嗯，大家好，今天呢主要去部署一样东西叫做量化丁格，这个东西呢就是我们人工智能和量化工具的一个相结合， 一个 ai 自主分析，自主去买股票，然后自己去看股票，分析股票，然后同时还能给你的钉钉，不是给你钉钉给你的短信，还有邮箱可以发送一个短信，让你该告诉你该买还是该卖，它是怎么进行的，还有实时反馈，它都是有的。然后废话不多说，咱们就开始， 然后呢第一点，首先呢咱们去输入这个网址啊，然后去下载这个，下载这个代码，代码点击下载这压缩包 就会弹出来，然后你下载好之后存到你的本地就好了，本地的一个目录下。然后呢咱们再按照这个教程一步一步来，我教大家如何去看。然后首先呢咱们直接从这个位置来看， 安装一次次设置这块，直接来看第一步呢，它首先有环境，叫 docker 和 docker compose， 也就是我们所说的这个东西， 大家可以输一个叫 docker 的 des， 呃， desktop 这个软件你可以下载下来，然后用你相关的一些程序配置就可以了。然后下一个就是 get， get 这个大家可以在网上直接搜啊，也是可以下载下来的。 get 也是个工具吧，就是 g i t 稍等一下，有点卡， 下载好之后呢，它的更像是一个就是提交的一个东西，其实咱们不用 get 也是可以做到的啊， get 第一步就相当于是克隆仓库，但是咱们刚刚下载那个位置就就是干了这个第一个事了。第二个事就是咱们解压， 解压之后呢把它呢，比如说我，我在 e 盘上把它解压成这个一级目录，进来之后就是这个主，就主要的文件都在这儿找到下一个部分啊，咱们来看这个位置， 下一个部分咱们需要改个文件名字，咱们这进入这个 back a e、 n d， 然后 ipi 的 pass 文件夹里边呢， 进去改掉它的一个名字，叫做 e n v 点，然后 export 的 一个文件加名字文文件，不叫文件夹文件，然后把这个文件的命名呢重新命名为点 e n v， 在当前文件夹下，咱们这群开始啊，然后点右键点在记事本中编辑。这个里面咱们需要生成一个六十四位的，就是十六位的六十四个，这种 就是叫什么？这个叫随机字母串。对，然后呢咱们怎么做啊？这都可以不用看啊，前面都可以不用看，这要去是告诉你这个意思，从这开始看 手动的这个位置来看，然后这个随机乱挖怎么生成呢？都是可以的啊，我们就去六十四位 私服去网上去搜一个，它是有现成的工具的，去生成一个六十四位，然后你粘到这个位置就好了，或者你随便编也行。然后呢这一块改完之后呢，咱们 ctrl s， 然后关掉，还记得咱们刚刚这个目录吗？还是进到这个 back in， 然后 ipi pass 里边输入上面这个点 c m d 总是会这样。对，进入之后呢，你会看到它所在的目录的位置呢，它就在 e 盘上，就当前文件夹下，在当前文件夹下，你把这个位置叫 docker compose 的 up 杠 d 点杠 build 开始拉取站， 因为我之前已经配置过了，所以他肯定是下载很快的，大家下载时候肯定会很慢，然后这一块就已经在 y t， 然后就是合适了，这就整个流程配置好之后呢，咱们可以看这个位置， 你可以输入这个 d 网址，或者你幺二七也可以啊，其实这东西都是本地话操作就行了，就是 local host， 然后八这个东西就可以了啊，四个八，然后进入就 ok 了，或者你幺二七点零点零点幺，然后冒号，然后后面一个四个八也就进来了， 然后进入到这个里边呢，大家就可以去仁者见仁，智者见智了。但是按照我刚刚去玩的呢，去感受到宁德时代，然后这些 ai 分 析它是可以分析的，我也自己分析了很多，你可以看一下， 对，你可以看一下它正在分析，它不会跳的，就是它是可以去分析这个东西是怎样的，然后评分是怎么样的，知心度是多少，它是可以这样看的， 所以也挺不可思议的啊。然后他的登录账号和密码在这地方，他会给你注啊，这个用户是这样子，抄袭管理员权限，这个，然后呢密码是这个一二三四五六，然后就进入了，或者你自己要改的话，可以按照这个配置文件去改， 他这些都会有说。然后 ai 的 功能呢，大家就可以去忍者见仁，智者见智了，想放就放，不放就可以随便了。 然后后边呢就是注意事项啊， ipi 文档的这些串写啊，编写啊啥的，就 ipi 文档更像是一个链接吧，你可以去接到任何的一个软件上，或者怎样自己去决定，这是可以的。然后呢，对于整个流程和 ai 的 使用方向来说呢，其实更多的我感觉 是对一种市场的分析吧，它可以进行一个脚本的去开发的。脚本呀？啥？它可以去自己去写，它也可以看到整个的这个盘面是怎样的， 然后呢？测的是怎样的？然后这个总的这个前景往自己往进放啊，这是肯定自己要进放。然后交易机器人呢？它自己也可以做到，然后你可以自己根据自己的一些需求，它自己去创建一个这种的 一个机器人吧。然后具体的我也还正在使用过程中，我也不知道他能怎么样，然后今天就两千多，然后有什么需要的可以直接在下边去发给我或者评论区给我直接说就行了啊，就是这样，谢谢大家。
粉丝123获赞500
相关视频
00:53查看AI文稿AI文稿量化交易的门槛正被一个开源项目彻底击穿。 github 上 recently 出现了一个叫量化丁格的项目，短短几天就收获了四千多 star。 它不只是一套普通的交易工具，而是一个具备自我进化能力的 ai 交易员。 无论国内的股票期货还是加密货币外汇，它的交易雷达都能七成二十四小时扫描全球机会，并把信号实时推送到你的手机上。 支持实盘数据，真正厉害的不只是自动执行，而是他能像一位真正的交易员那样自主工作，自动生成策略代码，自动完成回测，甚至根据历史收益、风险等数据，借助大模型持续优化参数，让策略更加稳健。 更令人惊讶的是，他支持刀客一键私有化本地部署，即便不懂代码也能轻松上手，确实很友好。
463沉默聊科技
05:55
02:51
02:45查看AI文稿AI文稿最近两天很多人都在骂量化，其实骂量化没有意义，你要去适应它，因为你根本改变不了它，更高的境界是你要利用它。三句话送给大家，在未来量化主导的时代里头，应该如何去转变你的思维。第一句话叫量化，不是人， 是人性的反面，怎么去理解呢？就量化他其实是算法，是公式，量化本身也是无罪的，有罪的是背后去编制这些公式的人。要么是他们没有能力编制一个科学的公式，要么是他们 明知道怎么去利用这个公式去作恶，然后利用了他。那说白了就是过去这个所谓的主力，所谓的游资主导的市场里头，利用情绪 啊，去收大部分场内的资金，那么现在量化去收场内大部分的资金，只能说速度更快更凶残 啊，让你的这个恐惧和贪婪加倍，那么也就是让你的人性放大。所以你会感觉这一段时间的行情，你要不是特别沮丧，要不是特别兴奋，但每次特别兴奋的时候， 往往就是该走的时候，每次特别恐慌，特别害怕，特别愤怒的时候，大概率就是进场的时机，所以这个时候比任何时候都考验你的人性。 在研究太多的技术面也没有以前那么大了啊，更多的要研究你自己的情绪，研究你自己的操作，研究这个市场的情绪的走向。第二句话叫量化，无限的缩短周期，无限放大情绪， 无限缩短周期就过去一个题材，一个行情可能只有一个月两个月，那么现在有可能三天五天，一个消息就是一波行情。所以你既要保持战略，战略上你要保持逻辑，你要看到行业的周期，那战术上呢？你要格局越小越好， 因为周期越来越短，你格局的时间太长，你会把利润给送走啊，甚至最后亏欠。无限放大情绪就很好理解了， 要涨的就让它涨的更疯狂，要跌的就把它往死里按。所以该怎么做呢？就是涨的时候，新周期开启的时候，要信早信早上车啊，晚了连利润都没有， 这个一旦转跌的时候，赶紧保住利润，不能格局。第三句话叫量化，是没有机会就创造机会，没有风险就制造风险。 什么意思呢？一开始量化可能是识别机会，识别风险，然后去买去卖，但到后来规模越来越大，他就是风险本身，他也是机会本身。 所以把量化研究明白了啊，要跟随他的节奏，而不要想着我去胳膊拧过大腿啊，非要反其道而行之，换掉你脑子里的思维。
1.7万暖叔晒太阳
03:162850昊子商业观察
01:00查看AI文稿AI文稿什么是量化？很多人听过，但不清楚。从抛硬币说起，抛一两次猜正反面没规律，但抛上千次正反面概率各百分之五十，这就是量化的根基。用大量数据找规律， 怎么建模型？比如三个条件组合， kdj 金叉换手率大于百分之十，成交额大于一百亿。按这个选股，假设选出十只，次日六只获胜，一日胜率百分之六十，但一天说明不了什么， 回测验证才有可信度。对这个模型，回算过去一年的胜率，计算平均值，假设平均百分之五十八，超过百分之五十，就是优秀模型。单次靠运气，长期靠概率，这是量化的核心逻辑。 量化不止一个模型，是一组模型，市场不同时期模型会失效。在一组模型中，找当前最优买入次数足够多，胜率大于百分之五十，比百分之五十多一点点，就是量化的赢法。 下期讲赢亏比，懂数据，通过数据量化复盘，帮你理解市场。
58董数据
02:14查看AI文稿AI文稿昨天有个粉丝评论说量化面前都不好用，我来做一下解答这个问题。换个问法就是，标准都记了，买点、卖点、仓位清清楚楚，但执行的时候就是做不到，该买的时候不敢买，该卖的时候又舍不得卖。是不是这样？ 你是在用方法去解决认知的问题。方法写在纸上，问题记在心里，纸上的东西干不过心里的东西。今天不聊战法了，聊一个更高的维度。什么叫量化思维？ 大多数人理解的量化是用机器代替人，但真正的量化思维不是让你变成机器，是让你用一种可验证的、可纠错的、可净化的方式去理解市场和你自己。 散户最大的问题不是不懂技术，是对市场的理解太模糊了。这个票感觉要做强了。感觉是什么？是直觉、错觉？还是你看到了但没有意识到的东西？ 最近行情不太好。不太好是什么标准？是跌了百分之三交不好，还是跌了百分之十交不好？是连跌了三天交不好还是连跌五天？模糊的认知产生了模糊的交易，模糊的交易产生了确定性亏损。 练我思维的第一个层面，就是把你脑子里那些差不多大概、感觉全部翻译成可定义的、可测量的、可复制的标准，再往上走一层。你为什么该买不敢买，是因为恐惧。你为什么该卖？舍不得卖，是因为贪婪。 恐惧和贪婪不是你的性格缺陷，是人类进化几十万年的本能。你不可能通过告诉自己不要怕来克服恐惧。就像你告诉自己，别紧张的时候只会更紧张。 量化思维的本质不是消灭人性，是用规则去打补丁。举个例子，你告诉自己亏五个点的时候就止损， 当你真的亏到五个点的时候，你会想再等等，万一有反弹呢？这是人性量化思维。怎么做？不靠意志力硬扛，靠规则前置。把止损单提前挂好，不是等到了那个位置再做决定，而是买进去的那一刻就已经决定了。 把交易决策和交易执行在时间上分开。决策的时候你是理性的，执行的时候你是被情绪蛊惑的。让我思维做的事，就是在你理性的时候，把规则提前写好，在你不理性的时候，让规则替你执行。
24灵飞(倍量之王)
02:00查看AI文稿AI文稿量化是什么？量化是人工智能，量化最厉害的不是他的交易系统，也不是交易速度，量化最厉害的就是他没有人性， 人性最大的弱点就是贪婪和恐惧，这是活人交易最大的弊端。任何人做任何事情失败的根本原因，都败在贪婪和恐惧。 这天连续下跌，几乎所有的短线交易者都是亏损的，量化也亏，但是量化亏的少， 因为只要到了止损位，量化就会自动止损，一秒都不会等，但是活人都会等一等，等一等，其实问题也不大，大不了多亏个三五个点再止损。问题是很多人选择要扛一扛， 一扛又是十几二十多个点的亏损。其实长远来看，扛一扛问题也不大，时间拉长总能长的回来， 最严重的是扛到最后没扛住。比如现在这个时候，很多人都扛不住了，都选择了割肉。 当然，还有一些人依然在扛，但是估计最多再扛两天，如果再继续跌，百分之九十五的短线交易者都得割肉了， 因为恐惧而量化，他就没有这个恐惧，他正好是反着来的。那些量化大部分今天应该就开始重新建仓了，明天后天再跌，他们会持续的加仓。 很多人都骂量化，因为长得好好的，量化就会自动卖出杂牌。但是量化也有好处，就是跌的多了，他会自动买入。对空仓躲股市的人，感受就是跌的好好的，他突然就拉起来了。
385贺站长
01:47查看AI文稿AI文稿量化到底在做什么？今天用一分钟说清楚。我们提到量化交易，很多人第一反应是计算机自动炒股、高频交易、 ai 收割散户。这些说法并不全对。 投资决策可以简单的分为两种，主观投资和量化投资。主观投资靠的是人的经验判断和直觉，优点是灵活，缺点是容易受情绪影响。 量化投资是把投资思路转化成明确的规则，用计算机来执行。举个例子，有人发现低估值股票长期跑赢高估值股票， 就把这个逻辑写成程序，自动筛选、自动交易。一句话总结，主观投资靠人做判断，量化投资靠规则做交易。量化的核心不是预测市场，而是寻找可复制的规律， 用历史数据验证这些规律是否可靠，然后定下规则严格执行。例如什么时候买，什么时候卖，亏多少止损，程序执行，杜绝情绪干扰。量化不等于高频交易，高频只是量化的一种。 a 股市场上大部分量化策略的交易周期以周月为单位，量化也不等于 ai 自动炒股。 ai 只是辅助工具，策略好不好，关键还是看背后的投资逻辑。 截止六月三十日，公募量化规模约四千八百六十九点七六亿元，量化交易占 a 股成交量的约百分之三十。 量化本身是中性工具，不是稳赚不赔的印钞机。投资有风险，决策需谨慎，我们下期见。
01:21查看AI文稿AI文稿ai 量化的效率到底高到什么程度？现在做量化的人已经很少自己主行打磨策略了，十几分钟， ai 就 能把数据整理、代码编辑、回测优化、全流程搞定，交给 deepsea 这类大模型就能实现，能省出大量精力。 更关键的是， ai 直接把普通人入门量化的门槛砍掉一大截。只要你对量化感兴趣，找对方法，就能让 ai 帮你处理数据、生成策略，完成回测、调试参数，效率比自己从零摸索强不少。但很多新手刚接触时容易走弯路，要么策略逻辑不严谨， 折腾半天也跑不通。一套完整的可用方案，想系统又高效的上手 ai 量化，电子工业出版的 ai 量化交易就是很实用的实战指南。 这本书从基础概念讲起，逐步深入到数据处理、策略构建、模型优化及风险管理等核心领域，清晰拆解大模型提示工程在量化交易中的落地路径，帮你打牢认知根基，再进入实战。实战部分内容扎实， 书中收入十五个可落地的典型策略，覆盖进价降价、多因子模型、余情监控等核心场景，每套都配套可附用的提示词、模板与完整代码，跟着步骤操作，就能快速把交易想法变成可运行的方案。书中还讲解了回测验证、风险管控的使用方法，帮你避开过你 核未来函数这类新手常见的问题，让策略落地更稳妥，不用再零散找资料踩坑，一本书就能带你走完 ai 量化从入门到实战的全流程，想靠 ai 提升量化效率的朋友，可以入手看看。
07:41查看AI文稿AI文稿量化深度解析百分之九十新手踩坑的金融时间序列藏着市场最真实的陷阱。在量化交易体系中，金融时间序列是行勤分析、因子挖掘、策略建模的底层核心。无论是散户基础的 k 线趋势交易， 还是机构高频策略、中长期量化模型，本质都是对持续数据的解读与推演。多数量化从业者的研究始于看似简单的行情持续数据，但这一入门级数据恰恰是策略回测完美、实盘持续亏损的核心。又因 新手耗费大量精力搭建的模型频频失效，根本原因是未能看透金融时序的特殊属性，混淆了人工规整数据与市场真 实数据的边界。不同于规律恒定的物理数学时序数据，金融时序具备非标准动态演化、随机博弈的核心特征，传统统计建模思路完全不适配市场真实逻辑。 本问将多维度拆解金融持续的底层陷井，重构量化建模的核心认知一、认知重构两类本质对立的金融持续数据。量化研究的首要核心是打破所有行情持续、均匀等效的惯性思维， 金融市场并行运行着两类属性价值完全不同的持续数据，这是所有量化研究的基础分界规则。时间序列是行情终端展示的标准化数据，日线、分中线等各类 k 线均属此类 平台，以固定时间周期开盘、收盘、高低价及成交量形成均匀排布的可式化数据。这类数据优势是标准化、易复盘、适配期 处行情分析与中长期趋势研判，但本质是二次加工的拟核数据经过了信息压缩与人工规整，无法还原交易全过程。 非规则时间序列是市场原生真实数据，核心代表为主比 tick 成交数据，其成交时间间隔完全随机， 贴合真实资金博弈行为，热门标地一秒可数十笔成交，冷门资产可能数小时无交易， 每一个价格节点都是真实交易结果，完整保留了市场全部原始信息。两类数据的信息差是量化策略精度分化的核心源头。二、核心陷阱， 分段差值催生虚假市场规律。百分之九十新手的共性误区是默认 k 线连贯走是等同于市场真实波动，而行情的连续性完全依赖分段限性差值算法， 这是最隐蔽的量化误差来源规则，持续仅记录固定时间节点的价格数据，节点之间的市场走势。资金行为属于信息空白 行情系统未实现视觉连贯，会通过算法直线连接相邻价格点位，补全空白时段的虚拟走势。 需要明确的是，差值只是可量化工具，无任何真实市场含义。高流动性标的的差值误差微弱，难以察觉，但冷门个股、远期合约等低流动性资产的误差会被无限放大。大量无成交的空白时段被算法强行拟 合出平滑趋势与波动信号。新手基于差值虚拟走势挖掘的交易规律指标信号，你合的只是算法数学特征，而非资金博弈逻辑，最终必然出现回测过你和实盘全面失效的问题。 三、底层本质金融持续是动态非平稳系统，传统持续模型适配规律横定参数稳定的平稳数据，均值方差波动区间长期固定，历史规律可附用推演未来。但金融市场是复杂的动态博弈系统， 彻底打破了平稳持续的核心前提。受宏观政策、资金流向、市场情绪、板块轮动、机构调仓等多重变量影响， 金融时序不存在固定统计参数，牛熊切换风格迭代会彻底颠覆价格中 书震荡与趋势行情的波动强度差异极大，市场没有永恒不变的运行规律，多数新手直接套用传统时序模型建模，本质是用静态公式解读动态市场 模型依赖的横定参数规律延续假设与市场实时演化的属性完全冲突，导致策略生命周期极短， 极易快速衰减失效。四、策略通病，持续认知偏差的全流程隐患。量化策略稳定性差、石盘翻车的隐形元凶是贯穿研究全流程的持续认知偏差主要分为三类核心问题。其一位，数据层级混淆。 高频策略对数据精度要求极高，必须依靠原生 tick 数据，但不少从业者未简化流程，直接使用叉值 k 线数据建模，双重误差导致信号失真滞后严重。 其二是忽略流动性差异。通用模型不区分标的活跃度高，流动性标的表现稳定，低流动性标的则频繁出现虚假信号。其三是迷信视觉形态。 人类视觉倾向于彩信连贯走势，基于差直形成的支撑压力。趋势形态总结的交 e 逻辑本质是视觉错觉。无实战博弈价值，无实战准则。建立适配市场的建模体系，规避持续陷阱，提升策略实战性。 需要建立标准化的持续建模准则，从源头规避数据失真风险。首先是分层适配数据，高频短波段策略必须采用主笔 tick 原声数据， 彻底规避差值误差、中低频趋势。基本面量化策略可使用 k 限数据，但需剔除差值虚拟信号，仅以真实价格节点为判断依据。其次是摒弃传统静态模型，放弃横定规律假设，通过滚动训练、动态调参 适配市场结构的持续迭代。同时需针对性优化低流动性资产建模，弱化短期虚假波动权重，聚焦真实成交带来的价格突破、量能堆积等确定性信号。 最后严格区分可示化与建模需求，复盘可使用规整 k 线模型训练因子挖掘。回测较验必须依靠原生真实数据 结语。量化交易的核心竞争力不在于复杂的模型架构与参数堆砌，而在于对数据本质与市场逻辑的通透认知。规则持续是市场表象， tick 数据是交易内核， 差值走势是算法假象，动态博弈是市场常态，新手的成长瓶颈始终是浅层的看图交易与机械建模思维，唯有穿透人工数据的伪装，摒弃传统统计模型的固化思维，基于真 持原生数据，搭建动态适配的交易体系，才能彻底解决回测与实盘背离的痛点，打造具备长期实战价值的量化策略。
02:28查看AI文稿AI文稿网上一直说的量化交易到底是什么？简单来说，量化交易就是把人的炒股经验、交易逻辑变成数学公式和电脑代码，让机器代替人自动交易。 而普通交易靠盘感、靠消息、靠心态，量化交易靠数据、靠概率、靠纪律。对比普通交易则不用盯盘，不用纠结，满足条件自动买，自动卖。 量化交易全成就三步，第一步，建立策略，比如我们最熟悉的均现金差买入，死差卖出，把这个逻辑写成程序。 第二步，历史回测，用过去十几年的行情数据，测试这套策略到底能不能赚钱，亏多少钱，胜率多少，先验证有效再用。第三步，自动实盘， 机器二十四小时实时监控行情，一旦触发条件，秒集自动下单，止盈止损，全程没有人工干预。 说到这里，这下你就明白量化为什么比人工稳定，相比人工盯盘，只能看几只股票，熬夜复盘还容易出错，行情波动就情绪化操作。 而量化机器可以同时监控上千只标的，全年无休。最关键的是没有情绪，不会贪婪不止盈，不会恐惧乱割肉，所有操作都严格遵守规则，彻底戒掉散户的交易漏习。 那普通人能接触到量化吗？可以的，主要就四种，第一种，趋势量化，顺势追涨杀跌，适合大行情。第二种，均值回归价格，涨多了就跌，跌多了就涨，适合震荡行情。第三种，套利策略，赚取市场微小差价，风险极低。 第四种，也是散户最多用的期货 cta 量化，跟踪大宗商品趋势。而且量化不只是机构专属，普通散户也能用现成模型，比如知行 ai 模型，结合缠论智能算法包含了多种模型，例如散割模型、超跌模型、缠论模型等。 最后总结一下，量化交易就是用科学的算法代替主观的感觉，让交易变得有逻辑、有纪律、有概率，但缺点也真实存在。历史赚钱的策略，市场风格变了就会失效， 极端黑天鹅行情也会有亏损。所以量化是提高交易胜率的工具，不是保本暴富的魔法。
35洪鹰船长
25:03查看AI文稿AI文稿为什么在股市里，你越努力，有时候反而亏的越多？打开你的股票软件，看看交易记录，是不是也有这样的时刻？你花了整个周末研究财报，对比了十几份券商研报，深夜还在看 k 线图形， 终于，你精挑细选出一只股票，信心满满的买了进去。结果呢？他一动不动，甚至开始阴跌。相反，隔壁工位那个对投资一窍不通的同事，随便听了个消息，跟风买的股票却连连上涨。你气得关掉软件，心里满是不解和委屈，凭什么？ 我付出这么多时间和精力，为什么得不到应有的回报？这种感觉太熟悉了，对吗？就像你认真准备了一场考试，结果考砸了，而平时不读书的同学，却靠运气猜对了几道题，那种挫败感深入骨髓，问题究竟出在哪里？ 我们错把投资当成了一门手艺，以为只要功夫深就能成为大师。我们研究技术指标，就像木匠研究报纸的用法。我们分析基本面，就像厨师研究火候。 但我们忘了最重要的一件事，市场不是一个有固定规律的机器，而是一个充满情绪和随机性的复杂系统。当你用将人的执着去对抗系统的混沌时，你的努力很可能会被无情吞食。更可怕的是，我们的努力常常在放大自身的弱点。 研究的越多，越容易陷入信息过载。每个指标都似乎有道理，每条新闻都好像很重要。最后不是你在做决策，是恐惧和贪婪借着研究的名义在替你决策。 你看的越仔细，内心戏就越丰富。这个形态好像是底部了，那个消息肯定是利好，这些都不是理性分析，而是给情绪找借口。这本量化投资要解决的，正是这个痛彻心扉的问题。作者丁鹏老师要告诉我们一个颠覆性的真相，在投资的世界里，努力的方向比努力的程度更重要一百倍。 真正的努力不是消耗更多时间去看盘、去分析，而是花时间去建造一套不依赖于你情绪和状态的自动交易系统。这套系统就像你雇了一个永远冷静、永不疲惫的机器人交易员，他不会因为昨天大赚而骄傲，也不会因为连续亏损而恐惧。 他只会严格执行你预先设定的规则，符合条件 a 就 买入，触发条件 b 就 卖出，亏损达到 c 就 立刻止损。 你的角色从一个在市场中搏杀的交易员，转变成为这个机器人设定规则维护系统的工程师。接下来，让我们一起走进这个由规则、概率和系统构成的世界。你会发现，当你不再把投资当成一场智力游戏或心理博弈，而是当成一个工程项目来对待时，一切都将变得清晰而简单。 赚钱可以不用那么痛苦，稳定盈利可以不用依赖天赋和运气。你需要的只是一套正确的建造蓝图，以及坚持执行这套蓝图的勇气。 想象一下，有两个厨师，第一个是传统大厨，他做菜全靠经验和感觉，盐少许，糖适量，火候看着办。他能做出惊艳的菜肴，但味道每次可能有点细微差别，而且他的本事很难完全交给别人。第二个是现代食品工厂的工程师， 他做出来的东西味道可能不如大厨有灵气，但每一包薯片，每一瓶可乐，味道都一模一样，稳定的可怕。而且只要按照他的配方和流程，任何一台机器，任何一个工人，都能生产出完全一样的产品。 传统的炒股就像第一个大厨，量化投资就像第二个工程师。我们大多数人就是那个感觉，大厨依赖的是积累了多年的盘感和经验。这种模式有个致命的问题，他太不稳定了，人的状态有好有坏，心情有起有伏， 今天信心十足，可能大赚，明天心烦意乱，就可能巨亏。而且这种本事很难复制，今天用这招灵，明天可能就失效了。 丁鹏老师在书里把我们从大厨思维拽出来，推我们进入工程师思维。这是整本书最最重要的一步，是思维的彻底转换。 工程师思维是什么样的呢？他要求我们做任何投资决策，都必须像做数学题一样，有清晰的步骤和明确的标准。 比如说，你想买一只股票，大厨思维会想，这只股票最近跌了不少，感觉到底了，公司好像也不错，买点试试吧。你看，这里充满了感觉，好像试试吧这种模糊的词。但工程师思维会拿出一张清单，上面列着一道道选择题。 第一题，这只股票的当前价格比他过去两百天的平均价格高还是低？如果低，加一分。第二题，他最近几天的成交量是不是在悄悄放大？如果是，加一分。第三题，整个大盘现在的情绪是乐观还是悲观？如果悲观，可能再等等。 第四题，根据我们公司的财务模型计算，他现在价格是便宜还是贵？每一道题答案都必须是个明确的是或否是个具体的数字，而不是感觉。只有当总分达到我们设定的标准，比如八道题里至少答对六道，电脑程序才会自动发出买入的指令。 买入多少呢？也有公式，根据我们总共有多少钱，以及这次买入最多允许亏多少钱来倒算出能买多少股。你看这个过程里没有，我觉得只有数据说 没有，再等等看，只有条件满足就执行。工程师思维就是把投资从一个靠灵感的艺术变成一个靠流程的科学。 丁鹏老师管这个流程叫做投资系统，建立起这个思维是你踏入量化投资世界的第一块基石，他让你从市场的参与者变成自己投资系统的设计师和管理员。 你的目标不再是猜对下一步行情，而是确保你的系统在长期运行中能向一台性能良好的机器稳定的产生利润。那么这台赚钱机器到底由哪些关键零件组成呢？这就得从他的大脑，也就是各种数学模型和策略说起。 给一台机器装上工程师思维的芯片后，我们得教他具体怎么干活，这就是投资策略。在量化投资的世界里，策略不是一句低买高卖那么简单，它是一个个像食谱一样精确的数学模型。 丁鹏老师在书里介绍了不少经典的策略配方，我们来聊聊几个最核心也最容易理解的。第一个经典配方叫做趋势跟踪。这个策略相信一个很简单的道理，一旦一个东西开始涨价，他就更可能继续涨一段时间，一旦开始跌，也更可能继续跌。 就像你推一个很重的箱子，一开始最费力，等他动起来了，反而容易保持运动。趋势跟踪策略从不预测趋势什么时候开始， 他只做一件事，当价格明确的朝一个方向突破时，立刻跟上。比如他设定一个规则，如果一只股票的价格涨过了过去五十天里的最高点，那就买入。他不关心为什么涨，也不管是不是涨太多了。 他的逻辑是，既然能创新高，说明买房的力量很强，趋势可能形成了，先跟上去再说。反过来，如果价格跌破了五十天的最低点，那就卖出。 这个策略在有大行情的市场里非常赚钱，但在价格来回震荡没有方向的市场里，就会不断买，在高点卖在低点来回。埃尔光，所以它只是机器大脑里的一个工具，不能只用这一个。 第二个经典配方和趋势跟踪反着来叫做均值回归。这个策略相信价格就像被一根橡皮筋拴着，跑远了总会弹回来，涨得太猛了会回调，跌得太深了会反弹。他专门在市场过度兴奋或过度恐慌时出手。 比如他用一个叫不拎袋的工具，股价大部分时间在两条袋子中间走，当价格涨到碰到甚至冲破上面那条袋子时，就认为他过热了，可能会卖出。当价格跌到碰到下面那条袋子时，就认为他过冷了，可能会买入。 这个策略在正当事里如鱼得水，但最怕遇到那种一路涨不停或者一路跌不休的大趋势，那样他会不断抄底，抄在半山腰，或者卖非大牛股。 你看一个追涨，一个抄底，正好相反。所以聪明的量化投资者不会只选一个，他们会把好几个不同的策略配方组合在一起用。 就像你吃饭不能只吃米饭，要搭配蔬菜和肉类，给机器大脑建立一个策略组合，今天可能是趋势策略赚钱，明天正当时来了就轮到均值回归策略赚钱。 这样东边不亮西边亮，整个机器的表现就会平稳很多，不会大起大落。除了这些，还有很多其他策略配方。比如海龟交易法则，它像一只笨拙但纪律严明的大海龟，用固定的规则计算每次买卖的数量和止损点，慢、淡、稳， 还有多因子模型。他同时考察一家公司的很多方面，比如他是不是便宜，是不是赚钱，是不是最近势头好，然后综合打分，只买分数最高的那一批股票。丁鹏老师强调，策略没有绝对的好坏，就像螺丝刀和锤子，用在正确的地方才是好工具。 关键在于，你必须非常清楚你用的策略，他的脾气是什么，他在什么样的市场环境下会赚钱，在什么样的环境下会亏钱。然后你要有能力根据市场环境的变化调整不同策略的分量。有了这些策略，作为大脑机器就知道该怎么思考了。 但光有大脑下指令还不够，你还得确保机器有足够的燃料稳定运行，并且在零件过热时能自动冷却。这就是下一关，也是生死攸关的一关。风险管理 如果一台机器只有强大的大脑和灵活的策略，但没有保险丝和限速器，那它很可能在高速运转时突然烧毁，或者直接翻车。在量化投资里，风险管理就是这根保险丝，资金管理就是控制速度的油门， 他们是确保你能长期留在牌桌上，不被一次意外踢出局的终极保障。丁鹏老师在这部分讲的格外严肃，因为太多人只关心怎么赚钱，却忘了怎么才能不亏大钱。我们先说最要紧的保险是止损，这是量化系统的生命线。 什么叫止损？就是给你的每一笔投资提前设好一个最大亏损额度。比如你十块钱买了一只股票，你心里要提前想好，最多能接受它跌到九块，那么九块钱就是你的止损价。 一旦股价真的跌到九块，不要犹豫，不要找借口，立刻卖出。这就像你开车设定了导航，一旦走错路，导航会立刻说已为您重新规划路线，而不是让你继续往错误的方向开。为什么这一点这么反人性？ 因为人天生讨厌承认错误。股价跌到九块五时，你会想再等等，说不定就涨回来了。到了九块，你更不舍得卖了，觉得都亏这么多了，现在卖太亏，结果可能一路跌到七块、六块，亏的你再也无力翻身。量化系统冷酷的解决了这个问题， 他在买入的同时就自动设置好了止损单，价格一到，系统自动执行，没有感情，没有犹豫，他亏掉的只是一笔预先计划好的小额的试错成本。这跟保险是有很多种设置方法， 比如固定比例止损，比方说任何一笔交易最多亏总资金的百分之二，或者技术性止损，把止损位设在某个重要的技术点位下面，比如前期的最低点。 丁鹏老师特别提醒，这根保险丝设定后千万不能往下移。就好比你说机器温度超过一百度就报警，结果到了九十五度，你觉得还行，就把报警线调到一百一十度。这是自欺欺人，迟早会出大事。说完了保险丝，我们来说说油门资金管理。 他解决一个更现实的问题，你一共有十万元，看中了好几只股票，每只买多少？全部满仓干嘛？那肯定不行，万一错了就全完了，每只都只买一点点，那就算对了，也赚不到什么钱。丁鹏老师介绍了一个非常聪明且重要的方法，叫做固定分数法则。 听起来复杂，其实很简单，他说你每次下注的多少，不应该由你感觉机会有多好来决定，而应该由你愿意为这次试错付出多少学费来决定。比如你规定自己任何一笔交易最多只能亏总资金的百分之一，现在你有十万块，那每笔交易的最大亏损额度就是一千元。 然后你看中一只股票，计划在十块钱买入，把止损设在九块五，那么每股你最多会亏五毛钱。 用你允许亏的总金额一千元除以每股的亏损额五毛钱，一千除以零点五等于两千，这意味着你这次最多只能买两千股。花两万块钱，你的仓位自动就是两层。 这个方法妙在哪里呢？他让你亏的时候，永远只亏一小口。当你连续亏损，总资金变少时，比如从十万亏到了九万，那么你下一笔交易允许亏的金额就自动变成了九百元， 仓位会自动变得更轻，保护你受伤的账户。反过来，当你连续盈利资金变多时，比如赚到了十一万，你允许亏的金额就变成了一千一百元，仓位会自动加重，让你在顺丰期赚的更多。 这就实现了亏时少亏，赚时多赚，完全由数学规则控制，而不是你的胆子大小。把这些保险丝盒油门的规则也写进我们那台机器的程序里，这台机器就真正有了自我保护的能力，他不会再因为一次的判断失误而崩溃，也不会因为一时的贪婪而超速翻车。 有了稳定的大脑和可靠的自我保护系统，我们接下来就要看看这台机器在真实的投资世界里，是如何从一堆杂乱无章的数据中找到那些闪闪发光的金子的。这就进入了量化投资最核心的环节，数据的挖掘与出力。 一台再好的机器，如果没有优质的原料给他加工，他也生产不出好东西。对于量化投资这台机器来说，他最主要的粮食就是数据，各种各样的数据， 股价成交量、公司的财务报表，甚至新闻里提到了这家公司多少次。这些数据就像一堆堆原始的矿石， 量化投资者的重要工作就是从这些矿石里提炼出能预测股价涨跌的有效成分。丁鹏老师把这些有效成分叫做二法因子，而寻找它们的过程就像在深山老林里狩猎一样，既需要技术，也需要耐心。 什么是阿尔法？简单说就是超越市场平均水平的超额收益，市场平均涨了百分之十，如果你的投资涨了百分之十五，那多出来的百分之五就是你的阿尔法。量化投资的目标就是持续的、稳定的找到阿尔法。 而阿尔法因子就是那些历史上被证明和股票未来涨跌有规律性关联的指标。比如一个最经典的因子叫价值因子，他认为便宜的股票，长期来看比贵的股票涨得好。 怎么算便宜呢？可以用市盈率，也就是股价除以公司每股赚的钱，市盈率低的公司就被认为是便宜货。另一个经典因子叫动量因子，他认为过去涨得好的股票，未来短期内还会继续涨得好，这就是我们之前说的趋势。 还有规模因子，认为小公司的股票比大公司的股票平均回报更高。丁鹏老师在书里介绍了上百种这样的因子，有些是直接从公司的报表里算出来的，比如利率、负债率， 这些叫基本面因子。有些是从股价和交易数据里算出来的，比如波动率、换手率，这些叫技术面因子。 甚至现在很多人开始用更稀奇古怪的数据，比如用卫星图片数一个商场停车场里的车，来预测这家公司的销售额，这叫做另类数据。有了这么多因子，是不是把他们全都扔进模型里就行了？当然不是， 这里有两个大坑。第一个坑叫过时，有些因子以前有效，现在可能没用了。比如十年前小盘股因子非常赚钱，但随着市场变化，最近几年可能就不灵了。所以你要像猎人一样，定期检查你的陷阱，看看哪个还有用，哪个已经失效了。 第二个坑更危险，叫过你河。什么意思呢？就是你在历史数据里过度精细的调整你的模型，让它完美的解释了过去发生的每一件事。比如你发现历史上每年圣诞节前后股市都涨，于是你的模型就加入了圣诞效应因子。但这可能只是巧合， 你的模型与其说是找到了规律，不如说是记住了历史，一旦到了真实的未来，这个规律可能就消失了，模型就会失败。就像你根据过去一个月每天下午三点下雨，就预测明天下午三点也一定下雨，这很可能会出错。 所以量化投资者处理数据寻找因子是一个非常严谨的科学过程，他们要把数据分成两部分，一部分叫训练级，用来开发模型寻找可能的因子。 另一部分叫测试级。这部分数据在开发时绝对不能看，要像考试一样用来检验模型在没见过的新数据上是否还管用。只有通过严格测试的模型，才能被用于真金白银的交易。这个过程就像给机器准备一份营养均衡、安全可靠的食谱。 食谱不能太单一，要包含多种营养，多个有效因子。食谱也不能是照着某一次宴会的菜灶抄的，防止过腻核，而要能适用于日常每一天。当机器有了这样一份好食谱，它就能持续的从市场里汲取营养，转化为增长的利润。 然而，仅仅会加工粮食还不够，一台真正成熟的机器必须学会在不同的天气和路况下，智能的调整自己的工作模式。因为市场从来都不是一成不变的， 任何一台聪明的机器都应该能感知外部环境的变化并做出调整，比如空调会检测室温自动开关。 量化投资系统也一样，它必须能识别市场现在处于什么季节，是趋势明确的夏天，还是反复震荡的春天，或者是寒风凛冽的冬天， 然后根据不同的季节调整自己的策略重心。丁鹏老师在书中强调，没有一种策略能适应所有市场环境，所以让你的系统拥有自适应能力是走向成熟的关键一步。怎么让机器识别市场环境呢？我们需要给它装一些传感器， 这些传感器就是一些判断市场状态的指标。举个例子，一个很常用的传感器叫平均趋向指数，英文简称 alex。 这个指标不告诉你价格是涨是跌，它只告诉你当前趋势的强度有多大。当 alex 的 数值很低时，说明市场像一潭湖水，没有明确方向，处于震荡状态。 当 alex 的 数值开始上升并超过某个水平时，就告诉你趋势来了，湖水开始形成水流了，我们的机器读到这个传感器信号，就可以自动调整。 当 alex 数值低，显示市场在震荡时，机器就可以降低趋势跟踪策略的仓位，甚至暂时关闭它，因为它在震荡市里会不断亏损。 同时可以调高均值回归策略的权重，让它去捕捉价格来回波动的机会。反过来，当 alex 数值升高，显示趋势来临时，机器就立刻调高趋势策略的仓位，让它去抓住主要行情，同时降低容易卖飞的均值回归策略的权重。 除了趋势强度，还有其他传感器可以监测市场的温度，比如衡量市场恐慌程度的波动率指数， 当这个指数飙升，说明市场极度恐慌，就像冬天的暴风雪。在这种极端环境下，很多基于历史数据的模型可能会失效，因为大家都在不计成本的逃跑，什么规律都不管用了。 这时最聪明的做法可能是让机器大幅降低总仓位，甚至全面暂停交易，持有现金等待暴风雪过去。这就好比天气太恶劣，飞机自动停飞一样，这不是胆小，而是对系统和资金最好的保护。 给机器装上这些自适应系统有一个巨大的好处，就是它能平滑你的受益曲线，你不会在趋势市里赚的盆满钵满，然后在正当时里又全部吐回去， 你的赚钱过程会变得更稳，回撤会更小。就像一辆有良好悬挂系统的车，无论开在高速公路还是崎岖山路，都能保持相对平稳，乘客不会吐的七荤八素。 但丁鹏老师也警告我们，自适应系统本身也不能调的太复杂太频繁。如果你让机器每分钟都根据新数据调整一次策略，那它又会陷入过度优化的陷阱，被市场的短期噪音牵着鼻子走。调整应该是低频的，基于重要状态变化的， 比如以周或者月为单位来评估市场的主要状态，然后做出战略性的调整，而不是战术上的左右横跳。当我们为机器装上了识别环境的传感器和自适应程序，这台机器就真正具备了在复杂世界里独立生存的能力， 他不再是一个只会执行固定命令的傀儡，而成了一个能根据情况变化灵活调整战术的智能代理。 然而，机器终究是机器，他的每一个齿轮最初都是由人设计和打磨的，这台机器的最终性能，以及他能否被顺利的制造和启动，都取决于背后的那个人。这就引向了最后一个，也是最根本的层面，关于我们自己的准备与修炼。 到这里，我们已经把量化投资这台赚钱机器从里到外都组装了一遍。他有工程师思维的大脑，有各种策略配方的知识库，有严格的风险管理保险师，有聪明的资金管理油门，有处理数据的精密流程，还有适应市场变化的环境传感器 看上去他已经完美了，可以自己运转了，对吗？但丁鹏老师在权术最后把目光从机器身上移回到了我们这些造物主身上。他提醒我们，再完美的机器也需要人来启动、维护和信任，而人恰恰是整个系统里最脆弱、最不稳定的那一环。 第一关是信任关。当你把真金白银交给这套冷冰冰的系统后，考验就开始了。市场一定会出现连续亏损的时候，你的机器可能会连续发出五次买入信号，结果五次都止损了， 这时你账户在亏钱，你心里会开始敲鼓，这破机器是不是坏了，模型是不是失效了？ 我要不要手动干预一下？那种冲动会非常强烈，你会想，下次信号来的时候我等等看，确认一下再买。 或者你会想，这个止损是不是射的太近了，我稍微放宽一点吧，只要你一动手干预，你就破坏了系统的完整性，机器的逻辑链条就断了。通过这一关，需要你像信徒一样对你的系统有信仰， 但这种信仰不是盲目的，他必须建立在之前艰苦扎实的工作上。你对你的策略做过严格的历史回测，你知道他在历史上最大连续亏损是几次，最大回测是多少。当现实中出现同样情况时，你就能告诉自己，这是系统正常的感冒发烧，而不是癌症晚期。 你需要做的不是急着送他进急诊室，而是耐心等待他自我康复，这需要极强的心理承受能力。第二关是执行官量化投资，要求百分之百的纪律，信号来了就行动，到了止损点就砍仓，绝不含糊。 但人天生有惰性，有侥幸心理，可能今天信号出现时，你正在开会，或者心情不好就想算了，错过就错过吧。可能到了止损点，你看着亏损的数字鼠标就是点不下去，心里想着再扛一扛，万一马上反弹呢？一次妥协就会为下一次妥协打开大门， 最终你的系统就会形同虚设。为了过这一关，你需要借助工具减少自己临时做决定的机会。 比如使用能自动执行交易指令的程序化交易软件，提前设置好条件单和止损单，让计算机来替你执行那些痛苦的决定。你把自己的角色从一个操作员转变为一个监督员。 你的主要工作不再是下单，而是监控系统运行是否正常，数据流是否畅通，有没有出现技术故障。最后一关也是永无止境的一关，是净化关，市场在变，竞争对手在变，你的机器不能永远是一副老样子。 丁鹏老师强调，量化投资者必须是一个终身学习者，你需要持续跟踪金融学术前沿的新理论、新因子， 你需要学习新的编程工具和数据处理技术。你甚至需要去了解一些看似无关的领域，比如心理学、物理学、复杂科学，他们可能会给你带来理解市场的新视角， 但这绝不意味着你要天天修改你的核心系统。学习和交易要分开，你可以用一小部分资金建立一个实验账户，去测试你的新想法。只有当一个新策略在实验账户里被长期证明有效，并且能和原有系统良好融合时，才能考虑把它纳入你的主力机器。 这就像汽车厂商会先造概念车测试新技术成熟了才会用在量产车上。说到底，量化投资最终级的挑战不是战胜市场，而是战胜你自己，战胜你的贪婪、恐惧、懒惰和致富。 他要求你从一个凭感觉行事的市场战士转变为一个冷静、严谨、有耐心的系统架构师。当你跨过这些关口，你会发现，投资不再是让你夜不能寐的焦虑源泉，而变成了一项你可以平静经营的专业事业。 你的情绪自由了，你的时间也自由了，而这或许才是量化投资带给我们的比财富更珍贵的礼物。
172严读·财商觉醒
04:56查看AI文稿AI文稿量化是一种观测世界的方法，比如说我现在手里拿一个纸，对吧？我把它放下来，这个飘动的这个曲线我基本上是不可预测的，对不对？但是如果我们去到抽象世界，假如说是一个点， 然后我们知道地球加速度是多少，我放手的这个出尺，出尺的这个速度是多少，我就可以完美的预判他的 加他的加速度和他的这个大概多少秒落到点上那件事情重复一万次都是复现的，都是重复的，对不对？这叫科学的第一个原理叫在线性，对不对？那量化 这个原理是什么？我通过大量的频率，就是比如说我给他做一万次、一百万次的这个信息和这个数据，我找到在隐含规律里面的负限性。什么？在隐含规律里面的负限性就是我排除掉不同场景的波动，不同任何信息的波动，在经过采样之后， 找到了我提供那个因子，或者说我觉得是关注变量的，比如说下雨这个变量在这个心上面的 这个概率，就是很简单道理，一个傻子最基本的想法就说，哎，下雨这个就会升啊，就会往上啊，不下雨就会往下，对不对？但其实这个是非常弱智的想法，为什么？因为当你样本书不够多的时候，你都不知道真的是因为这个因素，还是要其他因素， 对不对？那从这个角度来看的话，你就得去归类总结，或者找到这个 bassline， 就是 找到这个物理世界这个平面是什么，你才有资格去测量件事情到底有没有影响到这个结论，懂吗？ 就比如说你现在突然有一次你放手之后，这个东西往往外飞，然后往长往长上砸了一个很大的洞，对吧？那你这个，这个也是基本的统，现代统计的一个谬物，就是如果 出现了一个极其荒谬的事情，直接违背了你整个观测样本里面的所有数据和所有规律和所有观测的这个基本原理的时候，那你这个观测模型还成立吗？ 这就是现代，现代的所谓的黑天鹅和这个概率分布的一个叫什么叫 s s 码， s 码就是说这个 分布，比如说百分之九十的情况之下，都会在政府多少里面去不去走，对不对？但是比如说出现啊，比如说新冠，或者说出现啊特朗普和打仗这些这些一下子那个就跑到了明朝， four sigma 或 five sigma， 就是 标准差的五个标准差以外的时间，这什么意思呢？就是说百万年里面只出现一次，那我想问一下，从我们出啊，比如说两千年到现在 一亿年才出现一次的事情出现了多少次？出现了一万次左右，对啊，那这些事情都是不可预测的。那这就是所谓的现在统计的一个谬误，就是他拿到的样本数据和信息量里面的范围里面东西太少了，那只要出现一次他就出局了。 所以它这个观测并不能够观测出来一些物理的规则，它观测出来的这个样本书和这个采样的这个范围当中注定了边缘，边缘的粒子是无限的。可以这么理解， 就是，呃，一个比较形象的说法，就是压路基基前面减芝麻嘛，它的目的就是在这个压路基撵过来之前减芝麻，并且全身而退， 但是有些人进去的时候刚好就被撵到了，有些人进去之后呢，以为自己可以一直减，突然那个那个压路机就加速了，然后有些人突然减着减着芝芝麻的时候自己崴脚了。 那这个从从原理上来看，就首先啊，那个小孩肯定是大概率也是不懂的，为什么会这么说呢？就首先我搞了这个东西这么久没有听过人这么说的。 对，然后，哎，我也我也，我也不去，呃，这个叫什么？去拍摄别人吧，但是大概率我已经知道他是做什么赚这个钱的了。对，然后说难听点，他不是在做量化。对， 你们可能会去说啊，他要什么很牛逼的比赛，清华北大要干嘛的才能赚到这个钱？其实不需要的，我认识的这些特别年轻，在这个领域里面赚到很多钱的小孩子，各有各的奇怪，各有各的弱智。然后 我大概去猜他讲的是应该是余情。我，我估他脑子里面的章的这个的这个脑应该是用英语想的，他是想说 narrative， 就 序是 这种啊，就是余情和这种情绪面的东西，然后他就讲成了中文什么虚实型因子这样干嘛的，就非常的弱智吧。这个说法。对，就是 suppose 在 什么的洞亮因子里面有个所谓的叫余情，余情监控和余情分析这种所谓的 cements 层面的一些一些因子吧。但是没，我没有听过任何人讲什么虚实型和事实型这个说法的，基本没听过，非常非常的可笑吧，这两个说法。
175杰森Jason
03:50查看AI文稿AI文稿之前的很多视频里面啊，都提到了一个叫模型量化的，精度不要低于 q 四，但是 q 四到底意味着什么呢？而不同的量化精度差别又在哪里呢？今天我从头到尾把这个问题给大家讲清楚。 先说量化到底是什么大模型，训练完啊，每个参数默认用十六位的浮点输入存储。以一个七 b 的 模型为例啊，大概是十四 g b。 量化呢，就是把这些参数从十六位砍到八位，四位甚至更低位，数少了，文件小了，那显存就省了，本质上呢，就是将精度换空间。 但量化不是一刀切啊，就比如纳曼 cpb， 现在主流的 k 框子方案，核心思想是分块的量化，模型里呢，重要的应用高精度，不重要的应用低精度。这就是为什么模型文件后面会带有杠 km 或者杠 ks， 这就是分块。 m 呢，代表的是均衡， s 呢，代表的是更省空间。 它呢，比老式的 q 四零和 q 四一的质量更好，同样的，斯比特智商呢，也掉的更少。好，现在我们来看一个完整的量化精度光谱，从高到低，一档一档的说，还是以七 b 模型为例啊， f 十六原始精度， 十四 g b 质量满分，但本地跑没有必要。 q 八巴比特量化七 g b 砍了一半的险存，质量几乎无损，是生产环境的首选。 q 六 k 和 q 五 km 呢，五 gb 上下，质量呢，依然接近原版。重点来了， q 四 km 斯比特四 gb 出头，显存只有原来的零头，但质量呢，仍然保留在很高水平，这个就是本地部署的甜点位，绝大多数人应该从这里起步，再往下 q 三 km， 三比特三 gb 多一点，质量开始明显下降了。 q 二 k 二比特不到三 gb， 逻辑已经出现断层，一定会答非所问，到了这个档位啊，省下的显存就是拿智商换的，不划算。那为什么我说 q 四是甜点位呢？因为从 f 十六到 q 四啊，显存砍了将近百分之七十以上，但是质量呢，几乎没有感知性的差异。 但是从 q 四到 q 二，显存只省了不到百分之十，但质量呢，却呈现了断崖式的下跌，这个一增一减啊， q 四刚好就卡在了这个拐点上。 我们再来说说几个常见的误区啊，第一，就是量化越低，越省越好，这是错的， q 二 q 三是省了险存，但是赔了智商逻辑断层之后的模型啊，还不如不跑。 第二呢， q 八一定比 q 四慢很多，也不对，在维同类的量化下，推理瓶颈是计算量，而不是权重的读取， q 八和 q 四的速度差距很小，不要为了快而去降精度。 第三，就是所有模型的量化效果一样，这个其实也是错的，越大的模型对量化更具鲁棒性，七十 b 的 q 四比七 b 的 q 四质量损失的比例更小，这也是为什么在跑大一点的模型的时候， q 四几乎是唯一的可行方案，而且越大的模型对 q 四更耐受，这还是双保险。 最后呢，给大家几条实操的建议，第一，就是默认 q 四 k m 是 最经济的起步点，如果有富裕的选存呢，可以尝试提升到 q 五 k m。 第二，跑七十 g b 以上的大模型， q 四几乎是唯一的选择，而且可以放心使用。 第三，认准了 k cos， 别用那些老式的 q 四零， q 四一已经过时了。第四，对于质量和精度要求比较高的生产环境啊，建议 q 五 k m 起步，那样会更稳一些。 第五呢，就是量化，之前看一眼模型有没有 gbtq 或者 awq 的 官方适配版，如果有呢，质量会比 gguf 的 通用量化更好。 第六就是量化完记得先测试，不要直接投入使用，多试几个量化方案才能找到最合适的。一句话总结一下，量化其实就是在模型大小、推理速度、精度保持和硬件兼容性之间啊，去找一个平衡点。 而对于绝大多数的本地部署场景来说， q 四量化已经提供了最佳的性价比。大家还有什么好的量化方案也可以分享出来。我是老林，关注我评论区聊聊吧。
560老林说
01:04查看AI文稿AI文稿抖音被拉黑后，还有办法看对方视频吗？好，现在这两个是正常的好友关系。拉黑之前是可以进入对方的主页的，就是可以看到他的作品，现在我们直接把他给拉黑，右上角三个点，然后这边有一个拉黑，确认拉黑 好，我们再重新返回，然后进入他的主页，拉黑过后对方的主页是这样的，那么还有什么办法能够看到他主页的视频呢？我们先返回进入抖音设置， 然后往下边翻最下边一项退出登录退出。 好，现在我们点击右上角的放大镜，搜索一下对方的昵称，当然如果是抖音号更好， 好，又能看到他的作品了，我们点击进去就是这么简单，有这方面困扰的朋友可以去试一下。
5400设置侠
