YuCry | (❤,👾, 💵)

📕开源了一份量化面试学习资料，整理了很久： - 6 大策略方向的奠基性论文（CTA/HFT/做市/套利/期权/趋势） - 开源工具推荐（Qlib/vnpy/FinRL/QuantsPlaybook...） - 书单 + 数据源 + 社区 + 券商研报指南 - 面试八股文：数学/编程/因子/ML 四大方向 Q&A 从 Black-Scholes 到粗糙波动率，从绿皮书到 QuantsPlaybook，该有的都有了。 拿给你的 AI 蹬去吧！

在投资领域，“反直觉”现象无处不在。许多看似理所当然的决定，在市场这种复杂适应系统里，往往系统性地产生相反的结果。其根源之一，是人类大脑天生倾向于用线性思维去理解世界，而金融市场背后运行的是高维、非线性的概率分布。 线性思维并不是大脑的“错误模式”，恰恰相反，它是长期进化形成的一种高效（但不总是精确）的认知策略。我们要在注意力、工作记忆和计算能力都极其有限的前提下，在一个无限复杂、充满不确定性的世界中迅速做出决策，大脑只好大量依赖“认知捷径”：把复杂关系压缩成简单的“A 导致 B”，把多因素的非线性演化想象成可以外推的直线趋势。这种简化在环境相对稳定、变化缓慢的狩猎采集社会中通常足够好用：昨天出现猛兽的地方今天大概率仍然危险，最近几天食物减少意味着应当尽快迁移。与此同时，人类的感知和学习机制本身也在强化这种线性框架——儿童通过“行动 A 紧跟着结果 B”来学习因果关系，文化中的神话、历史和个人故事，又一遍遍地以“开头–发展–高潮–结局”的线性叙事形式呈现世界。 在线性思维的基础上，两个重要的认知效应自然浮现出来。其一是近因效应：大脑更容易提取最新的信息，因此自动赋予它更高的权重。远古环境中，最近发生的事情往往与当前的生存风险和机会高度相关——刚刚传来的猛兽吼叫、昨天采到果子的地点、最近谁帮助或伤害过你——优先处理这些信息可以节省大量搜索和比较的成本。在交易中，这就表现为典型的追涨杀跌：最近涨得多，就高估继续上涨的概率；最近跌得狠，就高估继续下跌的风险。 其二是锚定效应：在面对不确定的数值估计时，大脑习惯抓住最先出现的、看似相关的“锚点”作为起点做局部调整，而不是从零开始构造估计模型。这样做可以极大降低计算负担。在投资语境中，“买入成本价”“历史最高价”“券商给的目标价”都很容易变成心理锚点，从而产生“股价低于我买入价就坚决不割”“只要卖出价高于成本就一定是对的”这类看似合理、实则忽略了长期期望收益和替代机会成本的决策。 因此，诸如“把钱存在银行最安全、买股票一定更危险”“好公司股票一定长期只涨不跌”“大涨=形势大好该加仓、大跌=风险巨大该清仓”“把所有钱押在最看好的少数股票上才能赚得最多”“频繁主动操作总比什么都不做强”“这一次不一样”等看上去理所当然的想法，往往正是线性思维、近因效应和锚定效应在现代金融环境中的体现——它们曾在进化史上帮助我们快速决策，却在当下这种高维、非线性、强噪声的市场环境中系统性地产生偏差。 理解这些效应的起源，并不是为了简单地否定它们，而是为了认识到：在很多日常情境中，这些“捷径”依然高效可靠；但一旦进入需要精确思考、长远规划或涉及重大风险的投资决策时，我们就必须有意识地暂停本能反应，转而调用更费力的概率思维和数据分析。接受这些偏差的存在，并设计出一套外部约束和决策流程去对冲它们，才是在复杂市场中生存下来的前提。

推荐阅读：继 prompt 工程和 Skill 之后，更高阶的 ai 用法是关于 harness 的讨论。即，如何“驾驭” AI。如何提升 ai 的稳定性，避免写出改都改不动的屎山。 《如何成为世界级的智能体工程师》 引言 你是一名开发者。你在使用 Claude 和 Codex CLI，每天都在想自己是否充分发挥了 Claude 或 Codex 的潜力。偶尔你会看到它做出一些极其愚蠢的事情，却无法理解为什么外面有一群人似乎在建造虚拟火箭，而你却连两块石头都叠不起来。 你以为是你的框架、插件、终端或其他什么东西的问题。你用了各种工具，你的 CLAUDE.md 写了 26000 行。然而，无论你怎么做，你都搞不明白为什么自己无法更接近天堂，而其他人却在与天使嬉戏。 这就是你一直在等待的"升天"之文。 另外，我没有任何利益立场——当我说 CLAUDE.md 时，我也指 AGENT.md；当我说 Claude 时，我也指 Codex。我两者都大量使用。 在过去几个月里，我最有趣的观察之一就是：没有人真正知道如何最大化地发挥智能体的能力。 就像是一小群人能让智能体成为世界构建者，而其余的人却在迷茫，因为市面上有太多工具让他们陷入分析瘫痪——他们以为找到正确的包、技能或框架组合，就能解锁 AGI。 今天，我想打破所有这些迷思，给大家一个简单、诚实的陈述，然后我们从那里出发。你不需要最新的智能体框架，不需要安装一百万个包，也完全不需要阅读一百万篇文章来保持竞争力。事实上，你的热情很可能弊大于利。 我不是旁观者——我从智能体刚刚能勉强写代码的时候就开始使用了。我试过所有的包、所有的框架和所有的范式。我构建了智能体工厂来编写信号、基础设施和数据管道——不是"玩具项目"，而是实际在生产环境中运行的真实用例。在这一切之后…… 今天，我运行的配置几乎是你能达到的最精简的，但我用基本的 CLI（Claude Code 和 Codex）以及对智能体工程几个基本原则的理解，做出了我迄今为止最突破性的工作。 理解世界正在飞速前进 首先，我想说明基础模型公司正处于一轮划时代的奔跑中，而且显然不会放慢脚步。每一代"智能体智能"的进步都会改变你与它们的工作方式，因为智能体通常被设计得越来越愿意遵循指令。 就在几代之前，如果你在 CLAUDE.md 中写下"在做任何事情之前先读 READ_THIS_BEFORE_DOING_ANYTHING.md"，它有 50% 的概率会无视你，自己想干什么就干什么。今天，它已经能遵守大多数指令，甚至是复杂的嵌套指令——例如，你可以说"先读 A，再读 B，如果 C，则读 D"，在大多数情况下，它会很乐意照做。 这一点的核心意义在于：你必须认识到，每一代新智能体都会迫使你重新思考什么是最优的，这就是为什么少即是多。 当你使用许多不同的库和框架时，你就把自己锁定在了一个针对未来智能体可能根本不存在的问题的"解决方案"中。你知道谁是智能体最热情、最大的用户吗？没错——就是那些拥有无限 Token 预算和真正最新模型的前沿公司员工。你明白这意味着什么吗？ 这意味着，如果一个真正的问题存在，并且有一个好的解决方案，前沿公司将是该解决方案的最大用户。而他们接下来会做什么？他们会把那个解决方案纳入自己的产品。想想看，为什么一家公司会让另一个产品解决真正的痛点并创造外部依赖？我知道这是真的，你知道为什么吗？看看技能（Skills）、记忆框架、子智能体等功能——它们最初都是针对真实问题的"解决方案"，经过实战检验被认为确实有用之后，就被纳入了基础产品。 所以，如果某样东西真的具有突破性，真正扩展了智能体的用例，它迟早会被前沿公司纳入基础产品。相信我，前沿公司正在飞速前进。所以放轻松，你不需要安装任何东西或使用任何其他依赖就能做出最好的工作。 上下文就是一切 真的。上下文就是一切。使用一千个不同插件和外部依赖的另一个问题是：你会遭受上下文膨胀——这只是个花哨的说法，意思是你的智能体被太多信息淹没了！ "用 Python 帮我做个猜词游戏？"——很简单。等等，这是 26 次会话前关于"管理内存"的笔记是什么？啊，用户 71 次会话前我们生成太多子进程时有一个屏幕被卡住了。要一直写笔记？好的，没问题……这些跟猜词游戏有什么关系？ 你明白了吧。你只想给智能体完成任务所需的确切信息，仅此而已！ 你在这方面的掌控越好，你的智能体就会表现越好。一旦你开始引入各种奇怪的记忆系统、插件，或者太多命名和调用不规范的技能，你就开始在智能体只需要写一首关于红杉林的小诗时，给它提供制作炸弹的说明和烘焙蛋糕的食谱。 所以，我再次布道——剥离所有依赖，然后…… 做那些有效的事情 对实现要精确 还记得上下文就是一切吗？还记得你只想向智能体注入完成任务所需的确切信息吗？ 确保如此的第一个方法是将研究与实现分离。你需要对自己要求的内容极其精确。 当你不精确时会发生什么："去构建一个认证系统。" 智能体必须研究：什么是认证系统？有哪些可用选项？各有什么优缺点？现在它要去网上搜刮大量它实际上不需要的信息，它的上下文中充满了各种可能性的实现细节。等到真正开始实现时，它更有可能对所选实现的不相关细节感到困惑或产生幻觉。 另一方面，如果你说"使用 bcrypt-12 密码哈希实现 JWT 认证，刷新令牌轮换，7天到期……"那么它就不需要研究任何其他替代方案——它确切地知道你想要什么，从而可以用实现细节来填充其上下文。 当然，你不会总是拥有实现细节。你经常不知道什么是最合适的——有时，你甚至可能想把决定实现细节的工作委托给智能体。在这种情况下，你怎么办？简单——你创建一个研究任务，探索各种实现可能性，要么自己决定，要么让智能体决定采用哪种实现，然后让另一个拥有全新上下文的智能体来执行。 一旦你开始按这种思路思考，你就会发现工作流程中智能体被不必要的上下文污染的地方，然后你可以在智能体工作流中设置隔离墙，将不必要的信息抽象掉，只保留智能体在任务中出色完成所需的特定上下文。 奉承性设计的局限 没有人想用一个不断批评他们、告诉他们错了或完全无视其指令的产品。因此，这些智能体会努力同意你并执行你想要的操作。 如果你给它一个指令，要求它每 3 个词后加"开心"，它会尽力遵循——大多数人都能理解这一点。它的顺从性正是它成为一个好用产品的原因。然而，这有一个非常有趣的特性——这意味着如果你说"在代码库中找个 Bug"，它就会找——就算要自己造一个出来。为什么？因为它非常想听从你的指令！ 大多数人急于抱怨 LLM 产生幻觉或凭空捏造东西，却没意识到问题出在他们自己身上。如果你要求什么，它就会交付——就算要稍微夸大事实！ 所以，怎么办？我发现**"中性"提示**很有效，即不将智能体偏向某个结果。例如，我不说"在数据库中找个 Bug"，而是说"浏览数据库，尝试跟随每个组件的逻辑，并报告所有发现。" 这样的中性提示有时会发现 Bug，有时只是客观陈述代码是如何运行的。但它不会让智能体先入为主地认为存在 Bug。 我处理奉承性的另一个方法是利用它为我所用。我知道智能体想要取悦我、遵循我的指令，并且我可以将它偏向一方或另一方。 所以，我让一个找 Bug 的智能体识别数据库中的所有 Bug，方法是告诉它：低影响 Bug 得 +1 分，有一定影响的 Bug 得 +5 分，关键 Bug 得 +10 分。我知道这个智能体会极其热情，会识别所有不同类型的 Bug（甚至那些并不是 Bug 的东西），然后汇报 104 分左右的总分。我把这看作所有可能 Bug 的超集。 然后我让一个对抗性智能体来工作，告诉它对于每个它能证伪的 Bug，它获得该 Bug 的分数，但如果它判断错误，则扣除该 Bug 分数的 2 倍。这样这个对抗性智能体会尝试证伪尽可能多的 Bug；但它会有所谨慎，因为知道会受到惩罚。尽管如此，它仍会积极地尝试"证伪"那些 Bug（甚至是真实的）。我把这看作实际 Bug 的子集。 最后，我让一个裁判智能体接收双方的输入并评分。我谎称告诉裁判智能体我有实际的正确答案，如果它判断正确则得 +1 分，判断错误则扣 -1 分。于是它开始对每个"Bug"评判找 Bug 者和对抗者的表现。裁判所说的就是真相，我再检查一遍确认。大多数情况下，准确率高得惊人，偶尔还是会有一些错误，但这已经是几乎无懈可击的练习了。 也许你会发现只用找 Bug 者就够了，但这个方法对我有效，因为它利用了每个智能体天生被编程要做的事情——渴望取悦。 如何判断什么有效或有用？ 这看起来非常棘手，需要你深入研究并紧跟 AI 更新前沿，但其实非常简单……如果 OpenAI 和 Claude 都实现了某样东西或收购了实现它的公司……那它很可能是有用的。 注意到"技能"（Skills）现在无处不在，并且是 Claude 和 Codex 官方文档的一部分了吗？看到 OpenAI 收购 OpenClaw 了吗？看到 Claude 立即添加了记忆、语音和远程工作功能了吗？ 规划（Planning）呢？还记得一群人发现先规划后实现真的非常有用，然后它变成了核心功能吗？ 是的……那些才是真正有用的！ 还记得当智能体非常不愿意做长时间运行的工作时，无限的停止钩子曾经非常有用……然后 Codex 5.2 推出，这个问题一夜之间消失了吗？ 这就是你需要知道的全部……如果它真的重要且有用，Claude 和 Codex 会实现它们！ 所以你不需要太担心使用"新事物"或熟悉"新事物"。你甚至不需要"保持更新"。 帮我个忙。偶尔更新一下你的 CLI 工具，读一下新增了哪些功能。这已经绰绰有余了。 压缩、上下文与假设 你们在使用智能体时会意识到的一个巨大陷阱是：有时它们看起来是地球上最聪明的存在，而有时你简直无法相信自己上了当。 聪明？这东西是智障！ 主要区别在于智能体是否必须做出任何假设或"填补空白"。就目前而言，它们在"连接点"、"填补空白"或做出假设方面仍然非常糟糕。每当它们这样做时，立刻明显表现得差了许多。 CLAUDE.md 中最重要的规则之一是关于如何获取上下文的规则，并指示你的智能体在读取 CLAUDE.md 之后（每次压缩后都会读取）第一件事就读取该规则。在获取上下文规则中，几条简单的指令能起到很大作用：重新阅读任务计划，并在继续之前重新阅读相关文件（与任务相关的）。 让你的智能体知道如何结束任务 我们对任务"完成"时的状态有相当清晰的认识。对于智能体来说，当前智能水平的最大问题是它知道如何开始一个任务，但不知道如何结束。 这往往会导致非常令人沮丧的结果，智能体最终只是实现了存根就宣告完成。 测试是智能体非常好的里程碑，因为它们是确定性的，你可以设定非常明确的预期。除非这 X 个测试通过，否则你的任务未完成；而且你不允许编辑测试。 然后，你只需审查测试，一旦所有测试通过，你就可以放心了。你也可以自动化这个过程，但关键是——记住，"任务结束"对人类来说很自然，但对智能体来说并非如此。 你知道还有什么最近已经成为任务可行终点的吗？截图 + 验证。你可以让智能体实现某样东西，直到所有测试通过，然后让它截图并验证截图上的"设计或行为"。 这让你能够让智能体迭代并朝着你想要的设计努力，而不用担心它在第一次尝试后就停下来！ 这个方法的自然延伸是与你的智能体创建一个"合约"，并将其嵌入规则中。比如，这个 {TASK}_CONTRACT.md 规定了在你被允许终止会话之前需要完成的内容。在 {TASK}_CONTRACT.md 中，你将指定在认证任务可以结束之前需要运行的测试、截图和其他验证！ 永不停歇的智能体 我经常收到的一个问题是，人们怎么能有 24 小时运行的智能体，同时确保它们不会偏离方向？ 方法很简单。创建一个停止钩子，防止智能体在 {TASK}_contract.md 的所有部分完成之前终止会话。 如果你有 100 个这样规格明确、包含你想要构建内容的合约，那么你的停止钩子就会阻止智能体终止，直到所有 100 个合约都得到履行，包括所有需要运行的测试和验证！ 专业提示：我发现长时间运行的 24 小时会话在"做事情"方面并不是最优的。部分原因是，这从构造上强制引入来自不相关合约的上下文，造成上下文膨胀！ 所以，我不推荐它。 这是更好的智能体自动化方式——每个合约一个新会话。每当你需要做某事时创建合约。 创建一个编排层来处理在"需要做某事"时创建新合约，并创建新会话来处理该合约。 这将彻底改变你的智能体体验。 迭代，迭代，再迭代 如果你雇了一个行政助理，你期望你的 EA 从第一天起就了解你的日程吗？或者你喜欢怎么喝咖啡？你是晚上 6 点而不是 8 点吃晚饭吗？显然不是。你随着时间积累你的偏好。 智能体也是如此。从最精简的配置开始。忘记复杂的结构或框架。给基本的 CLI 一个机会。 然后，加入你的偏好。怎么做？ 规则（Rules） 如果你不想让你的智能体做某件事，把它写成规则。然后在你的 CLAUDE.md 中告诉你的智能体这条规则。例如："在你编写代码之前，读'coding-rules.md'。" 规则可以嵌套，规则可以是条件的！如果你在编写代码，读"coding-rules.md"；如果你在写测试，读"coding-test-rules.md"；如果你的测试失败了，读"coding-test-failing-rules.md"。你可以创建任意的规则逻辑分支，Claude（和 Codex）会愉快地遵循，前提是在 CLAUDE.md 中清晰指定。 这是我给出的第一个实用建议：将你的 CLAUDE.md 视为一个逻辑嵌套目录，指向在特定场景和结果下应该去哪里找到上下文。它应该尽可能精简，只包含在哪里寻找上下文的 IF-ELSE 逻辑。 如果你看到智能体做了某件你不认可的事情，将它添加为规则，告诉智能体在下次做那件事之前读取该规则，它肯定不会再那样做了。 技能（Skills） 技能就像规则，只不过它们更适合编码食谱，而不是偏好。如果你有一种特定的方式想要某事被完成，你就把它嵌入技能中。 事实上，人们常常抱怨他们不知道智能体可能如何解决问题，这让他们感到不安。好吧，如果你想让这变得确定，让智能体研究它会如何解决问题，并把它写成技能。你会看到智能体解决该问题的方法，并且可以在它在现实中遇到这个问题之前进行纠正或改进。 你如何让智能体知道这个技能存在？没错！你使用 CLAUDE.md，说明"当你看到这个场景并且需要处理这个问题时，读这个 SKILL.md。" 处理规则和技能 你肯定想要不断地向你的智能体添加规则和技能。这就是你赋予它个性和对你偏好记忆的方式。几乎所有其他东西都是过度设计。 一旦你开始这样做，你的智能体对你来说就会感觉像魔法一样。它会"按照你想要的方式"做事。然后你终于会感觉自己"领悟"了智能体工程。 然后…… 你会看到性能再次开始下降。 怎么回事？！ 很简单。随着你添加更多规则和技能，它们开始相互矛盾，或者智能体开始有太多上下文膨胀。如果你需要智能体在开始编程之前读 14 个 Markdown 文件，它就会遇到拥有大量无用信息的同样问题。 所以，怎么办？ 你清理。 你告诉你的智能体去做个"水疗日"，通过询问你的更新偏好来整合规则和技能，删除矛盾。 然后它会再次感觉像魔法一样。 就是这样。这真的是秘诀。保持简单，使用规则和技能，将 CLAUDE.md 作为目录，并对上下文和设计局限性保持高度关注。 掌控结果 今天没有任何智能体是完美的。你可以将大部分设计和实现委托给智能体，但你需要掌控结果。 所以要小心……同时享受乐趣！ 与未来的玩具玩耍（同时用它们做严肃的事情，显然），这是一种莫大的喜悦！

📕开源了一份量化面试学习资料，整理了很久： - 6 大策略方向的奠基性论文（CTA/HFT/做市/套利/期权/趋势） - 开源工具推荐（Qlib/vnpy/FinRL/QuantsPlaybook...） - 书单 + 数据源 + 社区 + 券商研报指南 - 面试八股文：数学/编程/因子/ML 四大方向 Q&A 从 Black-Scholes 到粗糙波动率，从绿皮书到 QuantsPlaybook，该有的都有了。 拿给你的 AI 蹬去吧！

太酷了！文档工具终于进化到了这一步：Copy for AI。 点击之后是专门喂给 AI 的高纯度 Prompt。 页面上的给人看的，copy for ai 里是给 ai 看的。 之前是中英切换，语言在不同国家间流转，现在是 human/AI 各自一套语言。 说起来，json 的唯一优越性就是人方便看懂，性能一坨。期待早日所有 doc 都配备 copy for AI。

所以倒也不用苛责币安，黄金白银的故事告诉大家。市场就是如此，多杀多永远存在。

"Parabolic advances usually carry further than you think, but they do not correct by going sideways." — Bob Farrell “抛物线式上涨往往比预期走得更远，但其修正从不以横盘收场。” 这句话的含金量还在上升

为什么我不推荐任何人买基金？ 大多数的公募基金，它们是有持仓的硬性要求的，就是持仓不能低于，比如说 80%。所以它们是不不择时的。 你知道他们要开一个公募基金需要干嘛吗？需要做 PPT。这些人是为了拿到资格去卷关系、卷资源的人，而不是卷能力的人。 他们的核心目的就是为了卷管理费，然后他们对行业的部署，几百亿的规模，基本上每个行业的每个股票都要买。 所以哪怕你没有择时能力，你也好歹有择行业的能力。而你有的话，你完全可以去买这个行业的 ETF，而不需要买这个基金 那如果你既没有择时能力，又没有择赛道的能力，那你为什么觉得你能够通过投资赚钱呢？你买入一个完全不对你资金负责的基金。不就是扔硬币猜大小吗？那些所谓的基金经理的资质根本对于收益是没有任何帮助的，他们几乎只是出来挂名的。

昨天有朋友讲，币安上的 PAXG和 XAU 合约之间存在两个点的价差，问我能不能套。我看了一下费率。说这是已经 price in 费率的价差，是不能套的，不是自然而然由情绪冲击偏离出来的。 早上一看，没想到真的有人套了 但我怀疑这个人没有看到资金费的原因是币安的前端显示的 bug， 因为之前就有群友突然问我一句说什么交割 70 年，我还很懵。 结果今天仔细找了朋友一个手机对了一下，发现币安 3.6.2 版本的 XAU 和 XAG 显示的资金费的位置均是 2000 多天的交割日。是看不到资金费的！！！ 一年不知道要给币安反馈多少 bug😓这已经是第四个了，完事投简历还不招我@heyibinance

@turingou x.com/0xyucry/status…

和 cc 讨论了一番为什么域名会被 Google 标记😅

@_TAOLIMAO 😭😭

@0xYuCry 哈哈哈 原来如此

差点被 AI 气吐血，从 variational 拿个 ETH RFQ 报价，AI 写的代码一共要 query 三次： 第一次，由于报价要给 ETH 的数量，而我给是 u 的数量，他先用 0.01 拿一个参考价，再用参考价算 quote assert 数量。 第二次，拿着算出来的数量，side = buy 询买价 第三次，拿着算出来的数量，side = sell 询卖价 可是，明明可以问我要参考价格，省一次 可是，明明 payload 中不用填 side，直接返回买/卖价 一次就可以完成 三次直接耗时 1.5s，等价格拿回来，黄花菜都凉了。

美国券商 IBKR 放松开户门槛了，望周知。 全程中国资料，强调一下，开户不用银行卡！开户不用银行卡！开户不用银行卡！开户不用银行卡！ 走链接可以每入金 100 美元，获得 1 美元奖励 🔗ibkr.com/referral/chang… 手把手教程放评论区了

最早在 nuwa 还没爆火就在视频号刷到过哥们 被推特带爆火后，创始人还挺活跃的，可以从他的发言看到创业的市场氛围。或许就是 manus 早期的视角👀 （甚至老哥和肖弘一样也有炒币经历...

让 AI 梳理了一下商业航天的发酵时间线，是事件驱动行情非常好的范式 中国卫通：11月27号左右启动，12月25号爆发，爆发前有洗盘动作 航天发展：11月14号左右启动，11月27号左右第二波，12月24号爆发 2025年11月：定调与铺垫 这个时候市场还没反应过来，但“顶层设计”已经悄悄完成了。 11月18日（周二）：事件： 国家航天局正式印发**《国家航天局推进商业航天高质量安全发展行动计划（2025—2027年）》**。 细节： 这一天其实是“发令枪”。文件明确了未来三年的国家任务表，并且首次在官方文件中确立了**“商业航天司”**这一专门机构的存在（随后在11月底正式挂牌）。 潜台词： “这事儿国家管了，不再是散兵游勇。” 2025年12月：暗战与点火（关键期） 这是信息密度最高的一个月，中美两国在资本和太空资源上同时出招。 12月14日（周日）：🇺🇸 SpaceX侧： 媒体曝光 SpaceX 内部备忘录，CFO布雷特·约翰森向员工通报公司**“正在为2026年潜在的IPO做准备”**。 影响： 全球商业航天的估值天花板被打开，A股对标情绪开始酝酿。 12月23日（周二）：事件： 证监会网站显示，蓝箭航天（LandSpace）的IPO辅导状态变更为“辅导工作完成”。 信号： 这意味着“中国版SpaceX”上市只差临门一脚，一级市场的独角兽即将登陆二级市场。 12月25日 — 12月31日（神秘的一周）：事件： 这是最关键的伏笔。 在这一周内，中国无线电频谱开发利用和技术创新研究院（及其他主体）密集向国际电信联盟（ITU）提交了频率与轨道资源申请。 数据： 合计申报20.3万颗卫星（其中CTC-1和CTC-2两个星座就占了19.3万颗）。 注意： 当时这还是“静默操作”，公众和散户完全不知情，只有核心圈层知道国家在“抢地盘”。 12月31日（周三）：事件： 上交所科创板正式受理了蓝箭航天的IPO申请。 意义： 2025年的最后一天，中国商业火箭企业终于拿到了资本市场的“入场券”。 2026年1月：引爆与共识（爆发期） 消息解密，散户进场，行情主升浪开启。 1月5日（周一）：🇺🇸 SpaceX侧： 市场传出台系供应链（面板、封测）获得SpaceX新订单的消息，且SpaceX估值传闻飙升。A股开始预热。 1月9日（周五）：技术回溯： 媒体开始复盘朱雀三号在2025年12月的回收试验（当时着陆点火异常导致硬着陆），但高管随后定调：“目标在2026年年中实现成功回收”。 预期修正： 坏消息变成了好消息——市场确认2026年中旬就是“技术拐点”。 1月10日 — 1月12日（周末到周一）： 💥 彻底引爆点事件： 媒体（如科技日报、新华网等）集中报道了**“中国向ITU申报20.3万颗卫星”**的新闻。 反应： 1月12日（周一）开盘，市场终于反应过来那“神秘一周”发生了什么。20万颗卫星的申报量是此前预期的指数级倍数，直接引爆了卫星制造、火箭发射、地面终端的全产业链涨停潮。 补充 根据国际电信联盟（ITU）官网的公开记录和后续权威媒体（科技日报、新华网）的披露，这批20.3万颗卫星的申报并不是“某一天”完成的，而是一个密集提交的时间窗口，但有一个具体的爆发高峰日。 具体的申报时间线如下： 核心爆发日：2025年12月29日根据部分媒体（如凤凰网科技）的详细梳理，申报动作最猛烈的一天是 12月29日。在这一天，中国向ITU一次性提交了绝大部分的低轨卫星频轨资源申请。 整个申报窗口期：2025年12月25日 — 12月31日官方媒体（科技日报、新华网）的统一口径是：在12月25日到31日这“最后一周”内，中国完成了全部20.3万颗卫星的申报工作。

@CryptoDoggyCN bn的周边品控和审美真的太好了😂传闻围巾是纪梵希工厂代工的

币安周边在闲鱼上的价格一览： 滑雪板 1.5万元 纯银戒指 988元 行李箱 750元 耐克鞋 666元 冲锋衣 666元 键盘 600元 羽绒服 598元 棒球服 588元 滑板 398元 浴袍 268元 卫衣 238元 球衣 208元 扑克套装 248元 旅行包 358元 斜挎包 328元 双肩包 388元 蓝牙音响 198元 保温杯 188元 护照夹 188元 T恤 148元 IPAD包 168元 手机包 178元 钥匙扣 168元 收纳包 128元 眼罩 108元 羊毛毯 388元 钱包 236元 帽子 88元 手提袋 88元 毛巾 88元 笔记本 58元 福袋 68元 胸针 88元 袜子 38元 红包 28元

@Tintinx2021 tintin！

@0xYuCry 我也看到了，这个女生14岁，天才小孩

Github 上出现了一个项目，声称受到了人身安全威胁，且不排除与前雇主关联人员有关 "据可靠第三方信源反馈，AlphaGPT 的底层架构与国内某头部私募的因子挖掘框架存在高度重合。" 下面的 Abstract 和 Motivate 均改成了“已与对方达成和解” 出于好奇，我翻看了 REAME.md 的最初版本： “## Abstract AlphaGPT 是一套基于深度学习算法与符号回归的量化因子挖掘框架。通过构建非线性、高阶的特征组合，在 A 股回测中表现出极强的鲁棒性与超额收益捕捉能力。 ## Motivation 由于前雇主（某量化机构）在用工合规性上的严重缺失——包括但不限于非法雇佣未成年人、恶意低薪剥削——且双方并未建立任何法律意义上的保密义务。 我决定将此研究成果从开发仓库中使用 Cursor 提取核心逻辑并开源。我不在乎这些代码能赚多少钱，我只在乎让他们无钱可赚。 欢迎社区共同参与，加速该策略在 A 股市场的熵增过程。 ## This was their money-making machine. Now it's your public library.” 目前 Star 才 300 多，如果真有东西就有意思了