原名: 如何成為量子 如果我不得不從明天開始

原作者: gemchanger,創辦人

翻譯、評論: Ryan Chi先生

2026年,定量交易是每名商人的基础

香港大學人工智能與管理協會(@camo hku)邀請我分享當代的尋錢方法。 我最大的收益是:

AI 年齡=科技平等年齡

过去,量化是少数机构独有的。 許多工作室、甚至個人, 也就是說,如果你不明白量化的本性,你會在市場上面临巨大的劣势。

在今天的OpenClaw,任何人都可以通过量化來賺錢. 但這需要兩個前提。

首先,基建我們正試圖在@inindersdotbot 建立數據庫和技能, 官方版本以Agent的回溯為主 將會是這個生态學的一部分。

第二,最重要的,是設計结构和策略的能力。策略不需要百分之百的精確度,但必須是獨特的,巧妙的,能抓住別人所不知道的大機會。

只要有你自己的戰略 加上一個很酷的自下而上的設施 你和維比編碼公司的力量不相距離。

就學習策略和建築而言, 以預測市場為印章。

在看到它後,即使是懷特 你知道如何開始量性交易 如何設計屬於你的策略。

如果你是預後交易商 那這是你必須讀的文章。

如果你是其他資產的經營商 這篇文章裡很多想法都是很常见的 你肯定會得到的。

文本非常硬和学术性。 我做了很多重寫和添加 向任何剛接触過Polymark的用戶說明 即使沒有任何數學背景 我猜你對複雜的數學一無所知, 加上20個全中國圖片。

若你想在預測市場裡賺錢。

順便說一句 這篇文章的結構是為了优化特工 就像內幕人物一樣 機器人平台能优化真正的人和人工智能交易商 所以,歡迎你將這篇文章 提供给你的OpenClaw, Manus, Claude, 或者任何AI, 并立即開始建立你的量化模型。

序言:你是交易還是賭博

我問你個問題。

你看見了Polymarket的合約, 你認為他更可能贏 買下1000股的股價是520美元。

你以為你在做交易? 但你只是賭博而已我不知道 因為你沒有回答這些問題:

你怎么知道的52%

你們有比市場上其他參與者更好的資訊來源嗎

* 如果明天有新聞, 如何更新你的概率估計

」你買了多少空位才不會被炸掉

這些問題不是由感覺解答的 他們需要數學。

在2025年,頂級量化公司(Jane Street、Citadel、HRT)的起步寬大薪介於每年300美元至500美元之間。 同期内,人工智能和机器學的金融招生增加了88%。 不是因為這些公司像數學家一樣 因為數學通過更精确的估价模型 賺錢。

數量金融的所有核心概念都完全融為一体:概率理論 資訊理論 校准 整數計劃全部。

第一章 概率、不确定性世界的唯一語言

大多數人對數量交易有很大的誤會。 他們認為數量交易是「股選」。

一點也不。

交易性质的量化=純數學。

更具体地說,你要找的是:

* 统计相关性

* 定价不有效

* 结构优势。

因為市場是人類的複雜體系。

在數量金融的世界中, 所有問題總能減少成一個問題: 補償率是多少

所以,首先,你必須了解概率的本质。

有条件的思考:說再見是絕對對是錯的

普通人會想,像對錯一樣 有一件事要么發生,要么不發生。

但思考的方式是有条件的。

他們會問:如果知道某些信息

"知道某些信息的概率"是條件的概率。

大白話:當你得到新的線索

聽起來有點困擾? 我們在研究Polymark的實際例子。

假設你交易的合約"如果某種符號今天會增加" 歷史數據顯示,這個信物每天上升的概率是60%。 那是Base Late。 但是如果今天硬幣交易量超過歷史平均水平,其上升概率將是75%。

75%的概率是真正的信號 而那60%的零星資料只是噪音充斥的背景資料。

更直截了当地的例子。 下雨的概率是30%。 但如果天空是黑暗的呢? 降雨的概率可能是85%。 「低雲」是您的病情資訊, 這就是附加條件的可能性。

Bayes 理論: 如何实时更新你的信仰

巴耶斯定理是量化交易的靈魂 它回答的問題是:當你有新的數據時, 你該如何更新原判

公式如下:

P(A|B) = P(A∩B) / P(B)

* P(AQ)B: B的概率, A的發生已知

* P(A++B):A和B同时概率

* P(B):B

巴耶斯定理的理論是:

你心裡有種估計(例如,我認為這有50%的概率)。

* 突然,你看到了新的證據(例如好消息)。

* 你問自己兩個問題:如果這真的要發生, 如果這一點都不會發生 這消息有什麼可能

根据對這兩項問題的答案。

我們理解保利市的一幕。

你的模型計算出 某項交易的合理價格應該是0.5美元 那是你的先验信念。

突然,突然有消息 經濟資料比預期的要好3%。

根據巴耶斯公式 你可以精确計算你的新信仰 假設是58% 你的新合理價格是0.58美元。

在市場上, 所以數量組在低延遲系統上 花了上百萬美元 不是因為他們喜歡速度 而是因為它只有0.1秒 也就是說還有幾萬秒。

若你想為讀取哈佛的"可能性自由介紹"打下基础, 然後試著和Python一起寫一個密碼, 模拟一萬枚硬幣的丟棄。

期望不同,你最好的朋友

交易中有兩個數字比任何事都重要。

期望值,你的信心。

如果交易的期望是正面的,那就意味著如果你再重复一次,你會長期賺錢。

瓦蘭斯,你的風險。

它告訴你,在你到賺錢的"長"之前,你上下要花多少錢。

举個例子 假設你有策略,每項交易的预期收益是2美元,但標準差值是50美元. 這意味著你每項交易平均賺2美元, 如果你的本金是200美元, 你可能會在"長"到來之前就三分之一。

Kelly 公式: 科學上的賭注大小

現在你知道期望和期望的差別了 面對好機會我該買多少錢嗎? 一路

絕對不行 我們來介紹凱莉·克里特里昂。

凱莉的配方旨在告訴你:以一定的機率和機率,你應該把錢总额的幾分錢放進去, 讓你的錢能盡快滾動,而不會破產。

如果你數到20%,那就意味著你只能拿錢总额的20%賭注。

在球場上, 因為我們的成功估計往往會被誤估(你認為你有60%的勝利機會那是凱莉一半的配方我不知道 這將大大降低基金上下波动。

第一章(每天2小時,大约3-4周):

1. 讀取:讀取由Blitzstein & Hwang合著的《概率引言》(哈佛提供了PDF的免费版本,有以下連結:http://probabilitybook.net[1](https://stat110.hsites.harvard.edu/)

2. 編程工作 1: 仿造一萬枚硬幣,并用圖示可視化"大數位法則"。

3. 編程操作2:巴耶斯語升级器:輸入概率和概率,以及輸出概率。

第2章:統計 = 你的噪音探测器

當你學習概率的語言,下一步是學習聽數據。

那是數據。

數據教會我們的第一個教訓是, 看起來像信號的東西大多只是噪音。

假設測試和多重比對陷阱

假設你寫了一個交易機器人, 回溯數據顯示它每年能賺到15%。 這是真的,還是只是運氣

這是當你必須數一數p值的時候: 如果這個策略是一塊垃圾, 它會耗盡15%的收益的概率是什麼? 數據可以說明它有多小(例如不到5%)。

但這是個大陷阱 叫"多對比問題"。

想像一下你讓一千只猴子 每投飛镖100次 只是運氣好 總有幾只猴子可以一連串打擊心臟 看起來像飛镖師 但你不會雇他們做投資經理吧

寫通商策略也一樣 如果你自動產生1000個盲目策略來運行歷史資料。

剛開始的每一個新人 都對他找到的"有效策略" 嚴重的高估 我可以负责任地告訴你 你寫的前十項策略 絕對是幸運的猴子。

有什么辦法你得用Bonferroni的校正 提高你的能見度或用FDR控制. 總之,如果你已經測試過100項戰略, 你的能見度门槛不是0.05, 而是0.05/100=0.0005. 所以我們可以去除運氣的假象。

返回分析:拆除您的收入来源

線性收益是金融界的主要工具。 在數量交易中,你要把你的战略收益和大收益作比較。

這是切斷項目Alpha 這是你的過量收益 這種錢是不能用大起大落來解釋的。

举個例子 如果你的策略今年賺了20% 但是如果整個市場上升了18% 你的技術分數只有2%。

更糟糕的是,如果你的策略只是"上下跳動" 然後去除巨大的波动你的Alpha可能是0 甚至負面的我不知道 這意味著 你所谓的"交易優勢" 只是秘密的流動。

在金融數據中數據(今天的價格與昨天有關)與异性(波动不常)之間常有自我關聯。 所以你需要用Newey-West標準錯誤來修復你的回報 否則你的統計測試會太樂觀。

麥克斯 外觀( MLE):反向推理的藝術

當你聽到一個高層的人說 他們正在校准一個模型 他們幾乎總是說: MLE。

MLE的理論很明白 這是"反向推理"。

取其例. 你看到路邊有個直径2米的水坑 你想知道昨晚下雨了多少 你有一個降雨模型 告訴你不同的降雨能產生多少水。

MLE所做的是推向另一邊:因為我看到一個2米長的水潭

MLE是核心工具。

交易也是如此。 你可以看到市場期權價格(水坑), MLE 是隱藏的參數, 幫助您找到目前价格的最佳解釋 。

您可以試著下載一些真正的資產價格資料( 例如使用 Python 的yfinance 文庫) 。 測試它們的正常分布。

光谱 :絕對不行 現實世界充滿了脂肪尾部效应,即极端事件比正常分布預測的要多得多. 試著和 MLE 的 T 分配相匹配 看看真正的風險是什麼。

第二章(约4-5周):

1. 讀取:讀取Wasserman的《所有统计数据》第1至13章。 (CMU开放 PDF版本:https://www.stat.cmu.edu/~brian/valerie/617-2022/020-%20%20books/2004%20-%20wasserman%20-%20all%20of%20statistics.pdf)

2. 編程操作 1: 從yfinance 下載真正的股票產量資料, 并測試它們是否正常( 完全可以: 概率被拒絕, 表示收益率不受正常分配) 。 然后提出以最大近似值(MLE)來比對差异的單 t 分布。

3. 編程操作 2: Fama-French 三因子收益。

4. 編程操作 3: 重置測試( Permutation Test): 任意打碎日期 1萬次, 比較中断后的性能和实际性能的差異 。

第3章:線性代數,量化世界底引擎

很多人覺得線性代數無聊 一堆基數計算 但其實是一台運行整個量子世界的機器。組合建構,主元件分析(PCA),神经網路,协调差分估計,因子模型都依附于它。

甚至有傳言說 全世界有30%的年輕人 真的打敗了巴菲特大獎章基金,基于基于線性代數的馬可夫模型。

如果你不能輕易地使用基质, 你就不能是寬大。

對齊矩陣: 了解資產關聯

Sigma 的串通信息基礎。

如果你看看500個市場,這個資格是500X500的大小,包含125,250個獨特的項目. 每個項目都告訴你: 資產A升起, 資產B升起或跌落

整個組合的差異 可能會變成非常優雅的數學表情:

2 p=w^Tw

* w 是您的控重向量

* RADI是基质

這次要公式是馬科維茨集資理論的核心 风险管理的核心 以及一切的核心。

也就是說,如果你同时處理一些關聯交易(例如"特朗普贏得選舉"和"共和黨贏得參議院"),你就不能贏得選舉你總的風險 不僅僅是把每個市場的風險加在一起 你需要考慮他們之間的關係 基礎是為你做這個的工具。

特征分解與 PCA: 尋找隱藏驅動程式

當你第一次用艾根分解法來做主要成份時,你看待世界的方式會變化。

主要的成分分析可以用類比法來解釋: 如果你想描述一個人的大小,你可以錄下數十數的高度,重量,臂長,腿長,肩寬等數據. 許多數據是相關的(高的通常有長腿)。 PCA的作用是將這數十項複雜的資料集中到一些核心的"隱藏標籤"中,例如"集体頭部大小"和"滑稽"。

金融市場也是如此。 如果你看500個信物升降 你會發現只有前五名的「隱藏標籤」(特征介面)才能解釋全市70%的波动性。 其他一切都是噪音。

你不需要明白500個符號在做什麼 你只需要瞭解這五個「隱藏的驅動程式」(例如大碟的全息、利率的變化、特定音軌的熱度等), 這就是衰落的魔力。

如果有足夠的時間 建議看麻省理工的Gilbert Strong教授的線性代數 然后用Python 做PPC分解Python 500的产物 看看以前的主要成分是什么。

你會發現,第一個主要成份 幾乎等于"整個市場起伏"。

第三章 校外工作(约4-6周):

讀取Gilbert Strong的所有MIT 18.06線性代數影片後, 校對:Soup

2. 讀取:讀取 Strang 的《線形代數引言》,作为一本書的一科。 (教材网:https://math.mit.edu/~gs/linearalgebra/)

3. 編程工作 1: 绘制特征光谱(即每一主要部分能解释多少差异),把標準500的产量數據综合在一起,并确定前三大主要组成部分。

4. 編程工作2:馬爾科維茨平均平方差值自零起优化。

第4章:微分和优化,抓住變化的語言

微分是關於變化的語言 在金融市場, 一切在變化:物價、波动、相关性。

微积分被用来描述和利用這些變化。

和Taylor的台詞:

衍生物是數學指導,不是金融衍生物, 出現在每個神經網路的反轉傳輸中。

在定量交易中,泰勒经常被用来进行大概的计算. 指南本身就為泰勒發射提供了必要的投入。

taylor的初衷是通过微調一個多維函數來建模 x( 關鍵因子) 與 y( 資產值) 之間的關係。

假設你畫的曲線很複雜 但你只有一條直腳 我們該怎麼辦

第一步,你用直線在曲線上划一個點。 在這點上,線線與曲線相似。

第二步,如果你想更適合它, 你可以把線 稍微弯曲一點成一個抛物線。

你越彎曲 越靠近那條複雜的曲線。

在交易中,期權的價格變化是极其复杂的公式. 我們想不通 所以我們開始用泰勒 把它拆成幾塊

价格方向(Delta)+价格弯曲(Gamma)+時間跑動(Theta)+波动(Vega)的效果。

Cam 优化: 尋找最佳解決方案

在量化金融中,几乎所有"优化"的問題都可以被描述为"优化"的問題. 例如,就特定風險預算而言,如何分配资金以取得最大效益

想象一下你被蒙在谷里 讓你去下方。

* 如果山谷被淹沒,你可能無法從半山上的水坑中逃出。

* 但如果這是一碗形的完美山谷 你只需要沿著下坡的方向走 你必須能閉上眼睛 達到底部唯一的點。

如果你能用碗的形式把金融問題寫成數學公式 電腦就能很快幫你找到完美的答案 卡姆就是為了你 原作者提到斯坦福大學的Boyd和Vandenberghe寫了一本自由的教科书, Python 的 cvxpy 文庫可以讓您用多行的程式碼來解決複雜的优化問題 。

也建議一波安德魯·恩格的人工智能課程, 以利更好地理解卓越的必要性。 https://www.youtube.com/watch?v=JPcx9qHzzgk

第四章 校外工作(约4-5周):

1. 讀取:讀取Boyd & Vandenberghe的 " Convex 优化 " 第1至5章。 (斯坦福免费提供PDF版本:https://web.stanford.edu/~boyd/cvxbook/bvcvxbook.pdf,書本主頁:https://stanford.edu/~boyd/cvxbook/)

2. 編程操作 1: 從零開始的梯度減少算法, 用于取得羅森布鲁克函數的最小值 。 (羅森布魯克函數是最經典的測試功能之一

3. 編程操作 2: cvxpy 解決了组合优化問題,并增加了交易成本限制。

第五章 從數據科學家到真正的寬大

在學習隨機計算之前 你只是個"金融之類的數據科學家" 得知後,你真的很寬大。

這就是你學習如何隨時隨地做模型的地方 並且真正理解萬億美元衍生品市場為什麼會以這種方式運作。

*注5.1:要更好地理解黑-朔方程及其含义,可以參考前作"聚眾市集"(Polymarket),作为城市聖經. https://x.com/MrRyanchi/status/20363480067747844

*注5.2:為什麼隨機微分跟普通微分不同? 因為在一個隨機的過程中 二等的泰勒不會消失 在普通的微积分中,當時間间隔接近零時,第二層可忽略不计. 然而,在隨機过程中,由于布朗運動的特殊性,(dW)2=dt,第二層已成為一阶尺度,不可忽略. 详情如下。

棕色移動: 純隨機數學表示式

布朗運動(又稱Weiner Process, W t)是隨機走過的時光。

想像一下酒鬼在廣場散步 他的每一步都是隨機的 他走出去的扭曲和不规则的軌道是布朗運動. 股價的波动在數學上被看成是酒鬼的步調。

布朗運動有很多例子,例如氣粒子的科學運動和隨機的布朗運動。

在布朗運動中時程和距离平方( 即 (dW) 2 = dt)我不知道 正是由于這種天性,随机微积分和普通微积分不同。

Itto的推理:隨機世界的鏈法

股价一般由几何棕色運動(GBM)模拟:

dS t = μS t dt+S t dW t

翻譯:价格的变化 = 期望收益率的趋势 + 波动的隨機冲击

勒瑪是隨機世界的連環法則。

* 在普通微积分(例如,计算滑行車的轨迹)中,你只需要考慮速度(一等向導)。

路面本身太陡峭(波动率)。

所以伊藤的推理告訴我們,在計算隨機改變時,你不能只看方向在公式中要加入"混合"。如果你不做,你錯了價格。

黑挑和中風價格

當你把伊藤的推理 运用到期權價格上 建立套期保值時,就發生了奇跡。

代表「期待的升降」的變數在方程式中消失

什么意思? 這意味著期權的價格 不取决于你對未來股票升降的期待。

也就是說,假設你買了更多選擇 你認為選擇越多 人們越往上看 錯! 在一個完美的數學模型下,選擇的價格只是一件事:這股股票的未來多麼的不稳定 它的升降不重要。

當你第一次真正理解這個概念時, 這種感覺非常令人震惊。 這解釋了為什麼一個非常高知名度的商人和非常高知名度的商人能以相同的選擇價格得到愉快的交易。 因為他們交易的精髓不是方向 而是波动。

希臘字母 (綠色): 拆解風險的尺寸

黑肖爾斯的價格模式可以將風險精确地分解成若干不同的维度. 這些維度是用希臘字母命名的 所以叫做希臘字母:

* 三角洲(QQ) -- -- 价格敏感性:資產目標1美元和期權價格的改變 告訴你要買多少錢來保住風險。

* Gamma( 敲門) - 曲率 :三角洲的變速率 它告訴你你多久需要調整一下你的套期位置 在事件概率接近50%時, Gamma 是最大和最高的風險 。

"Theta(成功) - 時光衰變:每天,失去選擇的價值。 你可以把這理解成是每天付的"租金" 以持有選擇權。

* Vega(V) -- -- 波动敏感性:波动率是1%, 大部分華爾街衍生品都在這裡賺錢。

Rho(老) - 利率敏感度:利率变动对价格的影响。 影響力通常很小,可忽略不计。

第五章 校后工作(约6-8周):

金融隨機分析二:持續時間模型, (PDF版本:https://cms.dm.uba.ar/academico/meterias/2docuat2016/analisis cutitativo en finanzas/Steve Shreve-Stochastic Calculus for Finane II.pdf)

2. 替代教材:如果Shreve吃不下,Arguin的 " 标准計算第一課 " 得到更新,容易讀取。 (AMS官方頁面:https://bookstore.ams.org/amstext-53)

3. 感應運動 1:f(S) = inn(S) 适用Itô's Lemma,其中S受几何棕色移動(GBM)。 密钥 2/2 修正是衍生的。 (此修正是了解返回的對數率和连续复合率之间的关系的核心。)

4. 助推演2:從三角洲短跑的說法,黑-肖爾方程被完全推斷。

6. 編程工作:從零開始,黑肖爾公式定价,然后是蒙特卡洛模擬,把結果和蒙特卡洛的驗證結果作比較,以便随着模擬數量的增加而分解。

第6章:聚市和LMSR,預測市場的數學引擎

現在,讓我們把數學武器 帶回今天世界上最有趣的交易市場 Polymarket。

Polymark背后的數學與這篇文章提到的一切完全相關:概率論,資訊論,校准和整數計劃。

LMSR = 神经網路軟體

在早期的預測市場中,AMM通常使用一种叫做LMSR(Logarithmic Market Scorring Rule)的机制. 是經濟學家羅賓·漢森發明的。

其成本函數是: C(q) = b. Inn(q i/b)其中:

* qi 是給定結果的平衡

*b是流动性參數(市面越大,物價越厚,推動越難)。

依據此成本函數, 我們可以計算任何結果 i 相应的輸入價格 :

pi = e^ (q i/b) / → (q j/b)

如果你學到一點機器學習 看看LMSR的價格公式 你會很驚訝:

軟體馬克斯是什麼? 如果你有三個蘋果,100,50,20 您要將它們的重量轉為百分比概率 。 Softmax 是概率轉換器 。 不但增加了100%的概率 也放大了差距 稍重一點的蘋果的概率會大得多。

推動市場價格預測的公式, 不是巧合 兩者的基本邏輯是相同的:把亂亂數組轉換成合法概率分布。

這個机制保障了一些非常優雅的功能。

* 所有可能的成果的价格总是1,完全适合概率。 價格總在0到1之間。

* 它可以提供无限的机动性(有人總是會和你打交道)。

注。

Polymark 的 CLOB 機制: 從理論到現實

雖然LMSR是預測市場AMM的經典理論基礎。

更多詳情可見於去年十月的文章:https://x.com/MrRyanchi/status/1977932511775760517

在 CLOB 模型中, 價格不再由固定的數學公式來施加 完全由市場的買家和賣家通过Bids和Asks遊戲產生我不知道 就像傳統的股票交易平台 或是Binance的合同市場。

這有什麼關係? 因為在CLOB機制下 市場主的角色已經大為改變了。

LMSR( 傳統 AMM) 和 CLOB( Polymarket 氣流) 的核心差 :

* 价格形成:LMSR 由數學公式自動計算; CLOB 由買家和賣家的單一遊戲建立 。

* 流动来源:LMSR 由系統池自動提供; CLOB 必須以市場方式提供 。

* 市場的作用:LMSR不需要專業商業。

* 价格差异控制:LMSR售价的差異由系統參數來決定;CLOB售价的差異由市場玩家的内部量競爭來決定。

* 对应需求:在CLOB模式下。

在 LMSR 模式下, AMM 自動提供流动性, 您只需要處理公式 。 然而,在CLOB模式下,流动性完全由市場提供. 您需要計算合理的概率( 使用上述的巴耶斯更新與數據模型) , 然后再將購買及銷售定單掛在概率的周圍。

如果你誤會了Pollymarket 或者你誤會了套期聯系的風險 你上吊的名單 會立刻被一個聰明的數量基金吃掉。

第七章:宽带客專畫和工具箱

如果你想把系統轉化成你的專業或組成自己的量子團隊,你需要了解業務的環境。

4个核心角色

量子研究者:在大數據中尋找模型和建立預測模型的人。 他們需要高超的數學和數據才能 在Polymarket的情況下, 他們負責建立概率模型。

* 量子發展工程師:人們建立基础设施。 他們需要知道C++、Rust或Python 來建立低延迟交易系統 在Polymarket的情況下, 他們負責與API建立交易引擎。

* 量子商:管理資金,控制風險,做出实时決定的人. 他們的收入差距最大。 在Polymarket上。

* 风险量:團隊守護者 他們負責模型驗證。

最高机构的薪金水平

* 最高公司(例如,Jane Street、Citadel、HRT):年薪為300美元至500美元。

* 中上游公司(如西格瑪、德肖公司):新人薪金250至350K;高级雇员575K至120M。

注:簡街在2025年上半年平均每年收入140万美元。

建議讀取的清單( 按研究排序)

* 概率和统计数据-Blitzstein & Hwang

* 數據進度 - Wasserman All of Statistics:假設測試,回歸, MLE

* 線性代數 - Strang

* 优化 - Boyd & Vandenberghe Convex 优化:优化理论和实践

* 隨機計算法 -- -- Shreve "金融的Stochastic Calculus for Finance II ":布朗運動、伊藤介紹、BS模型

* 量化金融 -- -- Hull " 可選擇性、期货和其他衍生物:衍生物定价全景 "

* 操作策略 -- -- Ernest Chan 量化交易:避免洞從翻譯到磁碟的指南

我希望我早知道三件事

在文章最后, 這就是我想給所有保利馬克經紀商的建議。

你真正的敵人是估計的錯誤

許多人更喜歡使用全Kerry公式, 或無限的馬科維茨优化, 結果以同樣的理由失敗。

當參數完美時數學是完美的 但實際上 你永遠得不到完美的參數 理論和实践之间的差距總是一個誤判。

最好的不是那些使用最精密模型的人 而是那些防錯的人 他們將主动降低自己的位置(用半Kelly而不是全Kelly),简化模型(以3個核心功能而不是30個),並加入限制。

2. 工具已民主化,但信任不是

今天,任何人都可以免费下載PyTorch. 任何人都可以使用 Polymarket的API。 技術是必需的。

真正的交易优势(Edge)存在于獨有的數據,獨有的模型或獨有的實施能力中. 沒有其他的 Python 文庫了 。

因此我們把更新@insidersdotbot延後了整整一個月。因為有獨特的數據和模型 你們真的可以賺更多的錢或者輸更多。

在Polymark,那是什么意思

這意味著你需要找到其他人沒有的資訊來源(例如小领域的專家網絡), 或建立其他人沒有的模型(例如。

數學是真正的護城河

AI可以幫助你寫密碼,甚至提出交易策略. 但可以推斷為什麼伊藤還有一個理由證明, 風險中和的折扣價格是馬丁加爾。

這種深奧的數學直覺是区分“創造優勢的種族”和“借優勢的種族”的根本分水岭。 借來的利潤早晚會到期的。

1973年, 那些能率先引入嚴格數學模型、波动性定价和複雜套利算法的人。

不要相信本能了 學習概率 寫密碼 建造數學護城河。

全工具箱

Python 科技客栈

數據處理:熊貓,polas(Polars處理大數據集比熊貓快10到50倍)

ump, s

機器學習( 表數據方向): xgboost, lightgbm, catboost

機器學習( 深度學習方向): pytorch

优化解析器: cvxpy

衍生價格 : Quant Lib( 工業級文庫, 底部 C++, 性能高)

统计分析:统计模型

返回框架:鹦鹉螺交易商

回溯框架( 簡單易選 ):后置商, 向量bt

量子研究平台:微软Qlib(GitHub上超过1.7萬星

增強的學習交易: FinRL( GitHub 上超過 10000 星)

C++ 和 Rust

C++ : 普通文库 :Quant Lib, Eigen, 布斯

Rust: RustQuant 可用于期權定价, NautilusTrader 使用 Rust + Python 混合結構( Rust 核能确保速度, 上等 Python API 方便研究)。

資料來源

自由 :yfinance, Finnhub( 每分鐘60次), Alpha Vantage

中 :Polygon.io(每月199美元,延迟不到20毫秒),Tiingo

企業水平 :彭博總站(彭博總站,每年約32 000美元),Refinitiv, FactSet

區塊鏈數據 :Alchemy (支持歷史檔案資料存取的自由集)

@insidersdotbot將開啟API。 包括隨時可用的智慧資金數據庫和交易功能。 歡迎來到小貝爾。

解析器

古羅比:以及學生和學術用戶可以申請免費執照。 這是套利問題的組合。

谷歌 OR-工具 :自由解析器是最強的。

PuLP / Pyomo :Python 建模介面( Python) 以輕易地定義和呼叫各种解析器 。

參考

如果我不得不從明天開始 我就會變成一個量子.

https://x.com/gemchange ltd/status/2028904166895112617

[2] Blitstein, J.K., & Hwang, J.(2014).

https://projects.iq.harvard.edu/stat110

馬科維茨, H. (1952).

Strang, G. MIT 18/06 線性代數。 麻省理工的OpenCourseware.

https://ocw.mit.edu/courts/18-06-線性代數-spring-2010/

Boyd, S. & Vandenberghe, L.(2004年).

校對:soup

Hanson, R.(2003年).

[7] 多边印记文件.

https://docs.polymark.com/ 訓練/概述

Black, F., & Scholes, M.(1973年).

Shreve, S. (2004年).

原始链接