过去，不少新加坡人周末到柔佛消费和休闲，看准的就是新元对令吉的汇率优势与当地较低的物价。然而，随着令吉今年强势走高，不少新加坡人开始评估：越堤消费是否还像过去那么划算？#用听的，了解更多。# #理财万事通# #投资理财#

我和flap平台C总的故事之一： 我和C总不是从一开始就很熟。 最早有交集的时候，其实只是因为一些项目上的事情。那时我深度参与建设一个项目，也经历过市场波动，最后结果并不算好。我亏了不少钱（因为我陪着我爸在上海每天跑几家医院看医生，几乎没空摸手机），要说完全没有情绪，那是假的， 币圈本就是赚钱大家都开心，亏钱人人心里都憋屈，尤其我是做社区的人，不止想到自己的赢亏，更多的是考虑身边的朋友及团队的利益， 所以一开始，我对 C总的了解并不多，并且带着一点距离感。 后来真正慢慢熟起来，仍因为校长。 缘于相信校长，我推荐过来的项目中间有一些事情需要沟通，有一些社区方向需要交流，我也就慢慢和 C总有了更多接触。 人和人有时候就是这样。 一开始你可能从别人嘴里听来的对一个人的了解并不完整。真正接触多了，沟通多了，看他怎么处理问题，看他怎么对待社区，看他怎么回应不同声音，你才会慢慢形成自己的判断。 我对 C总，最开始其实更多是好奇。 他说话声音很好听，交流的时候也有自己的节奏。后来知道他是麻省理工出来的，技术能力也很强，说实话，我心里是特别崇拜和佩服的。 我很清楚自己的长处和短板。 我擅长的是社区，擅长的是带人，擅长的是把一群人聚起来，把一件事讲清楚、推起来。但技术、学历、国际化视野这些东西，我确实会尊重真正有能力的人。 所以后来我愿意继续了解 C总，也愿意继续观察 FLAP，不只是因为平台本身，也是因为我想看看这么一个有技术、有视野的人，到底会怎么理解社区，怎么对待真正参与建设的人。 接触下来，我发现 C总不是那种高高在上、只讲大话的人。 他有时候挺真实，也挺有意思。 很多时候，社区这边有一些声音，有一些想法，有一些情绪，他不是简单听完就过去，而是会认真问：大家现在最需要什么？哪些地方还不清楚？我们还能多做些什么？ 这种话听起来很普通，但对做社区的人来说，其实很重要。 因为真正做社区的人都知道，社区不是一句口号，也不是一串数据。社区背后是一群真实的人，有人信你，有人听你讲，有人跟着你走，那你心里就会有责任。 C总能理解这一点，很难得。 他不是只站在平台角度看问题，也会去理解社区的感受，理解参与者的情绪，理解大家为什么会担心、为什么会犹豫、为什么需要有人把话讲清楚。 后来有一件事，让我对 C总的看法又深了一层。 当时我看到他提到一个社区，我就去问他是什么情况。他没有直接让我去做什么，也没有用那种很功利的方式去介绍，而是提醒我可以去听一听、看一看，了解一下那群人。 我一开始其实比较谨慎。 因为我们做社区的人，见过太多项目，也见过太多短暂热闹之后就散掉的盘子。很多时候我不是怕自己吃亏，而是怕自己把朋友带到错的方向， 后来 C总跟我说，他不是让我马上参与，也不是让我去做决定，只是觉得那群人挺实在，是在做事的人，可以了解一下，看看以后有没有机会认识，能不能玩到一起。 后来我真的去听了，才发现里面有老朋友，是我认识很多年、只是中间很久没有联系上的人。 那一刻我还挺感慨的．最后那个项目做的特别好， 有时候缘分真的很奇妙。兜兜转转，真正做事的人，最后还是会在某个地方重新遇见。 也是从那以后，我对 C总的感觉慢慢变了。 我发现他不是单纯看一个项目表面的热度，而是会看人、看团队、看社区。他会去判断这群人是不是实在，是不是愿意做事，是不是有长期走下去的心。 这一点，我很认可。 因为我一在带社区，太清楚一个项目能不能走远，很多时候不只是看机制，而是看背后有没有一群真正愿意干活的人。 后来我和 C总的沟通越来越自然。 有时候不像是在和平台负责人沟通，更像是在和一个朋友聊天。 我会跟他说一些现实生活里的事，比如孩子，比如以后如果孩子去国外读书，我还会半开玩笑地说：你们在海外，平台也好好做，以后我孩子出去读书，你们可要帮我关照一下。 这种话，如果关系不到那个份上，是说不出来的。 因为它不是项目话术，也不是利益交换，就是生活里很自然的一句话。 我能跟他说这些，说明我心里已经不是把他当成一个高高在上孤傲的的平台负责人，而是当成一个可以正常说话、可以轻松沟通的朋友。 让我更舒服的是，C总和他们团队给我的尊重。 很多时候，我站在社区角度提出一些疑问，或者把大家关心的问题拿出来沟通，他们不会随便敷衍， 他们会认真听，也会给出比较中肯、比较实在的反馈。 这对我来说很重要。 因为我不是一个人在参与，我背后还有一群信我的兄弟姐妹。我去问这些问题，不是为了自己一个人放心，而是想尽量帮大家把风险看清楚一点，把事情想明白一点@webhogwatrs@eth_cedric@irene_cc06@flapdotsh

😂这是券商给我发的工资，聊胜于无，但是我很开心，因为这是我正式在金融圈领到的第一笔工资，我不是来赚钱的，我只想学习！！这个月我在券商学了很多东西，我基本上不听没有用的课，不参加没有用的会，我非常的系统化了解了一遍金融体系，我觉得币圈要学的东西太多了。 传统金融更多的是帮助用户守财，做资产配置跟管理，币圈更多的是拉人交易，如果多一些产品就好了。 今天在券商看到一些指数增强，年化都有39%，币圈真的没看到，也许币圈太难玩了，希望交易所自己能出一些高收益产品，综合配置。 还有今天认识了一个很厉害的老师，在培训我们，我以为普普通通，结果聊了一下，他以前自己管理10个亿的基金规模，长鑫的股权融资他也参与了，因为他前领导说要过来，他就跟着一起过来了，现在因为前领导还没来，所以暂时他在这里，在行业16年，又是我结识的一大人脉！！ 我真的爱金融圈，全是科班人才！！

昨天把wlfi现货全抛了，对这整个项目以及它关联生态很失望。复盘一下近期情况（给不了解的朋友），真有点22年luna崩盘的影子了。 wlfi团队从金库拿出50亿枚wlfi（自家治理币），抵押到dolomite（这个的联创corey caplan同时还是wlfi的顾问，你说巧不巧？！），借出7500万美金稳定币，其中4000多万直接转去coinbase prime（机构卖币常用通道） 这一把直接把dolomite的usd1池利用率干到100%+，可用流动性一度变成负23.2万usd1🤡 普通散户存款利率被瞬间推到35.81% apr（听起来很美），池子几乎被单一大户借空，最惨那段时间散户想提钱都未必提得出来。 目前wlfi相关仓位占dolomite总流动性的55%，这个协议基本变成wlfi的私人提款机。 团队官号回应：别fud，我们是”锚定借款人”在为生态创造收益，离清算还远，随时可以加更多抵押。 然后他们甩出一个数据想证明”我们对自己的币有信心”： “过去6个月我们回购了4.35亿枚wlfi” 听起来很硬核对吧？团队真金白银从市场买回自己的币，典型的”看好后市”动作。 那我们就来算算均价和现价： > 回购均价：$0.1507 > 总花费：$6558万美金 > 当前价：$0.08 > 浮亏~$3100万，亏损率47% 单看只是买贵了。放在一起看才恶心：左手高位回购演信心，右手低位抵押借真钱，套现走人，毫发无损。 代价？dolomite池子里被锁住的散户在扛雷。更严重的是长期利空，这是在教市场以后怎么不再信你。以后任何利好、任何拉盘预期，都要先过”这帮人会不会又把池子抽干”这一关。 是不是有点luna的味道？ （2022年terra靠ust和luna互相支撑，anchor用接近20%年化吸了巨额存款。后来信心一松，ust脱锚，系统狂铸luna去救，结果越救越崩，几天内蒸发了约400亿到500亿美元价值） 当然不完全一样，usd1有bitgo真实储备，不是ust那种算法稳定币。 像的是另一层：自家币当抵押、生态自我循环、流动性薄、团队左手喊信心右手套现。 luna真正的教训不是算法稳定币会崩，是当一个项目的所有支柱都是自己印出来的，信心一旦松动，跌起来没底。 这次我不赌了。

时报作家Ezra Klein写了一篇专栏，说根据他的采访记录，AI导致大规模失业的情况可能还没有那么严重，坏消息是，严重的问题另有其处： 3月的一份民调显示，70%的美国人认为AI将导致自己的就业机会减少，高于一年前的56%，还有30%的受访者担心即将失业。 这有什么好奇怪的呢？AI公司的老板们一直在频繁发出劳动力市场濒临瓦解的警告： - Anthropic的创始人表示，最快不超过5年，一半的初级白领岗位就会永久消失； - 微软的CEO则声称，大多数文职工作会在18个月以内就被AI完全接管； - OpenAI发布了一份文件，呼吁实行每周32小时工作制，通过降低人类生产力来缓解大规模失业； - 就在NYT的大楼外面，有一家我根本没听过的AI公司包下了巨幅广告牌，上面写着「停止雇佣人类」； 我可真谢谢你们了。 如果你对这轮AI叙事深信不疑，那么毫无疑问投降就是唯一的选择。 AI被设计为可以廉价模仿人类在电脑上所能做到的所有行为，但它从来不需要睡觉，也无意组建工会，而且确实在许多任务上表现得比真人更为出色。 所以公司当然乐于用机器取代人类，它们也已经在这么做了，Meta、Oracle、Block都在努力买断员工工龄，并坦然的把AI写为原因。 不过谨慎一点总是没错的，这些科技公司可能只是处在一轮招聘周期的末尾，同时想对资本市场讲述一个刺激投资人颅内G点的故事，AI行业的大佬们固然是神经网络的专家，但他们未必也是劳动力市场的专家。 首先，宏观数据没有配合AI行业，2026年3月的失业率是4.3%，去年同期是4.2%，平均时薪亦保持稳定。 Claude Code是很牛逼，但软件工程师的岗位需求还在上涨，原因应该不难理解。 主流经济学界也对大规模失业的末日预言持怀疑态度，芝加哥大学的经济学家Alex Imas认为，绝大多数讨论AI的话题都存在误区：「答案始终取决于什么会变得稀缺。」 - 从人类历史来看，卡路里在很长一段时间里是稀缺的，我们的技能都是服务于寻找食物； - 农业的发展逐渐解决了食物短缺的问题，然后就轮到商品变得稀缺； - 工业制造带来了平价商品的海量供给，接着技术变得稀缺了，医生、律师和工程师因为掌握知识而获得高薪； - 现在我们担忧AI会让知识也不再值钱，就像衣服和草莓如今人人都能消费那样，学习的成果也变成了消费品…… 但稀缺本身是相对的，AI可以完成的任务被讨论得太多了，更值得注意的是，有哪些任务是人们不希望AI来做的。 以下是计量经济学的一个发现：人类的财富越多，他们对于其他人类的需求就会越多，而不是越少。 于是，更有人味、体验或者意义的商品和服务，是一定稀缺的，有来路的衣裳、有调性的食物、能面对面的医生、让人感到被理解的理疗师、了解自己孩子的家教……这些社会关系，将会迎来爆发式增长。 是的，AI剥夺了人类和电脑共事的场景，而人类又被赶去和人类共事。 事实证明，自动化程度越高，我们就越珍视人的温度。以咖啡为例，过去在家做浓缩咖啡很费劲，如今咖啡机已经人手一台。 所以这导致咖啡店倒闭了吗？当然没有。咖啡师比以往任何时候都多，咖啡店也比以往任何时候都多。咖啡作为商品反而催生了更多对咖啡体验的需求。 这就是稀缺性所赋予的价值。 好了，这是Alex Imas的结论，在AI的辣手摧花下，人类从事的岗位会进入一个以人性化为标准的时代。但还有一种可能性是，人类劳动力搞不好也不会发生巨大的改变。 1979年，首款电子表格软件VisiCalc在Apple II上发布，它能在几分钟内完成过去需要整组会计师花上好几天时间的工作。 当时就有人预言会计师这个行业要无了，然而，此后40年间会计师的数量反而增长了4倍以上。 亚利桑那州立大学会计学教授Eldar Maksymov认为：「电子表格软件挖出了潜藏于市场里的财务需求，这种需求之前没被发现，只是因为成本没能降到够低。」 这是「杰文斯悖论」的一派主张，1865年，英国经济学家杰文斯发现煤炭并没有因为蒸汽机对于生产率的提升而减少消耗，恰恰相反，因为成本更低廉了，煤炭的应用范围更广泛了。 Eldar Maksymov相信历史的先例，「在大量采用计算机技术的职业群体里，就业增长速度都远超没有采用计算机的职业群体，成本的下跌，对应需求的增长，最终推动就业规模的扩大化。」 简单来说，能力的提升，会让人类意识到还有更多事情可做。 我的经历似乎也验证了这个说法，10年前我刚开始做播客的时候，整个团队只有我一个研究员，现在我已经管理着一整支团队运作节目，而这让我的工作变得更轻松了吗？ 完全没有，我投入准备的精力更繁重了，因为团队带来的信息增量，让我需要消化和思考的时间成倍增长，而我的播客也越做越大了。 我认识的所有热衷于拥抱AI的人，如今都比以前更加忙碌，因为他们能做的事情更多了，不是说好的AI会让大家摆脱工作享受生活吗？ 当然，至于AI到底是提升了生产力，还是制造了提升生产力的假象，结论因人而异： - 慢慢啃完一本难懂的书，远远好于快速吸收十本书的摘要； - 认真通透的写完初稿，也比编辑五个由AI生成的大纲更能激发想法； 我的意思是，效率感本身是值得警惕的，那些把活儿都交给龙虾去做的人我见多了，但说实话，他们的工作质量都是在下降的。 但还是容我岔开话题，沃顿商学院教授Ethan Mollick曾提出过他对AI的基准测试：它是否比你在当下能够找到的最适合的人类更加优秀？ 在他看来，问题不在于AI是否胜过顶级的编辑、程序员、心理医生或是旅行顾问，而是它能否优于你在急需帮助时可以联系到的最佳人选。 我想了一下，过去一年里，我确实觉得AI要比我身边的人更为出色： - 我的编辑很博学，但他需要休息，还得分时间给其他作家； - 我的按摩师也好得没话说，就是一般而言每个星期她只能接待我一次； - 我也能找到专业的医生，但挂号却很麻烦…… 所以或许我已经触及到了被反复警示过的临界点——AI开始有能力取代我生活中的人类角色。 但事实并非如此。AI越是强大，我越是需要和身边的人交流： - AI认为我应该为某个身体症状引起重视，于是我去看了医生，发现只是普通的过敏； - AI对我的个人困境发出锐评，然后促使我和心理医生开始了新的对话； - AI帮我验证了一个研究思路，这成了我和编辑讨论的一个新选题； - AI让视频制作变得轻松了，因此我可以有更多的要求去和剪辑师沟通…… 怎么说呢，尽管我不认为经济完全自动化以及大规模失业浪潮是必然到来的，但也不能完全排除这种概率，AI是一种与以往截然不同的技术，灵活性和成长性帮它超出了工具的范畴。 更可能的情况是，AI不会取代所有或者大部分的工作岗位，而是取代其中一部分，但奇怪的是，恰恰是这种可能性让我们准备不足。 一个AI替代800万劳动力的世界，要比替代8000万劳动力的世界更难应对，如果真的是那种「大的来了」事件上演，全面重组经济反而有机会「不破不立」。 疫情就是一个例证：那场冲击如此彻底，以致于社会不能再像以前那样将工人们的不幸归咎于他们自身，于是只好建立了一套前所未有的补贴体系，让成千上万的人得到保障。 而当失业影响的范围更小，我们反而更为残忍，美国因为全球化流失的岗位大约有200万个，这在整体就业市场里不是太大的数字，但对这200万个具体的家庭来说，却是毁灭性的打击。 如果全国的卡车司机或是营销经理都丢了工作，我们很快就会采取行动，然而如果只是卡车司机或营销经理的失业率翻了3倍，那么我们就会像以前一样，暗示这是他们自己的错，给他们几个月的失业保险和培训机会，然后继续对这种结构化的困境视而不见。 另一个现实是，即便AI让带有深刻关系的技能变得值钱起来，它同时也会削弱人类学会这些技能的本事。 年轻人和朋友相处的时间已经从2003年的12小时/周减少到2024年的5小时/周，谈过恋爱的高中生比例也从2000年的80%骤降至2024年的46%，约1/4的00后在过去一年里没有发生过性行为。 AI也许是这种社交解体现象的帮凶，它提供了一种数字化的关系模拟，不再让人有动力去体验真实关系里的快乐与痛苦。 如果Alex Imas是对的——我相信他是对的——那么我们与他人建立深刻关系的能力，将成为一项核心且高价值的个人资产，而我所担心的，是这恰好也是技术从年轻人身上摧毁的东西。 当我乐观的期待AI时代所能创造的未来时，那幅画面充满富足，人类被鼓励过上追随本心的生活，而当乐观被打碎后，世界仍是如此，区别在于财富被垄断，而我们重视的深刻关系，却早就不知道该如何维系。

#数字游民和自由职业# #从产品经理到基金经理# #聊聊这些年的职业选择# 晚上搜索微信聊天记录，发现离上一个命运小齿轮转动正好三年了，不困我就码码字。 在上班之前，确实有点天真，认为靠自己的劳动，创造价值挣钱才是社会的主流。 在不上班之后，闲下来真正去面对面了解其他行业的赚钱方式。才发现在国内能年入百万的工作里，称得上“干净”的极少极少，互联网大厂的精英们才是少数幸运儿。 撒谎蒙骗，推卸责任是很多工种的常态。 以权谋私，利益勾兑是富人的主流。 比如一个运营商的普通工作人员，他可能是好父亲、好丈夫、好邻居。但当他给你推销靓号套餐，但又对你隐瞒违约金的时候，他就是一个职业骗子。这既是他工作的需要，也是刻意培训的结果。 再比如你在小县城里把生意做到一定规模，就无可避免需要找到分管的领导，需要建立关系，求人办事。这对生意人来说是常识，没有任何例外。 没有这么具体又确定的认识之前，我知道自己厌恶这些潜规则，能做到的也只有努力逃避，逃避这些我称之为“傻逼事情”的事情。 按这个标准，我没法适应体制内，肯定有傻逼领导。没法适应大厂，躲不开派系之争。没法适应所有传统行业，那里不得不忍受甲方刁难。 那也许剩下只有扁平化的初创公司 + 互联网行业？ 比较幸运，正式工作的第一家公司感受不错，一待就待了六年。 我也不想当咸鱼，但确实没什么方向。期间除了打工收入，靠运气赚到过一些小钱，但在上海房价面前仍旧过于渺小。 更有点不服气，自认为一直没有丧失好奇心，在保持学习这件事情上，做得比大部分人都努力。我看各种经验分享，研究效率工具，了解认知心理学，尝试提高自己的方法都试了。 为什么在挣钱一途上还是毫无进展？ 当然跳脱出来，客观上说开局一团糟，农村家庭、垃圾本科、没有专业能力壁垒。哈哈哈你还敢不服气，那加上心高气傲。 在无数个日夜焦虑，明知自己要做点改变，但又不知道作何改变的时候。还是运气好，直属领导让我看看区块链的东西，了解一下 DeFi，那我就去了。 20 年 9 月，开始做调研，当时市面上的中文资料没这么多，从旁白君的科普视频看起。基本上把市面上的主流白皮书都啃了一遍，然后跟着操作了解逻辑。 花了一两个月时间做完这一切的时候，我意识到这是一个新行业，大家都不懂，所有人都在同一起跑线。 以及，这里面，有钱！ 我迫不及待地和周围的朋友分享这个新行业，用我的话告诉他们这里面的玩法和逻辑，虽然听和讲都很开心，但是有所行动的人少之又少。（那段时间我对行业的理解，基本浓缩在 《白话：区块链“稳定币挖矿”是什么》 这篇入门文章里） 不止是朋友，我发现同在公司的、一起接触新行业的其他人，似乎也认为这是机会，但好像没有实际的行动。 正巧，那阵子推友 Maple 带我玩港股打新。我把这两个新事物放在一起想时，找到了我真正的“天份”（如果我确实有的话😂）。 那就是 —— 在回报不明朗的情况下，先努力的天份。 港股打新，我手动注册了 50 个券商账户，觉得不够，又拿太太的身份注册了 50 个，尤不满足，再拿家人的身份注册了 50 个。 注册的过程枯燥、乏味、无聊、会遇到看不懂的意外，但我对“没钱”的不服气，足以支撑我一遍一遍一遍地做下去。 学习 DeFi 的知识也是一样，重仓的第一个币是 BUSD，我会愿意在买之前真正搞懂它到底是什么、注册人生中第一个海外信托、花几周时间跑通整个流程、学习怎么看资产信息披露。 搞不定，就抓抓为数不多的头发，再来一次。 意外地顺利，之前折腾过的所有“没用”的东西，在这里好像忽然都对了。魔兽世界地精、科学上网、折腾数码、研究软件、小 PM 要懂的程序实现逻辑和业务逻辑，每件事情都有用，没有一件浪费了。 DeFi 项目对我来说像是一个个新游戏，只要和所有人一起从新手村出发，阅读游戏规则，琢磨把游戏打好，就能爆金币。 就连性格里无法变更的“风险偏好保守”，在这里好像也变成了优势，让我躲过一次次 RUG，一条血槽玩下去。 趁着半轮牛市，缓慢地把打工积蓄攒成了第一桶金。当有远程工作的机会时，我选择了人生中的第一次跳槽。 先转个行，去一家 Crypto 硬件钱包公司做 PM。 这家公司的 PM 都非常强，产品负责需求、文档、原型、UI，甚至有好几位产品经理直接上手开发，都有独立开发者水平。 我意识到自己对做产品没有这么高的热忱，也几乎永远达不到他们的水平。做产品时，调研业务，了解一个事物的逻辑和技术实现是我喜欢的，但是扣原型和交互则完全不想碰。 那时我的副业是做 DeFi 和 Crypto 套利，收入已经稳定半年两倍于工资了，并且要做的事情就是学习、研究、找最佳策略、预想意外情况做风控。一次次不断的正反馈，做交易比做产品更开心。 很幸运地，大约半年之后，行业大裁员我顺势免费了，拿到人生中第一个 N+1 😂 之后开始全力投入副业，试图把交易变成我的主业。果然上班耽误挣钱，时间自由带来更多的尝试机会，我越发想知道专业人士是怎么做的。 虽然从推特上认识了不少行业内的人，但 I 人从未线下社交，也就无从进展。还是一个老同学拉我认识了一些 Crypto 圈内人，见面聊了几次 DeFi 相关的业务。一来二去，用懂 DeFi 的 PM 这个交叉技能，转职成为一家 Prime Broker 的基金经理。 先转行，再转职，看来是可行的。 一边是帮机构管几百个 BTC 做 DeFi 和 Crypto 套利，一边组队是从无到有搭建一套 MEV 基础设施。 管很多钱心慌吗，竟然还行？因为我管自己的小钱的时候就是这样做，知道自己在做什么，知道风险是什么，知道了解能了解的一切，知道风险永远发生在我不了解的地方。踏实地尽人事，已经不易。 更多的是收益率降低时的极度焦虑。熊市收益下降、DeFi 机会减少、小机会撑不起资金容量、更多时候无法灵活试错，看起来管理机构的钱看起来有点无聊了。 另一边的工作，也花了半年时间，和小伙伴一起验证了 MEV 赛道在熊市难以盈利，我也不愿意花更多时间在这上面。于是交上一份详细的测试结论，辞职了。 这次恢复无业之后，已经不再想上班了。我喜欢做灵活、自由、属于自己的小事。 用自己的钱做套利，焦虑缓解很多。更重要的是，即使市场这么熊，依旧在持续涌现一些机会。这对我来说就像是游戏里的一个个新任务，我得第一个领取它再说。 即使大部分时候任务奖励降低了，但经验值奖励还在，暂且还能提供不错的现金流。这样我可以佛系一点，把重心回归生活做一些更重要的事情。 故事就讲到这里，回归开头，我认为这个 Crypto 行业是什么样的。 矛盾的一头，极少数真正相信“去中心化”的人在这里，“去中心化”是一件我认为正确的事情。又好、又正确。 矛盾的另一头，我悲观地认为它不会成功，这里绝大部分人是骗子和赌徒。骗子获得了巨大的收益，赌徒贡献了全部的利润。在我刚了解这个行业时，我的 BTCÐ 仓位是 10%，或者说我有 10% 的信心认为它会成功，现在我的仓位是 1%。 我在这个赌场里，自处的方式只有：我不撒谎，也不骗人，谁要来赌，我陪他玩。和所有其他赌徒一样，我公平地参与这个游戏。 --- 很遗憾经过这么多好运，还没有暴富故事。 希望你的运气也好一点，遇到“忽然都对了”的那件事。

《 双币理财/双币赢真是智商税吗？》 这两天币圈行情比较枯，而美股周末和假期休息，其实是非常好的深入学习和补课时间。 最近我定的目标是学习熟悉美股的期权玩法。 之前经常看到有人说币圈双币产品(双币赢）是智商税，因为CEX平台要抽一定比例的权利金，而且远不如自己通过Derbit来操作赚的多和灵活。 所以今天我想来通过实际的单子对比一下有多大区别和盈利空间。 我随便拿了几张前段时间暴跌时OKx购买的双币赢（币安的利率基本差不多）低买的单子让Opus帮我找同时期Derbit的隐含波动率并进行收益对比。 第1单(57k,19天,现价≈64.4k):权利金≈867 USDT/枚 BTC → 隐含 IV ≈ 56–60% 第3单(57k,15天):权利金≈600/枚 → 隐含 IV ≈ 55% 第2单(60.5k,9天,更贴价):权利金≈270/枚 → 隐含 IV ≈ 35% 先说结论： 每单位名义本金/每单位风险拿到的权利金"而言, CEX 并没怎么薅我。 深虚值那两单的报价甚至偏厚(skew 帮了忙),贴价的第2单略薄一点。 再扣掉自己在 Deribit 的成本——期权费 0.03% 标的、封顶在权利金的 12.5%,加交割费——便宜虚值 put 基本顶到那个 12.5% 的帽子,大概吃掉权利金的 5% 左右。 所以同口径(同名义、USDT 全额担保、持有到期)自己在Deribit手搓 ,净收益跟我在 CEX 直接买双币赢几乎打平,甚至略输, 还少了 OKX 那点 VIP 年化加成。 所以不能轻易听别人的，还是得亲力亲为自己多验证（当然下次还还需要我两边同时开单再对比一下更精确）。 但是， Deribit 自己手搓真正能拉开差距的地方，其实是资金效率和灵活度。 简单说你可以给自己的资金上杠杆。 比如第1单年化在 OKX 是 ~29%(占用全部 15 万)。在 Deribit 如果只压 ~20% 保证金,对已动用资金的回报率能放大到 ~4–5 倍,理论上跑到 80–120%+ 年化。 代价是爆仓风险(BTC 急跌时保证金会被冲击表狠扣)，CEX的双币产品因为是全额担保所以不会需要担心爆仓的风险，所以比较简单，新手友好。 此外一大优势是Deribit 能随时买回平仓。短 put 跑到 50–70% 最大利润时提前平、把 gamma/被行权风险了结、再滚下一张。 说人话就像是现在世界杯赌球的时候提前把盈利仓位了解，不需要完全等比赛结束一样。这样万一后面行情反转了也跟你无关，而CEX里的就不行，你只能等，或者有代价的提前赎回。 所以简单总结一下我的takeaway： 如果你只是想要在BTC等币大跌的时候低位抄底，也做好了抄到哪怕被套也无所谓的心态，其实同条件（金额，全担保，持有到期）CEX的双币产品并不比Deribt自己做的收益差。 但如果你愿意承担一定的爆仓风险，也愿意盯盘，那么用组合保证金把那 100% 的死钱解放出来上杠杆，收益的确会更好。 两类产品应对的用户群体还是不太一样的。 对于目标只是“到心理价位抄底”的散户来说，币安的双币理财/OKX的双币赢，都是相对容易上手，风险可控的产品。 对于更进阶且有更多时间的用户来说，Derbit上自己DIY风险和收益，灵活性都更好一些。 Over

每期必看的币安@binancezh广场区块链一百人又来啦！ 这期嘉宾是最近热度最高的字节哥 Leto @leto_bao ！主持人是@jennyukim_bnb！ 全程干货密度很高，全是自己实打实操盘、踩坑攒出来的经验，从新手入门到进阶策略，从决策逻辑到赛道判断都覆盖到了，整理了核心内容给大家参考，一起来看看吧！ Leto 说字节的经历给他的投资打下了很深的烙印： 一是做数据工程师养成了对数字的敏感度，凡事都要挖清楚数字变动背后的原因 二是大厂的前沿技术和业务场景拓宽了视野 三是身边都是顶尖的同事，做事的逻辑和方法让他受益很多 这套数据驱动的思路，后来完整平移到了投资决策里，他也直言技术人做投资最容易踩的坑 天然迷信自己熟悉的行业，觉得自己懂就坚信一定会涨，忽略大环境变化，很容易被思维惯性困住亏钱 至于深耕和探索的关系，他觉得两者并不矛盾：深耕同一个领域攒核心经验，同时在不同发展阶段的公司里探索，能换更多角度看问题，反而看得更透 整场最核心的思路，是他把互联网的 AB 测试逻辑用到了投资里，他说判断力从来不是凭感觉练出来的，都是靠数据验证： 新手如果觉得指数涨得慢想自己选股，不用急着 all in，半仓定投指数、半仓自己操作，跑满一年对比收益、回撤和夏普比率，跑不赢指数就说明不适合主动选股，老老实实投指数就行，方法简单但特别好用 他还完整复盘了自己最经典的存储板块投资案例，整个决策链非常清晰： 最开始是去年 8 月买硬盘发现价格持续上涨，这是第一个信号 加上当时字节内部要求缩短数据存储周期，本质是存储资源紧张，这是第二个验证信号 当时已经有研报提 AI 带动存储涨价，但他没有立刻重仓，直到看到机构连续三个季度加仓的实锤数据，才把大仓位打进去，拿到现在收益很高，至今还持有 全程是逐步验证、分批加仓，完全不是赌一把的思路 关于很多人好奇的期权，他用买房的例子讲得特别好懂： 看涨期权就像付 10 万定金锁定一套 100 万的房子，一年后不管市场价多少都能按 100 万买，定金不退 如果房价涨到 150 万，一份定金就能赚 40 万，相当于用小资金加了杠杆 看跌期权就像买保险，付一笔保费，约定未来不管跌多少，对方都按约定价收购你的资产，跌了能兜底，没跌就亏保费 他也很坦诚，说早期做期权交易虽然有逻辑支撑，但也有赌的成分，当时本金少，亏了也能很快赚回来，现在不会再做这类高风险操作 风险部分他讲得非常实在（这真的重点看）： 值不值得冒风险，核心看能不能承受最坏结果 年轻人没家庭负担、存款少、现金流稳，就算亏完也能很快赚回来，适当冒点风险没问题 但如果要借债、卖房投入，或者上有老下有小有房贷，失败了连累全家，这种风险绝对不能碰，生活杠杆高的人，先给生活降杠杆，再谈投资 他也分享了自己亏得最惨的经历：2022 年跟着佩洛西买英伟达，180 的价格重仓进场，结果遇上美联储加息大盘普跌，英伟达回撤了 40%，当时直接卸载软件躺平 这次经历给他的最大教训是：哪怕是再好的公司，买的时机不对、踩不中周期，一样会亏大钱，大环境的权重一点都不比公司本身低 针对完全没碰过美股的新手，他给了非常明确的入门步骤： 开户后别上来就选股，先买指数 可以先用模拟仓练手，但别全信模拟仓的结果 —— 模拟仓没心理压力拿得住，真金白银心态完全不一样 拿自己能接受归零的钱进场，先跑 AB 测试验证自己的能力，跑不赢指数就放弃主动选股 常见的宏观名词他也做了大白话解释： CPI 就是物价指数，美联储盯着它调利率，2% 是长期目标 非农就是非农业就业人数，和通胀有相关性；美联储是独立于政府的机构，负责制定利率政策调节经济，这些都不是噪音，都会实实在在影响行情，不能忽视 作为数据工程师，他的交易体系也很有技术特色： 自己搭了 AI agent 工作流，订阅各类数据和行情，早晚自动推送持仓异动和重点资讯，同步汇总到 Notion 方便复盘； 自己搭建冷热数据存储跑策略回测； 交易 bot 只负责用期权做对冲，股票买卖必须自己手动决策 —— 买入的核心逻辑没变就长期持有，短期波动用期权对冲，不会随便乱卖 他还分层级推荐了实用书单： 入门必看《生命周期投资法》《持续买入》 想学分选股可以看彼得・林奇的《战胜华尔街》 期权入门看《Options as a Strategic Investment》 想学尾部对冲看《避风港》 想了解暴跌中如何对冲可以看《The Second Leg》； 想拓展思路可以看《嘲笑华尔街》，讲怎么从大众日常内容里找交易信号 他把普通人分成四类，认为最容易受伤的是负债多的人 —— 不仅自己扛不住波动容易追涨杀跌，亏了还会连累家人 他建议没兴趣研究投资的人，老老实实买指数就行，别碰个股 普通人选股难，本质是容易被自己过往的经验和思维惯性困住，判断自己适不适合，跑一遍 AB 测试就知道了 他自己的交易频率很低，走长期路线，工作日基本不怎么看盘，每周固定复盘一次，核对每笔交易的买入逻辑有没有变，有没有受情绪影响做决策 最近存储板块回调比较大，他的判断是机构季度持仓再平衡带来的短期抛压，行业底层逻辑没坏，他提前布局了看跌期权对冲，对整体仓位影响不大 聊到财务自由之后的状态，他说现在最看重健康，排在赚钱前面（每个大佬都这么说过，真的得时刻铭记）： 每天健身、吃干净饮食、买高端保险 —— 相当于给自己的人生买了份 put，健康出问题的时候有兜底 现在主要精力在筹备 AI 方向的创业，写 BP，见投资人，希望以后大家提到他，想到的是他做的公司，而不是炒股赚了钱 他觉得 AI 对普通人财富管理最大的意义，一是省时间，不用手动搜集整理信息 二是有复利效应，写好的工具和方法可以反复迭代复用，不用一直做重复劳动 他现在最信奉的是改良版杠铃策略：大部分仓位放在稳健的指数上，小部分仓位投高波动、高潜力的方向，就算这部分亏光了也不影响整体盘，一旦涨起来就能大幅拉高总收益，回撤可控，收益上限也高 最后几个观众提问的干货也很足： 一是期权他主要做买方，用来给正股加杠杆、做对冲，不靠期权本身盈利； 二是针对机器人、航天、核能、电力几个热门赛道，他判断短期都难成主流： 里面最有潜力的是机器人 航天更多是上市初期的情绪炒作，短期盈利跟不上 传统核电站建设周期长达十几年，小型模块化核电站成本是大电站的两倍多，都很难成为短期主线 电力方向短期最受益的是天然气发电机公司，部署快、不占民用电网、成本合适，是目前 AI 算力供电的最优解 结尾他给年轻人的建议：投资要趁早，尽早把钱投进 AI 相关的优质资产里，给自己做一层 “被 AI 取代” 的对冲 整场听下来最大的感受是，他没有吹任何暴富神话，所有方法都可落地，所有结论都有对应的逻辑和经历支撑 从大厂做事的方法论，到投资体系，再到人生选择，整套逻辑是自洽的，不管做不做投资，这套数据驱动、为风险兜底的思路，都挺值得参考的，希望能帮到大家！ 建议大家去看直播回放，会更直观：

吴恩达三言两语，就把 Loop Engineering 说清楚了。 吴恩达果然厉害。前两天在他的 Newsletter 中，短短几句话就把 Loop Engineerring 这个新词的本质说清楚了。刚看完他的文章，结合着说下我的理解。 1、如果用一句话来总结的话，Loop Engineering 讨论的其实是，如何让 AI 像工程师一样，一边干活、一边验收、一边返工，直到达到要求。 一个程序员标准的写代码流程是这样的：写完代码、运行程序，然后发现 Bug，紧接着修改代码，继续测试，直到没问题为止。 现在越来越多的 AI Coding Agent 已经能够自己完成这个过程。 给它一份产品需求文档（Spec），再给它一套评测标准（Eval），Agent 就会进入循环：写代码 → 运行测试 → 发现问题 → 修改代码 → 再测试。 如果测试没通过，它会继续改。如果功能不符合需求，它也会继续改。整个过程不需要人工介入。 2、Loop Engineering 这个词听起来挺唬人，但核心思想其实并不复杂。 以前我们给 AI 提需求，更多是在描述想做什么。现在还需要提前告诉它，什么叫成功、什么叫完成，以及如何自动判断有没有完成。 这也是 Spec 和 Eval 存在的意义。有了这些标准，Agent 才能自己写代码、自己测试、自己修 Bug，形成真正的闭环。 3、吴恩达认为，如果把视角放到整个软件开发流程里，大家最近讨论的 Loop Engineering，只是一小部分。 所以他专门画了下面这张图，把软件开发拆成了三个嵌套在一起的 Loop。 在 Coding Loop 之外，还有第二层循环，叫 Developer Feedback Loop。 简单理解，就是开发者不断调整产品的过程。Agent 负责实现需求，开发者负责修正需求。 当我们看到一个功能真正做出来之后，经常会发现自己一开始想的和真正想要的并不是一回事。 于是开发者会重新修改需求，再交给 Agent 继续开发。这个循环的速度通常比 Coding Loop 慢得多，可能几十分钟，甚至几个小时才会发生一次。 但它决定的是产品会长成什么样。其实这部分讲的就是 Builder 要决定做什么，以及产品会长什么样。 诸如一个按钮放在左边还是右边，Agent 可以帮我们实现，但判断还得自己做。 4、在这层 Loop 还有个误区，很多人以为，开发者脑子里只要有了清晰的产品愿景，剩下的事情交给 Agent 就行。其实完全不是。 一开始，我们会先写一个大概的 Spec，交给 Agent 去实现。 等第一个版本做出来，自己真正用了一遍之后，往往又会发现：原来我真正想要的，并不是这个。哈哈哈，我就经常经历这样的过程。 于是再回过头修改 Spec，把之前没有想清楚、没有表达清楚的地方补充进去，再让 Agent 继续开发。 如果发现 Agent 总是在同一个地方犯错，比如某个用户流程总是走不通，或者某类输入总是处理不好，这时候就需要补充一套 Eval，把这些容易踩坑的场景固定下来，作为以后每次开发都必须通过的测试。 或者这么讲，第二层 Loop 就是不断校准自己的认知，并将这些理解逐步沉淀进系统之中。 5、我记得去年参加一个活动时，大家讨论过一个话题：如果 AI 的品味越来越好，是不是以后我们只需要说一个想法，它就能把整个产品做出来，人几乎不用再介入？ 吴恩达说自己不太喜欢品味这个词。他觉得，相比 AI，人类真正的优势不是品味，而是拥有更多的上下文。 比如，我们知道用户是谁，知道他们的真实使用场景，也知道他们到底在为什么事情烦恼。这些信息很多都不在模型的上下文里。 只要人手里还有 AI 不知道的信息，就必须有人参与到这个 Loop 中，把这些关键信息持续注入系统。所以，Developer Feedback Loop 很难完全自动化。 6、最外层的 Loop，说白了就是获取真实世界的反馈。前面两层 Loop，解决的都是实现层面的问题。 而到了这一层，关注的是这个产品方向到底对不对，以及我们接下来要做哪些功能。 通过了解用户的反馈、分析数据或者研究竞品的产品等等方式，我们需要不断修正自己的产品判断。 诸如这个功能到底有没有必要做？用户真正的痛点是不是这个？产品是不是应该换一种交互方式？甚至，我们是不是一开始就选错了方向？ 真实世界的反馈会不断影响开发者的判断。开发者再把新的理解更新到 Spec 中，交给 Agent 继续开发。这就是三层 Loop 之间的关系。 7、非常透彻。所有对 Loop Engineering 有所困惑的同学，都应该看看这篇文章。文章我放评论区了。 最后，再画蛇添足一句，我感觉这些新词，真的就是换了种说法而已。之所以能爆火，核心还是因为这些概念，精准击中了目前 AI 行业正在发生的变化。 要我说，Loop Engineering 就是递归式的自我提升。Keep Building。

重塑你的学习方法 ---- 人们的学习其实源自问题 PBL学习法我认为是一种比较好的学习系统 中国的应试教育对人们产生了一种难以消磨的鲁棒性 想学AI，先找100个教程 想学投资，先买50本书吃灰 收藏夹内容越来越多，然后为了让自己显得正在学习，于是美其名曰：我需要一套知识管理系统 接着去买什么obsidian插件，notion模板，各种小红书的知识库，但无一例外，没有行动 之所以这样，是因为资本需要塑造这种安全稳定的生态，只有这样，才能创造更多的商业机会 可归根结底，人们究竟为什么学习呢，学习的动力不就是好奇心么，好奇心往往来自于一个问题 解决问题，寻找问题的答案，是这些带动了学习 直接面对问题，就是最好的学习 当你找到问题后，就从底层开始推演，从第一性原理触发，先把框架了解，再去解决具体的问题。 有道无术，术尚可求，有术无道，止于术。先去寻找到「道」，就能基于它做系统化的延展。否则拿到的都是碎片化的知识，记几个名词概念，对解决问题的帮助极其有限 当你掌握了不同学科的底层规律之后，就可以连接他们，跨领域运用，甚至会发现不同学科之间的相似，因为他们可能也有更加底层的宇宙规律 一边学，一边干，看书学习，动手实践，就会遇到新问题，引导着你挖掘新知识，正反馈循环就会建立，理解都是在解决问题的过程里获得的 想学AI，就去用AI 想赚钱，就去找客户，卖东西 想写作，就每天发推特，写东西 行动完了，还可以把东西讲出来，讲给别人听 我觉得这是最快的学习之路： - 通过问题用第一性原理找到框架答案 - 边学边干中创建反馈循环 - 实践费曼学习法来增强认识与理解 当然，有了AI之后，更容易走这条路 你只需要把这个框架给AI，让AI当陪练即可快速的完成一个新领域从0到1的突破了