rivertrade.hl
159 posts
rivertrade.hl
@DefiRiver
trader on hyperliquid. https://t.co/8qnO7BVODm
انضم Ekim 2012
297 يتبع54 المتابعون
Why has Hyperliquid completely stopped listing crypto assets?
There's still fuss to capitalize on that's getting launched, like $EDGE
English
把 ftx 和 kraken 都改新加坡地址后， ftx 的钱收到了，还没收到的同学抓紧时间改。不容易，年年参与历史大事件。以后 1） 对中心化实体不能存在什么信任（情况不对先跑为敬），非必要不放在中心化实体；2） 对媒体信息要有自己判断、对立场不独立的媒体要警惕（ftx 暴雷那段时间有两个币圈头部媒体早已被 ftx 收买一直在那里给它洗白，坑害了不少人）；3）挤兑行为的反身性是极强的，一旦负螺旋形成，不是理性推理所能解释，即使资产覆盖能力足够但流动性缺乏一样得破产； 4）仓位配置要具备应对各种风险的能力，单一市场/实体/资产等不能暴露过多头寸，避免伤筋动骨。
中文
号外号外，今天上线了今年的第一个vibe coding项目：KOL Lens。
1 我为什么要做？
推特是币圈最重要的信息来源。所以，今年我的计划是找到一批优质的KOL列表，再结合AI进行深度分析。
这些目标主要包括：
1）擅长分析BTC走势的KOL
2）擅长挖掘早期Alpha的KOL
3）擅长链上数据分析的KOL
但我遇到了一个最大的问题：如何来评判KOL的“擅长”？
现在的KOL多如牛毛，而我要识别其中真正优质的账号。我研究了Kaito、Xhunt、Cookie等工具，发现都无法完全满足我的需求。如果人工查看，不仅费时费力，准确度也难以保证。
于是，数据分析出身的我，加上vibe coding的加持，决定亲手做这个KOL的综合数据分析工具。
这次我一共分析了3万多个KOL，基于将近900万条推文。好在我前段时间花大力气微调了一个专门分析币圈的模型，否则如果直接使用Gemini-3的API分析，光是做一轮实体命名识别，成本就要将近10万刀。
下面是各个数据维度的介绍：
2 推特的基本情况
挑选KOL，第一眼可以看的数据，是平均每日发推文的数量。
如果数量太高，比如每日超过8条，那么有很大的概率是AI写作在不停地发文。即使是人在写，如此高频的内容，有效信息的占比往往也不大。反之，如果数字太小，说明不怎么活跃，也没有关注的必要。
其次是推文字数分布。如果长篇和超长篇占比多，说明博主喜欢输出深度内容。而在截图中，短篇占比很大，文字较少。
再结合浏览量分布来看，截图中的账号推文浏览量基本在1K~5K之间。
所以，这个KOL的基本画像已经勾勒出来了：这是一个每天发很多推文（5条以上），但内容都很短，且浏览量不高的账号。如果是我，第一时间就会Pass了。
另外，通过各时段的发推时间，可以看到它的活跃规律。比如截图显示在0时区（UTC）的早上7点数量最多，大概率是定时发布的。而发推数量非常低的时段，应该是睡觉时间。
可以看出，这个账号并不在美国，睡觉时间大概是北京时间的早上7点左右。
3 区块链方面的分析
首先，我设置了两个指标，来分析KOL推文中“含币量”的成分：
推文平均字数：在上图中可以看到，涉及区块链的文字字数（444）远大于非区块链内容（142），说明这个KOL在写币圈内容时，篇幅更长，更用心。
区块链推文占比：截图显示为57%。这意味着，57%的推文是写区块链的。这个数据太低，在我这里是一票否决的。如果它小于10%，这意味着90%的推文都不是讲区块链的，那我觉得这个人的主要精力不在币圈。
其次，从图中还可以挖掘出更重要的信息：
讨论过的币的数量：截图中有393个。很明显太多了，这是一个喊单非常多项目的KOL。即使某些币涨幅很高，跟着他赚钱的概率也不大。
代币的市值分布：这可以很容易看出这个KOL的偏好成色。是喜欢大市值的，还是小市值的？在寻找不同类型的KOL时，这是极其重要的指标。如果是找BTC趋势大牛，那么一定要大市值占比高；如果是找早期Alpha的KOL，那么小市值的占比要非常高。
擅长的赛道分布：一眼就能看出这个KOL聊的项目的领域。比如图中的x402赛道都有11个项目，说明它是紧跟热点的。
从截图中可以看到，这个KOL追求早期Alpha，紧跟热点。但问题是分析的项目数量太多，并不是最理想的人选，只能放在待定列表吧。
4 PNL（盈亏分析）
KOL的战绩，是最直观体现其水平的指标。
看截图中的KOL，在过去的3个月，能有2个20倍的币，一个10多倍的币，战绩确实不错。我已经将其放入精选KOL列表了，哈哈哈哈
除了看直接的数据，还有一些角度也能看出门道：
上榜的代币：如果都是小市值的，说明这个KOL比较擅长抓早期Alpha项目。
7天最大ROI vs 30天最大ROI：如果两个数值一样，说明这个KOL推荐后的7天内收益达到最大，适合短平快操作。如果7天最大ROI较小，到了30天突然变大，说明这个KOL推荐的项目适合长期埋伏。
当然，PNL还能挖掘更多信息，我打算后面继续完善。
5 网站信息
目前 riyuexiaochu.vip 已经可以访问。在网站的搜索栏里可以查看各类KOL的数据。
考虑到早期的网站功能可能还不完整，所以先进行限额测试，需要邀请码才能注册并使用。
需要邀请码的朋友，可以在这里留言。
日月小楚@riyuexiaochu
跟大家汇报一下，最近我微调了一个自己的模型。用于专门从推特文章中识别加密代币。结果还不错 -准确度已经超过了现在最强的大模型， 比如sonnet 4.5，gpt5 -分析速度是他们的250倍 -成本只有1/100 所以，我来介绍一下这个模型，并总结一些经验我踩过的坑。 1 模型介绍 推特是币圈人获得最新消息、寻找潜力项目的最重要的途径。要想做好推文分析，最最基础的第一步就是识别推文中的加密货币。 但是对推文分析又是比较复杂和困难的，因为 1）每个人的表达方式各式各样，不像新闻稿件、专业论文有比较固定的格式 2）推文中的文字、语法的错误率明显高于此类文章 3）大量新内容，并不在AI训练数据库内 在这方面，我做了大量的工作。我最一开始的方向是使用现有的大模型进行分析，并且测试了几乎所有的模型（包括不同的参数）。 然后我发现现有的大模型的准确度能够基本满足我的需求，但是其高昂的价格，最终让我决定自己微调一个模型。下面是具体的数据 1.1 分析推文的准确率 上图是准确率，可以看到自己训练的模型已经达到了89%，超过了claude-sonnet 4.5的87%，以及gpt-5 的85%。其中比较意外的是，同为第一梯队的gemini 2.5 pro在这方面的表现并不好，只有78%。而国内的开源qwen3 235b的表现要好于gemini 2.5 pro 说明一下，上面的准确率：是同一批1057条精细挑选的推文中执行，充分包含不同的场景推文、中文和英文、文章长中短、讨论代币数量0~6个不等。并且不在训练数据之内。 有人可能认为这个准确率并不算高。其实真实的准确率一定会高于现在的数据。是因为现在测试数据都是币圈的，而真实的推文有大量非币圈的内容。具体来说，现在的1000多条测试推文都一定是币圈的，准确度在90%左右。但是真实的情况是，可能是3000条中有1000条是讨论币，还有2000条讨论其他话题的。所以真实的准确度会达到96%以上。 1.2 分析的成本 成本是考虑的另外一个因素。说实话，促使我微调一个自己的模型的原因，就是现在的大模型太贵了。 从上图中可以看到，成本最贵claude4.5， 分析一千条推文大概需要5.4刀，这个价格其实是很贵的。同处于第一梯队的gpt5 和gemini2.5 需要3刀多。而qwen3相对比较便宜，但是也需要0.12刀。我们可以算一个简单的账，如果一个账号关注了1000个人，那么根据经验，这些人一天推文数量大概在1500条。即使使用qwen 235b，一日也需要0.18刀左右。如果只是个人日常使用，完全可以接受。 但是如果需要做一个产品，有1万个用户。那么每月费用将要达到5.4万刀，这将是非常大的一笔开支。而现在自己训练的模型，跟sonnet 4.5相比，成本降低了100倍，但是准确率依然超过他们。 (说明：由于推文的字数差别非常大，所以单次AI分析的成本也是差别巨大，而上面的价格计算的是平均数) 2 一些经验总结和踩过的坑 接下来，聊聊这段时间做的一些心得和感受，当然主要是踩的的坑吧 经验1：比起大而全的大模型，使用小参数解决单一任务才是正确的选择 现在，整个社会的风向都是往更大参数、更强的性能。我一开始也是这样的想法。所以我一开始的方案就是调用现有大模型的api，我测试了多个AI模型，试图找到成本低又能满足需求的大模型。但是最后发现并不是最优解。 然后后来发现，一些参数很低的模型。虽然最初回答一个简单问题，看起来还有点弱智。但是，经过细心的微调，在分析推文的任务上，会好于现在最强的模型。优势是成本低，速度还快。 经验2：优质的数据至关重要。 微调的核心是优质的数据，这方面几乎占据我90%的时间。 在数据方面，我遇到的最大的一个坑是来自标准数据处理流程。简单来说，在进行微调前，需要对数据进行一系列转化。这些工作就是标准化的，Huggging face有标注代码库可以直接使用。于是，当我使用精心准备的数据，进行微调的第一次微调，出来的结果准确率只有62%。这样的结果让我一度质疑自己训练这条路是否走得通。几经排查才发现，使用标注库处理出来的数据有很多的问题。 另外一个大坑，就是代币名称是常见词的特殊处理。比如说near、in、ip等这些都是日常中常见的单词，需要进行区分处理。否则，微调后的模型并不只是对这些词错误那么简单。因为模的是对语言的学习。 说实话，数据处理中大大小小的坑还是很多，这还跟每个人不同的数据有关。 经验3：苦活累活是必不可少 现在的宣传导致大部分人都以为，在AI时代只需要花几分钟动动手，剩下AI都会做完。但是实际情况是完全相反的。依然有不少的苦活累活，比如尽管我的数据有AI的标注，以及使用代码处理，提高效率。但是数据的人工检查，依然花费了我7天的时间。 3 使用不同参数的微调模型 我前后一共微调了8个模型，为了测试不同的参数对最后结果的影响，我选取了其中的7个来分析。其中上图中，m1~m7 m1：在前文中介绍过，是我第一个微调的模型，但是由于使用标注的数据处理方式，导致数据处理错误。最终准确率只有62%左右。 m2：是在解决了M1的问题后，使用同样的数据量进行训练的。然后结果一下子就提升到了85%。这个结果是一下子提升到第一梯队大模型的水平。 m2、m3、m4 ：分别使用20K、100K、280K的数据量进行训练，发现当从20K的数据，增加到100K的时候，准确率从85.6%提高到了86.8%。但是继续增加到280K的时候，准确率并没有提高反而下降到86.4%。这说明了数据量并不是越多越好，太多的数据会导致模型训练过拟合。 m6、m7：的数据是在前面的基础上面，做进一步数据校验。核心是人工审核，是的，10万条数据，我进行了人工审核，这就是最苦最累的活。从结果来看，数据质量的提高是m6、m7模型的准确率进一步提高的原因。他们的准确度也超过了世界最强的模型sonnet4.5。 4 总结 整体而言，这次工作虽然踩了很多坑，最后的结果还是让我非常的满意。这也为大批量实时分析数据打下了良好的基础。并且，根据这次工作掌握的经验，接下来可能对训练的数据做进一步的提高。
中文
一年的信用实验，最终还是崩塌了。币圈果然，大部分人谈不上什么信用。
一年前，我和某群友立下赌约：一年后ETH价格和A股指数谁更高，赌注十个以太坊，交割时间定在2025年9月26日下午三点。我押的是以太坊。
过去两个月里，ETH一路大幅领先A股，眼看我要赢。可群里不少人早就表示怀疑，对方根本不会守约，并且令我担心的是，他在交割前半个月找个理由退群了。果不其然，昨天，距离交割只剩四天，ETH突遭暴跌。我提议将双方赌注先托管在第三方手上，以示公正，对方的回复一看便知——从头到尾就没打算履约。他玩的就是一场“白嫖信用期权”：如果到交割时ETH高于A股，他就直接消失；反之，就来找我要十个ETH。
很明显，我被耍了一年。但也好，这一年让我看清了这种人的本质。名字我不说，知道的人自然知道。流量是反人性的，不想给这种垃圾引流。
中文
币圈最痛的三件事：
1、大饼越来越少
2、没有上车HYPE
3、别人有大饼和HYPE
AB Kuai.Dong@_FORAB
刚梳理完，王炸就来了！Paxos 刚刚与全球支付软件 PayPal 组成了竞标联盟，发表了新提案： · 促成 HYPE 代币在 PayPal、Venmo 上架。 · USDH 稳定币全面接入 PayPal，覆盖所有支持国家，支持 0 费率法币出入金。 · 计划基于 USDH，打造链上生息和流动性产品。 · 初期 100% 的收入，将全部用于 Hype 建设，包括其中 20% 分配给社区援助基金，用于回购 HYPE，剩余 80% 用于生态激励，Paxos 在这个阶段不收钱。 · 仅在后续 TVL 上升后，Paxos 最多拿 5% 的份额分成，并以 HYPE 代币来计价和奖励。 同时，Paxos 补充道，目前所有 USDH 发行竞标者里，没有哪家有在欧洲发行稳定币的资质，但是只有我可以。
中文