对于量化研究员来说，华尔街对冲基金开出的年薪十分诱人，通常在20万至65万美元之间。 近期，Jane Street的一名量化交易员，在YouTube上分享了一条50分钟的视频，完整梳理了量化学习的全流程路线图，还隐含了Polymarket等实操场景的相关技巧。 建议你收藏好，今天就抽时间看完，相较于X上那些夸大其词的“神奇公式”文章，这条视频更具参考意义，也更值得你花时间去钻研。

华尔街对冲基金给量化研究员开的工资是真的大方。 顶级机构随便一个量化岗，年薪基本20万到65万美元起步。 最近Jane Street有位交易员在YouTube发了条快50分钟的硬核长视频。 直接把完整的量化学习路线掰开揉碎讲清楚，还顺带聊了实操技巧，连Polymarket预测市场的概率逻辑都讲到了。 网上一堆博主天天吹万能公式、稳赚模型，对比下来，这种一线大佬的经验分享靠谱太多。 交易想赚钱，真没什么玄学。 拼的就是概率建模、风控、执行力，还有长期稳定的统计优势。 都是实打实的底层能力。 与其天天刷各种碎片化干货，不如静下心看完这条视频。 真正拉开交易水平的，从来不是内幕消息，而是系统化的学习思维。 #polymarket#

好策略不一定要更强，但一定要不一样 有些趋势跟踪策略的基金夏普比率（Sharpe Ratio）只有 0.3-0.5，也有很多资金认购，主要是因为策略配置时，除了收益以外，策略间的低相关性也很重要，怎么说 Sharpe 0.3 也是盈利策略。 组合策略的 Sharpe 有收益线性叠加，波动按 √N 叠加的特点。N 个零相关、Sharpe 各为 S 的策略等权组合，组合 Sharpe = √N × S： - 4 个 Sharpe 1 的独立策略 → 组合 Sharpe 2 - 9 个 Sharpe 1 的独立策略 → 组合 Sharpe 3 - 16 个 Sharpe 1 的独立策略 → 组合 Sharpe 4 独立交易员 Scott Phillips 在 Flirting With Models 的节目公开过他的加密组合策略，包括： - 趋势跟踪（CTA 风格， 以 50% 年化波动率作为仓位控制的约束）：过去 4 年 Sharpe 1.7，收益分布正偏（大部分小亏，小部分大赚） - 横截面动量（所有币按波动率标准化后，按过去 N 天收益排名，前几名开多，空后几名开空）：Sharpe 略高于 1.7，收益分布不如趋势偏向单边大赚 - 横截面套息（所有币按资金费率排名，最高的开多，最低的开空）：Sharpe 1.7（与趋势跟踪相近），收益分布是负偏（大部分小赚，小部分大亏），而且这个策略与前两个策略的相关性明显低。 Scott 最后总结：“这三个一起运行，很容易达到 Sharpe 2 ，执行上不需要太精细。” 按之前的公式倒推：N = 3，Sharpe 各 1.7，组合 Sharpe 取决于两两相关度 ρ： - ρ = 0.5 → 组合 Sharpe 2.08 - ρ = 0.3 → 组合 Sharpe 2.33 - ρ = 0 →组合 Sharpe 2.94 可见相关度越低的策略在一起，对组合 Sharpe 提升越大（相关性在极端行情会失效，不过这是另一个话题，这里不展开）。 上面这几个策略都是价格方向上的相对排名，机制上有不少同源。要再降低相关性，就需要换一个完全不同的维度。 波动率策略做的是隐含波动率和实际波动率之差（波动率风险溢价），与价格方向的相关性显著变低。AQR 在波动率策略的研究里提过，波动率风险溢价策略与动量、套息、趋势的相关性都很低，所以将这类策略纳入组合，能显著降低波动性，从而提升组合 Sharpe。 可以试算一下，我们假设当前组合的相关性为 0.5，夏普为 2.08，此时加入一个 Sharpe 1.2 且和其他策略相关性只有 0.1 的新策略，那么新组合 Sharpe 将提升为 2.29。即使新增策略的 Sharpe 略低，依然使得整个组合的 Sharpe 提升了 10%。这是配置层面的杠杆：加入不同源的新策略，等于打开了一个新世界。

在移动应用市场获得高额月收入的实战公式 据研究，成功的核心在于选择能解决用户深层痛点的“止痛药型”创意。 通过模仿成熟竞品的引导流程与付费墙结构，并利用 Rork 等高效工具在短时间内完成开发，可以显著降低失败风险。 在营销方面，建议开发者不要盲目追求流量，而应专注于将观看量转化为实际的下载与付费。 通过高品质的UI设计与激进的社交媒体推广，开发者可以快速验证想法并实现规模化盈利。 总而言之，通过拆解从选题、构建到变现的闭环，利用 AI 工具与经验模型 逃离平庸，还是有可能实现商业成功。

最近我也在研究这个方向，但自己还是小白一些，所以希望和大佬们学习。 按照午饭老师的说法，目前 $CRCL 在 Binance 的资金费率确实高的离谱，那么套资金费率应该是不错的方案。 既然是套利，必然是风险较低的方案，我目前想到的就是在券商买假如 10万 美元的 CRCL 的股票，然后在 Binance 10万 美元 1倍 做空 CRCLUSDT ，来吃资金费率。 这应该是最基础的方式，但考虑到如果 CRCL 暴涨的话，有可能会出现风险，所以我会增加两步，第一步，是买 OTM 的 CALL ，比如买到 150 美元的 CRCL ，然后在 Binance 的准备金多准备 1.5 倍，来防止极端行情。 OTM 的 CALL 我打算是买 3 张就差不多了，这里有个公式。 比如我做空 10 万美元 CRCLUSDT，资金费是 0.5% / 8 小时。 一天三期，大概是： 10 万 × 0.5% × 3 = 1,500 美元 / 天 如果我准备拿 3 天，理论资金费大概： 1,500 × 3 = 4,500 美元 但是我需要撬动的总资金是在 28 万美元左右，扣除 OTM ALL 的 1,500 美元成本，在扣去一些乱七八糟的费用，大概的收益是在 2,800 美元左右，实际的年化收益是 100% 左右。 如果是我的话，我会建议小伙伴们如果有 $CRCL 的仓位，短期去套一下资金费率是可以的，如果本身并没有 CRCL 的仓位，这种套利感觉有点累。

有個阿伯誤加進一個理工研究生的 LINE 群組。 群裡有人突然提問： 「一滴水如果從很高很高的地方自由落體砸到人，會不會把人砸傷，甚至砸死？」 有人開始算重力加速度、有人提出空氣阻力、有人列公式、建模型、各種假設。 大家熱烈討論快30分鐘。 最後阿伯聽不下去，問了一句： 「你們都沒淋過雨嗎？」

2000互联网泡沫的问题是应用跟不上泡沫，实际上互联网红利一直到2018年才真正显现。 AI浪潮和不同的是，应用和基建同步，微小泡沫都会被互联网立马戳破。 任何不细研究直接套公式的都是傻子

一个新公链挖矿项目 #MarsChain# ⁽火星链⁾，热度挺高，看了下它的机制设计的挺不错的，深度研究了下，果断入场了！ 开始介绍项目前先放波粉丝福利给大家： 抽5个粉丝每个人送价值600U的算力加10000个mars代币，可以每天产出价值30RMB代币，而且是永久产出！ 1️⃣关注 @MarsChainCN + @MarsChainCS 2️⃣点赞+转发+评论 @MarsChainCN 置顶推文 3️⃣进入他们官方电报群: 4，进群找群主领取Mars机制资料，学习Mars（参与抽奖必要条件） ⬛️新手核心操作： 下载钱包 （Google Play 和 App Store 都能搜到），国内安卓手机官网下载安卓版本即可。 用钱包地址领完基础空投算力后，直接打开“销毁挖矿”页面 一键 Burn MARS 就完事 ⬛️全程不用矿机、不用质押、不锁仓。你燃烧多少，就立刻获得对应永久算力，这个算力是终身有效的，直接决定你以后的出块收益和挖矿回报。 —————————— 我开始加入是看几个大佬在说这个项目，另外就是研究项目之后，被它“贡献即所有、销毁即通缩”的闭环逻辑吸引过来的。现在很多公链还靠质押或硬件卷，MarsChain 用真实贡献（Burn）来证明算力（PoC），再配合双刚性方程，搞出了一套自己能跑起来的价值捕获机制。 ⬛️项目最具特色的两个方程，简单给大家说说： 圣诞方程：每年12月25日触发，全网35%流通量强制销毁，同时参与者算力还能指数级暴增（10倍、20倍、40倍、80倍、160倍以此类推）。直接把通缩和增长绑成正反馈。 预言机方程：价格从最高点回撤超50%，并持续7天，自动触发同等销毁35%流通量+算力倍增。相当于给项目内置了价格托底和重置机制，避免传统熊市那种崩盘式洗牌。 这种设计把大家的贡献直接转化成了网络韧性，我特意去区块浏览器看了早期销毁数据，公平公开，把稀缺性写进了代码。 ⬛️还有去中心化矿池的裂变玩法：支持邀请制，新人 Burn 时，邀请人能拿50%直推+25%间推的额外永久算力，拉人效率比普通空投强多了。 ⬛️有闲钱的朋友可以看下燃烧挖矿步骤（亲测超简单）： 在交易所买入 MARS，转到你的 Mars Wallet钱包 打开 App → 进入“销毁挖矿”页面 → 输入数量 → 确认 Burn 立刻获得永久算力（公式自动计算，约188天币本位回本） 新手建议先从小额起步，熟悉一下流程就行。 项目现在还在早期，主网上线才没多久，早加入早受益，比起那些卷硬件、卷TVL的赛道，MarsChain 把“投机”变成了“共建”，普通用户也能通过 Burn 成为网络股东。而且代币总供应量2000亿永不增发，每448天就会减半，可以说长期的稀缺性拉满了。 这条链在机制上实现了“贡献-通缩-价值”的自我闭环，是少数让我愿意长期持仓观察、持续贡献算力的项目。 DYOR，非投资建议～

金融人狂喜，Anthropic 开源了金融全家桶 兄弟们，Anthropic 悄悄在 GitHub 开源了一个金融行业的 AI 工具仓库，我翻了一遍 README 直接惊了。 简单说就是：投行、研究、PE、财富管理、基金运营的常见工作流，他们全给你写好了 AI 代理和技能包。 亮点速览： • Pitch Agent：从 comps 到 LBO 到 PPT，全自动生成 • Model Builder：DCF、三张表直接在 Excel 里搭，不用手敲公式 • Earnings Reviewer：财报出了直接喂进去，自动更新模型 • GL Reconciler：对账找差异不用人肉，效率拉满 • 11 个数据连接器：FactSet、S&P、Morningstar 都接上了，数据源不用愁 使用方式超简单： 可以装 Cowork 插件，也可以用 API 部署，还能在 Excel/PPT/Word 里直接用（微软 365 插件） 技术栈？不存在的 全是 Markdown 和 JSON，零编译。Fork 下来改改提示词就是你自己的，二次开发门槛极低。 Apache 2.0 协议，免费商用，这点很关键。 说实话看完感觉金融民工的春天要来了，以前搭模型写 memo 做 deck 的时间可以省一大半。 当然提醒一句，所有输出都需要专业人士审核，不能直接当投资建议用，工具是工具，决策还得靠自己。 往期GitHub合集： 项目地址放评论区了👇

我昨天踩了一个很典型的 PnL 坑：现金流看起来亏了 335 万，但它根本不是每日收益。 事情是这样的。 我拿 5 个 盈利最高的Polymarket 地址，按 activity 流水算最近 14 天表现，结果合计是 -3,350,709.97。第一眼看，很吓人，像是这批地址 14 天亏了 335 万。 难道是翻车了吗？ 研究了半天才意识到有个关键问题： 买入没有卖出的仓位，只是现金流流出，不等于当天亏损。 如果一个钱包今天花 10 万买入仓位，系统只看流水，就会看到 -10 万。可这个仓位还在，可能明天涨，也可能下周结算。你不能因为钱从余额里出去了，就直接说它今天亏了 10 万。 更明显的是，同一批地址按一个月 activity 公式算，结果是 1,398,554.24；但 PredictFolio 同期只有 100,977.66，差了 1,297,576.58。 问题不在数字，而在口径。 activity 更像现金流审计：钱什么时候进，什么时候出。 PnL 更像收益统计：这段时间资产到底涨了多少，跌了多少。 所以我的判断标准变成了： 看时间段收益，用累计 PnL 快照。 查资金流向，用 activity。 不要把“买入形成仓位”，误看成“当天亏掉本金”。 链上数据最容易骗人的地方，不是它没有数据。 而是它给了你一个看起来很精确、但口径完全不对的数字