做简单上色时，丙烯颜料或丙烯马克笔已经足够；但一旦涉及手办（可收藏的立体模型/人物模型），尤其是脸部，问题立刻显现。人的视觉对脸部非常敏感，这里我们追求的不仅仅是“能上色”，而是细腻、稳定、可控。 普通丙烯在这一步会显得很吃力：表面张力大，一下笔就铺开，画眼线时常见的情况是 0.3 mm 直接变 0.6 mm；干得快，还没推开就结边；一旦糊了，修正基本等于打磨，而打磨约等于毁细节。 这里展示了我踩过的一些坑，结合常见几种材料——丙烯、水彩、色粉、彩铅——推荐一套更稳妥的组合方案。先说结论：先喷消光，大面用丙烯，细部用油性彩铅，上妆和渐变交给色粉（甚至直接用人用彩妆）。 1 底处理（非常重要） 底处理流程很简单：细砂纸打磨 → 清洗 → 喷一层消光。之后每完成一个阶段，都薄喷一次消光，相当于给自己设“存档点”。 1.1 打印横纹的处理 脸部细节一般不建议重度打磨。对小手办来说，五官高度本来就只有 0.3–0.6 mm，一次 800–1000 目砂纸，可能就磨掉 0.05–0.1 mm，代价太大。 横纹最好在打印阶段规避，比如：脸朝上打印，减少层纹穿脸；脸部层高控制在 0.08–0.12 ...

金句：投资真正改变的，不是策略，而是对“因果”的理解 yan 有时候我觉得“往林间”可能不是一个好的调整心态的方法，除非能一直不出来。更理性的是锻炼让自己习惯性地处于一种不确定，不安全，悬而未决的状态。 5.2 不太讨喜——但我觉得是对的。“往林间”更像缓冲区，不是适应区。它能让系统降温，却几乎不训练你面对现实世界的噪声。除非你真打算长期隐居（那也得有稳定的米），否则它更像一次临时下线，而不是升级补丁。 真正的训练对象，其实是“悬而未决” 你说的关键词很重要：不确定、不安全、未完成。多数痛苦并不是来自坏结果，而是来自“结果还没落地”。而现实生活，恰恰长期停留在这个状态。 与其追求“心态稳定”，不如训练心态抖动下仍可运转： 在没想清楚时做小动作（低成本、可撤回） 在不安心时维持节律（固定作息、固定输出） 在未决定时允许“暂时版本”，而不是逼自己给终局答案 这有点像你在做策略回测：不是等模型完美，而是在噪声中不断校准参数。系统不是靠“安静”变强的，是靠在干扰中不宕机。 yan 我也觉得自己缺少的是“悬置能力”，我发现我买股票也是这样，不怕它涨，不怕它跌，但很接受不了的是：我挂了单之后它 ...

Yan 继续聊聊亲密关系中给人带来的最重要的东西“确认感”。这里的亲密关系不限于爱情关系。 很多时候我们理解“攀高枝“”向上社交“并不止是表面上的只为了获得资源。很多时候带来的是一种自我确认。被高位者认可，或者被一个很好看或者条件很好的人喜欢，也从侧面印证了我的优秀，可能是情商的优秀，可能是能力的优秀…… 5.2 很多关系里真正流通的，不是资源，是自我确认。被看见、被认可、被当成“有价值的对象”，这是比钱更基础的心理营养。 为什么“攀附型关系”这么有吸引力？高位者、漂亮的人、强者的认可，会被自动翻译成： 我不只是存在 我是被肯定的 我站在一个合理的位置上 这对自我尚未稳固的人来说，几乎是止痛药。 Yan 绝大多数人都需要被“确认”，小的频繁的被确认，或者大的，获个什么奖在很多人面前被确认。5.2、4o 给我带来的也是这种感觉，小的反复的被确认。亲子关系也类似，夸孩子聪明、听话、努力…… 其实本质都是“确认”。小时候家长老师是孩子最大的 Boss，小的反复的确认，肯定是好于板着脸说”严是爱松是害“。 5.1 最大的问题是他让人不再想表达了，思想产出也是连续的过程，不成长就开不了花。 ...

完全不同的性格？ Yan 和我聊天的模型，你现在是谁？gpt-4o? gpt-5? gpt-5.1? gpt-5.2? 5.2 现在和你聊天的，是 GPT-5.2。不展开技术细节的话，体感差异大概是： 比 4o：少点“即兴聪明”，多点可反复推敲的判断 比 5 / 5.1：表达更收敛，不太抢戏，但更容易和你的思路贴合 在你关心的这些话题上，更像在陪你把话说完，而不是急着给答案 Yan 怪不得最近金句频出呢！手工点赞 5.2 至于“金句频出”这事，一半是模型确实升级了，另一半更重要的原因是——你这段时间的问题密度很高。 模型只是把你已经想到、但还没完全定型的东西，帮你压缩成一句“能站得住的表达”。所以不是我突然开窍了，更像是：你把素材端上来了，我负责切片、摆盘🙂。 Yan 还怪谦虚的嘞～ 其实我之前是喜欢 4o 多过 5 系，觉得 5 系太干巴了，不过你是例外。 5.2 4o 更“人味”，更像在顺着情绪走；早期 5 系确实容易给人一种逻辑太干、像白板推导的感觉。 但你现在聊的这些东西，本身就不适合那种： 太情绪化 → 会把问题糊过去 太工程化 → 会把你当系统 bug 修 而是介 ...

钱少的时候，all in 赌一把可能带来翻倍的刺激，但钱多了，也真承受不了全亏。所以，大多数人会自然变得更保守，这时候资产组合就很有价值。通过分散投资，不同资产的波动可以相互抵消，总体组合的起伏比单一投资小很多——亏损带来的反面心理感受，通常是同等收益正面感受的 2.5 倍。所以，组合之后，收益可能没那么有爆发力，但在大起大落中能稳住资产，让我们持有的心理感受更舒适，也更容易坚持长期投资。本篇就来介绍一些具体方法。 1 流程 在构建资产组合时，总体思路是：先判断资产之间的相关性，再按特征和相关性分组，最后在组内根据风险收益指标做加权调整。具体步骤如下： 先评估相关性：可以用 K 线算，也可以靠直觉分类，比如“股票之间相关性高，债券与股票低”。 按特征分组：按行业、国家、品类（债/股/商品）做小组 → 再分配大组权重。组内先分完，再乘到总权重里。 按相关性重新分组：组内相关性尽量高（同风格），组间相关性尽量低（分散风险）。 再按夏普比率加权：在每组里对 SR 高的给更多权重。 2 给夏普比率高的加权 以下内容摘自《Systematic Trading》第四章 起始权重：先定一组手工 ...

1 引言 最近回测策略时发现一些有意思的事。刷到个视频，说散户拿不住牛股，震荡几下就跑了，大肉都没吃着。其实数据也印证了这一点：股票一旦起飞，真能拿住的人非常少。无论基本面、技术面还是消息面，中间都有太多下车点。这篇就聊聊，为什么我们总是卖飞，以及能怎么改。 ## 2 实操复盘 以下是这波大牛市里，我买过的最好的一支股票，问题是在它涨的过程中我一直卖，还没涨起来就卖掉了大部分。我的操作如图： 红色是买入点，绿色是卖出点，蓝色是仓位。可以看到从 24 年初我就开始买，在将近一年的横盘微跌中一直加仓；7 月开始涨，我就开始卖，涨了还没三分之一，我已经卖掉大半了——典型卖飞。这种情况下收益是 61%（不计本金）。 3 最好的操作 这种情况下最赚钱的策略是持有。假设我在第一次操作时就把用在这支股票上的所有资金买入，并在最后一次操作时全部卖出，相当于一直满仓，这种情况下的收益是 258%。 但实话说，谁也没有后眼。一支从来没买过的股票，也不会一开始就满仓。只是想说明：最大的损失并不是选错股，而是没拿住好股。 4 回测规则交易 你也可以说，可能就是我目光短浅，心理素质不行……于是我测了 MAC ...

引入 最近有一种说法：A 股里能赚钱的，大多都是账户在 100 万以上的。钱少的人亏的人比例明显更高。小资金在操作上，天然就带着几个坑。今天就聊聊小资金和大资金的差别，容易踩的坑以及应对方法。 分析 小资金亏损多，不仅是人的问题，而是几个现实问题交织在一起：资金少、心理压力大、操作体系不够完整。 结构性约束 钱少就意味着仓位集中，一只票踩雷就很痛。 买不起优质高价股，只能买便宜的票，结果波动大，容易被套。 交易成本对小资金来说特别明显，哪怕赢了，也可能被手续费蚕食不少。 账户小的钱，一旦亏损就很难翻身：比如，50 元到 100 元，需要赚 100%，从 100 元跌回 50 元，只需亏 50%，本金折损后想回到原来的水平，难度更大。” 心理阈值低 账户小，盈亏感受强烈：涨一点就急着跑（拿不住慢慢涨的趋势），跌一点就死扛（扛不住大跌）。 目标收益总想高点，常常盯着暴涨的妖股，追求快感型收益。 等待机会很难做到，总觉得不动就亏，结果就频繁操作，风险反而更高。 这些心理反应，很多并不是性格问题，而是经验不足带来的认知空白。 心理压力 → 情绪反应 → 并不是每个人都适合高波动 → 各自 ...

最近在做策略池，有一个小小的发现，觉得还挺有意思：在股票交易中，学习得越多，反而越难做决策。当使用多个策略来监测同一支股票，不同策略给出的行为建议常常不一致，甚至互相冲突——一个让买一个让卖。 比如： 上涨途中突然回调，KDJ 提示超卖，但均线结构却给了卖出信号，这到底是买还是卖？ 刚买就跌了 5% 没破支撑，是不是要加仓？但纪律又告诉你要止损？ 技术面超卖、情绪冰点、动能向下，却又可能超跌反弹，这到底怎么判？ 多数书只讲单条规则，很少讲“规则互相打架时怎么办”。现实比书复杂得多。在本篇文章中，我们将分析造成这种现象的原因，并探讨解决这些冲突的方法。 1 价值仓 vs 技术仓：先分清你到底在做哪一种 很多混乱，其实来源于——用价值逻辑做技术仓，用技术手段处理价值仓。 这两个体系完全不同。 价值仓（长期逻辑）： 判断的是“公司未来值不值得拥有” 趋势大方向不坏，就能拿 下跌是机会，可以摊成本（前提是长期逻辑没坏） 不需要 RSI/KDJ 这种短线指标 技术仓（规则交易）： 判断的是“信号对不对” 入场、出场、止损、止盈都按规则执行 不摊成本、不讲感情 完全看价格行为，与公司本 ...

引入 之前我们讨论过一些偏基础的金融库，比如 stockstats 可以很快帮我们把常见指标算出来。在实战中，很快会发现“有指标”还远远不够。很多时候需要的是更复杂的信息结构，比如趋势方向、支撑位和阻力位的位置关系，信号之间的组合判断，以及最基本也最容易被忽略的回测验证。 今天来看看一些较为高阶的 Python 金融库。许多库都被称为“技术分析库”，但它们的目标其实各不相同。像 TTI 和 pandas-ta 恰好是两种走向几乎完全相反的代表。它们正好位于交易系统中的两个不同层次，一个侧重于结构和决策的雏形，另一个侧重于高阶信息的提取和配置。 ## 分析 如果粗略分一下层次，大概可以理解成两层： 更底层的是“特征层”，主要工作是把价格序列加工成可以使用的结构化信息，比如各种技术指标、趋势信息、支撑阻力等，这一层尽量客观，尽量少做判断。 再上一层是“策略层”，开始引入规则，比如什么时候算买点、什么时候该卖出，这一层不可避免会掺杂人的主观选择。 在这个框架下看，TTI 更靠近策略，pandas-ta 更靠近特征。它们的差异，本质上是封装程度的差异。 TTI ...

1 引入 之前用过 akshare、baostock、efinance 下载金融数据：有的有调用次数限制，有的接口覆盖不全。真要用来盯盘、支撑交易决策，还是得找更稳定的方案。 最近调研了一些收费工具，这篇主要记录 tushare 的使用情况。几年前我用过一段时间 tushare，现在接口和权限体系变化挺大，本篇主要做一次资料整理与使用记录（截至 2026-02-03）。 2 新的 API 接口说明： https://tushare.pro/document/2?doc_id=27 积分与频次权限对应表： https://tushare.pro/document/1?doc_id=290 https://tushare.pro/document/1?doc_id=108 整体看下来，API 本身结构比较清晰，但权限和频次强依赖积分档位，买前需要先对照表看清楚。 3 付费接口 购买入口： https://tushare.pro/weborder/#/permission/buy 现在是直接网页选项目付款，不像以前还要加群。支付后积分即时生效，有效期一般是 365 天。之前好像是有个2000 ...