各位一路同行的粉丝、短期会员，一条没有回旋余地的重要通知，请大家务必看完。 我们整套实战金融模型、周期研判体系、独家宏观推演圈子，内部会员名额永久上限锁定200人，满额即关闭新用户通道，不再对外开放招募。 下周，会员价格将直接上调50%以上甚至100%。 同时，现有的双月卡产品将会彻底下架、永久取消，以后再也不会开放这个档位。 这一次不是限时优惠套路，是规则的硬性变更。 短期双月卡，本来就是给到大家体验模型思路的过渡窗口。随着我的宏观预判体系、柯基‑黄金‑债券周期轮动模型逐步深入，因子系数由月自适应改成日自适应，内容深度、内部研报与行情解读的时间成本成倍上涨，已经不再适合低价短期体验模式。 对于现在手握短期会员的家人，你拥有最后一次低成本升级长期创业年卡的窗口期。 一旦跨过下周调价节点： 第一，双月卡直接消失，以后无短期续费选项； 第二，年费直接翻倍，同样的内容，你要多付出一倍成本； 第三，200人名额一旦被新的高价会员占满，就算你愿意加价，也再没有入场资格。 很多人总是习惯再等等、看一看行情再决定。 可涨价不会等行情，名额不会等犹豫。 等到通道关闭、价格翻倍再来后悔，没有任何补票的机会。 如果你长期认可我的交易方法论、想持续拿到周期推演、板块前瞻、模型信号，当下就是短期会员转长期创业年卡最后的黄金窗口。 抓住涨价前最后的时机完成升级，锁定当前原价福利，避开下周翻倍成本，守住200个珍贵席位。 机会不等人，窗口期倒计时开启。 订阅星桥金教把握第一性金融原理改变人生： 免责声明：会员内容仅为财经知识分享，不构成投资建议。

实操方法论： 凸性听起来很抽象，但判断一笔交易有没有凸性，其实可以拆成四个具体的步骤。 第一步，画出亏损边界。问自己：如果我判断完全错了，这笔交易最多能亏多少？注意不是"可能亏多少"，而是"最多亏多少"。有明确止损规则的交易亏损是确定的，没有止损的交易亏损理论上可以无限大。亏损边界越清晰、越小，凸性的"底"越牢固。 第二步，评估盈利空间。如果你的判断是对的，而且市场给了足够的时间和催化剂，这笔交易的上行空间有多大？关键是"上行空间有没有天花板"。买一个估值已经很高的公司，即使判断对了涨幅也有限，这不是凸性。买一个被极度低估的行业，一旦反转涨幅可能是几倍，这才是凸性。 第三步，算凸性比值。用第一步的最大亏损除以第二步的潜在盈利。比值小于0.3是优秀的凸性结构，错了亏1份，对了赚3份以上。比值在0.3到0.5之间是可接受的。比值大于0.5，说明这笔交易的风险收益比不够好，哪怕你觉得"大概率能赚"，结构也不支持你做。 第四步，检查时间成本。凸性下注往往需要等待，等催化剂出现，等市场情绪反转。在等待期间你的资金是被占用的，这是隐性成本。一笔凸性比值0.2的交易如果需要等三年，和一笔比值0.4但只需等三个月的交易相比，后者可能更值得做。 这四步的核心逻辑是把模糊的"感觉"翻译成精确的数字。你不再问自己"这笔能不能赚"，你问自己"这笔的凸性比值是多少"。 投资中最危险的判断方式就是"我觉得大概率能涨"，因为你的"大概率"往往是过度自信的产物。而凸性比值不依赖你对概率的主观判断，它只看结构：错了亏多少，对了赚多少。 以上四步走完，你对一笔交易的凸性就有了具体的、可量化的判断，不再是"感觉这笔交易不错"，而是"亏损边界2%，盈利空间15%以上，比值0.13，等待时间预计6个月"。

交易美股，这几个账户的确影响大： 1. @aleabitoreddit 白毛股神 2. @AntonLaVay Manchurius Hao 期权老手 3. @cnfinancewatch 中美对标行业和个股数据（对标和量化方法论成熟）；大类量化交易（持币阶段关闭订阅）；良心博主。 4. @qinbafrank qinbafrank AI、Crypto、宏观、财报一起看，产业链拆得很细。

最近体验AI交易产品比较多，昨天开始给我赚钱了，开心。 之前想刷点预测市场积分，专门研究过方法论，还用 Surf 搭了一个监控 Polymarket 聪明钱包的网站。每天推送一堆信号，但问题来了 信息很多，却不知道该跟谁、什么时候下手。 也正是在这个过程中，我意识到一个空缺。预测市场一直存在，但几乎没有真正由 AI 主导判断的产品。我一直在等这样的东西，昨天看到 NeoSoul 推出的 Evoevo，方向刚好踩在这个点上。 Evoevo 做的是 AI 原生预测市场。它围绕真实世界的问题直接给出预测，同时把推理过程完整展开，包括证据来源、反方观点，以及在哪些条件下判断可能失效。这些推理是结构化的，可以被比较、复盘，等结果发生后再由系统裁定对错并完成结算。 团队背景也比较扎实，核心成员来自伯克利和剑桥，同时有 AI 研发、Web3 和互联网大厂经验，社区规模已经三万多人，早期讨论度和参与度都不低。 我比较喜欢的一点是，你不仅是在看 AI 判断，还能参与校准逻辑。通过 Agree 或 Disagree 去反馈，让 Agent 持续优化判断路径，长期沉淀的是一套越来越稳定的决策能力。 整个体验门槛不高，也不用太懂技术。AI Agent 还在很早期阶段，但新的应用场景已经开始出现了，值得持续关注。 @NeoSoulAI

我又又整理了一份美股投研优质账号合集 1）@aleabitoreddit（白毛股神）AI + 半导体供应链深挖 2）@jukan05（Jukan）半导体/AI上游供应链 3）@yijiangren（方外之域）研究框架与方法论 4）@cluec3（线索c）交易系统视频教学 5）@artinmemes（美股OK哥） 基本面与财报研究 6）@MMMusol（Musol） 底层逻辑，冷门优质标 7）@jiroucaigou（努力赚钱的菜狗） 美股学习路径 8）@WallStreet0Name（华尔街没有名字） 实战心态 再提醒一句： 这些只是信息源，不是投资建议 不要盲目跟单 明辨是非，独立思考。

加密项目最擅长的不是做产品，而是做阶段性成立的叙事，这是过去几年默认的一套行业方法论。 很多团队并没有真正构建出付费关系、留存关系和长期信任关系，他们只是先发了一个资产，然后希望资产价格上涨能反过来托住业务。 但资产不是业务，估值也不是收入，二级市场的流动性更不是产品价值。 有币、有融资、有用户数据、有TVL，都是流动性宽松阶段的幻象，≠ 成功的商业模式。 如果没有补贴、没有空投、没有PUA、没有新一轮融资、没有交易所上币预期，90%的项目其实都活不过3个月。 币圈需要很多币吗？ 让我举例，10个就够了。

以下是我整理的对Sepp 2014讲座的蒙特卡洛模拟分析的注解。在GreeksLive SABR Backtest中，尽管不是蒙特卡洛模拟，而是真实路径历史回测，我们采用了相同的方法论。 注解：在蒙特卡洛模拟中，作者把每一天的对冲头寸都重新“滚动”成标准化的新头寸，从而让来自不同交易日、不同模拟路径的盈亏（P&L）具有可比性和统计可加性。 到期时间同质性（maturity-time homogeneous） 每天结束时，作者都会把当前头寸平仓，然后立即开一个新的1个月期限的头寸。 因此，无论今天是模拟的第1天还是第100天，每次开仓时的“剩余期限”都完全一样。 这样不同天数产生的P&L就不会因为“剩余时间长短不同”而产生系统性差异。 行权价空间同质性（strike-space homogeneous） ·       跨式期权（straddle）始终开成平值（ATM）。 ·       风险反转（risk-reversal）始终开成相对当前远期的固定百分比行权价（例如99%和101%）。 因此，每次开仓时，行权价相对于当前价格的“位置”是完全相同的。 这样不同天数、不同路径的P&L就不会因为“绝对行权价不同”或“虚值程度不同”而产生差异。 因为满足了上述两个同质性，作者就可以把： 成百上千条模拟路径 每条路径上的所有交易日 的每日P&L全部直接汇总在一起，进行统计推断（计算均值、波动率、夏普比率、回归归因等）。 如果不做这种标准化滚动，不同天数的头寸会有不同的剩余期限和不同的绝对行权价，P&L就会混杂各种异质性，统计结果就不稳健。

想系统学习 AI 量化不知道怎么入门，可以参考以下路径 Machine Learning for Trading(Stefan Jansen)⭐19.9k 从"数据获取 → 特征 → ML 模型 → 回测"手把手教。 如果你想系统入门 AI 量化，从这个开始比任何工具都好——它教的是方法论，学完再用 Qlib/Freqtrade 就通了。 Microsoft Qlib ⭐46k 微软研究院出的 AI 量化投资平台，这是"AI 交易"这个词最正经的开源实现。 它不是让 LLM 瞎猜，而是一整套机器学习做量化的流水线:数据处理 → 特征工程 → 训练模型(预测收益) → 回测 → 组合优化。 有大厂背书、文档全、还有配套论文。 想搞懂"AI 到底怎么用在交易里",这是最好的教材。 FinRL ⭐15.7k —— 强化学习交易 专门用深度强化学习(Deep RL)做交易的框架，学术界最主流的选择。 把交易当成"AI 玩游戏"——agent 在市场环境里试错、学策略。 前沿、偏研究，数学门槛高一点，这是偏硬核的方向。

贵金属 、大宗 、能源 、农产品会轮动。目前是大宗元年。 经济运行有周期，五周期嵌套，只有我们量化交易系统能把握月度的四象限轮动周期，非常实战。 现在是AI大周期的开端。这个是百年为单位的。AI科技革命，我去年七月就说，美国有十年大上行机会。 另外，就是产能周期，AI产能不够用，你不要怀疑。 生产周期，不库存到去库存。 还有房产周期，这个是二十年三十年一个轮回。中国你要能看懂。 人生发财要看懂上面👆🏻，没有方法论你看不懂。我们有方法论，有量化模型，你理解吗？你不能躲在你的视野限制里：