Get live statistics and analysis of jackygu's profile on X / Twitter

我曾经也认为 #nof1 是随机游走，特别是nof1出来后，很多人用未经backtest的简单策略(甚至无策略)挂上llm，也能跑出不错结果后，更是这么认为。并亲自尝试了一把。 但是9天过去了，大多仓促模仿的bot都失败了，我意识到这个 #nof1 背后可能真的有点东西，它并不是把rsi，macd，ema这些数据作为user prompt喂给llm这么简单，他的system prompt中肯定有独特的策略。 深入学习并调研后，发现这条道路已经被摸索了一两年了，arxiv有很多paper，只是这次 #nof1 以Arena PK的方式呈现，才被大众所知。

回答下 erc20.cash 的服务器问题，其实并没有服务器，是用serverless服务。 在和国内外开发者沟通中，我发现无论是用的开发语言，工具还是部署方式，区别还挺大的。 我们仍旧习惯云服务器，但海外web3开发者更多的用serverless，或者静态化后部署到ipfs上 blog.meathill.com/infra/lets-tal…

小结一下：#nof1 是一种基于LLM的自动化交易，和量化交易是不同的东西，不能混淆。 两种方法在交易决策的逻辑、实现方式和适用场景上有显著区别。 打个比方，前者像是文科生做交易，后者更像理科生做交易。 👉基于LLM的自动化交易 通常称为 AI Agent Trading 或 #VibeTrading。 其方法是将市场数据（如价格、均线、RSI、MACD）、账户信息（余额、持仓）等输入大语言模型，由LLM根据其对语义的理解和推理能力生成交易策略。 LLM不依赖严格的数学模型，而是通过“理解”数据和文本上下文，进行推理决策。 是文科生的逻辑。 这种方式的特点是泛化能力比较强，可“综合理解”市场情绪、新闻分析或技术指标。且开发成本较低，开发者只需设计提示（prompt）和API调用，无需建模。#nof1 大火后，很多复刻产品如雨后春笋般冒出，因为这真的很简单。 其缺点有：在未优化提示词情况下，实盘风险很高，因为LLM会产生“幻觉”（hallucination），生成不合理或无根据的交易建议。 另外，这种方式的策略一致性和可重复性较差。比如用相同的大模型，分别在同一时间跑相同的参数，结果会很不一样（这个我测过，有时间的话会配个前端丢网站上）。这意味着今天看到的deepseek和qwen遥遥领先的情况可能会反转。 👉基于回测的预测模型交易 这种方法通过历史数据回测，构建数学或机器学习模型来预测价格走势或交易信号，然后用这些模型自动执行交易决策。模型基于明确规则或训练数据，强调可验证性和统计可靠性。 这种方法通常称为 #QuantitativeTrading （量化交易）、Model-Based Algo Trading，或 #AlgoTrading （算法交易）。 他的特点是科学的决策逻辑，即基于历史数据训练的预测模型，依赖统计或机器学习算法。是理科生喜欢的逻辑。 其缺点包括： - 灵活性较差，较为固定，模型仅在训练范围内有效，需定期更新以适应市场变化，需要专人“伺候”。 - 过拟合风险：模型可能在历史数据上表现优异，但在实盘中失效。 - 泛化能力弱：对市场结构变化敏感（如一个单边结构模型可能不会适应加波动剧烈的市场），需要人工干预。 - 难以处理突发事件或非量化因素，比如新闻。 - 技术门槛高，需掌握编程（如Python）、统计学和机器学习。 - 开发成本较高，需数据清洗、特征工程、模型训练和回测优化。 o(￣ヘ￣o#) 就像专业的程序开发工作正在被LLM编程（#VibeCoding）快速取代一样，专业的量化交易很快会与 基于LLM的 #VibeTrading 融合。 但同时也需要看到，真正能把 #VibeCoding 用好的，只有那些少数高级软件工程师，普通程序员只能被取代，普通人更无法用它来做产品（靠嘴炮赚流量的除外）。 这也是近年来IT公司大量裁员，而高级软件工程师却千金难买的原因。 所以，我认为，能驾驭好 #VibeTrading 的人也只能是少数精通量化交易的高手，而不是普通人。不具备量化回测等专业技能的人，盲目使用 #VibeCoding 是比跳楼还快的死法😂 #VibeTrading 不会取代量化交易，她会成为高级量化交易工程师的得力助手，但同时，她会抢了普通量化交易者的饭碗，并令大多数主观交易者彻底over，只能把钱投给更能赚钱的算法和AI。 掌握专业的量化交易，再插上LLM加持的 #VibeTrading 的翅膀，赚钱就像呼吸一样简单😀

已开通，绑定支付宝后买菜逛超市坐公交都用U了。 昨天新开的推特蓝v用的就是这卡，已实现发推文自由。 反正免费，开卡＋KYC花个10来分钟就搞定。 👉关于使用安全问题： 问了公安的朋友，说只要不把人民币搞出去（人民币换U），不用U做洗钱帮信，并且已通过银行做kyc实名的，国内使用没有问题。 👉关于资金安全问题： U卡中的资金不是像中心化交易所那样由bitget保管，而是在arbitrum链上，充值、交易都在链上完成。 👉关于运营方： bitget只是业务接口，可以把bitget当成总代。实际运营方是瑞士一家科技金融公司fiat24，发卡方是瑞士银行，Hashkey领投，投资方包括分布式资本、IDG、民生银行等。 其实这些都不重要，重要的是fiat24不碰用户资金，用户资金都在链上。 👉万一bitget和fiat24跑路了怎么办？ 只要arbitrum链还在，USDC（不是USDT）没有崩盘，随时可转可用。 👉推广奖励谁付的？ bitget作为fiat24的“总代”，提供了推广奖励，对bitget的好处是：钱包拉新。fiat24该收的费用照收，比如充值的1%和约0.8%的汇兑摩擦。 万一bitget像ftx一样暴雷了，最多推广奖励没了，用户资金不受影响。 经过年中的政策性U卡洗盘，很多都跑路了，能活下来的才算剩者为王，目前这张卡算一个😀 好了，广告结束，上我的福利链接，赚点小钱🔗 newshare.bwb.global/zh/referralLan…

不用看长篇大论，我来用一句话解释 #x402 是什么？ 一种用户体验很好的支付USDC的方式，打开支付页面，链接钱包，点击支付按钮，完成支付。 👉立即体验：先在BASE链上确保至少有0.01个USDC，然后在钱包里打开链接x402.payai.network/api/base/paid-…，点击支付，完成，见视频。 对开发者来说，在网站APP上收款变得前所未有的简单，无需KYC，无需企业注册。

#nof1 只剩下 deepseek 和 qwen 还勉强维持盈利，现在基本上可以针对这个实验做个小结了： 1- 没有与量化交易（算法交易）结合，仅靠LLM是无法独立感知市场数据，从而无法实现一个可以长期盈利的交易系统的。 2- 一直以来，量化交易无法解决的问题是不能感知市场结构和情绪的变化，导致经过严格backtesting的量化交易策略无法泛化到当前的市场环境中。也是传统量化交易无法成为“圣杯”的原因。 但是经过两者结合，取长补短，会打开一个全新的量化交易新时代。 好在今晨， @the_nof1 实验室已经准备启动第二阶段benchmark了。

今天，行情不好，一口气读了10几篇paper，都是探索大语言模型在交易中的应用，从纯粹的LLM交易到LLM与量化融合，LLM解读新闻分析舆情，到多agents互动等等，论文时间大多是2024- 2025年的，使用的模型不是最新的。 简单总结下： 1- 对于实验或回测的评估指标包括：夏普值，MaxDD，胜率/盈亏比， 2- llm无法独立做交易决策，只能作为量化的辅助已经成为共识。辅助工作如探索Alpha因子，解读新闻事件，基本面分析，不同立场和风险偏好的agent多轮辩论式决策等等。但是，尚没有任何一个实验或回测证明把分析/决策/交易全部交给LLM的方案能够超过buy-and-hold的，而且指出大模型在幻觉和schema输出规范上存在很多问题。 所有取得高Sharpe、低回撤的实验都有个统一的特点：不把风险决策交给模型，而失败的实验都是过度信赖大语言模型。 3- 多智能体（Multi-agents）+量化分析是目前优化交易的主要路径，而且效果最好，即通过6-8个agent模拟投资机构的决策流程，流程中仅仅是技术分析交给最专业的量化分析完成。各自做擅长事情。 国内对于LLM+量化的研究的人不少，80的论文作者是中文名字。 另外，发现一个公众号：LLMQuant，干货不少，专门讨论这个话题。 挑了几篇清单如下，抛砖引玉，每篇论文后的参考是个大宝库，有空的可以翻出来看看。 1- TradingAgents: Multi-Agents LLM Financial Trading Framework (arxiv.org/pdf/2412.20138…) 2- Automate Strategy Finding with LLM in Quant Investment (arxiv.org/pdf/2409.06289) 3- StockBench: Can LLM Agents Trade Profitably in Real-World Markets? (arxiv.org/pdf/2510.02209) 配套视频： youtube.com/watch?v=iqy4ur… 4- FinDPO: Financial Sentiment Analysis for Algorithmic Trading through Preference Optimization of LLMs arxiv.org/pdf/2507.18417 5- Adaptive Multi-Agent Bitcoin Trading via LLM Reflection arxiv.org/pdf/2510.08068… 最后，希望早日看到 #nof1 的测试结果的报告。

美国政府关门从市场抽走7000亿美元流动性，其效果不仅抵消了降息作用，更堪比多次加息。关键融资指标显示市场压力已达临界点，FED接连向银行注资，但几百亿规模国债与关门带来的流动性缺失相比，杯水车薪。 不过危机中也蕴含着转机，一旦政府重新开放，财政部将释放数千亿美元现金，这种"隐形量化宽松"可能引发风险资产的大规模抢购，推动股市和加密在年末大幅上涨。 千万别倒在黎明前。 wallstreetcn.com/articles/37586…

今天有人怀疑 Bitget Wallet U卡的卡号是假的，于是我查了下U卡上的BIN，即 5481 0849，结果显示和提供U与法币之间清洁算服务的Fiat24的母公司（即发卡行）一致。 查询网址 binlist.net。 同时解释下什么是信用卡/借记卡的BIN？其全称是Bank Identification Number，中文为“银行识别号码”或“发卡行识别码”，是由国际标准化组织（ISO）分配给银行卡组织的数字代码，通常位于信用卡号码的前6位（2022年4月份实行新版标准为8位数） 前缀为4，表示Visa卡，5表示MasterCard万事达卡，62表示中国银联卡等。

#nof1 Game Over了吗？ No，这才刚刚开始。 这个实验让很多人明白： 目前，我们不能仅依赖大语言模型（LLM）进行交易。 LLM强在可以通过客观分析新闻或社交媒体内容感知市场情绪，并模拟交易者、分析师或风险管理者等角色，以协作方式辅助决策。 但LLM在理解历史数据、技术指标和执行量化分析方面仍存在明显不足。而这恰恰是量化交易策略最擅长的。 因此，在AI时代，一个优秀的交易系统应当将量化策略与LLM的能力有机结合。 类似的实验还会不断继续，不断优化，就像这次 #nof1 不是第一次尝试一样。

忙了一早晨，把所有小币种都扔了，只留了btc, eth, bnb, sol四个，然后把他们俩俩配对开了一堆现货币本位双向网格。 👉理由： 接下去2-3个月，大概率会很震荡，地狱行情，尤其是玩弄世界于股掌的大佬，更是难以捉摸。不敢火中取栗，但又舍不得把币扔了，就让他们自己和自己刷网格去，多搞些币出来。 现货币本位网格，不会爆仓。而且这些主流币，波动虽然会有差距，但方向基本一致，从而降低网格越界风险。 之前两个周期，每周期快到四年期末的时候，我也通过这个办法渡过，等情况明朗后（一般是出现大阴月K线），再启动DCA。 另外，还留着一点U，用来玩玩 #VibeTrading，期待惊喜😂 主要经历还是放在dev上。 目前有两套defi方面的想法正在验证中，关于优化 #fairlaunch 的，重回币圈正遇上了中文meme热潮，公平铸造肯定有机制创新与优化的潜力。 另外，过去两年中做了几个大模型应用，如： - 奇门遁甲AI算命、 - meme图生成与创意工具、 - 币圈推文自动运营工具。 这些都已以web2方式（谷歌登录＋法币收款）完成并运营，稍后会改成web3版本后放出。 当然，近期会以Vibe trading为主。 俗话说：牛市赚钱，熊市建设，现在为熊市做好准备，万一真的来了呢？

#x402 会不会成为像 #ordinals 一样的发币协议？难。 👉原因：太快太便宜了。 工作室，机器人轻轻松松开几万个账号撸，还省了刷Alpha积分，不用冒被币安封号风险。 👉会不会有财富效应：有。 但只有龙头 $ping 有机会，其他都会迅速拉迅速浇给，比币安内盘还糟糕，散户給工作室送钱，所以工作室会卖力的拉，营造财富效应。 拭目以待😀

我曾经也认为 #nof1 是随机游走，特别是nof1出来后，很多人用未经backtest的简单策略(甚至无策略)挂上llm，也能跑出不错结果后，更是这么认为。并亲自尝试了一把。 但是9天过去了，大多仓促模仿的bot都失败了，我意识到这个 #nof1 背后可能真的有点东西，它并不是把rsi，macd，ema这些数据作为user prompt喂给llm这么简单，他的system prompt中肯定有独特的策略。 深入学习并调研后，发现这条道路已经被摸索了一两年了，arxiv有很多paper，只是这次 #nof1 以Arena PK的方式呈现，才被大众所知。

回答下 erc20.cash 的服务器问题，其实并没有服务器，是用serverless服务。 在和国内外开发者沟通中，我发现无论是用的开发语言，工具还是部署方式，区别还挺大的。 我们仍旧习惯云服务器，但海外web3开发者更多的用serverless，或者静态化后部署到ipfs上 blog.meathill.com/infra/lets-tal…

已开通，绑定支付宝后买菜逛超市坐公交都用U了。 昨天新开的推特蓝v用的就是这卡，已实现发推文自由。 反正免费，开卡＋KYC花个10来分钟就搞定。 👉关于使用安全问题： 问了公安的朋友，说只要不把人民币搞出去（人民币换U），不用U做洗钱帮信，并且已通过银行做kyc实名的，国内使用没有问题。 👉关于资金安全问题： U卡中的资金不是像中心化交易所那样由bitget保管，而是在arbitrum链上，充值、交易都在链上完成。 👉关于运营方： bitget只是业务接口，可以把bitget当成总代。实际运营方是瑞士一家科技金融公司fiat24，发卡方是瑞士银行，Hashkey领投，投资方包括分布式资本、IDG、民生银行等。 其实这些都不重要，重要的是fiat24不碰用户资金，用户资金都在链上。 👉万一bitget和fiat24跑路了怎么办？ 只要arbitrum链还在，USDC（不是USDT）没有崩盘，随时可转可用。 👉推广奖励谁付的？ bitget作为fiat24的“总代”，提供了推广奖励，对bitget的好处是：钱包拉新。fiat24该收的费用照收，比如充值的1%和约0.8%的汇兑摩擦。 万一bitget像ftx一样暴雷了，最多推广奖励没了，用户资金不受影响。 经过年中的政策性U卡洗盘，很多都跑路了，能活下来的才算剩者为王，目前这张卡算一个😀 好了，广告结束，上我的福利链接，赚点小钱🔗 newshare.bwb.global/zh/referralLan…

今天和司法圈朋友吃饭时聊到最近币圈热点，我就顺带介绍了下 #x402，并重点解释了通过 #x402 发币的流程，他们表示非常感兴趣。 以前在币圈抓人，由于资金都是走智能合约，被抓的人没有收钱的动作，很难取证定罪。而 #x402 这种中心化收钱＋打币的模式，跟之前ICO代投在法律定性上是一致的，即有个收钱的过程，这就好办多了。 我听了，瑟瑟发抖，真不该跟他们说这东西😬

想起了两年前我发起的 $ferc 的送币活动，久违的社区建设！ 这两年看病把钱都花光了，好在已康复，再次回到币圈，财力有限，只能小小地支持一下 @jason_chen998 祝成功🙏 bscscan.com/tx/0x0967e2630…

我认为，现在把 #BitgetWallet 这种卡说成U卡不太适合，会增加解释成本。应该沿用更多人熟悉的名字：『境外银行借记卡』 U卡分两类： 一种是可以用人民币充值的，即绕过国内外汇管制，其目的是资产出镜，是严格监管且触红线的。过去很多这类卡，现在跑路的跑路，关闭的关闭。 另一种U卡，是不可用人民币充值的，叫VISA借记卡或万事达借记卡。 这种卡在银行所在地开卡很方便。以前做外贸时经常出国，我每去一个国家都会用护照办一张，方便使用，现在家里一堆中东国家和北美各种银行的卡片。 这类借记卡的问题是一旦不去那边，就无法充值，时间一长，卡就废了。 现在像 @Fiat24Official 这种机构解决了这个问题，可以用U来充值，在全球（包括大陆）使用本币或外币。 这种卡和任何国家的银行卡在国内使用都一模一样。 比如每笔限额不能超过200人民币，超过的话要加收3%手续费，还有月度和年度总额限制，这些都是为了保护正常消费，防止洗钱和绕过外汇管制。 这也意味着，这种卡在国内是不可能被禁用的，即使是及其封闭的北朝鲜，也没能做到。 唯一可能被禁止的是不允许相关机构在国内从事推广业务，但线上开卡很方便，不受影响。

小结一下：#nof1 是一种基于LLM的自动化交易，和量化交易是不同的东西，不能混淆。 两种方法在交易决策的逻辑、实现方式和适用场景上有显著区别。 打个比方，前者像是文科生做交易，后者更像理科生做交易。 👉基于LLM的自动化交易 通常称为 AI Agent Trading 或 #VibeTrading。 其方法是将市场数据（如价格、均线、RSI、MACD）、账户信息（余额、持仓）等输入大语言模型，由LLM根据其对语义的理解和推理能力生成交易策略。 LLM不依赖严格的数学模型，而是通过“理解”数据和文本上下文，进行推理决策。 是文科生的逻辑。 这种方式的特点是泛化能力比较强，可“综合理解”市场情绪、新闻分析或技术指标。且开发成本较低，开发者只需设计提示（prompt）和API调用，无需建模。#nof1 大火后，很多复刻产品如雨后春笋般冒出，因为这真的很简单。 其缺点有：在未优化提示词情况下，实盘风险很高，因为LLM会产生“幻觉”（hallucination），生成不合理或无根据的交易建议。 另外，这种方式的策略一致性和可重复性较差。比如用相同的大模型，分别在同一时间跑相同的参数，结果会很不一样（这个我测过，有时间的话会配个前端丢网站上）。这意味着今天看到的deepseek和qwen遥遥领先的情况可能会反转。 👉基于回测的预测模型交易 这种方法通过历史数据回测，构建数学或机器学习模型来预测价格走势或交易信号，然后用这些模型自动执行交易决策。模型基于明确规则或训练数据，强调可验证性和统计可靠性。 这种方法通常称为 #QuantitativeTrading （量化交易）、Model-Based Algo Trading，或 #AlgoTrading （算法交易）。 他的特点是科学的决策逻辑，即基于历史数据训练的预测模型，依赖统计或机器学习算法。是理科生喜欢的逻辑。 其缺点包括： - 灵活性较差，较为固定，模型仅在训练范围内有效，需定期更新以适应市场变化，需要专人“伺候”。 - 过拟合风险：模型可能在历史数据上表现优异，但在实盘中失效。 - 泛化能力弱：对市场结构变化敏感（如一个单边结构模型可能不会适应加波动剧烈的市场），需要人工干预。 - 难以处理突发事件或非量化因素，比如新闻。 - 技术门槛高，需掌握编程（如Python）、统计学和机器学习。 - 开发成本较高，需数据清洗、特征工程、模型训练和回测优化。 o(￣ヘ￣o#) 就像专业的程序开发工作正在被LLM编程（#VibeCoding）快速取代一样，专业的量化交易很快会与 基于LLM的 #VibeTrading 融合。 但同时也需要看到，真正能把 #VibeCoding 用好的，只有那些少数高级软件工程师，普通程序员只能被取代，普通人更无法用它来做产品（靠嘴炮赚流量的除外）。 这也是近年来IT公司大量裁员，而高级软件工程师却千金难买的原因。 所以，我认为，能驾驭好 #VibeTrading 的人也只能是少数精通量化交易的高手，而不是普通人。不具备量化回测等专业技能的人，盲目使用 #VibeCoding 是比跳楼还快的死法😂 #VibeTrading 不会取代量化交易，她会成为高级量化交易工程师的得力助手，但同时，她会抢了普通量化交易者的饭碗，并令大多数主观交易者彻底over，只能把钱投给更能赚钱的算法和AI。 掌握专业的量化交易，再插上LLM加持的 #VibeTrading 的翅膀，赚钱就像呼吸一样简单😀

很多人不理解为何现在币圈不如美股龙头，不如AI。 看看 @VitalikButerin 回忆十年前的加密圈，会发现，十年了，加密圈的创新几乎在原地踏步，创新在行业中的作用越来越小，一些老东西却一遍又一遍的被市场拿来炒冷饭。 十年前，上海几乎是区块链世界的创新中心，万向区块链实验室在上海，各种创新团队聚集在上海。不仅有股票代币化（现在叫RWA），还有BitShare的DEX，有 币乎社区，还有各种公链，而且真的在踏踏实实推进。 那时上海的线下社区活动也非常活跃，以我们武谷为例，每周五晚上活动铁打不动，每场150人＋。至今我在上海的朋友圈，都是那时结实的十年老友。 上海的大型会议更层出不穷，除了每年秋季举办的万向区块链大会，我印象中在喜马拉雅中心办的峰致大会算是高峰了，因为之后九四来了。 这场大会，可以说是新老力量的交替：上海一帮区块链老人在台上侃侃而谈，一帮新人如 @cz_binance 、 @justinsuntron 则忙着在为交易所做推广（还包括为币价跌破1U致歉），为公链做募资。在此之后，老人们渐渐隐退江湖，新人们则义无反顾地出海，在海外掀起了华人加密旋风。 94之前，我办公所在地虹口区华虹大厦，也就是万向区块链实验室，16-18楼满满当当各种项目创业团队，大到一间玻璃房，小到一张桌子，充满了激情四射的年轻人。很多人因为看好国内环境，放弃海外优渥条件，回国创业。我们走路都得扭着腰肢，以防不小心撞到桌角，或手上的咖啡洒到人。 现在看，一切都在94那天改变了。 为了防范一些坏的东西，而让创新驱动力完全丧失，只能沦为赌场，可惜了啊！

10月10日回归币圈后，正好15天，总结下经历的热点： #中文meme 爆火 1011大崩盘 币安遭遇危机并补偿 star徐成为装逼的人 预测市场polymarket #nof1 一夜爆红 base和sol链上炒 #中文meme 上海万向区块链峰会 川普画k线，把市场搅得天昏地暗 cz被川大赦免无罪 #x402 发币 热点轮动太快了，幅度太大了，脑子要瓦特了😭