做量化交易，很多人不是死在策略上，是死在连接交易所这一步。
翻到一个老牌开源项目 StockSharp，GitHub 9.5k star。它最实在的地方就是把这些脏活累活先包了——Binance、Interactive Brokers、MT4、MT5、OKX、Kraken 这些都已经接好，你不用再一条条啃接口文档。
除了连接层，它还带了可视化策略设计器、C
适合个人开发者想把手动盯盘升级成系统跑策略，也适合小团队快速验证想法，不用一上来就自建整套底层。
当然它不是装上就能赚钱的东西，策略、风控、数据质量这些硬仗还是得自己打。但至少，它把最消耗耐心的那段路铺掉了一大截。
很多时候真正劝退人的不是市场，是还没开始交易就已经先写了半个月接口。
金融/投资/币圈
翻到一个老牌开源项目 StockSharp，GitHub 9.5k star。它最实在的地方就是把这些脏活累活先包了——Binance、Interactive Brokers、MT4、MT5、OKX、Kraken 这些都已经接好，你不用再一条条啃接口文档。
除了连接层，它还带了可视化策略设计器、C
适合个人开发者想把手动盯盘升级成系统跑策略，也适合小团队快速验证想法，不用一上来就自建整套底层。
当然它不是装上就能赚钱的东西，策略、风控、数据质量这些硬仗还是得自己打。但至少，它把最消耗耐心的那段路铺掉了一大截。
很多时候真正劝退人的不是市场，是还没开始交易就已经先写了半个月接口。
金融/投资/币圈
小白到职业交易员
四步搭建了我的盈利系统
去年开始系统学习交易，总结了
这条亲测有效的成长路径。无保留分享，希望能帮你少踩坑！
第一阶段：基础构建 建议新手先从体系化入门课开始。我当时选的课程偏重基础原理和逻辑框架，内容细致、节奏友好，对零认知小白非常友好。这个阶段重点是建立对市场的结构化认知，不建议实盘，先打好地基。
第二阶段：系统搭建 接下来要学习技术分析的核心方法。我选择的课程以价格行为为主线，通过25节深度讲解，揭示市场博弈的本质。从单根K线到完整交易系统，每一步都有实战案例支撑。这套内容我反复学习了四遍，每一遍都在迭代我的系统框架。建议初次学习时专注理解，二次学习时配合极小仓位实践，在实战中内化知识。
第三阶段：融合提升 当你有了基础框架后，需要一门能打通任督二脉的课程。这部分内容能将之前分散的知识点串联成网，解决那些“好像懂了但用不好”的问。学完这个阶段，你将具备独立分析能力，剩下的就是通过每日复盘来优化系统细节。
第四阶段：深度拓展 如果希望在交易领域持续精进，可以阅读经典著作。某位行业奠基人的系列作品堪称百科全书，信息密度极高。学习目的不是全盘接受，而是从中提炼契合自己交易风格的精华，不断完善个人体系。
关键认知： 技术流派只是工具，核心是建立正期望系统 • 仓位管理比入场信号更重要 • 没有圣杯方法，只有适合自己性格的交易方式 • 纪律是长期盈利的最终保障
这条路需要时间和耐心，但每一步都算数。共勉！
金融/投资/币圈
四步搭建了我的盈利系统
去年开始系统学习交易，总结了
这条亲测有效的成长路径。无保留分享，希望能帮你少踩坑！
第一阶段：基础构建 建议新手先从体系化入门课开始。我当时选的课程偏重基础原理和逻辑框架，内容细致、节奏友好，对零认知小白非常友好。这个阶段重点是建立对市场的结构化认知，不建议实盘，先打好地基。
第二阶段：系统搭建 接下来要学习技术分析的核心方法。我选择的课程以价格行为为主线，通过25节深度讲解，揭示市场博弈的本质。从单根K线到完整交易系统，每一步都有实战案例支撑。这套内容我反复学习了四遍，每一遍都在迭代我的系统框架。建议初次学习时专注理解，二次学习时配合极小仓位实践，在实战中内化知识。
第三阶段：融合提升 当你有了基础框架后，需要一门能打通任督二脉的课程。这部分内容能将之前分散的知识点串联成网，解决那些“好像懂了但用不好”的问。学完这个阶段，你将具备独立分析能力，剩下的就是通过每日复盘来优化系统细节。
第四阶段：深度拓展 如果希望在交易领域持续精进，可以阅读经典著作。某位行业奠基人的系列作品堪称百科全书，信息密度极高。学习目的不是全盘接受，而是从中提炼契合自己交易风格的精华，不断完善个人体系。
关键认知： 技术流派只是工具，核心是建立正期望系统 • 仓位管理比入场信号更重要 • 没有圣杯方法，只有适合自己性格的交易方式 • 纪律是长期盈利的最终保障
这条路需要时间和耐心，但每一步都算数。共勉！
金融/投资/币圈
❤3
段永平：什么是看懂一个公司？
01
我自己的所谓能看懂就是认为自己大概能看懂其商业模式及未来的现金流（折现）。
看懂公司就是你能对其未来现金流有个大致概念（至少能赚多少钱的意思）的时候。
02
“懂”的定义不要太理想化。“懂”并不是能看到未来一切的“水晶球”。能看到一些重要的东西就很不错了。
长远而言，我觉得投资实际上是个概率事件，真正“懂”的人犯错误的概率低，最后的回报高。
03
很多时候不能简单地用某人对某只股票的行为来判断他对投资的理解。
04
对一个好企业而言，如果你看不到企业的20年，但如果能毛估估看懂5年，觉得5年内就能赚回投资并且企业还会继续很好的，这就是一个不错的投资了。
05
所谓看懂了的意思就是认同其未来自由现金流折现远大于当时的市值。
06
搞不懂的公司怎么办？别碰就是了。
07
什么叫“懂了”？当你“懂了”的时候你就懂了。
当你还有疑惑时就表示你还不懂或懂得不够。
08
对于上市公司而言，懂的标准是当他大掉的时候你非常想再买多些，而不是到处打听“发生什么事了”，或者老想着要卖掉。
09
从投资的角度而言，当你觉得你买的股票掉的时候你真的不受影响的时候，你大概就是懂了（不是讲的心理因素），不然就有可能是在投机（尤其是当你觉得害怕的时候）。
10
恐惧程度和了解程度成反比。
11
投资要先看商业模式，理解企业怎么挣钱。95%的人投资都是focus在市场上的，这就是不懂投资，一定要focus在生意上。
12
好的商业模式的很简单，就是利润和净现金流一直都是杠杠的，而且竞争对手哪怕很长的时间里也很难抢。你可以自己想想谁的生意是很难抢的？然后再想想为什么？
13
一般来说，商业模式经常要看的东西不外是护城河是否长期坚固（产品的差异化的持续性，包括企业文化），长期的毛利率是否合理（产品的可替代性），长期的净现金流（长期而言其实就是净利润）是否满意等。
14
我一般会先了解企业文化，如果觉得不信任这家公司，就连报表都不会看的。但
我不会只是基于企业文化买公司，但会把有好的企业文化作为想买的前提之一。
不好的公司文化时间长了一定会伤害到企业自己，而且不好的企业文化一旦建立就很难去掉了。
15
买一只股票往往要很多理由。不买的理由往往就一两个就够了。
16
我看重那些让企业更健康更长久的因素。
企业文化作为过滤器非常有威力，为我避免了很多错误。怎么选对的公司是能力问，不选错的公司是是非问。
17
其实投资和
01
我自己的所谓能看懂就是认为自己大概能看懂其商业模式及未来的现金流（折现）。
看懂公司就是你能对其未来现金流有个大致概念（至少能赚多少钱的意思）的时候。
02
“懂”的定义不要太理想化。“懂”并不是能看到未来一切的“水晶球”。能看到一些重要的东西就很不错了。
长远而言，我觉得投资实际上是个概率事件，真正“懂”的人犯错误的概率低，最后的回报高。
03
很多时候不能简单地用某人对某只股票的行为来判断他对投资的理解。
04
对一个好企业而言，如果你看不到企业的20年，但如果能毛估估看懂5年，觉得5年内就能赚回投资并且企业还会继续很好的，这就是一个不错的投资了。
05
所谓看懂了的意思就是认同其未来自由现金流折现远大于当时的市值。
06
搞不懂的公司怎么办？别碰就是了。
07
什么叫“懂了”？当你“懂了”的时候你就懂了。
当你还有疑惑时就表示你还不懂或懂得不够。
08
对于上市公司而言，懂的标准是当他大掉的时候你非常想再买多些，而不是到处打听“发生什么事了”，或者老想着要卖掉。
09
从投资的角度而言，当你觉得你买的股票掉的时候你真的不受影响的时候，你大概就是懂了（不是讲的心理因素），不然就有可能是在投机（尤其是当你觉得害怕的时候）。
10
恐惧程度和了解程度成反比。
11
投资要先看商业模式，理解企业怎么挣钱。95%的人投资都是focus在市场上的，这就是不懂投资，一定要focus在生意上。
12
好的商业模式的很简单，就是利润和净现金流一直都是杠杠的，而且竞争对手哪怕很长的时间里也很难抢。你可以自己想想谁的生意是很难抢的？然后再想想为什么？
13
一般来说，商业模式经常要看的东西不外是护城河是否长期坚固（产品的差异化的持续性，包括企业文化），长期的毛利率是否合理（产品的可替代性），长期的净现金流（长期而言其实就是净利润）是否满意等。
14
我一般会先了解企业文化，如果觉得不信任这家公司，就连报表都不会看的。但
我不会只是基于企业文化买公司，但会把有好的企业文化作为想买的前提之一。
不好的公司文化时间长了一定会伤害到企业自己，而且不好的企业文化一旦建立就很难去掉了。
15
买一只股票往往要很多理由。不买的理由往往就一两个就够了。
16
我看重那些让企业更健康更长久的因素。
企业文化作为过滤器非常有威力，为我避免了很多错误。怎么选对的公司是能力问，不选错的公司是是非问。
17
其实投资和
❤1
我做企业是一样的，是不是买一家公司的股票，我首先看它是否健康长久，这是看得见的。如果这个企业急功近利，那我就敬而远之，不管它短期内看起来有多红火。
18
如何判断企业文化的好与坏——笼统地讲，就是企业行事是以利益还是以是非为标准。如果凡事是以利益为准绳的，我就不太喜欢。
19
我看公司主要看两个东西，生意模式和企业文化。这两样东西中任意一样我不喜欢我就不会再继续看下去，所以没有懂不懂的问，我不需要懂我没兴趣的公司。
如果生意模式我喜欢（当然至少要懂了的意思），企业文化也很好，那就老老实实等好点的价钱。
20
持有一个自己懂且喜欢的公司，最大的特征就是可以完全漠视市场的变化，就是可以拿着睡好觉。
21
好的商业模式（终极表现是长期净利润高）这样的公司一般都有独特的护城河。
好的企业文化（终极表现是有利润之上的追求）一般的企业都做不到这个，这样就可以轻松快速的淘汰95%的企业。
22
如果一家公司做一些违背企业常理的事情，如果这个企业不讲信用，这个公司就不是一个好公司，这种公司我就不会做长线，不会投资它。
23
了解每个公司的办法可能都不太一样，我一般用排除法，发现不喜欢的东西就离开了，所以最后能留下的目标很少。没办法了解的公司就不碰了。
24
愿意化繁为简的人很少，大家往往觉得那样显得没水平，就像买茅台一样，没啥意思。
25
看年报是了解企业的一个必经的路径。
如果你所有公司的财报都看不懂，那最好还是不要做投资的好，不然时间长了一定会亏的。
26
了解公司没有公式，也没有万灵药方。
什么不明白就想办法了解什么，看年报、实地考察都是办法。
27
如果是企业犯错我不一定卖，要看明白是什么类型的错（麦肯锡7S），说不定也可能是再买的机会。
麦肯锡7S：硬件要素：战略（Strategy）、结构（Structure）、制度（System）；软件要素：风格（Style）、员工（Staff）、技能（Skill）；共同的价值观（Shared Values）。
28
“投资界”总是有人试图找出一种不用懂企业就可以在股市上赚钱的办法，他们永远都不会找到的。如果能找到的，这个办法应该早就找到了，那现在投资界赚钱最多的一定是数学家。
29
投资里最难的就是没有具有“充分条件”的投资，只能从概率的角度考虑。越了解的公司，决策的把握越大，但从来没有100%的赢面。
30
投资并不需要高深的数学，但基本的概率概念还是需要的。
金融/投资/币圈
18
如何判断企业文化的好与坏——笼统地讲，就是企业行事是以利益还是以是非为标准。如果凡事是以利益为准绳的，我就不太喜欢。
19
我看公司主要看两个东西，生意模式和企业文化。这两样东西中任意一样我不喜欢我就不会再继续看下去，所以没有懂不懂的问，我不需要懂我没兴趣的公司。
如果生意模式我喜欢（当然至少要懂了的意思），企业文化也很好，那就老老实实等好点的价钱。
20
持有一个自己懂且喜欢的公司，最大的特征就是可以完全漠视市场的变化，就是可以拿着睡好觉。
21
好的商业模式（终极表现是长期净利润高）这样的公司一般都有独特的护城河。
好的企业文化（终极表现是有利润之上的追求）一般的企业都做不到这个，这样就可以轻松快速的淘汰95%的企业。
22
如果一家公司做一些违背企业常理的事情，如果这个企业不讲信用，这个公司就不是一个好公司，这种公司我就不会做长线，不会投资它。
23
了解每个公司的办法可能都不太一样，我一般用排除法，发现不喜欢的东西就离开了，所以最后能留下的目标很少。没办法了解的公司就不碰了。
24
愿意化繁为简的人很少，大家往往觉得那样显得没水平，就像买茅台一样，没啥意思。
25
看年报是了解企业的一个必经的路径。
如果你所有公司的财报都看不懂，那最好还是不要做投资的好，不然时间长了一定会亏的。
26
了解公司没有公式，也没有万灵药方。
什么不明白就想办法了解什么，看年报、实地考察都是办法。
27
如果是企业犯错我不一定卖，要看明白是什么类型的错（麦肯锡7S），说不定也可能是再买的机会。
麦肯锡7S：硬件要素：战略（Strategy）、结构（Structure）、制度（System）；软件要素：风格（Style）、员工（Staff）、技能（Skill）；共同的价值观（Shared Values）。
28
“投资界”总是有人试图找出一种不用懂企业就可以在股市上赚钱的办法，他们永远都不会找到的。如果能找到的，这个办法应该早就找到了，那现在投资界赚钱最多的一定是数学家。
29
投资里最难的就是没有具有“充分条件”的投资，只能从概率的角度考虑。越了解的公司，决策的把握越大，但从来没有100%的赢面。
30
投资并不需要高深的数学，但基本的概率概念还是需要的。
金融/投资/币圈
This media is not supported in your browser
VIEW IN TELEGRAM
Unusual Whales刚让Claude接入实时市场数据，意味着智能交易门槛直接降低。过去需要专业团队才能做到的操作，现在借助AI，散户也能轻松实现。
这不仅是效率提升，也是市场参与者格局的改变。数据流如期权动态、暗池交易、以及国会交易，AI都能立即分辨出聪明资金与散户的差异。
金融/投资/币圈
这不仅是效率提升，也是市场参与者格局的改变。数据流如期权动态、暗池交易、以及国会交易，AI都能立即分辨出聪明资金与散户的差异。
金融/投资/币圈
🏦 金融行业必装的 10 大 OpenClaw Skills
以下技能均可在 ClawHub 直接安装，实测可用 ✅
───
1. 📈 AkShare Stock（A股量化数据）
🔗 https://clawhub.com/skills/akshare-stock
基于 AkShare 开源库，免费获取 A 股实时行情、历史数据、财务指标。无需付费终端，散户和机构均可使用。
核心能力：实时行情 · K线数据 · 财务三表 · 板块资金流 · 龙虎榜
───
2. 📊 Tushare Finance（专业金融数据）
🔗 https://clawhub.com/skills/tushare-finance
对接 Tushare Pro 金融数据接口，覆盖 A 股、基金、期货、港股、宏观经济等全品类数据。
核心能力：日线/分钟线 · 股东数据 · 基金净值 · 期货行情 · 宏观指标
───
3. 📉 Stock Monitor（股票监控告警）
🔗 https://clawhub.com/skills/stock-monitor-skill
实时监控自选股异动，价格突破、涨跌停、成交量异常时自动推送告警。
核心能力：价格告警 · 涨停监控 · 量能异动 · 自定义触发条件
───
4. 🔍 Multi Search Engine（全网聚合搜索）
🔗 https://clawhub.com/skills/multi-search-engine
同时调用多个搜索引擎，聚合结果。做尽调、查舆情、追政策的利器。
核心能力：多引擎并行 · 去重聚合 · 结构化输出 · 降低信息盲区
───
5. 🔎 Tavily Search（AI 精准搜索）
🔗 https://clawhub.com/skills/tavily
AI 优化的搜索引擎，返回高质量、结构化的结果，专为 Agent 设计。
核心能力：深度搜索 · AI 友好输出 · 财报/公告精准查找
───
6. 📝 Summarize（智能摘要）
🔗 https://clawhub.com/skills/summarize
100 页年报秒变 1 页要点。研报、会议纪要、公告批量提炼。
核心能力：长文浓缩 · 要点提取 · 批量处理 · 多语言支持
───
7. 📄 Office Document Suite（办公文档自动化）
🔗 https://clawhub.com/sk
以下技能均可在 ClawHub 直接安装，实测可用 ✅
───
1. 📈 AkShare Stock（A股量化数据）
🔗 https://clawhub.com/skills/akshare-stock
基于 AkShare 开源库，免费获取 A 股实时行情、历史数据、财务指标。无需付费终端，散户和机构均可使用。
核心能力：实时行情 · K线数据 · 财务三表 · 板块资金流 · 龙虎榜
───
2. 📊 Tushare Finance（专业金融数据）
🔗 https://clawhub.com/skills/tushare-finance
对接 Tushare Pro 金融数据接口，覆盖 A 股、基金、期货、港股、宏观经济等全品类数据。
核心能力：日线/分钟线 · 股东数据 · 基金净值 · 期货行情 · 宏观指标
───
3. 📉 Stock Monitor（股票监控告警）
🔗 https://clawhub.com/skills/stock-monitor-skill
实时监控自选股异动，价格突破、涨跌停、成交量异常时自动推送告警。
核心能力：价格告警 · 涨停监控 · 量能异动 · 自定义触发条件
───
4. 🔍 Multi Search Engine（全网聚合搜索）
🔗 https://clawhub.com/skills/multi-search-engine
同时调用多个搜索引擎，聚合结果。做尽调、查舆情、追政策的利器。
核心能力：多引擎并行 · 去重聚合 · 结构化输出 · 降低信息盲区
───
5. 🔎 Tavily Search（AI 精准搜索）
🔗 https://clawhub.com/skills/tavily
AI 优化的搜索引擎，返回高质量、结构化的结果，专为 Agent 设计。
核心能力：深度搜索 · AI 友好输出 · 财报/公告精准查找
───
6. 📝 Summarize（智能摘要）
🔗 https://clawhub.com/skills/summarize
100 页年报秒变 1 页要点。研报、会议纪要、公告批量提炼。
核心能力：长文浓缩 · 要点提取 · 批量处理 · 多语言支持
───
7. 📄 Office Document Suite（办公文档自动化）
🔗 https://clawhub.com/sk
❤1
ills/office-document-specialist-suite
自动生成和处理 Excel、Word、PPT。投研报告、财务模型、路演材料一键产出。
核心能力：Excel 数据处理 · Word 报告生成 · PPT 自动排版 · 图表制作
───
8. 🧠 Self-Improving Agent（自我进化）
🔗 https://clawhub.com/skills/self-improving
AI 自我反思、自我纠错、持续学习。用得越多越懂你的投资风格。
核心能力：错误自纠 · 偏好学习 · 知识积累 · 能力迭代
───
9. 📰 News Aggregator（新闻聚合）
🔗 https://clawhub.com/skills/news-aggregator
多源新闻聚合，自动抓取财经资讯。配合 Summarize 实现"每日金融早报"。
核心能力：多源抓取 · 实时更新 · 分类筛选 · 自动摘要
───
10. 🌐 Agent Browser（浏览器操控）
🔗 https://clawhub.com/skills/agent-browser
AI 直接操控浏览器，打通无 API 系统的"最后一公里"。
核心能力：网页自动操作 · 数据抓取 · 表单填写 · 系统登录 · 截图留痕
───
⚡ 一键安装
clawhub install akshare-stock tushare-finance stock-monitor-skill multi-search-engine tavily summarize office-document-specialist-suite self-improving news-aggregator agent-browser
💡 组合效果：数据获取（AkShare + Tushare）→ 信息搜索（Multi Search + Tavily）→ 内容处理（Summarize + Office）→ 实时监控（Stock Monitor + News）→ 系统操控（Agent Browser）→ 持续进化（Self-Improving）= 全流程金融 AI 助手 🚀
金融/投资/币圈
自动生成和处理 Excel、Word、PPT。投研报告、财务模型、路演材料一键产出。
核心能力：Excel 数据处理 · Word 报告生成 · PPT 自动排版 · 图表制作
───
8. 🧠 Self-Improving Agent（自我进化）
🔗 https://clawhub.com/skills/self-improving
AI 自我反思、自我纠错、持续学习。用得越多越懂你的投资风格。
核心能力：错误自纠 · 偏好学习 · 知识积累 · 能力迭代
───
9. 📰 News Aggregator（新闻聚合）
🔗 https://clawhub.com/skills/news-aggregator
多源新闻聚合，自动抓取财经资讯。配合 Summarize 实现"每日金融早报"。
核心能力：多源抓取 · 实时更新 · 分类筛选 · 自动摘要
───
10. 🌐 Agent Browser（浏览器操控）
🔗 https://clawhub.com/skills/agent-browser
AI 直接操控浏览器，打通无 API 系统的"最后一公里"。
核心能力：网页自动操作 · 数据抓取 · 表单填写 · 系统登录 · 截图留痕
───
⚡ 一键安装
clawhub install akshare-stock tushare-finance stock-monitor-skill multi-search-engine tavily summarize office-document-specialist-suite self-improving news-aggregator agent-browser
💡 组合效果：数据获取（AkShare + Tushare）→ 信息搜索（Multi Search + Tavily）→ 内容处理（Summarize + Office）→ 实时监控（Stock Monitor + News）→ 系统操控（Agent Browser）→ 持续进化（Self-Improving）= 全流程金融 AI 助手 🚀
金融/投资/币圈
Media is too big
VIEW IN TELEGRAM
伯克希尔2026年股东大会开完了。
我整理了一下这次大会的10条核心给兄弟们：
1）巴菲特谈市场：
现在并不是理想的投资环境。人们的赌博热情从未像现在这样高涨。
最可能的买入时机，是当其他所有人都不接电的时候。
人们讨论和担忧的事情通常不会发生，反而是突如其来的黑天鹅才能撼动市场。
这跟他的老调子一样。别人贪婪我恐惧，别人恐惧我贪婪。但现在的问是，没人恐惧，都在贪婪。
2）巴菲特谈接班人：
巴菲特说，阿贝尔做了我以前做的所有事，甚至还做了更多，而且所有方面都做得更好。
这个决定我们打100分。
我跟你说，巴菲特很少给满分。他对阿贝尔的评价，基本上等于说「交班交对了」。
3）巴菲特谈苹果：
10年前花350亿买苹果，算上股息，现在已经变成1850亿。
巴菲特说，我什么都没做。
他还夸了库克，说库克接替乔布斯，创造了美国商业管理的奇迹之一。
这很巴菲特。买了好公司，然后坐着不动。
4）阿贝尔谈AI：
阿贝尔说，AI必须对我们的业务有益。我们不会为了AI而AI。将以小范围、专注于创造价值的方式部署AI。
会上还放了伪造巴菲特视频，凸显了AI带来的网络安全风险。
数据中心建设对电网的需求，给公用事业公司带来巨大增长机会。但数据中心的能源使用成本要与电网用户隔离开来。
这很务实。不像很多公司，AI还没搞明白，先喊口号。
5）阿贝尔谈投资：
阿贝尔重申，以苹果、美国运通、穆迪、可口可乐为核心四强，作为股票组合基石。
与巴菲特在投资方面绝对合作。
对日本五大商社的投资是长期战略性的，正深化与东京海运等企业的合作。
伯克希尔内部结构精简高效，拥有跨集团资本调配能力，不会拆分或剥离子公司。
6）阿贝尔谈自己的“查理芒格”是谁：
有人问阿贝尔，你的查理芒格是谁？
阿贝尔说，巴菲特和芒格的搭档关系无法复制。我身边围绕着优秀的人，拥有优秀的CEO团队，我会联系他们，征求意见。
这回答很得体。不硬凹人设，承认芒格的独特性。
7）关于保险：AI还替代不了
保险副董事长Ajit Jain说，AI不太可能很快达到可以在定价、理赔等方面进行权衡的程度，那还需要很多年。
如果你指望AI告诉你该买哪只股票该卖哪只股票，我认为这不会发生。
霍尔木兹海峡承保取决于价格，美军护航是前提条件之一。
8）关于财报：利润涨18%，现金3970亿
一季度运营利润113.46亿美元，同比增长18%。
保险承保利润增长28%，铁路BNSF利润增长13%，外汇收益大幅扭
我整理了一下这次大会的10条核心给兄弟们：
1）巴菲特谈市场：
现在并不是理想的投资环境。人们的赌博热情从未像现在这样高涨。
最可能的买入时机，是当其他所有人都不接电的时候。
人们讨论和担忧的事情通常不会发生，反而是突如其来的黑天鹅才能撼动市场。
这跟他的老调子一样。别人贪婪我恐惧，别人恐惧我贪婪。但现在的问是，没人恐惧，都在贪婪。
2）巴菲特谈接班人：
巴菲特说，阿贝尔做了我以前做的所有事，甚至还做了更多，而且所有方面都做得更好。
这个决定我们打100分。
我跟你说，巴菲特很少给满分。他对阿贝尔的评价，基本上等于说「交班交对了」。
3）巴菲特谈苹果：
10年前花350亿买苹果，算上股息，现在已经变成1850亿。
巴菲特说，我什么都没做。
他还夸了库克，说库克接替乔布斯，创造了美国商业管理的奇迹之一。
这很巴菲特。买了好公司，然后坐着不动。
4）阿贝尔谈AI：
阿贝尔说，AI必须对我们的业务有益。我们不会为了AI而AI。将以小范围、专注于创造价值的方式部署AI。
会上还放了伪造巴菲特视频，凸显了AI带来的网络安全风险。
数据中心建设对电网的需求，给公用事业公司带来巨大增长机会。但数据中心的能源使用成本要与电网用户隔离开来。
这很务实。不像很多公司，AI还没搞明白，先喊口号。
5）阿贝尔谈投资：
阿贝尔重申，以苹果、美国运通、穆迪、可口可乐为核心四强，作为股票组合基石。
与巴菲特在投资方面绝对合作。
对日本五大商社的投资是长期战略性的，正深化与东京海运等企业的合作。
伯克希尔内部结构精简高效，拥有跨集团资本调配能力，不会拆分或剥离子公司。
6）阿贝尔谈自己的“查理芒格”是谁：
有人问阿贝尔，你的查理芒格是谁？
阿贝尔说，巴菲特和芒格的搭档关系无法复制。我身边围绕着优秀的人，拥有优秀的CEO团队，我会联系他们，征求意见。
这回答很得体。不硬凹人设，承认芒格的独特性。
7）关于保险：AI还替代不了
保险副董事长Ajit Jain说，AI不太可能很快达到可以在定价、理赔等方面进行权衡的程度，那还需要很多年。
如果你指望AI告诉你该买哪只股票该卖哪只股票，我认为这不会发生。
霍尔木兹海峡承保取决于价格，美军护航是前提条件之一。
8）关于财报：利润涨18%，现金3970亿
一季度运营利润113.46亿美元，同比增长18%。
保险承保利润增长28%，铁路BNSF利润增长13%，外汇收益大幅扭
❤2👍1
转。
投资净亏损从去年同期的50.38亿收窄至12.40亿，GAAP净利润同比增长约120%。
现金储备3970亿美元，历史新高。
9）关于持仓：61%集中在前五大
截至3月31日，61%的股票投资公允价值集中在美国运通、苹果、美国银行、雪佛龙和可口可乐。
集中度依然很高。巴菲特的逻辑是，好公司不需要分散。
10）关于未来：观望，但不悲观
4000亿现金，说明他们在等。
但等不等于悲观。巴菲特说过，现金就像氧气，平时感觉不到，关键时刻能救命。
现在美股估值不便宜，AI泡沫还在吹，他们选择观望。
总结
这次股东大会，核心就一句，巴菲特把接力棒交给了阿贝尔，但投资哲学没变。
卖股票，囤现金，等机会。
核心四强不动，日本商社继续投，AI谨慎观察。
这不是退休，是传承。
金融/投资/币圈
投资净亏损从去年同期的50.38亿收窄至12.40亿，GAAP净利润同比增长约120%。
现金储备3970亿美元，历史新高。
9）关于持仓：61%集中在前五大
截至3月31日，61%的股票投资公允价值集中在美国运通、苹果、美国银行、雪佛龙和可口可乐。
集中度依然很高。巴菲特的逻辑是，好公司不需要分散。
10）关于未来：观望，但不悲观
4000亿现金，说明他们在等。
但等不等于悲观。巴菲特说过，现金就像氧气，平时感觉不到，关键时刻能救命。
现在美股估值不便宜，AI泡沫还在吹，他们选择观望。
总结
这次股东大会，核心就一句，巴菲特把接力棒交给了阿贝尔，但投资哲学没变。
卖股票，囤现金，等机会。
核心四强不动，日本商社继续投，AI谨慎观察。
这不是退休，是传承。
金融/投资/币圈
👍1
牛市结束了？？？
昨天跟大家分享了高胜率的武功秘籍上部，今天直接把下部也分享出来
不管牛市结束与否，大家参考图中的交易形态和技术信号即可
❚ 假突破V1
通过K线形态判断价格短暂刺破关键位后迅速回落，形成长上影线或下影线。
❚ 假突破V3
V3是V1的升级版本，可结合量能不足、跌破均线和1-3日内反转等条件，识别复杂行情中的假突破。
❚ 双重SSR
价格两次尝试突破同一阻力或支撑位均失败并回落，形成主力操盘的陷阱信号。
❚ 三驱动
由三个连续推动波组成，形成依次更高或更低的波峰/波谷，预示价格反转或加速。
❚ 空头回补
空头在下跌后买入平仓，推动价格短期反弹，常出现于支撑位或超卖区域。
金融/投资/币圈
昨天跟大家分享了高胜率的武功秘籍上部，今天直接把下部也分享出来
不管牛市结束与否，大家参考图中的交易形态和技术信号即可
❚ 假突破V1
通过K线形态判断价格短暂刺破关键位后迅速回落，形成长上影线或下影线。
❚ 假突破V3
V3是V1的升级版本，可结合量能不足、跌破均线和1-3日内反转等条件，识别复杂行情中的假突破。
❚ 双重SSR
价格两次尝试突破同一阻力或支撑位均失败并回落，形成主力操盘的陷阱信号。
❚ 三驱动
由三个连续推动波组成，形成依次更高或更低的波峰/波谷，预示价格反转或加速。
❚ 空头回补
空头在下跌后买入平仓，推动价格短期反弹，常出现于支撑位或超卖区域。
金融/投资/币圈
❤1👍1
CRS2.0，生效，在2027年开始回传到东大
（包括各大交易所）
【别犟，犟就自己去问交易所高层】
我们已知信息：
1 炒币违法，但持有币在中国不违法
2 炒币不用交税
3 这些资产信息如果在交易所，会回传到东大
得出结论：
一：对于东大
知道你的资产，甚至知道你的年度盈亏
「因为他只得到年底的报告，不会有详细交易数据」
有没有行动，看高层指示
二：对于交易所
之后，东大身份的资金，会下降的非常厉害！
「所以我觉得现在几家大的交易所争大陆客户，不如想怎么去化解这个问，现在争都是白争，几乎没屁用」
三：对于韭菜
不确定炒币收不收税，谨慎的韭菜只会把大资金隐蔽在链上。
炒币难度进一步加大。
我研究完，发现根本研究不明白，所以，如果有此方面相关经验的朋友，欢迎探讨。
现在找到的途径：
一 忽略噪音，简单粗暴
「最合适的玩法」
资金全部放链上，继续该咋玩就咋玩，出金从链上直接出。 直接绕开交易所。
不动的资金直接放冷钱包。
二 有朋友的操作是：
阿联酋的黄金签身份去注册交易所，相当于另外一套身份，阿联酋身份只会提供给阿联酋的国家。
（安安明确表示，不会在交易所内把阿联酋身份的用户信息回传东大）
但是阿联酋政府，根据CRS2.0的条例，还是会把信息传给东大。
所以，这个我没有想明白如何操作？
三 有朋友去做香港身份，我不知道这个身份的税务规避是怎么样的？
合法合规的用大饼或者U出成干净的美金吗？
我觉得
金税四期+CRS交换升级+（OECD）的IPMCA框架
这三套组合拳下来，会慢慢的完善我国的税务体系，让大家都在图下的框架内好好的活。
尤其是（OECD）的IPMCA框架。
我再多说一嘴：
经济合作与发展组织（OECD）的IPMCA（多变不动产信息交换主管当局协定）框架，预计在 2029 年或 2030 年开始首次信息交换。
大白就是：
在四年后，大家的海外房产，就会透明了！
你拿着Usdt在海外买的匿名资产，如果是你的名下，那就和国内没球区别了。
哪怕每年的租金收50w，你也得加上国内的收入，砍一半出来给我交税！！！
所以，国家给了大家几年的筹划时间。
金融/投资/币圈
（包括各大交易所）
【别犟，犟就自己去问交易所高层】
我们已知信息：
1 炒币违法，但持有币在中国不违法
2 炒币不用交税
3 这些资产信息如果在交易所，会回传到东大
得出结论：
一：对于东大
知道你的资产，甚至知道你的年度盈亏
「因为他只得到年底的报告，不会有详细交易数据」
有没有行动，看高层指示
二：对于交易所
之后，东大身份的资金，会下降的非常厉害！
「所以我觉得现在几家大的交易所争大陆客户，不如想怎么去化解这个问，现在争都是白争，几乎没屁用」
三：对于韭菜
不确定炒币收不收税，谨慎的韭菜只会把大资金隐蔽在链上。
炒币难度进一步加大。
我研究完，发现根本研究不明白，所以，如果有此方面相关经验的朋友，欢迎探讨。
现在找到的途径：
一 忽略噪音，简单粗暴
「最合适的玩法」
资金全部放链上，继续该咋玩就咋玩，出金从链上直接出。 直接绕开交易所。
不动的资金直接放冷钱包。
二 有朋友的操作是：
阿联酋的黄金签身份去注册交易所，相当于另外一套身份，阿联酋身份只会提供给阿联酋的国家。
（安安明确表示，不会在交易所内把阿联酋身份的用户信息回传东大）
但是阿联酋政府，根据CRS2.0的条例，还是会把信息传给东大。
所以，这个我没有想明白如何操作？
三 有朋友去做香港身份，我不知道这个身份的税务规避是怎么样的？
合法合规的用大饼或者U出成干净的美金吗？
我觉得
金税四期+CRS交换升级+（OECD）的IPMCA框架
这三套组合拳下来，会慢慢的完善我国的税务体系，让大家都在图下的框架内好好的活。
尤其是（OECD）的IPMCA框架。
我再多说一嘴：
经济合作与发展组织（OECD）的IPMCA（多变不动产信息交换主管当局协定）框架，预计在 2029 年或 2030 年开始首次信息交换。
大白就是：
在四年后，大家的海外房产，就会透明了！
你拿着Usdt在海外买的匿名资产，如果是你的名下，那就和国内没球区别了。
哪怕每年的租金收50w，你也得加上国内的收入，砍一半出来给我交税！！！
所以，国家给了大家几年的筹划时间。
金融/投资/币圈
❤2👍1
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
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
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
金融/投资/币圈
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
金融/投资/币圈
慢慢给大家梳理一下：
1.先说为什么打仗为什么会对加密黄金btc产生利空，不是tmd黄金吗，一打仗不涨反跌，跟dev sell一样
a.因为战争爆发第一时间，机构和巨鲸的第一反应都是直接抛售风险资产换取cash，btc只是我们圈内目前在幻想的数字黄金，在机构眼里仍然是高波动风险资产
b.7x24h代价，如果今天是周末或者晚上休市时间，那炸了，所有恐慌流动性都会在crypto这种无休市场爆发，散户多头杠杆直接被连环爆
2.打仗也有可能利好比特币
这种情况比较特殊，就是打得死去活来，美国开始下场，财政赤字。那美联储就需要开始QE买单了，这时候比特币的抗通胀作用才真正显现
3.QE凭什么钱不流入更强劲的美股，而流入你现在软弱无力的加密市场
a.首先明确两个概念，一个是EPS，一个是M2，这两个概念是美股与加密货币这轮的本质区别
美股的护城河： 科技巨头有真实的现金流、强劲的财报（EPS）以及天量的股票Buybacks。即使在美联储维持高利率、流动性紧缩的环境下，它们依然能靠自身的盈利能力硬扛着估值往上涨
M2，简单来讲，这就是央行印钞机开动后，全社会实际能动用的“钱”的总量。比特币没有cash flow，不产生利润，没有EPS。它的价格涨跌，极大程度上锚定的是美元的 M2 供应量
b.一旦开始扩表，市场一致偏好风险资产，共识是cash无用，开始向高风险资产下沉。比特币在华尔街就是完美锚定全球流动性（M2）的高Beta。当流动性泛滥时，处于风险曲线最末端的资产，吸收溢出资金后的弹性是最大的。
c.市值体量决定拉盘成本
苹果、微软、英伟达都是几倍于比特币市值，2、3trillion摆在那里，想让这些纳斯达克巨头翻个倍，要非常恐怖的资金量注入
比特币现在跟他们比就是个小宝宝，只有一万亿市值。加上有很高比例是长持者，基本不动的，只需相对极少量的边际资金净流入就可以拉出比纳斯达克巨头多很多的涨幅
d.没有“估值天花板”的投机优势
美股有实际业务支撑，这是它的优点，也是它的天花板。华尔街的分析师可以通过DCF算出一家公司的估值极限，PE等。一旦高得离谱，资金就会获利了结。
而比特币没有现金流，不产生股息。这在紧缩周期是致命伤，但在QE没有估值模型反而成了最大的投机优势——它的价格上限纯粹取决于流动性溢价和市场FOMO共识，涨起来不讲任何基本面武德。
金融/投资/币圈
1.先说为什么打仗为什么会对加密黄金btc产生利空，不是tmd黄金吗，一打仗不涨反跌，跟dev sell一样
a.因为战争爆发第一时间，机构和巨鲸的第一反应都是直接抛售风险资产换取cash，btc只是我们圈内目前在幻想的数字黄金，在机构眼里仍然是高波动风险资产
b.7x24h代价，如果今天是周末或者晚上休市时间，那炸了，所有恐慌流动性都会在crypto这种无休市场爆发，散户多头杠杆直接被连环爆
2.打仗也有可能利好比特币
这种情况比较特殊，就是打得死去活来，美国开始下场，财政赤字。那美联储就需要开始QE买单了，这时候比特币的抗通胀作用才真正显现
3.QE凭什么钱不流入更强劲的美股，而流入你现在软弱无力的加密市场
a.首先明确两个概念，一个是EPS，一个是M2，这两个概念是美股与加密货币这轮的本质区别
美股的护城河： 科技巨头有真实的现金流、强劲的财报（EPS）以及天量的股票Buybacks。即使在美联储维持高利率、流动性紧缩的环境下，它们依然能靠自身的盈利能力硬扛着估值往上涨
M2，简单来讲，这就是央行印钞机开动后，全社会实际能动用的“钱”的总量。比特币没有cash flow，不产生利润，没有EPS。它的价格涨跌，极大程度上锚定的是美元的 M2 供应量
b.一旦开始扩表，市场一致偏好风险资产，共识是cash无用，开始向高风险资产下沉。比特币在华尔街就是完美锚定全球流动性（M2）的高Beta。当流动性泛滥时，处于风险曲线最末端的资产，吸收溢出资金后的弹性是最大的。
c.市值体量决定拉盘成本
苹果、微软、英伟达都是几倍于比特币市值，2、3trillion摆在那里，想让这些纳斯达克巨头翻个倍，要非常恐怖的资金量注入
比特币现在跟他们比就是个小宝宝，只有一万亿市值。加上有很高比例是长持者，基本不动的，只需相对极少量的边际资金净流入就可以拉出比纳斯达克巨头多很多的涨幅
d.没有“估值天花板”的投机优势
美股有实际业务支撑，这是它的优点，也是它的天花板。华尔街的分析师可以通过DCF算出一家公司的估值极限，PE等。一旦高得离谱，资金就会获利了结。
而比特币没有现金流，不产生股息。这在紧缩周期是致命伤，但在QE没有估值模型反而成了最大的投机优势——它的价格上限纯粹取决于流动性溢价和市场FOMO共识，涨起来不讲任何基本面武德。
金融/投资/币圈
❤2👍1
大力推荐这个网站！它把巴菲特致股东的信掰开了，揉碎了，结构化了，变成一个知识库。而我非常喜欢它的结构：总览，图谱，概念，索引。
巴菲特致股东信知识库
https://buffett-letters-eir.pages.dev/
金融/投资/币圈
巴菲特致股东信知识库
https://buffett-letters-eir.pages.dev/
金融/投资/币圈
👍2👎1
传奇交易员总结的 11种K线形态
所有的K线都是反映市场的心理，市场环境决定K线有效性
如果说趋势是交易的基石，那么支撑与阻力位就必须要K线验证
作为一名币圈合格的交易员，是一定要了解这些基础知识
下图是十一种经典的K线形态
1. 双底/W底:
币价两次探底后反转向上，形成W形看涨形态。
2. 下降旗形
币价短暂盘整后继续下跌，形似旗帜的看跌形态。
3. 上升三角形
币价在水平阻力线和上升支撑线间震荡，最终向上突破的看涨形态。
4. 头肩顶
币价形成左肩、头部、右肩后反转向下，预示看跌反转。
5. 上升旗形
币价短暂盘整后继续上涨，形似旗帜的看涨形态。
6. 下降三角形
币价在水平支撑线和下降阻力线间震荡，最终向下突破的看跌形态。
7. 多重底/破底翻
币价多次触及低点后突破，形成看涨反转形态。
8. 上升楔形
币价在收敛的上升通道中运行，通常预示向下反转的看跌形态。
9. 矩形整理
币价在平行支撑和阻力间横盘震荡，预示延续或反转。
10. 圆弧杯柄
币价形成圆形底部后短暂整理，形似杯柄的看涨形态。
11. 扩张三角形
币价波动范围逐渐扩大，形成发散三角形，预示高波动反转或延续。
金融/投资/币圈
所有的K线都是反映市场的心理，市场环境决定K线有效性
如果说趋势是交易的基石，那么支撑与阻力位就必须要K线验证
作为一名币圈合格的交易员，是一定要了解这些基础知识
下图是十一种经典的K线形态
1. 双底/W底:
币价两次探底后反转向上，形成W形看涨形态。
2. 下降旗形
币价短暂盘整后继续下跌，形似旗帜的看跌形态。
3. 上升三角形
币价在水平阻力线和上升支撑线间震荡，最终向上突破的看涨形态。
4. 头肩顶
币价形成左肩、头部、右肩后反转向下，预示看跌反转。
5. 上升旗形
币价短暂盘整后继续上涨，形似旗帜的看涨形态。
6. 下降三角形
币价在水平支撑线和下降阻力线间震荡，最终向下突破的看跌形态。
7. 多重底/破底翻
币价多次触及低点后突破，形成看涨反转形态。
8. 上升楔形
币价在收敛的上升通道中运行，通常预示向下反转的看跌形态。
9. 矩形整理
币价在平行支撑和阻力间横盘震荡，预示延续或反转。
10. 圆弧杯柄
币价形成圆形底部后短暂整理，形似杯柄的看涨形态。
11. 扩张三角形
币价波动范围逐渐扩大，形成发散三角形，预示高波动反转或延续。
金融/投资/币圈
👍3❤2
最近看到大家都在发自己的量化，我也分享下自己的量化，大概跑了半个多月，从Openclaw 换成 Hermes 后就一直在构思这个系统，我没研究过现在和过去其他人的量化逻辑，但我这个目前胜率还凑合，从 1000u 的本金也跑到了 1600+，说下基本自己的思路，也能和大家碰撞想法和交流：
🌟AI 是 Claude + Hermes ，claude 搭系统，Hermes 来分析策略和执行，95% 是 7x24 服务器上跑不占用 大模型Token
🌟核心逻辑和共识是 —— 一个真正会自己学习的Agent。她能记住每一次判断对错，能从失败中提炼经验，能主动调整自己的判断逻辑。就像一个真正的交易员，刚入行时新手，做久了变老手。
就拿我自己来说，从 openclaw 出现以来就在不断的使用学习试各种skill 和方式让他变得更智能更主动的帮我做事，但是实际上他本质逻辑就是个定时器，时间到了开始做事，所以基于这个逻辑想要无缝 7 x 24 的跑下来就必须有个合理的闭环让他循环，我是这样思考的：
1⃣每次决策都留痕
简单来说我每一次跟我的 Hermes 聊天让他帮我每分析或开仓，系统会自动记录一份"决策快照"：
·当时的市场温度（恐贪指数、VIX）
·币种的技术指标（RSI、ADX、量价）
·订单簿的真实买卖情况
·聪明钱在做什么方向
·宏观环境（关税期？FOMC期？）
·Polymarket在赌什么/对应 token 是否有盘口
·为什么做这个判断（理由）
·预测的方向和目标价
这就像一个交易员的工作日记，每笔交易都写下"我为什么这么做，现在是什么环境的判断"。
2⃣24小时后回头看（可以根据我问的情况自动判断时间戳）
24小时后，系统自动回访这笔决策：
当时Hermes说"看多ETH，目标涨3%"
24小时后实际：ETH涨了2.5% → 标记为"判断正确"
24小时后实际：ETH跌了1% → 标记为"判断错误"
这个回访不是简单看价格，而是要分析复盘为什么对、为什么错。
3⃣让AI自己复盘
这里是最关键的一步。如果判断错了，系统会自动把错误的分析和实际结果发给MAKIMA本人，让她自己复盘：
"你24小时前分析ETH看多，给出Conviction 72分 当时你的依据是：RSI超卖、订单簿买盘强、聪明钱方向一致但实际ETH跌了2%
请复盘：
1. 哪个信号判断失误？
2. 当时忽略了什么？
3. 下次遇到类似场景怎么处理？"
🌟AI 是 Claude + Hermes ，claude 搭系统，Hermes 来分析策略和执行，95% 是 7x24 服务器上跑不占用 大模型Token
🌟核心逻辑和共识是 —— 一个真正会自己学习的Agent。她能记住每一次判断对错，能从失败中提炼经验，能主动调整自己的判断逻辑。就像一个真正的交易员，刚入行时新手，做久了变老手。
就拿我自己来说，从 openclaw 出现以来就在不断的使用学习试各种skill 和方式让他变得更智能更主动的帮我做事，但是实际上他本质逻辑就是个定时器，时间到了开始做事，所以基于这个逻辑想要无缝 7 x 24 的跑下来就必须有个合理的闭环让他循环，我是这样思考的：
1⃣每次决策都留痕
简单来说我每一次跟我的 Hermes 聊天让他帮我每分析或开仓，系统会自动记录一份"决策快照"：
·当时的市场温度（恐贪指数、VIX）
·币种的技术指标（RSI、ADX、量价）
·订单簿的真实买卖情况
·聪明钱在做什么方向
·宏观环境（关税期？FOMC期？）
·Polymarket在赌什么/对应 token 是否有盘口
·为什么做这个判断（理由）
·预测的方向和目标价
这就像一个交易员的工作日记，每笔交易都写下"我为什么这么做，现在是什么环境的判断"。
2⃣24小时后回头看（可以根据我问的情况自动判断时间戳）
24小时后，系统自动回访这笔决策：
当时Hermes说"看多ETH，目标涨3%"
24小时后实际：ETH涨了2.5% → 标记为"判断正确"
24小时后实际：ETH跌了1% → 标记为"判断错误"
这个回访不是简单看价格，而是要分析复盘为什么对、为什么错。
3⃣让AI自己复盘
这里是最关键的一步。如果判断错了，系统会自动把错误的分析和实际结果发给MAKIMA本人，让她自己复盘：
"你24小时前分析ETH看多，给出Conviction 72分 当时你的依据是：RSI超卖、订单簿买盘强、聪明钱方向一致但实际ETH跌了2%
请复盘：
1. 哪个信号判断失误？
2. 当时忽略了什么？
3. 下次遇到类似场景怎么处理？"