Colasama

@xtony1314 Tony老师说相声的时候标注一下好吗，要是你粉丝当真空进去那就爽嗨嗨了

我不会止盈的，拿到 4W， 看清楚了，是 4W， 4W 4W 4W 不做短线！ 熊市最肥美的一段行情即将到来，可能就是下月！ 一个月跌 40% 以上！！！👋👋👋

@0xmao_eth @Michael_Liu93 那的确是，不过没有一家上市公司顶着高息负债持有3.6%的黄金总储量。要去杠杆的时候的时候也不会那么刺激。

@Colasama @Michael_Liu93 那黄金的商品属性也远远小于投机属性

我认为MSTR一定会爆雷，也许不是这轮周期，也许不是下轮或是下下轮，但最终一定会爆雷，因为这是所有资金盘的逻辑必然。 关键问题：“屯BTC这样的无息资产如何支付每年11.5%的利息？” 软件业务没利润、btc不能卖（mstr卖的那一刻就是崩盘的开始）、能做的只有拉更多新的本金去支付前面的利息，拉不动的那一刻就是崩盘的开始。 现在50亿的STRC每年需要支付5.75亿美金的“股息”，未来这个数字会越来越大，btc过去最大的利好，一定会在未来某个时间成为btc最大的利空。

@0xmao_eth @Michael_Liu93 严格定义我就不献丑了，你可以用个更直观的理解方式：如果这玩意要是价格涨了，对CPI影响越大，那商品属性就越强

@Colasama @Michael_Liu93 请 define 商品属性，做金戒指的属性？😂

@0xmao_eth @Michael_Liu93 按你这逻辑所有商品都永远涨，而比特币的投机属性远远大于商品属性并不是这个逻辑下的好选择

@Colasama @Michael_Liu93 所以就有东西相对美元永远涨啊😂

@0xmao_eth @Michael_Liu93 单位美元的购买力大概率会永远跌，所以呢？

@Colasama @Michael_Liu93 请问美元会永远跌吗？

@0xmao_eth @Michael_Liu93 Saylor管那叫btc yield那是在做PPT，你管那叫btc yield那你就是yield了。 整个“飞轮”的底层支柱是BTC永远上涨。。。这种叙述逻辑，短期跟着玩可以，信长期的我真是无语了

@Michael_Liu93 cagr只要大于strc的利率，就有空间给普通股btc yield，mstr就会一直有mnav溢价，这个飞轮就能一直转

@ggvaultone1 to me it makes no sense if we don't go above 80k. Good chance it can go even higher

@Colasama thanks mate you were spot in early feb to call out the long best guess on how high this bear rally goes ?

It's been easy long lately, and it's gonna stay easy for a while. Here's the plan: Just long every retrace from here. Take profit when both these conditions are met: 1) MSTR weekly ATM (including the STR* stuff) volume falls below $200M for more than two weeks, AND 2) MSTR mNAV falls below 1.08 for an extended period. Before then, just hold your long and spend your time one something else, like studying circle packing or something.

@daidaibtc 自己凹的模型定价比订单簿的Mid Price准一些。但是taker策略回测是盈利的，实测被薅得不行。价格好的流动性根本吃不上，发的FAK（Fill or Kill）Order根本成交不了，都是先被别人吃掉

5’min 15min的Poly 中文区真的有人拿到结果吗 搞了两个月模型了 还是跑不通

@A_yingjiang @XXY177 @gongyuanwai HIP3的手续费有一半是直接进assistance fund自动回购HYPE，哪来的全部返还。 有刷量的，不过不是为了手续费返还，是博空投

@XXY177 @gongyuanwai 刷量的居间商返手续费，全部都返的；别信那些东西；合约台子赚钱路数都是固定的爆用户钱；

Hyperliquid上面现在是黄金、白银、原油、加密货币……一应俱全！而且原油和有色金属的交易量还特么巨大！我就想问，到底是什么人在上面玩儿呢！？反正我身边是没人的！有中国人吗？你去体验过吗？我特么连怎么打开的都不知道。都是欧美用户？由此可见，你们整天逼逼赖赖说OKX、BINANCE就靠中国人支撑的，显然不准确嘛！几乎没有中国散户的Hyperliquid交易量都超过CEX了，说明中国用户也不咋地嘛！没想象的那么多那么有钱！嗯😐

@XXY177 @gongyuanwai 合资格的合约部署方可以选择开启growth mode，费用是正常的1/10，确实很吸引人

@gongyuanwai 机器人也得一样的交手续费吧

@leifuchen XGBoost CatBoost 都上了，硬是没上LGBM。看来是没被同行教训过

今天读到一篇 2025 年的论文《用订单簿数据预测加密货币短期价格走势》，作者还有 X 账号 @Kev，大家可以去围观一下。论文的核心发现：高频数据预处理优先于模型复杂度，即做好数据清洗之后，手动设计特征+简单模型，表现和全自动（神经网络自动学习特征）的深度模型不相上下，甚至更好。这个发现在传统金融领域是主流共识了，但对加密市场做这方面研究的并不多见。 作者的研究数据是 2025 年 1 月 30 日来自 Bybit 公开接口的原始订单簿L2数据。每 100ms 一个快照，每个快照最多 200 层买卖盘。主实验用了 10 万条（约 166 分钟），序列实验扩到 100 万条（约 28 小时）。数据免费可获取，所以论文的可复现性不错。 研究方法是将数据分为不过滤、SG 滤波、Kalman 滤波三组，然后分别输入 6 个模型，在二分类（涨/跌）和三分类（涨/平/跌）两种标签下，分别预测 100ms / 500ms / 1s 后的价格方向。总共是 3(数据预处理)×6（6 组模型）×2（预测结果为二分类还是三分类）×3（三个预测时间窗口） = 108 组实验。 模型按照复杂度分组如下： - 简单模型（逻辑回归和 XGBoost）： 手动设计特征（比如买卖量差、供需不平衡），作为模型输入。速度最快，而且我们能看懂模型如何依据特征做判断，知其然更知其所以然。 - 混合模型（CNN+CatBoost 和 CNN+XGBoost）： 不再是手动设计特征，而是让神经网络自己学习数据的特征，然后将这些特征输入决策树。优点是可能发现人工想不到的特征组合，坏处是这些特征难以解释，知其然不尽知其所以然。 - 深度模型（DeepLOB及其简化版）： 完全端到端的神经网络，从特征提取（和之前的区别是这次可以提取序列信息作为特征）到最终判断全部自动完成，知其然而不知其所以然。 评估指标是预测正确率（技术上叫 F1 分数，同时衡量"你说涨的时候有多少次真涨了"和"真正涨的时候你抓住了多少次"，0 到 1，越高越好）。同时记录训练时间。训练集 80%、测试集 20%，没有做交叉验证，因为时序数据不适合随机打乱。 核心观点1: 数据质量比模型选型重要 以三分类 500ms 40层订单簿的预测为例： - 同样的 XGBoost，输入原始数据时预测正确率 0.45，做了 SG 平滑后升到 0.54，提升约 21%。 - 把模型换成更复杂的 DeepLOB，在原始数据上反而更低（0.43）。即使 DeepLOB 也做了 SG 平滑（0.52），依然不如 XGBoost+SG（0.54）。 数据质量的提升效果远超模型复杂度的提升效果。 SG 滤波为什么效果这么好？ 原始订单簿数据非常毛躁，价格和挂单量在毫秒级别剧烈跳动，业界通常认为这是做市商快速调整报价造成的"闪烁"。SG 滤波是拿一个小窗口在数据上滑动，每到一个位置就在窗口内拟合一条平滑曲线，取曲线中心点的值作为平滑结果。和简单移动平均不同的是，它不会把真正的趋势转折点磨掉——因为它是用曲线去贴合数据的形状，而不是粗暴地取平均。scipy 里一行代码能调用，窗口 21、三阶多项式是论文里效果最稳定的参数，可以作为大家研究的起点。 2. 决策窗口约束了模型复杂度 这里要区分两个概念： - 训练时间是离线模型训练时间（一次性） - 推理时间是实盘中每来一条新数据，模型做出预测的时间 推理频率取决于策略设计，决策窗口的时长决定了推理速度的上限，推理速度上限约束了模型复杂度。 论文在摘要和结论里都声称比较了推理延迟，但实际给出的数据只有训练时间，推理延迟没有给出具体数字，只有定性讨论：一个准确率 80% 但出结果要 2 秒的模型，在预测未来 1 秒价格走向的任务里完全没用，因为拿到预测结果的时候，那 1 秒已经过去了。 不过从模型本身的性质可以推断：逻辑回归推理就是一次矩阵乘法，XGBoost 是走几棵决策树，应该是很快的；而深度网络需要层层前向传播，相对慢得多。 --- 论文不足 这篇论文的选题和实验框架都非常好，但是整体感觉是没写完，就草草结束了，所以很多问题挖了坑没有填。作者在这篇论文发布后（2025.5）的三个月（2025.8）又有一篇根据 L3数据研究限价订单权重不平衡（LWI），可能是改变研究方向了 😀 1. 只用了一天数据，样本量和泛化性都有限 2. 摘要说比较了 inference latency，实际只给了训练时间 3. 实验设计缺乏控制变量：100ms 用的是 5 层，500ms/1000ms 用的是 40 层，窗口和深度同时变了，却分别归因 4. 多处结果异常缺乏分析： - Kalman 滤波的结果比原始数据还差，作者解释是因为算力限制只在小样本上做了有限的调参就固定了参数 - CNN+CatBoost 比 CNN+XGBoost 差了 8-10 个点，原理差不多的模型，效果明显差异，完全没分析原因 - 同样 40 层订单簿，不论是二分类还是三分类，500ms 的正确率都好于 1000ms，直觉上更长的窗口应该更容易预测（信号更明显），但数据显示并非如此，没有任何分析 5. 数据归因超出证据：用 L2 数据不足以支持订单簿噪声来自挂单撤单 6. 作者提出序列信息（多个连续快照）作为输入相对单个快照提升极其有限，但只使用了不理解序列信息的简单模型进行比较，跳过了最关键的对比组DeepLOB（模型可以理解序列信息） ，然后直接下了结论 7. 二分类 vs 三分类没有做回测，无法验证三分类的策略价值

@BBBLLLI @Xiaoniu6161 好好珍惜。。。我用windows的台式机64G内存能被Chrome卡死，体验远不如16G的老macbook

@Colasama @Xiaoniu6161 抱歉，我还有一台 Legion5I，8GB 用了好几年，从来没在 YouTube 上卡过。

苹果公司推出了MacBook Neo，这是他们迄今为止最经济实惠的笔记本电脑， 要统一整个下沉市场了。 • 价格：599 美元（学生价 499 美元） • 电池续航时间长达 16 小时 • • 13英寸显示屏，500尼特亮度 • A18 Pro芯片 • 256GB 或 512GB 存储空间 • 四种颜色：银色、靛蓝色、腮红色和柑橘色 • 重量：2.7磅 • 支持 Wi-Fi 6E 和蓝牙 6 连接 • 8GB 内存 • 1080p 前置摄像头、带定向波束成形的双麦克风和带空间音频的双侧发声扬声器。 • 碳排放量最低的Mac电脑。采用60%的再生材料，比其他任何苹果产品都多。 • 3月11日起可购买

@BBBLLLI @Xiaoniu6161 8G能看youtube已经不错了。8G内存用windows的话，上youtube都要卡死

@Colasama @Xiaoniu6161 我没用出来过，除非你只看网页上 YouTube

@BBBLLLI @Xiaoniu6161 苹果的8G内存可以用出32G的效果

@Xiaoniu6161 这个 8G 内存真的膈应人，2024 年都忍了

NFA. But I don't think Black-Scholes is a good fit on short-window binary optinos like the 5m/15m BTC prediction market on Polymarket.

Is Polymarket Infra a joke? I subscribe to my own account events (Authenticated), and the websocket keep pusing events of some random users to me once in a while.