哪怕过着丰富的物质生活,内心里却不认为当下的生活是值得过的
工作抉择
尽管今年是在券商自营工作的第二年,但已经进入舒适区,没有更多新事物能让我学,让我感到难受。意识到一旦对工作事项有“非常简单”的感觉,对重复性工作感到厌倦,就可能开始日复一日、年复一年的循环,为了不慢性死亡,我必须做出改变。
投资
今年不少A股和美股里的科技股明显缺乏内在价值或基本面无法支撑当前估值,价格高度依赖流动性支撑的资产和比特币无本质区别,事实证明社会对赌博(Robinhood、彩票、热门股、DraftKings、预测市场polymarket)的需求越来越大。
要做好投资,先从戒赌开始,仓位管理控制最大回撤,就得放弃自上而下的资产配置方法论,回归到基础的行业基本面研究。想好自己要赚哪部分钱,不该赚的一分钱都不要去尝试。有时候自己认知正确就做错,年初中概互联和港股通创新药我就起了个大早,过早止盈。复盘下来,大概是理性的人很可能会认为别人也和自己一样理性,低估了市场的不理性,以至于无法吃到市场带来的溢价,也许这也是基本面的局限性,难以吃到由二阶导超预期和资金驱动的涨幅。
基本面适用于市场未price in的情况,如果基本面已经反应在价格里,未来的价格取决于基本面的二阶导,高风险高波动。基本面只能告诉你过去一段时间行业变化的原因,但价格变化和市场消化基本面变化不是同时发生的,所以市场不一定都一直有效。突发事件和价格变动,对于第三方投资者而言,一定是后者在前,这时价格解释(技术分析)是有效的。记住,基本面只能揭示非常长期的趋势。
我不断问自己,如果回到一年前,根据一年前的公开信息,我还会做出其他改变去买贵金属和美股吗?不会,这些事物超出了一年前我的认知,当时的我只认可被市场低估的CXO生物药和中概互联,再来一次,我也不会把钱投去自己不真正理解的事物,直到我提前做好准备并充分理解投资标的的基本面和风险。
AI
大语言模型不等于人工智能,缺少垂直应用,缺少商业化落地,在C端大模型Token消耗的成本仍然过高。现主力用Github Copilot+Gemini3 Pro,但不认同Vibe Coding的理念,尤其是在开发量化策略时,大模型会丢失部分上下文,在没有额外提示词限制条件下大模型常滥用Emoji、乱加注释以及在Readme.md里写TODO List,也没有学会模仿原有的代码风格和逻辑。
我认为目前阶段的大模型,最佳实践应该是类似NotebookLM的RAG应用,而不是加入工作流程和MCP接口的Agent,我更多把它当作Cookbook去问,配合提示词工程在特定话题做多重问答。
Freqtrade量化策略开发
我对Freqtrade项目 又爱又恨,FreqAI提供了多种模型,内嵌CCXT,能对加密货币的截面和时序因子进行训练,但经过无数次写因子、因子筛选、换模型、改训练参数、样本外回测后,我彻底失败了,得到以下结论:
加密货币市场7*24h交易,数据信噪比极低,无法通过SVM或PCA等降维方法剔除“异常值”,剔除后大部分数据点还是没价值;
缺少长期有效的因子,大部分因子IC不超过0.03,因子长期表现不稳定;
截面因子选择有限,合约策略只能添加换手率、方差、资金费率、基差、期权隐含波动率、合约账户多空比、合约未平持仓量/市值等因子、链上资金流入流出交易所地址等,但实际上交易所众多,得到的数据差异很大,光是数据采集、清洗、标准化处理就折腾人;
不能滥用技术指标,TA-Lib库里的技术指标很多,但要剔除形态指标(只有0和1,缺少信息量),从不同类型的指标分别只筛选0-2个,尽可能避免多重共线性,最重要的是,技术指标就把时序数据给压缩压扁了;
不要用端对端(Transformer、强化学习等)模型,很难从噪音中找到规律,反而用简单的分类器(如XGBoost、CatBoost)和循环神经网络(如LSTM、TCN)比较容易从噪音中学习到规律;
筛选因子再合成因子是个不错的方法,超参数调整因子权重,最大日Sortino优化,经样本外回测能构建出一个稳定跑赢资金成本的自动交易bot;
经深思熟虑后,加密货币市场的数据中的有效信息比例太低了,从15m到4h的级别都试过了,恐怕不是训练或特征工程方法论上的问题,就是低信噪比数据不适合用传统多因子建模和机器学习训练,币圈量化更适合做中高频的做市和套利。
尽管投入了非常多的时间和精力,最终没有得到自己想要那种理想的策略,这样的策略可能从一开始就不存在吧。
阅读
发展经济学
今年我认识到严重的经济学虚无主义,理解了何为“二手文献之间的循环论证”。2025年的诺贝尔经济学奖论证了技术进步的内生性且制度有效推动经济长期繁荣,讲的都是一些西方经济学的教条——“优秀”制度与文化和经济增长的因果关系,和我在2024年的诺贝尔经济学奖是不值一提的 中批评西方制度经济学是同一个弊病:世界的经济不只有西方的经济学史,西方经济学家不尊重也没有看清楚世界上其他地区的经济实况,就像复读机一样对历史进行重复论证,这样的诺奖掩饰了更多当下存在或新的问题,例如AI即将造成又一次大分流加剧不平等的问题,而不是重复和循环论证类似“破坏性创新”这一概念,这是没有建设性意义的。
时隔一年,2025年中文互联网上对《国家为什么失败》一书的评价越来越高,这可能是人们对宏观通缩环境下的失望反应,像是病急乱投医,
我认为这本书的论证案例是不够充分的,但人们很难去反驳一个拥有真实历史的经济学叙事。我就拿书里开头的美墨边境案例为例子,首先这个案例背后是两个完全不同产业结构和军事实力的国家的局部地区对比,是不能够通过微观低维度的人均GDP的差异去线性外推高维度的经济乃至政治制度的问题。我个人更喜欢用深圳香港边境的案例(书中没有)去解释制度问题,一河之隔,两种不同的制度下的自然实验。最终我们也看到是香港昂贵的土地与人力、有限的土地供给、当地财阀政商垄断等制度性问题使得香港错过回归后的种种机遇。美墨边境的差异不完全是制度和文化造成的,属于论证不充分和遗漏变量偏差,但是深圳和香港的差异,制度变量的可解释性会更高。
乔尔·莫基尔《增长的文化:现代经济的起源》,
菲利普·阿吉翁 / 史蒂文·杜尔劳夫《增长经济学手册:第2A卷》
[法] 菲利普·阿吉翁 / [法] 赛利娜·安托南 / [法] 西蒙·比内尔
戴维·兰德斯 / 乔尔·莫克 / [美] 威廉·鲍莫尔《历史上的企业家精神:从古代美索不达米亚到现代》
以上书目都不推荐读,读这类文献和书籍的阅读量越多,越会发现他们长篇大论去论证制度经济学,背后的论点是站不住脚的,他们精通计量经济学,模拟估计历史经济数据、跑各种回归模型把理论中的变量都扔进来,在数据+实证的方法论上几乎是完美的,但也因此正确只停留在形式上。这些文献拟合了“大分流”的历史,却苦于找不到中国没有发生工业革命的原因。首要的问题是样本太少,历史时间序列上的真实数据有限,就算得到统计显著的变量也不能说明存在因果关系。其次是围绕华盛顿共识和历史终结论的循环论证,这些观点和建议已经脱离了现实世界。
人们不需要教条式的经济学,也不需要经济学家们去教会人们如何发展经济,更不需要得到类似好的制度或文化是否内生性的无意义结论。
技术书
O'reilly动物书的《生成式深度学习(第二版)》同时包括Transformer、Diffusion、GAN、RNN、LSTM、VAE等模型的理论说明和最佳实践案例,比在网上看二手技术文章更加系统化,内容浅显易懂。
生成式深度学习,第二版,Oreilly,中国电力出版社
重读
《金融怪杰》再出新版,这书读过不止三遍了。在市场里不应该忘记,除了主流的方法论,市场上长期存活的玩家都有自己的一套交易系统和价值观,不要恪守己见,不妨看下别人是如何看待市场的。每次读都会带来新的灵感,很有趣。总的来说,投资者应时常审视自己的市场观点和交易行为,投资者最大的敌人是自己。
《不为人知的金融怪杰:11位市场交易奇才的故事》, [美] 杰克·D.施瓦格, 机械工业出版社
展望
除了Freqtrade量化开发的困难,我也大大低估了MIDI编曲的难度,从补基本乐理到熟悉DAW软件,现在对四件套乐器音源的理解几乎没有,这也是一个时间、金钱和精力上的无底洞,很可能没有任何回报,但我愿意继续投入,但愿明年能持续更新博客,而不是把宝贵的时间浪费在碎片化信息中。
自我认同的意义是没白活着的证明。
Prologue 序章 对当下的反思和批判
作者槐序
2025 December 29th发布