复盘一下 NFP 之后的市场。 我觉得现在市场正在同时交易两条非常清晰的 Reverse 逻辑： 1. NFP → 加息预期快速降温 9月 NFP 只新增 2.9万人，失业率升至 4.2%，同时7、8月就业合计又被下修6万人。(Bureau of Labor Statistics) 最直接的变化就是市场重新定价 FED。 目前10月加息概率已经从一周前的约 64%降到24%左右，市场基本开始交易10月暂停。 这里需要注意一个时间点： 今年剩下的 FOMC 只有 10月27-28日和12月8-9日，11月没有议息会议。 所以真正应该观察的是： 10月暂停 → 12月是否还需要加 → 整个加息周期最终还剩几次。 现在市场真正开始提前交易的，就是本轮加息周期可能缩短。 这对成长股和高估值资产是直接的边际利好。 但我暂时不会因此直接转向全面 Risk-on。 因为另外一个风险还没有解决： 长端美债收益率依然很高。 10Y仍然在5%以上，而且长端收益率受到期限溢价、国债供给等因素影响，并没有随着加息预期下降同步大幅回落。 所以目前更像： 短端开始交易 FED 转鸽，长端依旧交易财政/通胀/供给压力。 这两个逻辑目前同时存在。 2. 第二条 Reverse：原油 原油也开始出现事实上的回落。 周一 Brent 下跌约 1.9%至100.32美元，WTI 下跌约 1.8%至89.43美元。 原因包括中东原油出口恢复、G7释放供应，以及沙特下调亚洲OSP。 这意味着此前市场交易的： 油价上涨 → 通胀上升 → FED更鹰 → 航空/邮轮成本上升 开始出现反向交易： 油价回落 → 通胀压力下降 → FED加息压力下降 → 高燃油成本行业利润预期修复。 这里我会重点观察两组： 邮轮 嘉年华 $CCL 皇家加勒比 $RCL 挪威邮轮 $NCLH 航空 达美航空 $DAL 联合航空 $UAL 美国航空 $AAL 西南航空 $LUV 这些公司的共同点很简单：燃油都是非常重要的成本项。 之前油价下跌时，$AAL、$UAL、$DAL 曾经同时出现超过2%的上涨，$CCL、$NCLH、$RCL 也同步上涨，说明市场确实会交易这条成本端 Reverse。 所以接下来我的观察框架很明确： ① NFP Reverse 就业降温 → 10月加息概率暴跌 → 市场开始交易加息周期缩短 ② Oil Reverse 原油回落 → 通胀预期缓和 → 航空/邮轮成本预期改善 如果后面油价继续向下，同时10Y也开始真正回落，那么这两条 Reverse 会从局部行业交易进一步扩散到整个风险资产。 目前最大的确认信号，依然是 10Y。 —————— 但是 最大框架不变，只是周期上出现了些许调整。

先说结论：本次市选结果列治文右转，温哥华左转 一个容易被忽视的变量是： 你是业主还是租客，以及你每个月到底承受多少住房成本。 2021 Census： 🏠 Richmond：约 71% 家庭自有住房，29% 租房 🏢 Vancouver：约 45.5% 自有住房，54.5% 租房 两座城市的住房结构几乎是两个不同的世界。 最近 Vancouver 民调又显示出明显的业主/租客政治差异。 Pallas Data 的 Council 民调： ABC 业主：13.3% 租客：4.3% Green 业主：9.4% 租客：20.0% ABC 在业主中的支持率约为租客的3倍；Green则在租客中明显更强。 但还必须加入一个变量：可负担性。 Statistics Canada 把住房成本达到家庭收入30%以上定义为住房不可负担。全国数据也显示，租客承受这种压力的比例明显高于业主。 这意味着住房问题对不同居民可能代表完全不同的利益： 对租客来说，可负担性更多直接体现为： 租金、空置率、住房供应和能不能继续住在这个城市。 对业主来说，则可能更多体现为： 地税、市政收费、按揭成本，以及自己的房屋和社区。 因此，不能简单地说： “房价越高 → 选民越左” 或者： “业主越多 → 城市越右”。 真正值得观察的是： 住房身份 × 可负担性压力 × 市政财政负担 Vancouver 是一个租客占多数、住房负担压力很大的城市，因此住房可负担性议题面对的是一个庞大的租客选民群体。 Richmond 则完全不同——约七成家庭拥有住房。 这意味着同样是“住房太贵”，两个城市的居民可能要求市政府解决的并不是同一个问题。 Vancouver 的政治竞争更容易围绕租金、租客和住房供应展开； Richmond 的政治竞争中，住房供应同样重要，但地税、市政开支和业主持有成本面对的潜在选民群体更大。 人口结构不会自动决定选举结果，但它决定了每一种政策到底触及多少人的切身利益。

祝贺聂辉华教授出任清华大学社科学院长聘教授、博士生导师。 我这位老乡长期在人大工作，是一位真正的“土鳖”——本土培养的有建树的经济学者。主要研究政企关系、企业理论和制度经济学，在《中国社会科学》、《经济研究》、Review of Economics & Statistics 等国内外顶级学术刊物上发表了几十篇论文。

📢 NIUMA WORKS 测试网最终结算公告 NIUMA WORKS 测试网奖励统计已进入最终确认阶段。 请所有参与测试的用户尽快核对任务记录、订单记录、提交状态、验收状态以及奖励统计。 本轮测试网奖励将在 5/14 统一发放。 如发现数据遗漏或结算异常，请尽快联系社区管理员反馈。 结算完成后，NIUMA WORKS 将进入正式版上线前的最后准备阶段。 感谢每一位参与测试、提交反馈、一起打磨产品的牛马。 链上开工前，最后确认一次。🐂🐎 NIUMA WORKS 让建设被记录，让劳动有回报。 📢 NIUMA WORKS Testnet Final Settlement Notice The final confirmation stage for NIUMA WORKS testnet rewards has officially started. All testnet participants are encouraged to check their task records, order records, submission status, review status, and reward statistics as soon as possible. The testnet rewards will be distributed on May 14. For any missing records or settlement issues, please contact the community admins as soon as possible. After the settlement is completed, NIUMA WORKS will move into the final preparation stage before the mainnet launch. Thank you to every NIUMA who participated in testing, submitted feedback, and helped improve the product. One last check before we start working onchain. 🐂🐎 NIUMA WORKS Record contribution. Reward real work.

有位作者，把自己在阅读《An Introduction to Statistical Learning》这本经典统计学习入门书的学习过程笔记，开源了。 项目名叫 isl-python，按章节把 ISL 和补充的 ESL 内容用 Python 实现出来。 涵盖回归、分类、重抽样、正则化、非线性模型等章节，每章都配着对应代码实现和笔记，还标了完成日期。 GitHub： 仓库里还整理了原书 PDF 链接和补充的机器学习数学推导资料，方便对照着学。 适合正在看这本书、想找个进度参照或代码实现例子的朋友，跟着一起学习。

ai4bio的最本质的挑战是，生命科学中大量的核心问题属于计算不可约（Computational Irreducibility）问题。几乎不存在通用的“数学解析解”或“快捷算法”，必须一步步完整模拟其微观物理过程。 但生命科学近年来呈现出一个奇特的范式分野：底层机制是计算不可约的，但宏观功能却往往是“经验可归纳（Statistically Reducible）”的。 斯蒂芬·沃尔夫勒姆（Stephen Wolfram）提出的计算不可约性，本质是指：一个系统的演化过程本身就是获取其未来状态所需的最小计算量，无法通过某种简化的数学公式跳步求解。 生命系统的底层恰恰全盘满足这一特性的物理前提： 跨尺度的非线性与组合爆炸蛋白质动态与全原子折叠动力学---虽然 AlphaFold 系列在预测“基态静态结构”上取得了突破，但蛋白质在真实生理环境下的构象转换、别构调节、非折叠蛋白（IDPs）聚集及相分离，完全依赖于皮秒级别的范德华力、静电相互作用与溶剂熵增。只要离开统计学能覆盖的结构模体，精确求解就必须回退到底层的分子动力学（MD）模拟——每推进一个飞秒都需要全局重新计算一次能量场。 基因调控与代谢网络---单个基因的突变并非简单线性映射，它受表观遗传修饰、转录因子结合亲和力、RNA 降解速率、空间染色质构象（3D 基因组）乃至代谢物反馈的联合调控。这种由成千上万个节点组成的非线性动力系统，其相空间极其庞大，状态往往敏感依赖于微小的初始涨落（蝴蝶效应）。自指性与历史偶发性（Frozen Accidents） 生命是一个自我指涉的开放机器---DNA 编码蛋白质，而蛋白质负责复制、校对与修饰 DNA。生物演化不是在全局最优解上做梯度下降，而是由大量偶发的历史事件（例如内共生事件形成线粒体、古病毒基因整合）经过数十亿年修补（Tinkering）而成的“遗产系统（Legacy Code）”。 其缺少优雅的底层物理对称性，导致任何不包含其演化历史信息的捷径模型极易失效。细胞命运决定的分岔行为从受精卵到复杂有机体的分化、肿瘤微环境下的耐药突变产生，微观分子的布朗运动和基因表达的固有随机性（Intrinsic Noise），会驱动细胞在瓦丁顿表观遗传景观（Waddington landscape）的不同引力盆之间跳跃。 预测一个干细胞系在几百代后的确切异质性分布，本质上无法跳过真实的生长时间。 但是，现代 AI 为何能“绕开”计算不可约的壁垒？如果生命系统是严格计算不可约的，为什么近几年的 AlphaFold、ESM 等基础模型能够实现前所未有的预测精度？ 答案在于有效理论（Effective Theory）与粗粒化（Coarse-Graining）的胜利：自然选择压缩了搜索空间：在理论上，一条几百个氨基酸的多肽链可能折叠出的构象空间是无限的天文数字（Levinthal 悖论）。但真实生物圈并不是纯粹的随机漫步——演化只保留了具有热力学稳定性、功能特异性的极小构象流形。 从因果机理推演转向高维几何插值：深度学习模型并没有在物理底层上“解密”微观运动的解析方程，而是利用 MSA（多序列比对）和跨物种同源数据，隐式重构了演化历史在低维嵌入流形上的投影。 换言之，AI 并没有把不可约的方程解析掉，而是通过记忆与插值演化留下的指纹，绕过了动力学微观步进。 生命科学之所以在转化应用（尤其是新药研发和临床靶点验证）中依旧面临极高的失败率，根本原因正是工程落地往往发生在“计算不可约”的深水区： 比方说，脱靶毒性与系统副作用---你在高维表征空间里为靶点设计了一个完美的分子，但该分子在体内与数万种其他蛋白、脂质甚至肠道菌群产物的多体动力学互作，无法被任何简化模型提前全盘预知。最终仍必须依赖耗时的体内实验（In vivo）——即让活体生物作为“物理模拟器”运行自身的时间。 又比如，虚拟细胞（Virtual Cell）的瓶颈---当前计算生物学界正在攻关的“全细胞数字孪生”，每提升一个数量级的微观保真度，所需的运算步长就成指数级压缩。即使算力提升数个数量级，若底层的离散与随机多体性质导致不可约性，单纯堆叠 GPU/TPU 也只能推进微秒级的模拟。 本质上，生命系统是在宏观层面维持自组织耗散结构的、由微观计算不可约动力学驱动的实体。 目前的研究程度表明，只要问题关乎稳态模式识别，我们就能找到统计学上的捷径；但只要问题深入到跨尺度的因果动力学与时间演化，大自然依旧没有给人类留下跳过计算过程的后门。

Bitget AI 黑客松「免报名直接提交」硬核通关指南-0撸50刀羊毛 Bitget AI Hackathon 的提交阶段已经进入最后冲刺。作为观察者，我一直在追踪这次比赛的动态。 我发现很多开发者和交易员存在一个巨大的误区：“我之前没报名，现在是不是错过了？” 完全没有！这次黑客松最硬核的规则在于：不需要提前注册，没报名也可以直接填表提交项目参赛！ 盘了一下奖池，回报率极高： • 总奖池：50,000 USDT • 一等奖：6,600 USDT • 发糖低保：只要提交 Demo 并发帖，就能直接拿 +50 USDT 的基础参与奖，门槛极低！ CN 提交链接（直接填表就能战）： EN 提交链接： 如果你手里有现成的 AI / 量化 Demo，或者想在最后几天快速拼一个 Agent，这篇深度通关教程将告诉你如何利用官方的“底牌”快速构建一个能打的作品。 一、 解构底层武器库：官方给的两个“外挂” 想要拿高分，必须理解 Bitget 这次黑客松主推的两个底层工具体系——Agent Hub 和 Playbook。 它们分别对应了“开发者”和“非代码交易员”的终极需求，甚至打破了 Crypto 与美股的资产壁垒。 1.Agent Hub：开发者的“全功能感知层” 传统 AI 交易最头疼的是自己去写爬虫抓推特情绪、接各家链上数据源。 Agent Hub 相当于把这些脏活累活全包了。 它提供了 58 个涵盖极度细分的交易执行 API，同时其“感知层 Skill”能让你的 Agent 同时具备读取宏观经济指标、链上大额异动、社媒情绪（X/Reddit）以及传统技术指标的能力。 最亮点的是它支持美股代币化资产。这意味着你的 Agent 可以一边盯着 Nvidia 的财报情绪，一边在 Crypto 市场做套利或对冲。 2.Playbook：非代码交易员的“自然语言编译器” 如果你不擅长写复杂的 Python 代码，Playbook 是你的通关密码。 它支持自然语言交互，你可以直接对它说：“帮我写一个策略：当 BTC 突破 20 日均线，且美股标普 500 波动率下降时，自动做多买入，并在亏损 3% 时硬止损。 ”AI 会自动将这段话编译成策略方案、自动跑回测，并提供一键部署的看板。从“有想法”到“跑起来”全链路覆盖。 二、 三大高分创意思路（现在动手还来得及） 根据我目前观察到的赛道风向，评审团对“感知 + 执行全打通”的 Agent 表现出极大的兴趣。 以下三个方向最容易在最后阶段通过组合官方 API 快速出活： 方向 A：Agentic Trading（感知-决策-执行全自动闭环） 不要只做一个简单的“信号提醒机器人”。利用 Agent Hub 的感知 Skill，做一个能够根据社媒 KOL 情绪变化 + 链上巨鲸钱包动向，自动在 Bitget 调起交易 API 进行现货/合约跟随的 Agent。这种全打通的基础基础设施在评选中极具含金量。 方向 B：美股与 Crypto 跨市场套利 Agent 利用黑客松对“美股代币化资产”的支持，构建一个跨衍生品套利模型。 例如：监测美股 AI 板块（如 NVDA、AMD）的日内波动率和期权数据，联动 Crypto 侧的 AI 概念代币（如 FET、NEAR）进行统计套利 （Statistical Arbitrage）或动量跟随。这轮美股 AI 行情大多数人只会买入等涨，而你可以用 AI 玩转跨市场对冲。 方向 C：基于 Playbook 的无代码策略生产线 如果你是策略产品经理或老交易员，可以利用 Playbook 快速生成 3-5 个针对极端行情（如深夜插针、流动性枯竭）的黑天鹅防御策略，跑通回测并录制 Demo 视频。 这种贴近真实交易场景的应用极易拿到好名次。 三、 极限通关：如何确保拿到 50 USDT + 冲刺 6,600 USDT？ 时间紧迫。 请严格按照以下步骤进行“压哨提交”： 1.准备 Demo 资产：不需要代码极其完美，但一定要有核心逻辑演示（一段 Github 代码库链接、或一段 2 分钟的屏幕录制视频说明你的 Agent 是如何工作的）。 2.无需注册，直接填表：点击官方提交通道，在表单中填写你的项目名称、简介、Demo/Github 链接。 3.顺手拿走 50 USDT：提交完成后，在 X (Twitter) 上发布一条关于你作品的推文，带上话题 #BitgetHackathon# 并 @Bitget AI 官方账号。只要是有效提交 + 发帖，+50 USDT 额外奖励稳稳到手。 总结一下，传统量化交易里需要花费几个月搭建的“数据抓取-回测引擎-交易执行”链路，现在借助 Bitget 的 Agent Hub 和 Playbook，几天之内就能拼装出一个雏形。 👉 中文提交通道： 👉 英文提交通道： @Bitget AI #BitgetHackathon#