SK

这篇把ANT上市前合约的价差拆得很细。两边报价口径不同，等招股书披露股数，交易所rebase，价差被规则强制收敛。最见功夫的是逐项拆招股书算股数，还拿SpaceX的rebase做了对照。真要做的话，要盯的是股数口径、两边的资金费率，还有收敛之前那段时间的保证金。

厉害的交易员先想的往往不是能赚多少，而是会不会被清出局。仓位、杠杆、止损，都是为了保证自己能一直留在牌桌上。只要还在桌上，优势才有机会慢慢兑现。人生大概也是这样。每个人都只有一条路径，没有一万个平行的自己替我们取平均。别人说某件事期望很好，说的是一群人的结果，落到自己身上，一次出局就是全部。所以有些东西不能拿去赌，比如身体、信誉、身边的人。这些一旦输掉，很难再从头来过。

EMA给每根K线的权重，只取决于它离现在多远，那根K线本身长什么样，它不关心。注意力正好反过来，权重全看内容像不像。在最基础的形式里，如果不加入位置信息，它分不清"狗咬人"和"人咬狗"，所以Transformer需要位置编码，把时间加回来。 其中有一种叫ALiBi的做法，和EMA很像。它在算注意力分数时，按距离减去一个固定斜率的惩罚，过完softmax，相当于在内容相似度之外，再乘上一个随距离指数衰减的系数，和EMA的权重是同一个形式。它还给不同的注意力头设了不同的斜率，等于同时用了好几条周期不同的EMA。 现在主流模型多用另一种位置编码RoPE，思路不一样，但ALiBi这个例子最好理解。

最近在学注意力里的Q、K、V。每个词会生成三样东西：Q（查询），代表"我现在想找什么"；K（键），代表"我身上有什么特征"；V（值），代表"我能提供的内容"。当前这个词拿自己的Q，去和前面每个词的K算相似度，过一遍softmax变成权重，再用这组权重把所有的V加权平均。这和做量化时的相似行情匹配很像：在历史里找出和现在最像的几段走势，按相似程度加权，平均它们后来的走法。统计里管这类方法叫核回归。行情匹配里，相似度是我们自己定的，一般算两段收益序列的距离。注意力里，Q和K怎么生成，是模型训练时自己学的。

马克·道格拉斯在《交易心理分析》里有个说法：单看一笔交易，结果基本是随机的。 一个有优势的交易员，赚钱是在一百笔、一千笔之后的事，落到眼前这一笔，赢还是输，谁都说不准。他拿赌场打比方：赌场知道长期一定赚钱，所以不会在意某一桌今晚输了多少。 厉害的交易员和普通人，差就差在这里。普通人把每一笔都看成对自己的评价，赢了是自己聪明，输了是自己蠢，止损就等于承认自己错了，所以特别难下手。 厉害的交易员会把这一笔放回很多笔里看。亏了，他先看自己有没有按计划做。按计划做了还是亏，那是概率的一部分，下一笔照样做。没按计划，才需要复盘。

有了AI以后，开一个新项目的成本低得惊人。一个念头，一个下午就能搭出雏形。于是电脑里慢慢堆满了做到一半的东西。 起初我以为这是效率的胜利，后来才意识到，AI压缩的只是项目的一部分。 一、被加速的是前半程。搭框架、写代码、跑出第一版结果，这些AI做得又快又好。后半程几乎没有被压缩：验证它到底对不对，放进真实环境里跑，处理那些只有跑起来才会暴露的问题。计算机里有个阿姆达尔定律，说的就是这件事：一项任务只有一部分能被加速时，整体提速的上限，由不能被加速的那部分决定。假设AI把八成的工作压缩到几乎为零，剩下两成照旧，整个项目最多也只快五倍。 二、在量化里，这两成里最硬的一块是时间。一个策略成不成立，最终要靠足够长的样本外来回答，这段时间AI替你过不完。开得越快，只是让越多的想法停在"还不知道好不好"的状态。雏形带来的进展感是真实的，它携带的信息量却很少。 三、半成品并非没有成本。每个没做完的项目都像一份期权，留着它，好像保留了一种可能。但期权有时间价值的损耗，代码会过时，数据会陈旧，当初的思路会被遗忘。更隐蔽的成本在注意力上。组织行为学里有个概念叫注意力残留，人从一件事切换到另一件事时，会有一部分心思滞留在上一件事里。手上的项目越多，滞留越多，每件事分到的都只是残余的注意力。 所以，当"开始"变得廉价，稀缺的就成了"选择"。能力不再体现在能同时做多少，而在于决定不做什么。

交易模型比的不是有多高级，是做得细不细。今天又把这部分重新梳理了一遍，拆开很久之前做的的模型看，发现里面的特征一大半都是重复的，其实在说同一件事。原来的堆了21个特征，很多特征没用。其中最强的单拎出来，比整个模型还准。换干净的特征更能提高模型的准确度。堆因子≠有用。

越来越佩服厉害的主观交易员。 看错了能马上认，发现不对就走，不跟市场较劲。看对了拿得住，不会赚一点就急着落袋。没机会的时候能忍很久不动。连亏几笔，下一单还是按自己的计划来。 这些道理谁都懂，但是做到很难。 严格的纪律，杀伐果断。错了就改，改了再悟，直到找到属于自己的那条道。

一直觉得发内容就得利他，所以写得很慢，每天都想憋一条干货。今天让claude把我三个月的推特都翻了一遍，每条数据拉出来看，数据最好的是一篇随笔。有点扎心，但也想通了。我喜欢的东西挺多的，想学的东西也很多。其实想说什么说什么。不用端着也不用装。同频的人都是主动吸引而来。

认真夸一个人！纳米老师@antiAIvo！纳米老师伟大！！ 之前写过，做研究最怕闭门造车，不知道自己站在哪。其实学 AI 也一样，资料太多，不知道先学什么、自己学到哪了。 他做了一张大模型学习路线图，从 Transformer 一路到 DeepSeek-V4，8 个阶段、51 个知识点，每一项要先学什么、去哪学都标好了。很多还配了他做的图解和教程，另外开源了从零手写 GPT-2 和 Agent 的项目。 最难得的是全部免费。超级干货！有人找他付费咨询，他都是回人家不如去问 Claude！ 我天天用 AI，其实不够了解 AI。还需要不断学习。大家也可以看纳米老师的内容学习！ nano-ai.tech/map