1 量化工具比较 使用量化工具时，用户通常会编写程序，区别只是熟练程度不同。所以，即使不使用量化平台，理论上程序员也能实现相关功能。接下来，我们将探讨量化平台具体提供了哪些功能，以及如何根据不同用户的需求进行选择。 首先，进行一个简要比较。 vn.py 掘金/米筐 上手难度 高，需要会 Python，自己搭环境 低，注册后直接写策略 灵活性 高，能接国内外期货/股票/币等 中，受限于平台支持的市场 成本 免费开源，但要自己配账户/服务器 免费额度 + 付费增值 实盘 可直接对接券商/交易所 API 模拟交易为主，部分券商支持 适合人群 想长期深耕量化、折腾框架的程序员/研究者 想快速验证策略、不想折腾环境的入门者 2 vn.py vn.py（全称 vn.py framework）是一个 基于 Python 的开源量化交易开发框架，GitHub star 32k+，维护十余年，生态完善。它不是现成的炒股软件，而是一个 量化开发工具箱，帮助快速搭建自己的策略系统。 项目地址：https://github.com/vnpy/vnpy，也可通过 ...

1 引入 如何用程序识别股票趋势：上涨/下跌/横盘？我面对的问题是：某些策略在上涨时有效，有些在下跌时有效，还有些更适用于横盘。那么，如何以量化方式准确判断当前趋势呢？ 趋势本身是一个相对的概念。上涨与下跌显然不同，而上涨与横盘有时难以区分，比如：究竟多长时间，多大涨幅能称为上涨？今天我们来探讨一下量化识别趋势的具体方法。 2 实现 在具体应用中，我们需考虑两个问题： 当前趋势判断：结合当前数值与近期历史数据，确定当前所处的趋势。 历史趋势判断：分析历史数据，将其划分为上涨、平稳和下跌的阶段。 2.1 原理 好的趋势判断方法，其核心在于明确多大尺度下允许多少波动来确认方向。这包含三个层面的框架：方向、坡度和噪音容忍度。 指标类别 用于判断什么 常用指标 参数示例 方向性 大方向是涨还是跌 MA、MACD 方向 20 日 vs 60 日 坡度 涨得快还是慢（可用百分比或斜率） MA 斜率、收益率 20 日涨幅 > +5% 稳定性 是趋势还是乱拉（噪音比） ATR/价格、布林带宽度 ATR 占比 < 2% 利用大周期判断方向，用强度指 ...

1 引入 我经常需要让程序与通讯工具联动。例如：单向提醒：利用程序盯盘，并通过飞书将买卖信号或涨跌提醒发送到手机，实现程序的单向通知。双向交互：AI 机器人流行之后，这种需求明显多了——我在本地跑一个服务，通过飞书和它对话，下指令、拿结果。 一两年前不少人用微信做过类似的事，但由于并非官方接口，封号风险极高；而飞书、钉钉提供了完整、合规的开放平台，适合长期使用。本文记录一次完整的原理和配置流程。 2 原理 飞书机器人的两种通讯模式，其核心原理与配置复杂度有明显差异： 单向通讯：类似于“广播”。只需在飞书群中创建一个自定义机器人，获取其专属的Webhook URL。任何程序只需向该URL发送一个HTTP POST请求，即可将消息推送到群聊。身份验证已内置于URL中，实现极为简单。 双向通讯：则类似于“客服对话”。它要求开发者自己部署一个具有公网访问能力的后端服务。该服务启动后，需在飞书开放平台进行配置，完成“双向绑定”。当用户在飞书客户端中与机器人对话时，消息会经由飞书服务器转发到你的后端服务，服务处理后再将回复传回飞书。整个过程涉及服务部署、公网暴露、权限配置与事件订阅，更为复杂。 ...

1 引子 行情好的时候更容易赚钱，有时候等待一波行情可能需要十年。我最近开始开发股票分析相关工具。现在是个不错的时间点，也有足够的动力，加上关注这方面的人越来越多。 七月中参加一个股票相关的大数据比赛，在之后的学习会上，我想分享自己在建模比赛中的收获，又觉得所用的方法过于单一。然后开始系统地阅读相关论文，并试用 GitHub 上高星级的股票工具，最终决定自己动手做工具，一两周后，我完成了一个版本并开源，同时写了简要介绍。没想到，收到了很多老友的反馈，好像中年人都在玩这个。 在开发过程中，我也在操作自己的账户，产生了很多疑问，关注了一些公众号和 UP 主，听他们的实盘分析，同时读一些经典书籍，涉及长线短线、背后逻辑和具体方法等。为了每次分享都能增添一些亮眼的内容，不断寻找更前沿的方向。在与朋友的讨论中，一次次的质疑，反驳，也激发出更多的思路和激情。 于是继续更新，将更多的理解融入工具中。制作工具时添加的每个功能都旨在解决具体问题，不因他人有此功能而盲目跟风。接下来介绍的是我对这些数据的理解，也是当前版本的新增的功能。 先对工具做个简要介绍：XYStock 开源工具支持对 A 股市场全部股 ...

1 摘要 用 AI 辅助做股票相关决策，原理很简单：首先获取你关注的股票相关数据，然后提取一些特征，结合用户的需求交给 AI。AI 会充当投资经理的角色，进行分析和决策。用户说“我不懂资产负债表、利润表、蜡烛图、筹码分布，也不会看财报研报……”。而有一定能力的大模型，基本具备普通投资经理的素质，可以帮你解释和决策。 这东西没什么门槛，谁都能做，关键在于工具是否好用，比如：抓取哪些信息、如何处理、怎样交给大模型，以及如何呈现出来，怎么做又省时又省钱。 最近，我开发了一个股票辅助决策工具 XYStock，并已在 GitHub 上开源。我和朋友们使用后都感觉不错，下面就来介绍一下。 项目地址：https://github.com/xieyan0811/xystock 2 引言 最近股票市场非常活跃。前几周，我在分享会上分析了 TradingAgents 的论文和源码，第二周小伙伴又分析了其他中文的开源股票辅助工具。我们把“星”数较高的都试了一遍。各有千秋，确实有很多让人眼前一亮的功能，但还没找到一个完全够用的工具。喜欢 A 工具的某个功能，又喜欢 B 工具的另一个功能，但不能对单支股票逐个使 ...

英文名：Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models 中文名：基于可扩展查找的条件记忆：大语言模型稀疏性的新维度 发布日期：2026-01-12 论文地址：https://arxiv.org/abs/2601.07372，正文约20页，核心在第3-6页 相关代码：https://github.com/deepseek-ai/Engram 机构：北京大学，DeepSeek-AI 1 读后感 这篇论文的主要突破在于实现了知识与推理的深度解耦。 传统的 LLM 将知识隐式、散乱地存储在网络参数中，而 Engram 构建了一个相对显式的、结构化的“N-gram 记忆表”（有点像知识库）。这改变了语义存储的本质：从 Embedding 空间的“模糊分布”转向了类似知识图谱的“精确索引”。这种设计极大地增强了模型的可解释性，并为未来的局部知识更新（不重训模型而修正错误）提供了理论路径。 值得注意的是，这个记忆表并非人工引入的外部数据，而是通过与 LLM 协同训练得 ...

官方文档：https://api-docs.deepseek.com/news/news251201 论文：https://huggingface.co/deepseek-ai/DeepSeek-V3.2/resolve/main/assets/paper.pdf 2025 年 12 月 01 日，DeepSeek 发布了 DeepSeek-V3.2 和 DeepSeek-V3.2-Speciale。官方网页、App 及 API 均已更新为正式版 DeepSeek-V3.2。其中，Speciale 版本在推理能力上表现更强，可通过 API 调用，价格与 V3.2 相同。 DeepSeek-V3.2 在一般任务上对标 ChatGPT-5 和 Gemini Pro 3.0。图 -1 展示了 Speciale 版本在数学和推理能力上的表现。 其 Thinking 工具支持边思考边调用工具，并利用“难解答、易验证”的数据任务，提升了编程和工具调用类任务的能力。从比较结果看，其推理和工具能力略高于 GPT-5，略低于 Gemini Pro 3.0 和 Claude Sonnet，全面高于国 ...

英文：Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task 中文名：你的大脑在 ChatGPT 上：使用 AI 助手完成论文写作任务时认知债务的积累 作者：Nataliya Kosmyna, Eugene Hauptmann, Ye Tong Yuan, Jessica Situ, Xian-Hao Liao, Ashly Vivian Beresnitzky, Iris Braunstein, Pattie Maes 机构：麻省理工学院，威尔斯利学院，麻省艺术设计学院 地址：https://arxiv.org/pdf/2506.08872 发布时间：v1 2025.01.10，v2 2025.12.31 1 引发我的一些思考 前两天观看了一个知识型的直播，其中一个人自信地说：“我想问问大家，你们有多久没用搜索引擎了？现在是不是遇到问题都直接问 AI？”当时听着就觉得有点别扭，这样对吗？AI 给出的答案就完全正确吗？——随着像 C ...

1 裹糊 1.1 茄盒 / 素丸子 可泛化成所有脆炸。 目标是炸出薄而脆的外壳。 面粉与淀粉比例 1:3，加入少量盐调味；放一点醋（抑制面筋形成，壳更脆、不易回软），再加几克油。 水的重量与面粉 + 淀粉的总重量差不多，调成偏稀的糊，包裹层越薄越脆。 可加入少量泡打粉，或用啤酒代替水来增加蓬松感，二选一即可，不宜同时使用。 1.2 藕盒 可泛化成所有软炸。 藕盒一般用脆藕，整体口感的“脆”主要来自藕本身，裹糊不追求硬脆，而是偏软嫩、贴合。 面粉与淀粉比例 3:1，加入少量盐调味，加几克油；可少量加入泡打粉增加蓬松感（不宜多）。 水的重量与面粉 + 淀粉总重量差不多，糊可略稠，包裹层同样不宜太厚。 2 炸制 2.1 初炸 油温 6 成热：插入筷子冒小气泡、不冒烟。 下食材后前一分钟用于定型，不要翻动；中小火炸至表面微黄，捞出。 目的：定型 + 熟内部，不追求颜色。 2.2 复炸 油温 7–8 成热：油面翻动明显，接近冒烟但未真正冒烟。 放入初炸好的食物，中大火快速复炸 30–60 秒，至金黄酥脆捞出。 目的：逼出水分、完成上色，形成最终脆壳。 壳是主角 → 脆炸；料是主角 → 软炸。 3 ...

这两天开始用语鲸 APP，安装、登录就能用。我只用了一个功能：订阅公众号——把常看 UP 主的文章贴进搜索栏，就能直接关注。动机很简单：想把阅读这件事从微信里“拆”出来。它和 RSS 或 FOLO 类似，但使用起来几乎没有门槛，而且对公众号文章更友好。 环境真的变吵了 我关注的公众号不算多，也不都日更，按理说不该占用太多时间。但在碎片时间随手刷刷也会停不下来。最近推送质量肉眼可见地下滑。AI 拼装文、逻辑不站住、标题党横飞，甚至不用点开，只看标题就能感到常识在流失。 当 AI 把写作门槛和成本压到接近 0，文章爆发式增长，日更成了 KPI，追热点、博眼球成了优势策略。结果是文章越来越“像样”，却越来越空，再到劣币驱逐良币，真正值得花时间读的反而更少。 语鲸真正可怕的地方 实在受不了推送了，于是选择了用语鲸做信息过滤。没想到语鲸把每篇文章拆成：摘要、要点、金句、数据。90% 的文章根本不用点原文。可怕的是：一两分钟看完，理解结果几乎没变。 熟悉的 UP 主文章，以前像唠嗑，读或听要十来分钟；现在被压缩后，信息量并没有明显损失。基实即便原文完整，人真正能记住的东西也不会太多。内容多了，还需 ...