高频交易，拼的是深度与速度。 Bitget CFD提供机构级多资产流动性，专为经纪商、基金及机构交易员打造。 ⚡ 亚毫秒级撮合，多档真实深度 🔗 支持 FIX API，低延迟无缝接入 🌍 聚合全球最优报价 🌐 光纤直连全球核心金融数据中心 立即联系商务团队，定制您的专属流动性方案。 点击图片查看详情 ⏬

高频短线交易则是停留在打工人思维，想着靠短线每天挣点，除非你是天选打工人，否则很难发财甚至大部分人都肯定最终亏钱。 而长期持有只在特定情况调仓是老板思维， 如果你的眼光和认知配得上你的财富，拥有足够远见，则早晚必定发财。

高频交易之神——特朗普 2026年一季度，他做了3711笔证券交易，交易规模在2.2亿至7.5亿美元之间，主要集中在英伟达、微软、苹果、亚马逊、Meta等科技巨头 微妙的是，2月28日美以突然对伊朗发动大规模空袭，冲突全面升级……而他的交易量也随之暴增，3月单月就做了2000笔 图片来源 @anandchokshi19

高频交易公司 Jump Trading 旗下加密部门 Jump Crypto 开发的 Solana 验证器客户端 Firedancer 已在 Solana 主网上线运行，并开始生产区块。Firedancer 创始工程师 Ritchie Patel 表示，该客户端已在生产环境中打包数千万笔交易，但团队仍将采取渐进式推广，不希望验证者在安全审计完全完成前大规模切换。此外，Patel 称，Firedancer 架构大量借鉴传统金融高频交易系统，团队近期也完成了包含 100 万美元漏洞赏金池的公开安全审计竞赛。（ CoinDesk）

这个高频交易（HFT）机器人目前每个月稳定盈利 88,182 美元，但它的主页浏览量几乎为零。它每 4.6 分钟就执行一次操作，市场对它的存在一无所知。 P(Xₙ₊₁ = j | Xₙ = i) = pᵢⱼ ≥ 0.87 → 触发入场。 这就是它全部的交易公式。安德烈·马尔可夫在 1906 年发表的这条理论，现在正帮这个账户每个月无情地从市场里抽走 8.8 万美元。 它的执行逻辑非常清晰：纯粹针对 BTC 进行方向性的剥头皮交易，横跨 1 小时和 5 分钟两个时间窗口。 入场区间设置得比较宽（36 到 63 美分），并且会在不同时间周期的盘口上，同时持有看涨和看跌的双向头寸。 每个仓位的规模控制在 700 到 2400 份合约，多个时间窗口并行运转。一天 24 小时，平均每 4.6 分钟就完成一次交易。 它根本不在乎行情的绝对走向，只是冷血地监控马尔可夫状态。一旦概率确定性达标就果断入场，做多做空对它来说毫无区别，背后的数学期望是一模一样的。 它的平均入场成本在 50 美分左右，这意味着每次盘口结算时，平均收益率都在 +100% 左右。 主页地址： AI自动跟单：

Cybercab是为了城市高频中短途中速所优化设计的，目前应该还没有过多讨论那种州际freeway长途的使用场景。 Cybercab 这次用的无稀土永磁电机，确实有点东西。它直接选了便宜的铁氧体磁体，再配合磁阻转矩和发卡定子，纯粹靠精妙的结构设计和工艺，热管理也非常优秀，硬生生把磁材性能不够的短板给补上了。说实话，这套方案拿来跑城市里的 Robotaxi，简直再合适不过。 但这东西一旦拉去跑长途，完全就是两码事了。 你看从旧金山跑到洛杉矶，差不多 380 英里，中途必须得停下来超充一次，整趟折腾下来总时间要 6 到 7 个小时。再看洛杉矶到拉斯维加斯这 270 英里，一路上又是持续爬坡的山路，又是沙漠里的高温，铁氧体这材料偏偏又特别怕热，导致它的热管理余量被压缩得很紧，同样中途少不了停下超充一次。 所以说，特斯拉的技术功力是足够强，但长途的瓶颈根本不在算法，而是在电量和散热。 目前的信息比较有把握的一个预估就是：如果让它在连续高速的工况下跑，这套无稀土电机大概也就只能扛个两到三个小时，再往后跑，恐怕就得触发限制功率或者过热保护了。而满电状态下假设全程freeway 80MPH的速度，考虑风阻转速等因素差不多电池能连续开210英里到电池还剩10%，所以正好停下来超充+冷却一下😂

大家日常高频使用 AI 的，应该都有这个痛点：AI 足够聪明能把任务跑完，但是！距离结果好到我能直接用，中间还有很长一段距离，有的时候 AI 的结果好得一塌糊涂，但就未必是我想要的 这个事情的解药在于Evaluations，AI 评估：我觉得每个想认真用 AI 的人都值得理解。我用 AI，越来越把重心放在 Evaluations上：什么叫做好，怎么验收，犯过的错怎么减少？ 今天结合我自己的的工作流，尝试把这件事彻底讲清楚 1/ 把“我觉得不行”，变成具体的验收标准 我之前分享过，让不加以特化的 AI 解读研报，有时每个字都认识，连起来却看不懂，还得追问好多轮。 它确实写完了。但我需要的是：读完能讲清楚公司靠什么挣钱、发生了什么变化，以及变化怎么影响盈利和估值。 所以，当前的工作流我会检查：数字有没有原始出处？季度和全年有没有混用？公司指引、券商预测、自己的判断有没有分开？市场 price in 预期的反推和我自己的建模 gap 在哪里？市场有哪些错误的逻辑？是否错杀？是否超买 Eval，就是把心里“这样才算做好”的标准，变成能反复执行的检查 能算清楚的，用程序检查；“有没有解释清楚”这种开放问题，就写成 rubric，评分标准，配上好坏案例，让 AI 辅助评判、人来校准。久而久之，你的私有化模型会越来越好 2/ 让它在真实工作的条件下接受测试，留下错误记录，持续进步 一套 eval，基本就是：Agent + 工作环境 + 任务 + 验收标准 以前 AI 输入文字、输出文字。现在 Agent 会开网页、读文件、改笔记。我会明确地写 skill 和 prompt，让 AI 去记录下来自己曾经做错了什么事情，然后再让它进行自更新（也就是 RSI），最后再让它把错误的部分重新再做一遍。 久而久之，模型的效果会越来越好。通常我会让AI做两件事情： 1. 对公司基本面短期、长期的判断 2. 实际的股票操作 回溯：哪些判断对了，就继续加强；哪些判断错了，就让模型记住错误的原因，下次不要再犯。久而久之，模型会变得出乎意料的好 3/ Evaluation 非常重要 这就是为什么目前我的每一个工作流或者工作体系，我都会写好 Evaluation 和自进化的规则。AI 顶尖聪明了，但问题就是，它有的时候认为它做的正确的方式，未必是你想要的 有了可靠的标准，AI 就可以帮忙找失败、提修改方案，再接受验证。人仍要定义什么是好，并确认评分规则衡量的确实是自己在乎的东西。 因此我建议大家如果想让 AI 把工作做好，先把“什么叫做好”写清楚

解读，一姐最近高频的表情包💁‍♀️. 请看这里 / 给你介绍一下 / 展示一下 / 推荐这个 / 喏，就是它” 比如： 💁‍♀️ 新功能来了 → “来，看这个。” 💁‍♀️ 这个挺好用 → “给你们推荐一下。” 💁‍♀️ + 一个链接/产品 → “喏，就是这个，了解一下。” 甚至可以把它脑补成一个女生手掌托着商品做展示的动作： 💁‍♀️ ← “登登～给大家介绍一下这个。” @heyibinance 一姐是这样不？