即刻App年轻人的同好社区
下载
置顶作为一个闷骚型的I人，我一直觉得自我营销是个蛮有羞耻感的事情。但或许是时候从认真写一篇自我介绍开始逐步走出舒适圈了：
我算是一个过气型连续创业者，18岁开始退学创业，如今已过十二载。上古时期做过Infra和程序化广告投流。后来研究过一段时间如何在一级市场做量化，在华兴内部创业做了逐鹿，由帮红杉中国从0到1组建了数据科学团队。19年出来创业做SaaS——一款类似Notion但同时具有低代码能力、旨在打破软件和文档之间边界的产品，但由于过于超前，交了学费、成了先烈。目前在做一些AI出海方面的事情。
骨子里觉得自己是一个设计师和程序员，享受创造带来的愉悦感。从画交互稿、做用研和动效，到前端和iOS开发，再到手搓微服务框架和数据湖都有蛮丰富的实操经验。作为白帽子也帮一些大厂挖过0day漏洞。 AI方面的话，写过Agent开发框架Flappy，也从0训过基座LLM和文生图模型，还做过一些多模态和SFT方面的开源工作。
是侯世达和阿德勒的脑残粉，审美取向上偏好包豪斯。技术乐观主义者&悲观的理想主义者&中医黑。休谟式的不可知有神论者。
最大的特点是极度地广度优于深度，常被朋友们戏称为人肉维基。对一切事物都有强烈的好奇心，从黑暗料理、科技修仙到自体心理学均有一定的涉猎。副作用是浅尝则止，续航不太持久。（不过我自己还蛮享受「浅尝仄止」和「不断变化」的。）
我算是一个过气型连续创业者，18岁开始退学创业，如今已过十二载。上古时期做过Infra和程序化广告投流。后来研究过一段时间如何在一级市场做量化，在华兴内部创业做了逐鹿，由帮红杉中国从0到1组建了数据科学团队。19年出来创业做SaaS——一款类似Notion但同时具有低代码能力、旨在打破软件和文档之间边界的产品，但由于过于超前，交了学费、成了先烈。目前在做一些AI出海方面的事情。
骨子里觉得自己是一个设计师和程序员，享受创造带来的愉悦感。从画交互稿、做用研和动效，到前端和iOS开发，再到手搓微服务框架和数据湖都有蛮丰富的实操经验。作为白帽子也帮一些大厂挖过0day漏洞。 AI方面的话，写过Agent开发框架Flappy，也从0训过基座LLM和文生图模型，还做过一些多模态和SFT方面的开源工作。
是侯世达和阿德勒的脑残粉，审美取向上偏好包豪斯。技术乐观主义者&悲观的理想主义者&中医黑。休谟式的不可知有神论者。
最大的特点是极度地广度优于深度，常被朋友们戏称为人肉维基。对一切事物都有强烈的好奇心，从黑暗料理、科技修仙到自体心理学均有一定的涉猎。副作用是浅尝则止，续航不太持久。（不过我自己还蛮享受「浅尝仄止」和「不断变化」的。）
25 20
加性世界像是在平地上走。你往前三步，往后三步，你还在原地。每一步独立，互不影响。
乘性世界像是在爬一根会变粗变细的绳子。你爬上去 50%，再滑下来 50%——你不在原地，你在更低的地方。因为滑下来的 50% 是作用在”爬上去之后”的那个更高位置上的。100 块赚 50% 变 150，亏 50% 变 75。你净亏了 25%。
这就是乘性世界的诡异之处：涨和跌看似对称，实际上跌的杀伤力永远更大。
乘性世界像是在爬一根会变粗变细的绳子。你爬上去 50%，再滑下来 50%——你不在原地，你在更低的地方。因为滑下来的 50% 是作用在”爬上去之后”的那个更高位置上的。100 块赚 50% 变 150，亏 50% 变 75。你净亏了 25%。
这就是乘性世界的诡异之处：涨和跌看似对称，实际上跌的杀伤力永远更大。
2 00
市场的时间平均和集合平均是不相等的。100 个交易者中有 50 个赚钱，不代表一个交易者做 100 次交易有 50% 的时间赚钱——因为他可能在第 37 次就爆仓清零了。这意味着很多在集合平均意义上”有效”的策略，在时间平均意义上会杀死执行者。正确的科学方法不仅要预测期望收益，还必须考虑路径依赖性。Kelly criterion 本质上就是对非遍历性的一个修正。
2 00
交易不是物理学意义上的科学，而是演化生物学意义上的科学——你的理论有效期是有限的，因为你的猎物在进化，你的竞争者在进化，你自己也在进化。因子衰减不是 bug，是 feature——它恰恰证明了市场作为复杂适应系统在正常工作。
2 00
21岁时的生日愿望是refactor real-world.
32岁时的生日愿望是引入更多的bias去爱、去体验人生、去创造作品、去拥抱随机扰动。
星河依旧眉间热，壮志几曾歇。
灶火温家，书灯不减，良知自炳然。
知行一处，少年还在，莫问是何年。
32岁时的生日愿望是引入更多的bias去爱、去体验人生、去创造作品、去拥抱随机扰动。
星河依旧眉间热，壮志几曾歇。
灶火温家，书灯不减，良知自炳然。
知行一处，少年还在，莫问是何年。
8 00
很多人把Diffusion Model理解为”加噪再去噪”，这是现象描述，不是本质。
其本质是：学习数据流形的得分函数（score function）∇_x log p(x)
得分函数是什么？它是在整个可能状态空间中，每一个点上指向”更高概率密度方向”的向量场。生成过程是一个粒子在这个向量场中运动的朗之万动力学过程，同时注入噪声以避免陷入局部极值。
这不是在”还原”某个预先存在的干净样本，而是在一个由数据定义的几何空间中进行有偏游走，最终落入高密度区域。
其本质是：学习数据流形的得分函数（score function）∇_x log p(x)
得分函数是什么？它是在整个可能状态空间中，每一个点上指向”更高概率密度方向”的向量场。生成过程是一个粒子在这个向量场中运动的朗之万动力学过程，同时注入噪声以避免陷入局部极值。
这不是在”还原”某个预先存在的干净样本，而是在一个由数据定义的几何空间中进行有偏游走，最终落入高密度区域。
4 01
市场本身是被参与者的技术和制度安排共同构造出来的。
一个具体的例子：ETF的普及改变了股票之间的相关性结构。当大量资金通过ETF流动时，一篮子股票会同涨同跌，与基本面无关。这不是市场”发现”了新的相关性——而是一种金融工具的普及创造了新的相关性结构。量化模型如果把这个相关性当作”发现的客观规律”，就错了。类似的：指数编制规则、做市商监管变化、交易所的报价规则——这些制度安排在持续地重塑市场结构。
所以从这个逻辑看或许可以想一想：当下有哪些新的制度性变化？背后又有哪些新的技术可以与这些变化相匹配？当前市面上又有多少人将这种制度-技术配对付诸于行动了？ //@Arielle_Gao: 怎么判断目前的制度-技术配对所产生的机会是否是结构性的，以及有没有被利用？
一个具体的例子：ETF的普及改变了股票之间的相关性结构。当大量资金通过ETF流动时，一篮子股票会同涨同跌，与基本面无关。这不是市场”发现”了新的相关性——而是一种金融工具的普及创造了新的相关性结构。量化模型如果把这个相关性当作”发现的客观规律”，就错了。类似的：指数编制规则、做市商监管变化、交易所的报价规则——这些制度安排在持续地重塑市场结构。
所以从这个逻辑看或许可以想一想：当下有哪些新的制度性变化？背后又有哪些新的技术可以与这些变化相匹配？当前市面上又有多少人将这种制度-技术配对付诸于行动了？ //@Arielle_Gao: 怎么判断目前的制度-技术配对所产生的机会是否是结构性的，以及有没有被利用？
boris包包: 量化策略为什么会失效？ 标准答案是”被套利掉了”。但这个答案预设了一个均衡终态——策略收益趋向于零，市场回到有效。 复杂经济学的答案不同：策略失效不是因为到达了均衡，而是因为它改变了自己所在的环境。 一个成功的策略会吸引资金、孵化模仿者、改变价格形成机制，从而创造出一个它自己无法在其中生存的新环境。这不是收敛，是演化。 这个区别很重要，因为它意味着：寻找”永久有效的因子”是错误的问题。正确的问题是：在这个持续演化的系统中，什么样的主体能够持续存活？
0 00
量化策略为什么会失效？
标准答案是”被套利掉了”。但这个答案预设了一个均衡终态——策略收益趋向于零，市场回到有效。
复杂经济学的答案不同：策略失效不是因为到达了均衡，而是因为它改变了自己所在的环境。 一个成功的策略会吸引资金、孵化模仿者、改变价格形成机制，从而创造出一个它自己无法在其中生存的新环境。这不是收敛，是演化。
这个区别很重要，因为它意味着：寻找”永久有效的因子”是错误的问题。正确的问题是：在这个持续演化的系统中，什么样的主体能够持续存活？
标准答案是”被套利掉了”。但这个答案预设了一个均衡终态——策略收益趋向于零，市场回到有效。
复杂经济学的答案不同：策略失效不是因为到达了均衡，而是因为它改变了自己所在的环境。 一个成功的策略会吸引资金、孵化模仿者、改变价格形成机制，从而创造出一个它自己无法在其中生存的新环境。这不是收敛，是演化。
这个区别很重要，因为它意味着：寻找”永久有效的因子”是错误的问题。正确的问题是：在这个持续演化的系统中，什么样的主体能够持续存活？
8 62
