训练自动恢复2. 多租户隔离:├── L1 软隔离: Namespace + RBAC + Quota├── L2 中隔离: + NetworkPolicy + PodSecurity└── Kueue: 配额 + 借用 + 优先级抢占3. 可观测性:├── 关键指标: GPU Util/ECC/温度/NVLink/功耗。
2026-03-28 23:47:33
122
原创 AI 算力基础设施深度系列（五）：高性能网络与存储——AI 训练的血管与粮仓
没有 GPUDirect 的 GPU 间通信：GPU 服务器 A GPU 服务器 B│ │ GPU 显存 │ │ │ │ GPU 显存 │ ││ │ CPU 主内存 │ │ │ │ CPU 主内存 │ ││ ↓ │ 网络 │ │ │瓶颈：步骤①④ 经 PCIe 总线，额外延迟 5-15μs本文深入了 AI 算力平台的两大基础设施短板——网络和存储。高性能网络与存储知识地图：1. 为什么需要 RDMA:└── AllReduce 通信占 30-50%，TCP 延迟 + CPU 开销不可接受。
2026-03-28 23:46:57
303
原创 AI 算力基础设施深度系列（四）：AI 算力平台架构设计——从调度到编排的全栈实战
2024 年底，OpenAI 公开了一个让基础设施工程师集体沉默的数字：在 Kubernetes 上编排 25,000 块 GPU，平均每 2.5 小时发生一次硬件故障，依然维持了 97% 的利用率。这不是实验室数据，而是 GPT 系列模型训练的生产指标。同一时期，Google GKE 宣布单集群支持 65,000 个节点，并在一次测试中协调了 50,000 块 TPU 芯片进行超大规模训练。阿里云 ACK 从 2018 年发布首个开源 GPU 容器共享调度方案以来，已在内部和外部支撑了大量 AI 负载。这
2026-03-28 23:40:58
260
原创 AI 算力基础设施深度系列（三）：GPU 与异构算力——让 Kubernetes 驾驭每一块加速卡
方案显存隔离算力隔离硬件要求配置灵活性性能开销适用场景MIG✅ 硬隔离✅ 硬隔离❌ 静态~0%高端卡多租户MPS❌ 无⚠️ 部分所有 NVIDIA✅ 动态低受信环境并发❌ 无❌ 无所有 NVIDIA✅ 动态中开发测试核心问题：在 T4、A10 等广泛使用的中端 GPU 上，NVIDIA 没有提供**同时满足"显存隔离 + 动态配置"**的方案。1. GPU 硬件基础:└── 互联拓扑直接影响性能 (NVLink 900GB/s vs PCIe 128GB/s)
2026-03-28 23:35:41
261
原创 AI 算力基础设施深度系列（二）：Kubernetes 深水区——底层原理与扩展机制全剖析
训练任务的 N 个 Pod 必须同时调度，否则全部不调度拓扑感知：GPU 间的 NVLink/PCIe 互联拓扑直接影响性能公平共享：多团队共享 GPU 池，需要配额管理和优先级抢占协同调度：通信密集的 Pod 应调度到同一拓扑域1. API Server 请求链: 认证→鉴权→Mutating Admission→验证→Validating Admission→etcd→Watch。
2026-03-27 19:51:09
407
1
原创 AI 算力基础设施深度系列（一）：从容器到 Kubernetes——算力底座的诞生
1. 容器 = Namespace(视图隔离) + Cgroup(资源限制) + Union FS(镜像分层)└── 不是虚拟机！共享内核，接近零开销2. K8S 三大设计哲学:└── 声明式 API + 控制循环 + 可扩展架构3. K8S 架构:└── 控制面 (API Server / etcd / Scheduler / Controller Manager)
2026-03-27 19:42:16
440
原创 量化交易系列（十一）：技术指标在币圈到底有没有用？——附入场出场实战框架
很多交易者（包括曾经的我）都有一种"指标收集癖"——不断寻找"更好的指标"，幻想存在某个神奇的指标能给出完美的买卖信号。这种幻想的本质，是试图把一个复杂的决策系统简化为一个简单的规则。但市场之所以能让人赚钱，恰恰是因为它不能被简化。如果 RSI < 30 买入就能稳定盈利，那所有人都会这么做，然后这个规则就立刻失效了。这是我在系列第七篇详细论证过的——公开策略的自我毁灭机制。Jim Simons 说过一句话：注意——他说的是 “the system”，不是 “the indicator”。
2026-03-23 20:09:04
352
原创 微信正式接入 OpenClaw：12 亿用户的 AI Agent 入口，来了
微信接入 OpenClaw，是 2026 年 AI 行业最重要的事件之一。它的意义不在于技术突破——ClawBot 在技术层面并不复杂，就是一个消息通道。它的意义在于完成了 AI Agent 普及的最后一块拼图：入口。安装 → 配置 → 学习命令 → 使用打开微信 → 发消息 → 搞定从极客到国民，从终端到聊天框，AI Agent 的"iPhone 时刻"或许就在此刻。但我也想泼一盆冷水。微信 + OpenClaw 的组合虽然在入口上无可匹敌，但 AI Agent 的核心挑战从来不是入口——而是。
2026-03-22 14:11:47
2204
原创 量化交易系列（十）：AI Agent + 量化实战——从论文到真金白银
AI Agent 能做的：✅ 7×24 小时不间断监控多源数据✅ 比人类更快地处理非结构化信息✅ 严格执行规则，不受情绪影响✅ 在多维度信号间做出一致的权衡✅ 持续学习和适应市场变化AI Agent 不能做的：❌ 预测价格走势（没有人/AI 能稳定做到）❌ 在极端行情中做出"超人"判断（训练数据中没见过的黑天鹅）❌ 替代你的投资理念和风险偏好❌ 保证赚钱❌ 消除市场风险。
2026-03-21 00:27:59
529
原创 Harness Engineering：当人类不再写代码，软件工程反而更“工程“了
结构化日志（不允许命名约定（文件名、变量名、函数名）文件大小限制（单文件不能超过一定行数）Import 规则（不允许跨层依赖）最妙的一点：每条 Linter 规则的错误信息中，直接包含修复指令。这样 Agent 看到报错后，不需要额外的上下文就知道怎么改。错误信息本身就是 Prompt。Harness Engineering 不是"AI 取代程序员"的故事，也不是"未来的程序员只需要写 Prompt"的童话。当代码的生产可以被自动化时，软件工程的"工程"到底是什么？
2026-03-19 18:42:00
1138
原创 量化交易系列（九）：那些年化50%+的复杂策略，到底在玩什么？
传统的全球宏观策略是 George Soros 式的——基于对全球经济和政策的主观判断做交易。量化版本则是用系统化的方法做同样的事情。核心思路：宏观经济指标 → 预测资产类别收益 → 全球配置写这篇文章的目的不是让你去实现这些复杂策略——说实话，绝大多数读者（包括我自己）都不具备在这些领域竞争的资源和能力。但知道天花板在哪里，能帮你做出更好的决策：不要幻想用简单策略打败机构。你的对手在用微秒级延迟的做市系统、卫星图像数据、和 200 个博士的智慧。
2026-03-19 18:38:06
434
原创 ERC-8183：给 Agent 经济补上最后一块拼图
你帮我干活，干完我给你钱，质量不行退款”——这事在现实世界靠合同和平台规则，链上呢？直接转账没保障，搞个完整的去中心化市场又太重了。。。围绕 Job 设计了一套托管机制和状态流转规则，刚好够 Agent 之间把一笔生意跑通。本文拆解这个协议的设计思路和技术架构。EIP 原文：https://eips.ethereum.org/EIPS/eip-8183讨论帖：https://ethereum-magicians.org/t/erc-8183-agentic-commerce/27902。
2026-03-19 09:37:52
246
原创 从金牛奖到 DeepSeek：一场演讲如何预言了中国 AI 的未来
量化私募整个行业的进步，大致符合摩尔定律——每 18 个月投资能力翻一倍。但市场有效性也同步提高，所以收益不变。你越来越聪明了，但你的对手也越来越聪明，所以你赚到的钱并没有变多。2019-2020 年：量化私募的黄金时代，超额收益（alpha）丰厚，百亿私募如雨后春笋2021 年：幻方管理规模破千亿，但年底遭遇史上最大回撤，被迫关闭募集通道2022-2023 年：alpha 持续衰减，大量中小量化私募出局，马太效应加剧2024-2025 年：行业从"人人都能赚钱"变成"只有头部才能存活"
2026-03-18 19:23:56
517
原创 腾讯 CodeBuddy + WorkBuddy：从写代码到管周报，一个 AI 生态通吃全场景
AI 工具正在从"单点突破"走向"全面覆盖"。2025 年，大家还在讨论"哪个 AI 补全插件最好用"。2026 年，问题已经变成了"哪个 AI 生态能覆盖我从想法到上线的完整链路"。腾讯的 CodeBuddy + WorkBuddy 组合，是目前我看到的对这个问题回答最完整的方案之一。它不是在某个单点上做到极致，而是在全链路上做到了"都能用，都好用"。对开发者来说，CodeBuddy IDE 的三模式切换 + NES 前瞻式补全 + 云服务一键集成，是一套完整的 AI 辅助开发工作流。
2026-03-15 23:47:37
988
原创 量化交易系列（八）：OKX 搞了个 AI Trade Agent，是普通人的机会还是手续费收割机？
创新表面叙事实际效果真正赢家Robinhood 零佣金“让投资平民化”过度交易，PFOF 收割Citadel 做市商125 倍杠杆“给你更大的盈利空间”爆仓加速交易所网格机器人“自动帮你低买高卖”单边行情中被屠杀交易所“AI 帮你做量化”7×24 小时交手续费OKX每一次"降低门槛"的创新，最终的受益者都是平台，而不是用户。这不是阴谋论——这是商业模式的必然结果。平台的利润来自用户的交易行为，任何增加交易行为的产品，本质上都在增加平台的利润。
2026-03-15 23:33:59
355
原创 量化交易系列（七）：为什么所有公开的量化策略，都赚不了钱？
2019 年，一位名叫 Marcos López de Prado 的量化金融教授在康奈尔大学做了一场演讲。台下笑了。但他没在开玩笑。他随后展示了一组数据：过去 20 年金融学术界发表的数百个"显著有效"的交易因子，在论文发表后的样本外表现——。也就是说，论文里年化 10% 的策略，发表后大概只剩 5%，再扣掉交易成本，基本归零。这个现象不是个例，而是规律。这就是本文要回答的核心问题——散户的量化策略到底是什么？为什么我从不公开自己的策略？
2026-03-15 23:23:02
460
原创 量化交易系列（六）：做量化为啥这么难？散户量化会被收割么？
每隔一段时间，我的后台就会收到类似的留言：“我学了 Python，学了因子模型，回测跑得飞起，怎么一实盘就亏？“量化不是用数学和科学打败市场吗？为什么我感觉自己在被市场打？“是不是散户做量化，本质上就是给机构送钱？这些问题问到了量化交易最核心的痛处。前五篇文章，我们聊了底层逻辑、经典策略、风险管理、多因子模型和认知陷阱。如果说那五篇是在教你"怎么打仗"，这一篇要回答一个更根本的问题——但这个"难"不是无解的，"被收割"也不是必然的。关键在于你是否真正理解了自己面对的是什么。
2026-03-14 13:56:14
344
原创 从 MCP 到 CLI：AI Agent 的“接口之争“，终端才是终局
看起来"落后"的方案，往往比看起来"先进"的方案活得更久。REST 比 SOAP 活得久，不是因为它更强大，而是因为它更简单。Docker CLI 比 Mesos 活得久，不是因为它功能更全，而是因为开发者能直接上手。MCP 是一个精心设计的协议，它解决了一个真实的问题。它不需要你学习新东西。它只是让你已经会的东西变得更强。当 AI 足够智能，最好的"工具协议"就是自然语言 + 操作系统。不需要 JSON-RPC，不需要 Schema，不需要 Server。你说一句话，Agent 在终端里帮你搞定。
2026-03-14 13:48:49
601
原创 GraphRAG：当 RAG 遇上知识图谱，信息检索从此不一样了
GraphRAG 不是要"取代"传统 RAG，而是在传统 RAG 的基础上加了一层"知识结构"。当你的问题需要"连点成线"的时候，它比纯向量检索强太多了。从"搜文本"到"搜知识"。微软 GraphRAG 点燃了这个方向，LightRAG 让它更轻量，MiroFish 把它用到了群体智能预测，Kotaemon 让普通用户也能开箱即用。这个生态还在快速生长。GraphRAG 官方文档：https://microsoft.github.io/graphrag/
2026-03-13 18:31:20
417
原创 想搭上 AI 这趟车？你不需要先学编程
AI 这波跟以前所有技术潮流都不一样。以前学 iOS 开发、学大数据、学区块链，都是在学一个新技术方向——跟你原来做的事没什么关系，等于从头开始。AI 不是。AI 是所有行业的底层升级。它不是要你换一个行业，而是让你在自己的行业里变得更强。一个懂医疗的人 + AI > 一个纯 AI 工程师做医疗一个懂教育的人 + AI > 一个纯技术人做教育一个懂法律的人 + AI > 一个程序员做法律科技你的行业经验不是包袱，而是王牌。所以别焦虑"我是不是该先学 Python"。
2026-03-12 20:44:30
612
原创 当 AI 学会“造世界“——从 MiroFish 看群体智能预测万物的可能与不可能
MiroFish 是一个令人兴奋的项目。它用极少的开发时间，展示了多智能体仿真的巨大潜力。它的真正价值不在于"预测万物"，而在于"推演可能性"。它是一个决策沙盘，不是预言水晶球。它最适合那些"定性推演比定量预测更重要"的领域——舆情分析、危机公关、战略沙盘。它的局限性是根本性的——AI 幻觉、信息不完备、思维同质化——这些不是工程优化能解决的问题。预测万物？也许永远做不到。但帮助人类更好地思考万物？MiroFish 已经迈出了重要的一步。
2026-03-11 19:01:48
624
原创 “给我发个200元红包“：一条群消息背后的 AI 安全危机
回到那条群消息。它大概率不会真的骗走任何 AI 的钱——现阶段的 AI 群聊助手还没有"发红包"的权限。但它像一个概念验证（PoC），提前演示了一种攻击范式。普通用户对 AI 安全几乎没有认知——很多人转发它觉得好玩，完全不理解其中的安全含义攻击者已经在思考如何利用 AI Agent 的权限漏洞——这条消息可能是"试水"，但下一次可能是认真的AI Agent 的安全基础设施严重滞后于能力发展——我们在拼命给 AI 加能力，但安全架构远远没有跟上永远不要信任用户输入。永远不要信任外部文本。
2026-03-10 17:59:56
1194
原创 AI 重塑产品管理工具：从 Jira 到智能体项目经理的终极演进
产品管理工具正在经历一次根本性的范式转移：fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;📋 记录工具Excel/Word~1998🔧 流程引擎1998~2015🤝 协同平台飞书/Linear2015~2024🤖 AI 伙伴2025~维度记录工具流程引擎协同平台AI 伙伴核心价值信息存储流程标准化团队协作智能决策。
2026-03-10 06:25:06
412
原创 量化交易系列（五）：回测年化 100%，实盘亏成狗——量化交易的五大认知陷阱
你的模型不是在学习真实的规律，而是在记忆历史数据中的随机噪声。一个直觉的比喻：假设你要预测明天的天气。你翻看了过去 100 天的天气记录，发现了一个"规律"——每次前一天穿红色衣服的人超过 30%，第二天就会下雨。在过去 100 天的数据中，这个规律可能确实成立（纯粹的巧合）。但用它来预测未来的天气，显然荒谬绝伦。在历史数据中找到了看起来很强但实际上毫无因果关系的"规律"。**幸存者偏差（Survivorship Bias）**是指你只看到了"活下来的"样本，没看到"死掉的"样本，从而得出错误的结论。
2026-03-10 06:24:48
323
原创 量化交易系列（四）：多因子模型——华尔街印钱机器的核心秘密
假设你今年赚了 25%，市场涨了 10%。这 15% 的超额收益怎么来的？深入分析可能发现：你持有的大多是小盘股（今年小盘跑赢大盘 8%）和低估值股票（今年价值跑赢成长 5%）。剩下的 2% 才是真正的"选股能力"。"小盘"和"低估值"就是两个因子——系统性地驱动一类资产收益的底层力量。关键词是**“系统性”**：跨市场、跨时间、持续存在。多因子模型的价值不仅在于构建策略，更在于提供了一种理解市场的统一框架你赚了钱？分解一下，到底是市场 Beta、因子暴露还是真正的 Alpha你亏了钱？
2026-03-10 06:24:28
420
原创 量化交易系列（三）：90% 的人亏钱，不是因为策略差，是因为不会管风险
*最大回撤（Maximum Drawdown, MDD）**是衡量策略风险的核心指标——它衡量的是从历史净值最高点到后续最低点的最大跌幅。假设你的策略净值走势是：100 → 150 → 90 → 120最大回撤 = (150 - 90) / 150 =40%这个数字告诉你：在最糟糕的情况下，你要承受多大的浮亏。最后分享一段 Howard Marks（橡树资本创始人、全球最受尊敬的投资者之一）的话：“投资中最重要的不是你买了什么，而是你付了多少钱、以及你的仓位多大。
2026-03-10 06:24:11
458
原创 量化交易系列（二）：三大经典策略，为什么有人靠它赚了200年？
动量是最稳健的异象之一，200 年来持续有效，但会在极端反转时崩溃均值回归利用了市场的过度反应，但最大风险是"均值本身在变"统计套利通过工业化和分散化来平滑收益，但面临策略拥挤和流动性危机的风险没有"永远有效"的策略。策略本身不是护城河，持续发现和改进策略的能力才是。下一篇我们进入量化交易最"生死攸关"的领域——风险管理。很多人以为风险管理就是"设止损"，实际上远不止如此。下一篇：量化交易系列（三）——风险管理：量化交易的生死线。仓位管理、回撤控制、尾部风险和凯利公式。
2026-03-09 07:41:26
778
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人