与「A研」相关的搜索结果

少し遅くなりましたが松永天馬のA研！ありがとうございました。 天馬さん曰く、最近はサブカルという言葉が消滅しつつあるそうですが、私は使い続けたいと思います。サブカル最高！！🎬 天馬さん、長田さん、アーバンギャルの皆さん、ファンの皆さん、ご来場ありがとうございました！ #A研#

我靠！一台开发板，13 秒就跑完了 3547 只 A 股的 11 年策略回测！ 有人把 C++ 的计算性能和 Python 的开发效率结合起来，连多策略组合、资金管理和真实交易规则都做进了框架！ 开源项目 Hikyuu，3.7K Stars，Apache-2.0 开源，一套专门面向系统化交易研究的高性能量化框架。 以前自己搭 A 股量化系统，指标计算、策略回测、仓位管理和交易成本都得分别处理，数据一多还容易跑得很慢。 Hikyuu 直接把这些环节拆成可自由组合的模块，底层 C++ 负责计算，Python 负责策略开发。 核心能力： 1️⃣ C++ 高性能引擎：作者测试 1913 万根 K 线的均线汇总计算，预热后仅需 166 毫秒 2️⃣ 模块化策略开发：买卖信号、止盈止损、仓位管理、滑点等模块自由组合 3️⃣ A 股交易规则：模拟手续费、印花税、停牌、除权除息和延迟成交 4️⃣ 多策略组合：支持多因子选股、资金分配、组合调仓和多层策略嵌套 5️⃣ 策略回测验证：支持 Walk-forward 滚动优化、交易记录和绩效分析 6️⃣ 数据与可视化：支持 HDF5、MySQL、ClickHouse、SQLite，配合 Python 绘制 K 线和交易信号 比较厉害的是，比如你有均线突破、趋势跟踪和多因子选股三套策略。 可以分别回测，再组合成一个投资组合，由框架统一管理资金、仓位和风险。 而且作者特别强调回测真实性，手续费、成交延迟、除权除息都要算清楚，避免漂亮的收益曲线掩盖实际问题。 项目支持 pip 安装，Python 3.10+ 即可使用。 它主要面向 A 股研究，不自带券商实盘下单功能，美股等海外市场需要自己接入数据。 做 A 股量化、Python 策略回测、多因子选股或者高性能交易系统开发的，这套值得认真研究！ GitHub：

我有个在墙内做大夫的同学，近日说医院终于搬进了新院址，工作人员对新医院都感到非常满意。 最主要的原因是，新医院的设计单位听从了医生护士们的建议，在每个办公室都留了一道逃生门，医生护士们可以在遇到砍杀事件时立刻从这道门躲进外人进不来的逃生通道 - 该通道非常宽敞，有足够冗余让所有医护人员都进来。 但我这个同学并没有在新医院待很长时间。 因为他是为数不多的有全科医生执照的高手，通了通路子，借调去了市公安局附属医院 - 还不是给嫌犯人犯进行检查和治疗的公安医院，而是公安系统人员及家属看病的医院。 一下子安全度爆棚、工作量骤降，每天以研究 A 股为乐。 “在股市上每天被割韭菜，也总比上个班脑瓜子可能被敲碎强吧？” 我查了一下，墙内最早的这类消息出现在二十年前。

这项研究来自新加坡国立大学。 研究发现，A 货消费呈明显的 U 型分布。 低收入群体（家庭年收入低于 1.5 万美元） 购买和复购 A 货的倾向更高，主要选择价位较低的品牌和鞋类。 中等收入群体（家庭年收入 5 万至 7.5 万美元） 购买 A 货的倾向最低，无论偶尔购买还是重复购买，都少于低收入和高收入群体。 高收入群体（家庭年收入高于 15 万美元） 购买和复购 A 货的倾向更高，主要选择爱马仕和香奈儿的经典包袋。 研究人员分析了跨境电商平台上数百万笔销往美国的 A 货订单，包括商品价格，品类，仿冒品牌和款式，以及收货邮区。 随后，他们将这些订单与美国人口普查数据结合，比较不同收入地区的 A 货消费。 平台没有提供买家的个人收入，因此研究人员依据人口普查数据，统计每个收货邮区内各收入档家庭的占比，再与当地的 A 货购买量进行比较。 论文共划分了 10 个收入档，以上三个范围分别对应研究重点观察的低收入端，中等收入参照组和高收入端。

Vibe-Research · 个人 AI 投研系统（A股/美股/港股） 把行情、研报、估值、财务、公告、资金面、资讯等数据集成到一个看板里，让个人投资者用自己的 AI 模型进行 A 股、美股、港股的研究分析，不必依赖荐股信息或封闭投研平台。

$AVGO 是AI芯片的龙头。但历史告诉你，真正暴富的人买的是龙二 $MRVL 先说一个关于半导体行业的反直觉规律： 在一个严重缺货的市场里，获利最大的往往不是龙头，而是那个追赶中的龙二。（Herman老师分析intel观点我觉得说的很好，也同样非常适用于 $MRVL) 理由很简单： 当产能严重不足，买家再也无法只依赖龙头一家供应商。他们开始把订单给原本觉得"不够好"的替代者。而这个替代者，突然发现自己的产品以前没有人要，现在成了香饽饽——价格可以谈，条款可以谈，一切都变了。晶圆缺货时，原本没有人愿意把订单给Intel的客户，开始认真研究18A了。 那么，在AI定制芯片这个正在快速缺货的赛道里，获利最大的龙二会是谁？ 我的答案是 $MRVL 。 1. 先理解结构 AI芯片市场分两层： 第一层：通用GPU Nvidia统治，没有任何人能挑战。H100、B200、Blackwell——超大规模云厂商需要它们，别无选择。 这层市场已经被充分定价了。Nvidia市值5.7万亿，没有人会漏掉这个机会。 第二层：定制ASIC（专用AI加速芯片） 这是一个完全不同的故事。 每一家超大规模云厂商都在开发自己的专用芯片： Google有TPU（张量处理器），Amazon有Trainium（AI训练）和Inferentia（推理），Meta有MTIA（AI推理加速），Microsoft有Maia（Azure AI加速）。 为什么要自己开发芯片？ 因为通用GPU虽然强大，但它服务所有人，没有为特定工作负载优化。自研芯片可以针对自己的模型架构和推理需求精确设计，功耗更低，成本更低，效率更高。 这是一个不可逆的趋势——超大规模云厂商越大，自研芯片的动力越强。但有一个关键问题：这些云厂商需要设计合作伙伴。芯片设计是极其复杂的工程，需要有人懂SerDes，懂先进封装，懂chiplet集成，懂供应链——不是随便一家公司能做到的。 全球有能力承接超大规模云厂商定制ASIC设计的公司，只有两家： $Broadcom，和 $Marvell。 2. AVGO vs MRVL：龙头和龙二的真实差距 先看数字： Broadcom在ASIC市场占约55-60%的份额，与Google的TPU合作锁定到2031年，客户包括Meta、OpenAI等顶级厂商。Marvell约占15%的份额，排名第二Broadcom领先是事实，毫无争议。 但有几个数字值得认真对比： AVGO MRVL 市值 $2万亿 $1,470亿 ASIC市占 55-60% 15% FY26AI营收 $200亿+ $96亿 Forward PE 31倍 36倍 Broadcom在定制ASIC市场记录了约$200亿的AI总营收，而Marvell的AI相关营收约$96亿。 从市值角度：AVGO的市值是MRVL的13.6倍，但ASIC市场份额只是MRVL的4倍，AI营收只是MRVL的2倍。这个不对称，是MRVL存在的核心机会。 3. MRVL独特的地方：两场战争同时押注 这是我认为最关键的一点，也是MRVL和所有其他AI芯片公司最本质的区别。 MRVL同时押注了两个互相独立的万亿级叙事： 叙事一：定制ASIC——去Nvidia化的最大受益者 Marvell的数据中心部门FY2026增长46%，超过$60亿，管理层指引FY2027同比再增约40%。定制芯片年化营收已达$15亿规模，两个AI加速器项目处于高产量阶段，第三个超大规模客户合作正在进行。 Nasdaq 最重要的一个进展： 2026年4月，Google被报道正在与Marvell进行深度谈判，共同开发内存处理单元和下一代TPU，这正是Google此前几乎完全交由Broadcom负责的工作。如果谈判成功，Marvell将成为AI行业最具战略意义的芯片项目之一的核心设计伙伴。 这是什么意思？ Broadcom和Google的TPU合作锁定到2031年——这是Broadcom的护城河，但不是MRVL的天花板。Google开始和MRVL谈，不是要取代Broadcom，而是要建立第二供应商。这正是"缺货时代，落后者获利"的经典逻辑。 当TPU的设计需求超过了Broadcom单独能服务的上限，Google开始把部分项目分给MRVL。 这一单谈成，MRVL同时拥有Amazon和Google双超大规模客户锚定——三个超大规模客户（Amazon、Microsoft、Google）大幅降低了单一客户集中的风险，给市场提供了更清晰的多年营收增长路线图。 叙事二：光互连DSP——AI集群神经系统的命门 MRVL是目前唯一同时覆盖定制ASIC设计、1.6T光学DSP、硅光子技术（通过Celestial AI收购）和CXL交换的全栈公司——这是任何单一竞争对手都无法复制的护城河。 光互连DSP是什么？ 当GPU和GPU之间需要通信，数据需要在光纤里传输。但光纤里走的是模拟光信号，计算机需要的是数字信号。DSP（数字信号处理器）就是这两个世界之间的翻译器——它把数字数据编码成光信号发出去，再把收到的光信号解码成数字数据。 MRVL的PAM4 DSP是全球800G和1.6T光模块的核心芯片之一。光互连业务的需求与AI集群的互连基础设施同步扩张——每一个上线的AI集群都需要完整的互连协议栈，不需要等待GPU的供应情况。 这是最关键的逻辑： GPU供应有时候是稀缺的，但光互连不等GPU——只要数据中心在建，只要AI集群在运行，光互连就需要。 MRVL的DSP是一个和GPU并行运行的独立需求，不是GPU需求的影子。 4. 我自己的判断：为什么MRVL的故事比AVGO更有弹性 AVGO是龙头，MRVL是追赶者。 但在这个特定的历史时刻，追赶者的弹性更大，原因有三： 原因一：基数效应 AVGO已经是$2万亿市值，要翻倍需要成为$4万亿的公司。MRVL只有$1,470亿，翻倍只需要$2,940亿——和AVGO现在市值的15%相当。同样的资金流入，对MRVL股价的推动效果是AVGO的13倍以上。 原因二：Google的变量 AVGO和Google的合作是锁定的，这是护城河，但也意味着它的上行惊喜已经被充分定价。MRVL和Google的谈判还没有正式宣布——这是一个尚未被市场定价的潜在催化剂。如果Google正式宣布，MRVL立刻拥有Amazon+Google双超大规模客户，ASIC市场份额从15%向25%+跳升的路径被打开。 原因三：两个叙事不相关 AVGO的核心护城河是ASIC和VMware软件。 MRVL的两个叙事——ASIC和光互连DSP——是完全独立的业务。 ASIC受益于去Nvidia化，光互连受益于AI集群扩张。两个独立的增长引擎，互相不依赖，互相不替代。 MRVL在多个AI基础设施顺风中同时暴露：定制芯片、光互连、数据中心网络和更广泛的超大规模资本支出周期。这种在AI主题内的多元化暴露，使它成为纯粹的GPU标的（如Nvidia）的有吸引力的补充。 5. 估值合理吗？ $MRVL：Forward PE 36.4倍，市值$1,470亿。 $AVGO：Forward PE 31倍，市值$2万亿。 $MRVL的Forward PE比 $AVGO略高，但增速也更快： $MRVL FY27营收预期：约$110亿，同比增速约40% $AVGO FY27增速约25-30%。PEG（PE/增速）： $MRVL：36.4 ÷ 40 = 0.91, $AVGO：31 ÷ 27 = 1.15 PEG低于1都算便宜。 用PEG来衡量，MRVL比AVGO便宜约20%。 而且MRVL有Google催化剂这个尚未被定价的变量，AVGO没有。如果Marvell股价涨到$400，需要数据中心营收FY27超过$90亿，Google ASIC合同正式宣布，自定义硅年化营收达到$30亿。在这些条件下，ASIC业务40倍Forward EV/EBITDA，光互连业务20倍EV/Sales。 我觉得2027年是很有可能达到的，这还是在理性的估值下，如果是ai融涨疯牛选择忽略估值的话，如果NVDA到360分析师预测最高，也就是8.8T, 我预测8-10T，那么AVGO会到3-4T, MRVL到500B-1T都问题不大。 6. 三个需要追踪的关键变量 变量一：Google ASIC合同的正式宣布 这是目前MRVL最大的潜在催化剂。谈判已经在进行，但没有正式宣布。每过一个季度没有宣布，市场会稍微失去耐心。但一旦宣布，估值逻辑发生质变。 变量二：1.6T DSP的市场份额 Marvell已经开始出货1.6T PAM DSP，基于5纳米工艺，并推出了下一代3纳米版本，将光模块功耗降低超过20%。 800G向1.6T的迭代是MRVL DSP业务的下一个量子跳跃。如果MRVL能在1.6T时代维持甚至提升市场份额，光互连业务的营收会非线性增长。 变量三：Celestial AI的硅光子整合 MRVL收购了Celestial AI，进入硅光子领域。这是CPO时代最关键的技术平台——把光学引擎直接集成进芯片封装。如果MRVL能在CPO时代把DSP和硅光子整合成一个完整的解决方案，它的价值会远超现在的定价。 7. 最终判断：MRVL是这轮AI牛市里最干净的不对称机会 AI芯片市场分三类公司： 第一类：Nvidia——已经被充分定价的龙头。故事最好，估值最贵，上行惊喜空间有限。 第二类：纯ASIC公司（AVGO）——护城河深厚，但增速放缓在定价中。Google TPU锁定到2031年是确定性，也是上行惊喜的天花板。 第三类：MRVL——两个叙事都在爆发，Google催化剂未定价，市值基数小。 这是不对称机会的经典形态， 下行有Amazon锚定，有光互连稳定收入，不会归零，上行有Google合同宣布+CPO爆发+ASIC市场份额提升，估值可能从$1,470亿走向$5,000亿+。 $MRVL也是我重仓持有的标的之一，短期technical角度今天收长上影线，日线级别调整要来，加仓机会在第一目标165，第二目标140。如果给机会到140补那个缺口，我仓位加满（图1）。 总结：回到那个反直觉的规律：缺货时代，落后者获利最大。 ASIC市场正在缺货——Broadcom一家根本无法满足所有超大规模客户的定制需求。光互连正在缺货——AI集群每季度都在扩张，DSP的需求只增不减。MRVL是这两个缺货赛道里，那个正在被需要的追赶者。 历史一次次证明：当产能不足、供应商只有一两家的时候，第二名是最好的弹性高的投资标的（Nvidia和Amd，TSMC和Intel。） 因为所有人都开始认真研究它了。 #MRVL# #Marvell# #AVGO# #Broadcom# #ASIC# #定制芯片# #光互连# #DSP# #Google# #Amazon# #Nvidia# #AI芯片# #半导体# #美股# #龙二补涨# #CPO# #硅光子# #AI基建# #USStocks# #AIStocks# #数据中心# #去Nvidia化#

Arcus × Lighter 第四周复盘 A 组｜本金 $1,000 · 交易量：$19.4 万 · 平均持仓：$2,830 · 已实现盈利：+$16.9 · 积分：6.94 B 组｜本金 $4,000 · 交易量：$21.0 万 · 平均持仓：$17,900 · 已实现盈利：+$59.3 · 积分：14.33 B 组的持仓是 A 组的 6 倍多，交易量差不多，积分却只有 2 倍。 用之前回测的积分公式已经拟合不上这周的数据了，猜测是官方下调了持仓权重。 零磨损的策略，分数还是低。你们是咋刷 1M 的？ 顺便分享一下逆向选择的研究 实测：币安 30ms 内跳 ≥3bps 时，Arcus 中位要盘中 49ms、盘前 63ms 才跟上。 也就是说，能抢的时间窗口只有几十毫秒。 护栏规则：币安在 W 毫秒内不利移动 ≥3bps，就撤掉 Arcus 的挂单。 不同 W 的结果 （拦掉笔数｜拦掉的单均值｜留下的单均值｜净效果）： 30ms　｜28 笔｜−0.26bps｜+2.11bps｜+$0.28 50ms　｜30 笔｜ 0.00bps｜+2.09bps｜+$0.26 100ms ｜34 笔｜+0.29bps｜+2.08bps｜+$0.08 300ms ｜44 笔｜+0.83bps｜+2.04bps｜−$0.16 1000ms｜62 笔｜+1.34bps｜+1.97bps｜−$1.05 窗口越长，拦下来的越是赚钱的单。 只有 30–50ms 才勉强为正；把阈值降到 2bps，拦截也是负效果。

我去！有人把私募量化研究员的整套技术体系，整理成了一份免费的中文实战手册！ 从因子挖掘、机器学习选股，到 Barra 风险模型、组合优化和 A 股真实交易规则，连 Python 源码都准备好了！ 这个开源项目就是 quant-handbook。 涵盖 8 大模块、31 讲课程和 31 份 Python 实战示例，从因子挖掘、机器学习选股到组合优化、策略回测都有！ 核心亮点： 1️⃣ 数据工程：使用 Polars、DuckDB 处理行情数据，解决复权、财报对齐和未来数据泄漏。 2️⃣ 因子研究：覆盖量价、基本面、订单流因子，以及 IC/IR、分层回测和因子正交化。 3️⃣ AI 量化选股：结合 LightGBM、CatBoost、SHAP，构建机器学习选股流程。 4️⃣ 组合优化：实现 Barra 风险模型、风险平价、行业中性和换手率约束。 5️⃣ 真实交易回测：模拟 A 股 T+1、涨跌停、停牌、手续费、印花税和市场冲击成本。 6️⃣ 绩效归因：分析 Alpha、Beta 收益来源，监控特征漂移和组合风险。 以前学量化，因子会算、模型会训练，但真正做回测时，未来函数、交易成本和风控问题经常被忽略。 这套手册把完整的量化研究流程都串起来了。 我比较喜欢它对回测真实性的处理，不只是计算收益曲线，还把无法成交、交易成本和未来数据泄漏这些问题考虑进去了。 31 讲都有对应的 Python 示例，适合从零学习，也能作为量化策略开发的参考。 做 A 股量化、机器学习选股，或者想系统学习量化研究的，这份手册值得收藏！