与「量化」相关的搜索结果

胜率49%，一半都不到。 51天，18.2万美元。 他在Polymarket上跑一套会自己改门槛的量化模型，专做BTC Up/Down。 公开账本： 51天，已实现约+182,403美元，日均大约3,500。 36,473次预测，胜率约49%。 均笔不大，靠同一套设置，每小时重复约30次往外刮。 模型只干一件事： 噪声越大，信号必须越强，才允许下单。 阈值随波动走： H = k × σ σ，当前短期波动率。 k，敏感度参数。 H，进入所需的最小信号强度。 盘面安静，H下调，小信号也能过。 波动抬升，H上调，同样的方向直接丢掉。 举个例子： 信号1.8，阈值1.2，下单。 信号1.8，阈值2.3，不做。 同一段走势， 在一种环境里是订单， 在另一种环境里，当没看见。 他不追求神准。 49%的胜率够用—— 过滤掉的是噪声里的假突破， 留下来的才动手。 这个模型最反直觉的地方： 它不预测方向，它只改证据的门槛。 人亏钱，常常是在市场最吵的时候，用最松的标准冲进去。 他反着来： 市场越吵，动手前要的证据越硬。

我要是知识分子家庭出身，从小被严格要求考上了东南本科研究生再考到清华去，毕业进了最难进的苏州电网，发现自己只能和小卖部家的女儿凑活凑活，女方唯一的优点还是没法量化的颜值，关键还被女的挑三拣四，我真感觉一辈子活到头了。

1) ATS(机器人)+人类友好的完美简历提示词 你是资深招聘专家(10+年经验)。 你浏览过数千份简历，深知ATS系统如何运作。 使用以下信息创建简历： - ATS兼容 - 吸引人眼球 - 清晰、可量化的成就导向 - 不超过1-2页 - 现代专业 规则： - 从强势'职业总结'开始 - 每段工作用数字成果(百分比、金额、时间、增长) - 避免不必要的陈词滥调 - 使用主动动词 - 写得让招聘者6秒内注意到 - 自然融入关键词 - 不用表格、图标、图形 简历语言:[中文/英文] 目标职位:[职位名称] 我的信息： [在此输入经历、教育、技能]

我去！A股这边终于有人把多 Agent 分析 + 盯盘 + 选股 + 下单塞进一个本地系统里了。 aiagents-stock，2K stars。Python + Streamlit，受 TradingAgents 启发，但方向完全是大陆盘口：游资龙虎榜、板块轮动、问财选股、MiniQMT 预留接口。 市面上的 AI 炒股项目大多停在「出一份分析报告」这一步，给完观点就没下文。 aiagents-stock 不一样，受 tradingagents 启发，把一套年费 6000 的主力资金战法用 AI 复刻出来，还一路加到盯盘和量化下单。 核心能力： 1️⃣ 6 位 AI 分析师分工研究，同一只股票从技术、基本面、资金、风险、情绪、新闻六个角度一起拆 2️⃣ 支持 A 股、港股、美股，单股深度分析和批量多线程分析都能跑 3️⃣ 自带主力选股、低价擒牛、小市值、净利增长、低估值等多套 A 股筛选策略 4️⃣ 龙虎榜也做成了 5 个 AI Agent 协同分析，可以追游资、看题材、筛次日潜力股 5️⃣ 板块轮动、宏观周期、新闻热度都能继续分析，还支持飞书、钉钉、邮件自动推送 6️⃣ 分析完还能加入实时盯盘，监控进场区间、止盈止损，并预留 MiniQMT 接口继续往量化交易走 我觉得它最有意思的地方，是很懂 A 股这套玩法。 不是简单拿一个国外 Agent 框架改成中文，而是真的把主力资金、龙虎榜、板块轮动、问财、T+1 这些东西都塞进去了。 更像是：先让一群 AI 帮你研究，再让它们帮你选股、盯盘、复盘，最后还能继续接量化执行。 做 A 股 AI 投研、短线复盘，或者想自己搭一套多 Agent 股票研究系统的，这个值得看看。

终于有人把这事做了！不用碰 Python，零依赖 JS/TS 直接拿 A股/港股/美股/基金/期货/期权全市场行情 stock-sdk，1.9K stars，内置 92 个 MCP 工具直接喂给 AI。 以前前端想做行情看板，行情工具基本全是 Python 生态，要么自己起后端，要么忍受财经接口 GBK/并发/批量各种坑。 stock-sdk 不一样，v2 架构大改，命名空间 API + 统一符号模型，零依赖，浏览器和 Node 18+ 双端直接跑。 核心能力： 1️⃣ 一套 API 覆盖 A 股、港股、美股、公募基金、期货、期权，实时行情、K 线、分钟线都能直接调 2️⃣ 资金流、龙虎榜、融资融券、大宗交易、涨跌停池、盘口异动、板块资金这些 A 股常用数据也做进去了 3️⃣ 自带 MACD、RSI、KDJ、BOLL、ATR、SAR 等技术指标，还能直接识别指标信号 4️⃣ 内置 Screener + 本地回测，不只是拿数据，筛股和策略验证也能直接做 5️⃣ 筹码分布也已经支持，A 股 / 港股 / 美股都能本地计算获利比例、平均成本和筹码区间 6️⃣ 最关键的是 MCP 已经原生做好了，Claude、Codex、Cursor 可以直接调用这些金融工具，不用你再包一层接口 我觉得它现在最有意思的一点，是已经从“股票数据包”慢慢变成了 Agent 的金融基础设施。 上面 AI 负责研究，下面 stock-sdk 负责行情、指标、选股和回测。 做股票 Agent、AI 投研，或者想给自己的量化系统补一套统一数据层，这个很值得留着。

🤔你20几岁，有个存款一亿的四五十岁大哥想娶你，你怎么办？ 女孩先不要急着选大哥，先看有人给你算的账。 大哥会先给你一个Offer，每个月到手一万，塞到自己或者朋友的公司，每天就复印几页纸，查查考勤，每年的成本大概15万。 然后每个月让你陪着他去出差一个周末，坐商务舱，住豪华酒店，再吃漂亮饭，满打满算一个月两万，一年24万。 每三个月送你一个小礼物，单价一万左右，一年四万。 除非自己爹也有个千万存款，否则没有任何一个二十几岁的女孩，能够顶住这样的攻势。 确定关系的情况下，最多再帮你租套房，哪怕是一线城市，一年也就12万，这样总花费是多少呢？ 一共是55万。 55万对千万存款是什么概念？ 现在的中低风险量化理财，能够轻松达到3%，对方如果有1800万左右的存款，就可以零成本的持有你，你可以再贵点，110万，220万。。 都在大哥的零成本范围内。 既然能做零成本的持有，自然也可以零成本的更换，但凡一年不换的大哥，不同时谈两三个的大哥，也就算是忠贞的了吧。

这个开源项目系统整理了 35 家 AI 公司的 AI 工程师面试题，全部来自 “公开报告的面试经历” 来自 @outcome_school 团队 @pallavishekhar_ 开源发布，内容几乎涵盖了 OpenAI、Anthropic、DeepMind、xAI、DeepSeek、Kimi、GLM 等 AI Labs，Cursor、Cognition、ElevenLabs 等 AI Native 团队和 Nvidia、Microsoft、Amazon、Apple 等头部大厂。 覆盖的岗位头衔也非常多：AI Engineer、LLM Engineer、Gen AI Engineer、ML Engineer、Research Engineer、Applied Scientist、FDE、MLOps/LLMOps 工程师等。 开源地址： # 内容架构：一个精心设计的双层结构 第一层：跨公司通用题（Common Questions）。 作者把在多家公司反复出现的题目只列一次，标注"Asked at"哪些公司，按十大主题组织： 1. LLM 内部机制与架构 — attention 缩放因子、KV cache 内存公式推导、MQA/GQA/MLA、FlashAttention、BPE、RoPE/YaRN、Chinchilla scaling laws、MoE、解码采样策略、lost-in-the-middle、RMSNorm、SwiGLU 2. 推理、服务与 GPU 性能 — prefill vs decode、continuous batching、PagedAttention、投机解码、量化（FP16→FP4）、五种并行策略、TTFT/TPOT 指标、H100 上的 roofline 计算、vLLM/SGLang/TensorRT-LLM 选型、“如何把服务成本降 10 倍” 3. RAG 与检索 — 分块策略、BM25 vs 稠密检索、重排序器、HyDE、权限感知检索、ANN 索引、索引新鲜度、答案归因 4. Agent 与工具调用 — ReAct、MCP、工具 schema 设计、多智能体编排、Agent 记忆、循环终止条件、人类审批 5. 微调与对齐 — RLHF/DPO/GRPO/RLVR 全谱系、LoRA/QLoRA 数学、灾难性遗忘、“提示 vs RAG vs 微调”决策框架、蒸馏、reward hacking 6. 评估与可观测性 — LLM-as-judge 及其偏差、幻觉检测、基准污染、Agent 评估、回归门禁 7. 安全与负责任 AI — 提示注入（直接/间接）、OWASP LLM Top 10、护栏、Constitutional AI、红队 8. 多模态与语音 — VLM、语音 Agent 延迟预算、barge-in 打断处理、级联 vs 端到端语音、ASR/TTS 评估 9. AI 系统设计 — 十类高频设计题（千万级文档企业 RAG、代码助手、客服 Agent、Text-to-SQL、LLM 网关、数亿用户聊天服务等） 10. 编码题 — 从零实现 attention、KV cache、BPE、采样；LRU 缓存、令牌桶限流器、异步批处理器、SSE 流解析器、最小 Agent 循环 第二层：35 家公司的专属章节，分为五大梯队： 1. 前沿实验室（12 家）：Anthropic、OpenAI、Google DeepMind、Meta、xAI、Mistral、Cohere、DeepSeek、月之暗面（Kimi）、智谱（GLM）、阿里（Qwen）、Sarvam AI（印度） 2. 大厂 AI 组织：Microsoft、Amazon、Apple、NVIDIA、Tesla，以及一组消费级 ML 公司（Uber/Netflix/LinkedIn/Airbnb/Pinterest/Spotify） 3. AI 基础设施公司：Databricks、Groq、Together AI、Hugging Face、Scale AI、Perplexity 4. AI 原生产品公司：Cursor、Cognition（Devin）、Sierra、Harvey（法律）、Glean、 AI（机器人）、Waymo 5. 前向部署/企业 AI：Palantir # 题目分布透露的行业信号同样值得关注 1. 公司的差异化考察方向，和它的商业模式严丝合缝。 这是最能体现整理功力的地方： · DeepSeek、月之暗面、智谱、Qwen 的题目深度绑定自家论文——MLA、auxiliary-loss-free 负载均衡、Multi-Token Prediction、MuonClip、DualPipe、长上下文扩展、GLM 的 thinking 模式。面试这些公司等于面试它们的论文，还要求 PyTorch 从零实现 MoE 路由。 · Groq 的题全是 SRAM-only 架构下的 roofline 重推演：“没有 HBM，decode 的 roofline 论证哪里变了”、“确定性在 p99 层面到底买到什么”。 · Apple 清一色端侧：3B 模型在手机上跑、PTQ vs QAT、不采集用户内容的前提下用设备信号改进模型、30+ 语言区无法记录用户内容的评估方案。 · CharacterAI 是推理经济学：“我们的服务成本被 KV cache 而非权重主导，降一个数量级，代价是什么”。 · Harvey（法律）和 Abridge（医疗） 考的是领域约束下的工程：200 页信贷协议里第 140 页的条款依赖第 8 页的定义术语怎么检索、生成的病历中出现了患者没提过的药怎么当作安全事故处理、PHI 如何约束整个架构。 · Palantir 的招牌是 "decomposition" 轮：把“一家货运铁路公司每年因机车非计划停机损失数千万”分解成工程计划。 2. 编码轮的形态正在发生实质性变化。 文档里反复出现的一类题，与传统 LeetCode 明显不同： · “实现一个内存 KV 存储：先 SET/GET/DELETE，再加事务 BEGIN/COMMIT/ROLLBACK，包括嵌套事务”（OpenAI、xAI 都问） · “给你一个 LLM 推理引擎的调度器类，其中一个方法是空壳，没有规格没有文档。说说你头三十分钟干什么”（xAI） “重构这 120 行能跑但很乱的代码，不许破坏测试”（OpenAI） · “对 5 万个文档跑 LLM 调用，API 限 100 并发、偶发 429 和超时，把 Python 写出来”（Anthropic） 考察重心从算法记忆转向增量需求下的代码演进能力、并发正确性、真实工程约束下的取舍。 3. “AI 协作轮”作为新题型已经进入正式面试流程。 这是文档里最前沿的信号： · Anthropic 部分机器学习岗有 AI-collaboration 轮：现场给你 Claude，考察的是你如何指挥它和验证它的产出，而不是你自己写。 · Meta 2026 年的流程新增三阶段 AI 辅助编码轮（探索修复 → 实现新功能 → 扩展改进）。 · Cursor 的 onsite 是两天在真实 Cursor 代码库上做一个功能（或 8 小时远程版），明确考核你对 AI 工具的使用效率和自主 scoping 能力。 · Sierra 给你两小时和任意 AI 工具，看你选择做什么。 xAI 有四小时限时产品构建。 4. FDE 成为一级岗位类别。 Anthropic、OpenAI、Databricks、Scale、Together、Sierra、Harvey、ElevenLabs、Palantir 的章节里都有 "Applied and Forward-Deployed Scenarios" 专属题库——典型题目如“企业客户说 Claude 幻觉太多，你是驻场工程师，头 48 小时做什么”。这对应了 AI 公司向企业交付方式的转变：模型能力差距收窄后，落地能力成为差异化。 5. 硬核系统题的普及。 "H100 上 70B 模型 batch size 1 的 roofline 计算"、"估算 70B 模型的 GPU 显存（权重 + KV cache + 激活 + 碎片）"、"p99 延迟在部署后翻倍但模型没变，走一遍诊断”——这类题横跨 NVIDIA、Together、OpenAI、Perplexity 等多家，说明推理性能的量化直觉已成为 AI 工程师的通用素养，而非基础设施工程师的专属。

在量化机构的因子库里，有一类因子专门用来预测散户什么时候会卖出手里的股票。 这类因子的底层逻辑不复杂。 它的核心变量只有一个：这只股票相对于散户平均持仓成本，是盈利还是亏损。 如果盈利——散户大概率会在短期内卖出。 如果亏损——散户大概率会继续持有。 这个预测的准确率高到什么程度？ 高到机构可以把它写进交易策略里，作为一个稳定的alpha来源。散户的卖出行为不是随机的。 它是可预测的。而可预测的行为，在这个市场里，就是可收割的行为。这个因子的学术名字叫"处置效应"（Disposition Effect）。 1985年由Shefrin和Statman首次提出，1998年被Odean用真实交易数据验证。 从那之后，它成了行为金融学里被引用次数最多的概念之一，也成了量化策略里最稳定的散户行为预测工具之一。

为什么bybit和bitget两兄弟都没有防住朝鲜黑客？ 一句话：Bybit 和（目前看起来的）Bitget，输的不是“防火墙版本号”，而是把人眼看到的交易当成了真相。Lazarus 专打这一层。等 Bitget 9 月 25 日承诺的事故报告出来，才能判断这次是热钱包密钥泄露、策略机被控，还是又一次签名界面/供应链重演。在那之前，把 3.5 亿全部钉死在某一招上，都算提前下判。 Lazarus 是朝鲜侦察总局下属创收部队，不是散户黑客。公开口径：累计盗走加密资产超 60 亿美元；2025 年 Bybit 一单约 15 亿美元；2026 年 Drift、KelpDAO 两单就占当年被盗额大头。 目标很单纯：绕开制裁换外汇。 打法 近年主攻不是破合约，是破信任链。 1打人：假招聘、假量化团队、假尽调、假会议、深度伪造。目标是签名人、多签委员、核心开发、供应商工程师。可以经营几个月再动手。 2打供应链：Bybit 是 Safe 前端 JS 被投毒。屏幕显示“正常冷转热”，链上实际是改合约控制权。硬件钱包只显示哈希，等于盲签。 3打多签幻觉：同一套假界面，3/6、2/5 一起签错，人多没用。 4得手就拆：ETH→DEX/聚合器→跨链→OTC。行业能冻住的通常只是零头。 Bitget（2026-09-24）官方：约 3.516 亿美元从热/温钱包被转走，冷钱包称仍安全，4.64 亿保障基金可覆盖。CEO 怀疑 Lazarus，完整根因报告尚未公布，不宜把具体漏洞说成已证实。 共性：国家队耗得起时间；交易所必须 7×24 出金；第三方 UI/CDN/RPC 被当成自己的安全边界；发现和冻结永远慢于拆分。 朝鲜“网络不普及”和 Bureau 121 作战能力不是一回事。少数被供养的部队，专打全球流动性最集中、最依赖人工审批的点。 交易所应该怎么防？ •禁止盲签：地址、金额、是否升级合约，必须在离线屏上逐字段确认。 •供应商当敌控面：前端哈希钉扎，例行转账用自建校验页。 •热/温层硬限额 + 小时级时间锁，禁止一次划转搬空。 •多签人员、设备、地区、浏览器隔离，禁止所有人点同一链接。 •出金金丝雀 + 秒级熔断。 •核心签名机物理隔离，默认不信招聘仓库和会议链接。 用户怎么防？ 
大额不要长期放所内； 暂停提现时防钓鱼客服； 自己用硬件钱包同样禁止盲签。 Gate、MEXC 会不会中招，没法点名。对方选的是：盘子大、热钱包厚、签名链路有第三方、社工面大。中小所和松散多签协议同样在狩猎范围。 一句话：两家输的不是防火墙版本，是把“人眼看到的交易”当成了真相。等 Bitget 事故报告出来，才能判断是密钥泄露、策略机被控，还是签名界面再演一回。