都是python 3.11
A
ailabx
@ailabx
-
寻求帮助。 -
aitrader 开源系统 代码下载说明切换一下策略选择即可。
-
关于ETF轮动策略的一些需求和建议 -
Open Avatar ChatOpen Avatar Chat 是一个模块化的交互数字人对话实现，能够在单台PC上运行完整功能。目前支持MiniCPM-o作为多模态语言模型或者使用云端的 api 替换实现常规的ASR + LLM + TTS。
-
2025-05-27 科学、技术应用与商业化科研是上游，但科研之路，需要天份和运气，一如继往的深耕。
技术应用与转化适合更大多数普通人，工程师。
比如瓦特、爱迪生。上承科研成果，下接商业转化。
所以，到AGI这个趋势上，应该紧跟大模型前沿，获取科研成果来转化，做应用，是普通人的一条路。
-
第3周： 《纳瓦尔宝典》纳瓦尔宝典：创造财富，就是你为社会提供求而不得的东西。你的专长恰好能提供。
找到专长与价值的契合点。
科学，下游是技术，然后是商业。
我的专长是技术应用。
大模型是科学，AGI落地是技术应用。
蒸汽动力之于瓦特，电力革命之于爱迪生和特斯拉。 -
关于“积分”的说明，以及如何获得积分。 -
关于“积分”的说明，以及如何获得积分。@菩提树 1000积分？这不可能。
-
注册后，收到的邮件验证失败 -
一些建议策略是重点，但考虑到很多同学并不会代码，因此更多考虑低代码策略开发的方式。后续会引入股票市场，股票主要是周频以上。
-
建议数据和软件 百度云盘下载我记录下来，可以考虑。
-
2025-05-26 逃避 或 屈从，均不是正道逃避 或 屈从，均不是正道。
正道是 顺其自然。
何谓自然，自然是天道，做正确的事，做正常的事。
而不是跟着情绪走。原本可以做的，正常的事，不敢做了，刻意不做了，就怕麻烦，因为怕麻烦，少了很多乐趣，人生缺少体验了。——这就是逃避。
而焦虑，恐惧，担忧一来，就坐立不安，着急解决，顺着做一些不必要的事情。——这就是屈从了。
而是识别出不合理，然后观察它，无视它，视而不见，为所当为。
-
下载了AilabX，这个程序还能使用吗？好像不能运行 -
aitrader如何登录自己的账号，免费下载策略？@yohom
一是查看及使用参数，在 ailabx.com/mall 可以按这个参数配置策略。
二是本地化运行，可以在星球下载 aitrader_core最新代码+数据，然后运行这个toml文件。 -
2025-05-25 长期主义还是活在当下，都要有！长期主义和活在当下，如何辩证统一看待呢？
长期主义，要求目前长远，志向远大，持久地布局、坚持做一件事，拿结果，获得理想的状态。
而活在当下呢，又因为活在未来的人焦虑啊，当上才是真实的存在。人生在于体验啊，谁知道，明天和意外哪一个先来呢？
再引申，会不会变成“有花堪折真须折，莫待无花空折枝”呢。
18岁的时候，再获得8岁时想要的玩具，显然早已没有了兴趣。
好像都有道理。
这里就需要平衡了，要现在，也要未来。
《拿铁因素》这三本讲了一堆故事，其实就讲三句话：先支付自己，不要做预算，让账户自动运转，从现在开始，富足地生活。
这本书讲普通人如何财富自由的，很好的平衡了上述的关系。
考虑长期主义，无论你收入水平如何，你先支付自己，比如把每天收入的1/8存下来，看起来不难吧。然后就不要做预算了——以前，讲财富积累的书，总教人记账，且不论是否坚持得了，关键是生活就变成很无趣，没有了当下，就是如何省，如何不花钱。——只有未来，没有现在。
而作者有两句话就解决了这个问题。——存下每天收的1/8，其余的，就不必预算。这个1/8进入金钱系统，自动运转。——这个系统在未来40年，会让你财富自由，这就构建了一个“时间的朋友”。
长期主义的问题就解决了，富足地生活，就可以做你想做的事情。
同样的，如果构建一人企业的“商业系统”，让它能自动运转，那么财富积累的速度还会加快。
比如，类似的，每天花1/8的时间去构建这个“商业系统”，这个商业系统构建好了，就可以源源不断带来现金流。那么，你就提前财富自由了。同样，不需要做所谓的“时间管理”，什么把时间分成多少段，然后如何管理效率最高之类的，且不论能不能坚持，就算能坚持，那也很无趣啊。
简言之，平衡长期主义与活在当下，就是把1/8的收入和1/8的注意力，首先支付给自己，搭建可以自主运行的“金钱系统”和“商业系统”。然后，就富足的生活吧。（这里1/8仅是一个参考值）。
你就不必为了说今天吃了顿大餐，买了个贵重的数码产品而自责，也不必为了刷了一中午的短视频而自责。因为，如果这就是你喜欢的当下，为什么不可以呢。——你的长期主义已经在运作了，你已经是时间的朋友！
-
2025-05-24日更快900天了，当时启动这个计划是差不多三年前了吧，就是不管怎么样，先写它1000再说。
基本做到风雨无阻，无论是春节，还是长假。
包括这次回老家探亲。
基本养成了一个习惯，就是每天要做的事情。
总会找时间去做。
这个段落就是一些真实的思考，不算是日记，而是就一些当下的点，心理历程，一些即时的思考和感情，记录下来，觉得挺有意思。
过一段时间回头来看，会有很奇特的感觉。
经历过很多大事小情，大的节点可能会印象深刻，但过程中很多细节都被遗忘了。
记录下来，本身就是一种体验。
-
关于实盘我的观点，看法，欢迎大家讨论 -
关于实盘我的观点，看法，欢迎大家讨论有一个方法可以检验你能不能实盘？
如果你还需要问别人这个策略能不能实盘，那你最好别用。
因为如果你看明白了策略的逻辑，理解背后的风险，自然就会有判断。量化领入门，实盘看个人，这是真心话。
-
关于实盘我的观点，看法，欢迎大家讨论有不少同学问实盘，很多同学看到策略后，第一反应就是如何接入自己的实盘平台，或者哪个策略适合实盘。
这里统一说说我的观点，欢迎讨论。
做量化当然是为了实盘，这个观点没有人会反对。我们先确认下什么叫实盘。
你定投一支沪深300算不算实盘？
做纳指ETF的网格算不算实盘？
这是不是一个可用的量化交易策略？？ 当然算。那么问题来了，大家反复问——这个策略能不能实盘？
哪个策略可以实盘？
是不是这个问题问错了？！
是不是想问————哪个策略一定赚钱？？
如果是这个问题————没有策略一定赚钱，投资没有圣杯！那你又要追问，你做量化干什么，那AI量化实验室做什么呢？有什么价值？
我们做方法，做工具，提供策略思路，提供你入门的速度，提升赚钱的概率。——注意，也只能讲概率。
谁告诉你策略一定能赚钱（一定能实盘），那你可能要小心。
我们提供的策略，有些同学有在用，更多是自己加个自己的风控，仓位管理，结合自己的风险偏好。形成自己独有的投资体系。————这是学习量化之道，学习投资之道。
欢迎大家留言 、讨论。
-
【观点】建议个人和小团队不要碰大模型训练- 哪些人是例外？
如果你还没有毕业，为了发论文尽快毕业，那该练还是得练，还要变着花样练。
如果你是全栈的超级个体，能解决数据、模型、推理和资金等全链路，那么请勇敢冲浪。 AI时代缺你真的不行，因为这样的团队我周围也见过好几个，比如Doc2x和Simpletex。
除此之外，我想象不到个人和小团队还有什么理由去训练大模型。
2. 不训练大模型怎么办？
这里有以下几个常见问题：2.1 企业的一些私有数据，不能调用外部的API，不训练怎么办？
答：做好开源LLM+RAG的部署。
在没有触及RAG的性能边界之前，不要微调模型（这个观点有争议，先抛出来供批判）。
现在的开源LLM只有权重，没有数据。你做领域微调的时候，由于没有配比原始数据，微调之后的结果，极有可能比原本的更差。
但稍微良心一点的开源LLM，对RAG的支持都还是可以的，你只需要把RAG的信息提前找好就可以了。
常见的一个方案就是，对一些图片or PDF文件做好OCR，转为Markdown，不管是graphRAG也好，还是传统的ES搜索，在每次问答前，将需要的上下文，塞给LLM，拿到的结果就不会太有问题。
再次重申一个冷知识：如何让LLM输出正确答案？在输入的时候告诉它。
此外，RAG自带在线持续学习的特性，非常适合业务场景。目前很难让LLM的权重随着业务场景的变化而实时更新，但知识库可以实现这一点。
2.2 开源LLM对一些特定领域的效果非常差，怎么办？
这个问题其实我没有接触过，但上次和群友讨论的时候，有朋友提到了这个质疑，也许真的存在。 这种情况下，我感觉还是得先试试RAG，不行就试试In-context Learning，在上下文中，教LLM一些领域知识。
而我自己的体会是，我自认为的一些特殊的场景，LLM仍然是可以理解的，真的不能小瞧它们的通用知识。
这里还分享一个我个人的体会：128K的上下文长度非常关键！ 这个可以降低你RAG的门槛，以及提高LLM对领域知识的掌握。
我真的很难想象，现在还有什么特殊的领域，LLM一点办法都没有，欢迎大家在评论区补充。
2.3 有推荐的方案么？
根据上面的描述，如果你能调用外部的API，那么就根据你的业务要求，选择性价比最高的一款API。
能不自己部署模型，就不自己部署。 自己部署的硬件成本和维护成本，对于小团队来说，很可能是压垮骆驼的一座大山。
而你选择调用API的时候，你就会发现，全世界最聪明的人和最听话的AI，都在抢着为你服务。你完全可以不用管有几台服务器，你可以在任意时间，随便拉高并发量。可以随心随意切换更强的模型，或者更便宜的模型。
具体来说：
将最需要脑子的任务交给o1系列模型，它唯一的缺点就是非常贵。我只说一个概念，它的输入是128K，有效输出长度可以高达2K行，这个可以用来干什么大家自行探索，有些经验我实在不舍得分享出去，哈哈。
比较需要脑子的任务，交给4o，sonnet3.5这一梯队的模型，价格也比较贵，但基本上比多数人的脑子都好。
一些通用任务，可以交给4o-mini和gemini-flash这样的模型，尤其是gemini-1.5-flash-002，性价比高到爆。
这里对任务的划分，就需要一个agent自动编排框架。但是，我目前还没有找到合适的方案，仍然靠着最基础的if-else逻辑，还没能实现全自动化，欢迎大家推荐相关的方案！如果你的业务在上面的方案中都跑不通，那么自己训练模型大概率也是白瞎。
- 结语：
看过我之前关于如何吃到行业的低垂果子？帖子的朋友应该知道，我最近一直思考目标选择的问题。
我认为关键因素的突然出现，会给版本带来一些不一样的变化。大家的认知如果能够预知一些变化的下一步影响，那么就可以提前一步，拿到低垂果实。
而大模型时代，基础模型能力的每一次提升，都算是一次版本更新。
距离大厂基座模型团队之外的AI人，需要先了解现有LLM的性能边界，敏锐的分辨出现有模型能力和过去方案的差异，能否给当前的业务带来新的变化，然后快速解决现有业务的难题。
不要在低收益的赛道上无意义的投入，错位竞争，降维打击，也许更有效。
- 哪些人是例外？