#随机漫步的傻瓜# 1/ 幸存者偏差（Survivorship Bias） 我们只看到成功者（幸存者），却看不到大量失败者。 例子：股市里连续几年赚钱的基金经理，可能只是几千个经理中靠运气活下来的那几个。我们模仿他们，以为找到了“秘诀”，其实是统计幻觉。 2/ 叙事谬误（Narrative Fallacy） + 事后诸葛亮（Hindsight Bias） 大脑讨厌随机，总爱编造因果故事。事后看，随机事件显得“必然”；但事前根本无法预测。 媒体和专家最擅长此道：用漂亮的故事解释市场涨跌，却对未来一无所知。 3/ 运气 vs 技能 温和成功可能来自技能和努力；极端/野蛮成功（wild success）通常来自方差（variance）和运气。 在高度随机的领域（如交易、创业、投资），短期亮眼表现多半是噪声，不是信号。 4/ 蒙特卡罗思维（Monte Carlo / Alternative Histories） 不要只看实际发生的结果，要思考“所有可能发生却没发生的事”。一个决策的好坏，要看它的预期价值（概率 × 影响），而非单一结果。 情绪、噪声与非线性人类用情绪做决定，却用理性事后解释。 媒体/信息噪声让我们更难分辨信号。 生活是非线性的：小事可能带来巨大后果（正或负）。

通过最近和大家的互动我能明显的感觉到，当前看空、做空的小伙伴明显占据多数。仓位决定言论，所以每天看我发的数据分析对多头更有利，内心找不到爽点，我可以理解。 市场在历经3个月的恢复，从2月份的极端恐慌走到今天，在大级别方向上，我已几乎找不到要强烈提示风险的数据和信号。 但小级别上会有一些，不如也拿出来讲一讲，让看空的小伙伴的心理得以安抚。 如图1所示，Binance永续合约CVD（黄线）从4月份高位快速回落，目前已经跌破90日中位数（红线）。此前，在2-3月是过去两年里最极端的多头主动买入状态之一。 CVD Bias反映的是情绪，不是仓位结构。当价格从7w反弹至8w但CVD Bias下降时，往往意味着多头不愿意继续追高，而空头开始主动卖出做空。 这和我在评论区感受到的情绪是一致的。 于此同时，在现货CVD的数据表现上看，Binance CVD Bias已经走出了触顶并开始拐头向下的趋势。从过去2年的数据来看，该指标会在一定程度上领先于价格行为。 比如，2024.11.24 CVD Bias开始向下，而价格是在12/17开始回调。2025.4.28 CVD Bias开始向下，BTC在5/22开始回调。 同时，我们还应注意一个细节：在以上2个时间节点，Coinbase CVD Bias（图2蓝线）也已早早的掉到红线以下。与之相对应的是，BTC现货ETF的30日净持仓也正在持续下降（图3）。 而这些与当前的数据表现上有所不同：目前Coinbase CVD Bias仍保持在红线以上，且ETF 30日净持仓曲线也没有明显的衰减趋势。 所以，如果你现在选择做趋势空，其实是在赌 Binance CVD Bias 会持续下降，且要配合美国投资者逐渐撤出现货买盘的主导性。 这样的博弈，对风险偏好较低的小伙伴来说是不太适合的，还是老老实实定投现货比较安全。

現在 AI 做 Vibe Coding 其實很容易，所以很多人會用 PineScript 或者是 MultiCharts 之類的工具去做策略回測。新手做回測時，都會遇到一個核心難題，就是如何避免 over-fitting 。 說實在，不管你選用蒙地卡羅還是 Bootstrap ，核心重點都是 OOS 樣本外測試，差別只在抽樣的方式不一樣。所謂的蒙地卡羅 CV，本質上只是在資料樣本切片時，重複進行多次隨機切片而已。 我認為最重要的是，策略開發出來後，一定要上 Live Trading。 上實盤一個月，比對回測數據。如果你的回測說這個月應該賺 5%，實盤也差不多 5%，那你的策略大概沒問題。如果差距很大，那就是回測有問題。 很多人回測曲線超漂亮，可能原因不是 over-fitting，而是 look-ahead bias ，用了未來的資訊做決策。譬如在還沒收盤的時候，就用了收盤才會知道的技術指標。 這種 bug 比 over-fitting 更難抓，因為回測報告上完全看不出來，只有上了實盤，績效才會現形。 很多在網路上寫量化交易的人，沒有說過自己實盤跑了多久、管多少錢、做什麼市場。曲線貼出來都很漂亮，但全部都是回測。 我們公司的策略已經跑了兩年實盤，只做 BTC ，OKX+Hyperliquid 的 AUM加起來 2000 多萬美金，每小時公布淨值曲線跟倉位紀錄，早期玩量化踩的坑我都踩過了。 如果你剛開始做量化，不小心做出了一個回測可以買地球的策略，先不要太興奮。先上小倉位的實盤，跑一個月，把實盤績效跟回測數據放在一起看。 那個差距會告訴你所有你需要知道的事。

过去几年，我一直为阿联酋屡次被评为全世界最安全的国家/城市的记录而感到骄傲，事实也的确如此。这里基本可以做到路不拾遗，你可以在晚上在任何一个街道走路，不用担心出行问题。 但是不出意外的话，意外/无常总是会用一种想不到的方式，打破我们的观念和执着。比如阿布扎比和迪拜的确是很安全，但现在看来，是一种城市治安层面的安全；阿联酋虽然中立，但依然有美军基地，这也构成了伊朗的无人机和弹道导弹攻击的逻辑，在迪拜都造成了地标性建筑物的威胁和损伤，比如，棕榈岛，机场Terminal 3，也就是著名的阿联酋航空的主航站楼，还有七星级帆船酒店。 关于黄金。这次的情况，让我再次思考黄金的问题。随着领空和路上口岸的封闭，我觉得在极端环境下，一个人在自己的居住地储藏实物黄金，都是有问题的，因为你可能么有办法带上他离开你的居住地。实物黄金在极端环境下，是一种“本地化”很强的资产。除非你像现在很多的美国富豪一样，人在美国，然后去新西兰造碉堡，同时把黄金储藏在那里的地下室。这条路对大多数普通人，也没有借鉴意义。 关于比特币。比特币在这次的冲突中，依然扮演着24/7可交易的数字风险资产的角色，当市场的情报已经相信哈梅内伊死亡了以后，比特币的价格和Polymarket上的哈梅内伊死亡的概率，都直接大涨了。所以从这个角度来说，很多时候，我们要相信群体智慧（Wisdom of the Crowd ）。 我觉得关于“比特币是数字黄金”这句话，现在说的太早了。黄金是黄金，比特币还是比特币。至于比特币未来会不会成为数字资产的避险工具，那可能还需要一代人的演化和观察。也可能最后比特币也未必需要成为避险工具（关于他和市场的相关性），最后就是数字资产的价值储藏。 关于多元化。我在阿联酋的有些朋友，自己的财富大头就是不断的积累在阿布扎比和迪拜的房地产。这在投资和金融学上叫做“Home Bias”，也就是因为热爱自己的家乡（或者第二故乡），最后过度配置，就和中国大多数的居民绝大多数的财富都是中国房地产这一个单一类别一样。我也经常劝大家，其实多元化，无论是资产的多元化，地域的多元化，都是一种反脆弱，都是一种对世事无常的“安全边际”的表达。就是说，承认自己的无知和渺小的，那么多元化，就是一种安全边际的表达。 我之前写过一篇《如何在战争中保全生命与财富》，也供大家参考，祝大家都能够在这个乱世中，照顾好健康，生命和财产。

关于AI时代的职业发展，吴恩达和Lawrence在斯坦福的AI时代职业发展讲座内容很详实，分享下我的收获。 1️⃣ AI能力在加速 有一项研究让吴恩达反复引用：AI能完成的任务复杂度，每7个月翻一倍。 衡量复杂度的方式是：这个任务让一个人做需要多久？ 几年前 GPT-2 能完成的任务，换成人类来做也只需要几秒钟，但现在已经进化到AI能够完成需要人类几十分钟甚至几小时的工作。 AI编程方向的翻倍周期更短，大概70天。 但有意思的是，很多人对这个加速的感知是被扭曲的。 原因很简单，评估 AI 能力的 benchmark，满分是100%，你做到90%之后再进步10个点，数值的绝对值变化看起来很小。 于是去年有段时间整个互联网在讨论 AI 是不是在走下坡路，这是因为用一把只能量到100的尺子去量一个还在生长的东西，当然会产生这种幻觉。 真正能衡量 AI 是否变的更智能的指标，不是在 benchmark 测试上的分数，而是 AI 能够处理的任务的复杂度这条曲线，目前看，还在往上走。 2️⃣ PM 和工程师的比例在变 当 Build is Cheap，瓶颈就转移到了决策。 传统硅谷的工程师和 PM 比例大概在4:1到8:1。一个 PM 负责写需求、定方向，四到八个工程师负责执行。 这个比例背后的假设是：执行很贵，写代码很贵，所以你需要大量人手把一个清晰的 spec 变成可运行的代码。 但现在这个假设已经失效了，编码成本在快速下降，但产品决策的成本没有同等下降。于是工程师和 PM 的比例开始向1:1靠近，甚至有团队开始践行这个配比。 更进一步，吴恩达说他现在最欣赏的那批工程师，是能写代码也能跟用户聊的人。 这两件事以前被认为是不同人来做，现在越来越多地被要求长在同一个人身上。 他自己说：在生涯早期，他曾经试图说服一批工程师多做产品工作，结果把一些真正优秀的工程师弄得很沮丧，因为他们不擅长做 PM 工作；他说那是他做过的错误决策之一，后悔了很多年。 然后他说，他觉得自己现在正在重蹈同样的错误。 这句话有点绕，但我觉得他说的是真话：不是所有工程师都应该变成 PM，但如果你恰好能做这件事，你现在的优势会比任何时候都大。 3️⃣ 团队 > 公司 这部分我觉得是整场讲座信息密度最高的地方，也启发了我的机会选择思路。 他讲了一个案例：有个斯坦福的学生，被一家很热门的 AI 公司录用，但对方拒绝事先告知他会加入哪个团队，说有什么 rotation 机制，入职之后再分配。这个学生因为公司品牌够大，就签了 offer，结果被分配去做 Java 后端支付系统。做了一年之后觉得无聊，离职了。 然后吴恩达说，他在 CS230 课上分享过这个案例之后，另一个学生在几年后去了同一家公司，遇到了一模一样的情况。不是 Java 后端，是另一个跟 AI 八竿子打不着的方向。 如果一家公司入职前不告诉你会在哪个团队，这件事本身就是信息。 logo 不大但团队很强的地方，往往比 logo 大但团队一般的地方学得更快。你不是从走进大门那一刻的兴奋感里学东西的，你是从每天打交道的人身上学东西的。 在这个时代，能去到一个足够强的AI Native的小公司，一定比进入大厂的某个传统业务团队更好、成长更快，团队 > 公司。 4️⃣ AI时代的三个能力支柱 接下来换成 Lawrence Moroni 做分享，他是互联网科技的数十年老兵，呆过Google、Microsoft、Meta等公司，他接着讲了他看到当前 AI 人才身上的三个最重要的能力。 1.深度理解：不只是会调 API，而是要真的能读懂论文、理解模型架构、知道什么是信号什么是噪音。这个护城河现在比任何时候都值钱，因为现在社交媒体通过 AI 生成内容、制造噪音的成本降到了零。 2.业务聚焦：你能不能把技术能力翻译成商业价值。他讲了一个案例：一家欧洲公司来找他说想做 Agent，他直接问的第一个问题是为什么，不是要做什么 Agent。剥洋葱剥到最后，CEO 想要的其实是让销售团队更有效率。这个目标里从头到尾都没出现 AI 这个词。从这个真实需求出发，才能做出真正有用的东西，而不是一堆漂亮的演示。 3.Bias toward delivery：这个是他说的，想法很便宜，执行才是一切。他见过很多人带着半生不熟的想法进面试，也见过很多人带着不完整但落地得很扎实的方案进面试，通常都是后者能拿到结果。 5️⃣ 深刻理解技术债 每一行你使用AI生成的代码都是债。 Bug、文档、维护、新需求，这些都是你在还债。问题不在于要不要用 AI 生成代码，而在于你生成的每一行代码是好债还是坏债。 把 technical debt 当成财务债务来理解：买房贷款是好债，冲动刷信用卡买鞋是坏债。 判断标准就三条：你的目标清不清楚？有没有真正的业务价值被交付？别人能不能看懂这段代码？ 他说他在硅谷见过太多人把 vibe 出来的代码直接 check in 进仓库，然后没人知道那堆代码在干什么，原作者后来找到了更好的工作，离开了，那些代码就留在那里成了一块永久的技术债。 最后：一些职业建议 Lawrence 说，他预测未来五年 AI 会发生分叉：一边是越来越大的 frontier model，另一边是越来越小、可以自部署的 open weight model。 他的判断是，大模型这边的泡沫会先破，小模型这边的泡沫会晚一些。 好的工程师应该同时押注两边，而不是把所有技能集中在一个方向上；会训练、微调模型的人才很重要，未来会有越来越多企业自部署小型模型。 相比于做一个领域的专家，更推荐做多个领域的复合人才。