只做周期 不赌叙事 宏观视角｜风险优先 执行第一｜拒绝情绪
距离你5201314km
Joined March 2026
- Tweets80
- Following55
- Followers19
- Likes190
Cycles lin retweeted
哪个指标能尽可能准确的预测SPY底部？
结论是： 布林带 %B<0.15 的时候 (胜率 86%)
I reverse-engineered every buyable bottom on SPY.
Here is what actually flagged them.
Instead of debating which indicator predicts bottoms, I worked backwards. I took 2 years of SPY daily data (501 trading days), found every pivot low that bounced 5% or more within 10 days (7 of them) and every pivot high that dropped 5% or more (3 of them), then measured what 13 technical studies were printing at each exact turning point versus ordinary days.
The winner surprised me.
Bollinger %B under 0.15 caught 86% of the buyable bottoms.
6 out of 7 bottoms printed %B below 0.15 at the pivot close. Zero of the tops did. Only 7% of ordinary days did. Quick refresher: %B measures where price sits inside the Bollinger Bands. 1.0 is the upper band, 0 is the lower band, below 0 means price closed under the lower band.
How the studies ranked (median at bottoms vs ordinary days):
• MACD histogram: -2.80 vs +0.42 (catches everything, but noisy, 43% false positives)
• Bollinger %B: 0.11 vs 0.67 (the clean trigger)
• Stochastic %K: 16 vs 83
• Stochastic %D: 21 vs 83
• RSI(14): 39.6 vs 55.3
The RSI surprise: median RSI at real bottoms was 39.6, not 30. The classic "buy when RSI goes under 30" rule caught only 29% of actual bottoms. Waiting for deep oversold meant missing most of the bounces.
Three rules worth forward-testing:
1. %B under 0.15 alone: 86% of bottoms, 7% false positive rate. Best single filter in the study.
2. %B under 0.15 AND price under the 50-day average: keeps most bottoms, trims the noise further.
3. RSI under 35 AND %B under 0.15: only caught 29% of bottoms, but zero false flags anywhere. Rare, high conviction when it fires.
Recent flags for reference:
Jul 29 2026 (%B -0.16, then +6.1%),
Jun 26 2026 (%B 0.14, then +5.0%),
Mar 30 2026 (%B -0.02, then +7.6%).
The honest part, because small samples lie: 7 bottoms is thin, the window was mostly bull market, and tops had no clean signal at all. In September the flag tripped 4 times without a full 5% bounce following, so treat %B under 0.15 as "conditions are washed out," not "bottom confirmed."
I am setting up automations to flag for these triggers live. When the next %B washout flags it will auto post in my slack. Was only able to pull for a couple years but would like to see a larger sample set
Cycles lin retweeted
我去！量化圈那些散落在 GitHub 各个角落的工具，居然有人整理成了一张开源地图
项目叫 Awesome Quant，GitHub 29K+ Stars。
19 大类量化库 / 数据源 / 回测框架 / 书籍论文一网打尽，股票、期货、期权、币圈通吃！
以前找量化库，全靠群里问、搜博客、一个个试错，不是版本过时就是文档垃圾。
这个不一样，Wilson Freitas 从 2015 年维护到现在，11 年、4K 贡献者，把量化生态里靠谱的库按 19 大类整理得明明白白，还带语言标注和一句话说明。
核心能力：
1️⃣ Trading & Backtesting：Qlib、Zipline Reloaded、bt 等回测和交易框架集中整理
2️⃣ 数据与行情：股票、期货、Crypto、宏观、SEC、另类数据等各种数据源都能顺着目录找
3️⃣ 因子与机器学习：Factor Analysis、Time Series、Sentiment、ML for Trading 单独分类
4️⃣ 组合与风控：Portfolio Optimization、Risk Analysis、定价模型和金融工程工具都有
5️⃣ 技术指标与可视化：TA、K 线、金融图表、研究环境这些常用工具也整理得很全
6️⃣ 不只 Python：R、C++、Rust、Julia、JavaScript 等量化生态都覆盖，不会只困在一个语言里
我觉得它最值钱的地方，不是里面某一个项目有多强。
而是当你突然想做：
期权定价
高频回测
因子研究
机器学习选股
组合优化
Crypto 量化
不用再从 Google 和 GitHub 大海捞针。
先来 Awesome Quant 找对应分类，基本能把这个领域主流的开源工具先扫一遍。
做量化、金融工程或者准备自己搭交易系统的，这个建议直接收藏。
github.com/wilsonfreitas/awe…
终于有人把 QMT 这套又碎、又绕、又劝退人的开发流程，重新给 A 股量化用户捋顺了
项目叫 EasyXT，725 Stars，MIT 开源。
以前玩 QMT，接口复杂、文档乱，光封装个下单查询就得折腾一周。
它不一样，easy_xt 核心库把 QMT 接口包成几行 Python，数据源还能 QMT → xqshare → 通达信 → 东财自动降级，挂了也不慌。
核心能力：
1️⃣ QMT API 重新封装：行情、账户、持仓、委托、成交，都变成更简单的 Python 调用
2️⃣ 大 QMT + miniQMT 双模式：miniQMT 直连，大 QMT 走信号桥接，策略代码不用来回重写
3️⃣ 数据源不绑一家：Tushare、DuckDB、东方财富、AKShare 都能接，单个接口出问题还能继续切
4️⃣ 自带 easyxt_backtest，手续费、滑点、持仓、绩效分析这些回测基础设施已经搭好
5️⃣ 因子平台内置大量 Alpha 因子，还能继续做 IC、分层回测和可视化研究
6️⃣ 雪球跟单、网格、通达信预警交易、聚宽策略迁移这些实战案例也都直接给了
它真正省时间的地方，是把很多 A 股量化用户本来就在用的 QMT，变成了一套完整的 Python 工作流。
拿数据、做因子、跑回测、写策略，最后再接交易，不用每一步都重新搭。
做 A 股量化、QMT / miniQMT 自动交易，或者想把 Python 策略真正接到券商端的，这个值得留着。
github.com/quant-king299/Eas…
Cycles lin retweeted
终于有人把 K 线当成金融语言来训练大模型了。
开源项目 Kronos，39.1K stars，AAAI 2026 录用。45 个全球交易所、120 亿条 K 线喂出来的 decoder-only 模型。
以前做预测，不是自己从零训 LSTM，就是拿 TimesFM 这类通用时序模型硬套，开高低收成交量全被拍扁。换个市场就塌。
它不一样：先把连续 OHLCV 编成分层离散 token，再用 Transformer 自回归预训练。预测、波动率、合成 K 线走同一套底座。
核心能力：
1️⃣ 专门训练 K 线：不是拿通用时间序列模型硬套金融数据，而是针对高噪声市场序列设计
2️⃣ 45+ 全球交易所：训练数据覆盖超过 45 个交易所、120 亿条 K 线记录
3️⃣ 价格预测：可以直接输入历史 OHLCV，预测未来一段时间的价格序列
4️⃣ 波动率预测：除了方向和价格，也支持波动率相关任务
5️⃣ 生成合成 K 线：可以生成更接近真实市场结构的金融时间序列
6️⃣ 多尺寸模型：提供 mini、small、base 等版本，参数从 4.1M 到 102.3M，方便本地研究
7️⃣ 支持微调：可以直接拿自己的 A 股、Crypto 或其他市场数据继续 Fine-tune
8️⃣ 已接 Qlib 示例：官方提供 A 股数据准备、微调和回测流程，方便继续做量化研究
论文里价格预测 RankIC 比最强通用 TSFM 高 93%。
我比较喜欢它的一点是：它没急着承诺帮你赚钱，而是先解决 K 线怎么被模型读懂。
做 K 线预测、A 股/加密量化，或想把基础模型当新因子的，这个值得留着。
github.com/shiyu-coder/Krono…
我去！美股热的时候最容易只看涨，有人把崩盘相关指标收进一个本地看板。
US_Stock_Crash_Monitor，MIT。Streamlit。盯 VOO（标普500）和 QQQ（纳指100）。v1.3 用六个因子打一个崩盘风险分。
以前估值、利差、均线、情绪各开各的网页。
它不一样，把巴菲特指标、席勒 CAPE、高收益债利差、10Y-2Y、200 日乖离、恐惧贪婪放进同一套打分。多因子同时极端会加分，单项爆表也会托底，避免被其他温和项稀释。
核心能力：
1️⃣ 六因子风险模型：巴菲特指标、席勒 PE、高收益债信用利差、10Y-2Y、美股 200 日均线乖离、恐慌贪婪指数一起算
2️⃣ 非线性评分：极端数据不会只按普通权重计算，读数越极端，风险贡献会被进一步放大
3️⃣ 共振警报：当 3 个以上因子同时进入历史极端区域，会额外触发风险警报
4️⃣ 信用利差监控：加入 HY OAS，专门看信用市场有没有提前出现压力
5️⃣ 自动抓数据：行情、GDP、估值、收益率、情绪等指标基本都可以自动更新
6️⃣ 多级降级：某个数据源挂了，会自动切备用来源，也支持手动校准
7️⃣ 历史崩盘对比：可以拿当前风险状态和 2000、2008、2022 这些阶段做参考
8️⃣ 风险趋势图：每次运行会记录当天分数，可以持续看风险是在升高还是缓解
我比较喜欢它的一点是：
它没有假装能精确预测“哪一天崩盘”。
它更像一个市场脆弱性监测器，告诉你现在估值、信用、情绪和技术面是不是正在同时变危险。
这种思路其实比单看一个 PE、VIX 或均线靠谱得多。
这是美股宏观+技术看板，不是 A 股选股，也不下单。网页源改版会抓空。权重仍主观。分数高不等于该空，分数低不等于该满仓。
做美股风险观察、VOO/QQQ 仓位体检的，这个值得留着。
github.com/middletoo/US_Stoc…
Cycles lin retweeted
这下省事了！TradingView 官方 AI 功能现在要 $7.5/月，
然有人做了个免费开源 MCP 直接平替，还多给 78 个工具——股票/期货/币圈/外汇看盘，让 AI 上手你的本地图表。
它就是 tradingview-mcp，6.3K stars，国外交易者都在疯狂的转发！
核心能力：
1️⃣ 直接读取当前图表里的品种、周期、价格、OHLC、成交量和指标数值，不用再靠截图猜
2️⃣ 支持自动切换 Symbol、Timeframe、图表类型，还能跳到指定日期和缩放区间
3️⃣ 可以读取 RSI、MACD、EMA、BB 等指标，也能读取 Pine Script 画出来的线、标签、表格和价格区间
4️⃣ AI 可以直接写、注入、编译、调试 Pine Script，编译报错也能继续自动修改
5️⃣ 支持直接在图表上画水平线、趋势线、矩形和文字标注
6️⃣ 可以创建和删除价格提醒，还能读取和修改 Watchlist
7️⃣ 支持 Bar Replay，AI 可以一步一步推进历史 K 线，模拟买入、卖出、平仓并查看盈亏
8️⃣ 还支持多图布局、截图、实时监控，以及把同一套能力通过 CLI 调用
以前想用 AI 辅助看盘，要么加钱开官方 AI，要么自己去抓数据还冒着爬接口、被封的风险。
tradingview-mcp 不一样，它走 Chrome DevTools 协议连你本地正在跑的 TradingView 桌面端，不碰服务器、不绕过付费墙，你有订阅就能用。
我比较喜欢它的一点是：
默认压缩输出，避免一张图把上下文撑爆。Desktop 要先装，实时数据看你自己的 TV 订阅。
把专业看盘软件变得可被 AI 读懂、可被 AI 操作，还能省掉官方那 $7.5 一个月的 AI 钱。
做技术分析、Pine Script、AI 量化辅助，或者想让 Claude / Codex 真正操作 TradingView 的，这个很值得研究。
github.com/tradesdontlie/tra…
我去！终于有人把 A 股复盘从十个网页收进一个本地桌面里了
easy-stock，个人投资者用的 AI 投研工作台。
行情总览、题材雷达、连板情绪、个股分析、持仓巡检、大 V 盘后观点。Releases 有 Mac / Windows 包。Go 后端 + Electron。
以前那些"AI 炒股软件"，大多就是在行情终端旁边加个聊天框，问一句答一句，看不懂 A股的主线、题材、情绪结构。
easy-stock 不一样，它把开盘啦、东财、新浪、财联社、雪球、淘股吧的数据统一成领域模型，AI 面对的不再是孤立数字，而是带 A股语义的市场证据。
核心能力：
1️⃣ 聚合开盘啦、东方财富、新浪、财联社等来源，把行情、K 线、题材、涨停和资讯统一整理。
2️⃣ 自动收集雪球、淘股吧、微信公众号等市场作者的复盘内容，再生成“今日大 V 观点共识”，把主线、共识和分歧提炼出来。
3️⃣ 不只看价格，还会跟踪趋势、题材、连板高度、昨日强势股溢价、量价和相对强度这些更贴近 A 股短线的结构。
4️⃣ 个股 AI 分析基于多条研究路径和市场结构来做判断，不是只输入股票代码后让模型自由发挥。
5️⃣ 支持持仓 AI 巡检，可以把自己的持仓持续放在系统里跟踪和复查。
6️⃣ 文章、摘要、情绪历史、分析记录、模型会话和研究缓存都能保存在本机，慢慢积累成自己的研究记忆。
7️⃣ 分析结果会尽量保留来源、原文、更新时间和数据降级状态，方便回头核验 AI 的依据。
我比较喜欢它的一点是：
结论旁边留来源和时间。延迟、降级会标出来。不是猜明天涨什么。
这更像一套可以长期使用、不断积累的个人投研系统。
技术上也是本地优先架构，前端用 React，后端是 Go，桌面端基于 Electron；模型和 API Key 可以自己配置。
github.com/jundizhou/easy-st…
Cycles lin retweeted
wok，微信被彻底打通了，逸尘这个 Skills 只怪我发现太晚，立马 Fork 防被 404🥹
用 Codex 直接读取你微信的本地数据，而且纯本地解密、纯只读，完全不影响微信正常用！
聊天记录、联系人、群聊、朋友圈、收藏夹，居然全都能被 AI 直接读取。。。
我来给大家详细讲一讲它有多香：
1、聊业务或跟客户沟通前，让 AI 直接检索历史记录："分析我和某总过去半年的合作痛点，然后......"。
2、几百个的行业大群，上万条消息根本看不过来。直接跑一条命令，自动生成群聊精华日报、核心话题梳理，甚至群友画像。
3、在微信收藏的几千篇好文章、群里发过的文件资料，一句话就能精准检索出来。
4、把你和朋友聊过的好想法、朋友圈发过的碎碎念一键提取，直接沉淀成内容素材。
数据留在 Mac 本地、不上传，绝对丝滑。
🔗：github.com/mcncarl/yichen-sk…
很多假粉丝都不知道我已经把微信生态都做成了Skill。。。
1.微信数据Skill。微信聊天记录、微信联系人、微信朋友圈、微信收藏夹全部都可以被Codex直接读取，也支持增量读取，只有首次重签名具有一定风险，后续基本无风险。
github.com/mcncarl/yichen-sk…
2微信公众号文章下载Skill。给链接，就能直接下载Markdown。（之前本来给公众号名就能批量导出上千篇的，但是作者把上游仓库关了。我现在自己维护了一个批量抓的Skill的，但是只对TradeWinds社群成员开放了）
github.com/mcncarl/yichen-sk…
3.微信双开Skill。有一定风险，我自己经常被弹出登录，所以现在没用了，如果有大神能优化，我举双手拥护。
github.com/mcncarl/yichen-sk…
4.企微微信数据Skill。同理微信Skill。
github.com/mcncarl/yichen-sk…
Cycles lin retweeted
量化大脑
这个库要不要分享出来，我是真的做过一番思想斗争。因为……太好用了。人都是自私的，但最后还是理智战胜了私欲。不相信的话，自己去试试就知道了。
量化大脑开源版是一套面向个人开发者和投研团队的 AI 原生多市场量化交易平台。它把微软 Qlib、RD-Agent 因子演化、TradingAgents 多智能体投研这些东西直接整合到了一起，从 300+ 维因子挖掘、13 种机器学习/深度学习模型、Optuna 自动调参、Qlib 高性能回测、截面批量推理，一直做到 7×24 小时舆情情绪分析、通达信联动、预警雷达、模拟实盘交易。
简单说，就是从找因子 → 训练模型 → 回测 → 推理 → 舆情 → 预警 → 交易，基本给你串成了一条完整链路。
而且支持 A 股，港股、美股、期货、区块链。
仓库地址：
github.com/qusong0627/QuantM…
官网：
oss.quantmindai.cn/index.htm…
这个库上线没多久就已经 500+ Star 了。但有意思的是，我在推特上几乎没见什么人推荐。所以我合理怀疑：不是没人发现，而是发现的人都默默自己用了🤣
我是尼卡，平时会持续分享 AI、美股、Web3 相关有用又有趣的工具和项目，感兴趣的话欢迎关注，下次见～
A股 港股 美股量化分析 Agent Skill
又是一个冷门库但是很优秀。quant-buddy-skills 不是普通股票数据 API，它包括行情、估值、财务、公式引擎、全市场筛选、因子计算、策略回测、净值对比和图表渲染等功能。
但是在装这个库之前，把quant-buddy-view也安装一下，这是一个投研沙盘。
量化分析仓库：github.com/pseudo-longinus/q…
投研沙盘：github.com/pseudo-longinus/q…
我是尼卡，平时会持续分享 AI、美股、Web3 相关有用又有趣的工具和项目，感兴趣的话欢迎关注，下次见～
Cycles lin retweeted
wow
Bitcoin longs have reached a new all time high.
More than 361K BTC, roughly $23.4B, is currently positioned on the long side across exchanges, compared with 264K BTC, around $17.14B, on the short side.
A strong long imbalance is common during bullish trends, but it can also appear during periods of sideways price action before major liquidation events.
This is exactly what the Open Interest Positioning chart is designed to identify.
One of its key metrics is the Net OI Imbalance, a proprietary formula built to detect excessive long or short positioning across the derivatives market.
When the signal approaches 1, long positioning is significantly larger than short positioning. What makes this interesting is what happened historically after similar extremes.
The signal appeared before the FTX crash, before the August 2023 selloff, around the $73K pre Halving peak, and again above $100K, when trader confidence in further upside was extremely high.
In each of these cases, significant liquidation events followed.
This does not mean that every extreme reading immediately causes a correction. It means leverage is becoming increasingly concentrated on one side of the market, making the market more vulnerable to a liquidation cascade.
Currently, approximately 57.62% of the estimated positioning is Long and 42.38% is Short, with remarkably similar proportions across most of the exchanges analyzed.
Another interesting observation is that Shorts rarely exceed Longs.
When they do, it often happens after a major Long liquidation event, when leverage has already been flushed from the market. Historically, periods of Short dominance have frequently appeared near local bottoms, although there are exceptions, such as the period following Bitcoin's October 2025 ATH.
Right now, Longs are clearly dominating.
The imbalance is not as extreme as some of the readings we saw in 2025, but it is still large enough to create resistance against a healthier and more organic price expansion.
For me, the ideal scenario would be a deeper deleveraging process, followed by a much stronger concentration of Shorts.
That is when I would become significantly more bullish.🐂
I personally customized these charts, and they are all available for free.
Links in the comments.
Cycles lin retweeted
I made a dynamic chart to illustrate Bitcoin's 4-year cycles
It keeps updating forever adding new cycles along the way
The next cycle starts on October 31, 2026 so theoretically that should be the bottom
levels.io/bitcoin-4-year-cyc…
Bitcoin has always been operating in 4 year cycles where it crashes at the end
2014, 2018, 2022, 2026
It's actually great because every 4th year people really get super sad and give up on it (or well that's how it feels like)
There's also surely some sentiment pumping to push the price down so people can buy in cheap again
The next cycle up is 2027-2031
(And it has something to with the halvening which happens every 4 years cutting the reward for miners in half)
Cycles lin retweeted
6月中旬这个时间点，市场需要小心一点。
不是单一利空，而是几个“抽流动性”的因素，刚好撞在一起了。
第一，世界杯临近。
很多人低估世界杯对全球风险偏好的影响。金融和足球，本质上都有博弈、赔率、情绪和胜负欲。四年一次的大赛，会把一部分注意力、资金和情绪，从资本市场抽到绿茵场。
这对内盘影响可能有限，但对外围市场，尤其是偏投机、偏情绪的资金，确实会形成分流。
对很多赌性强的人来说，世界杯不是比赛，是四年一次的“一念天堂，一念地狱”。
第二，SpaceX 这个巨无霸如果在6月12日落地，对市场流动性也是一次巨大考验。
直接抽走的打新资金，可能就是数百亿美金级别；如果算上间接影响、资金腾挪、风险偏好再平衡，体感可能更大。
更关键的是，现在美股本身也不是没有问题。
AI 过去靠 token 消耗、算力叙事、订阅增长、企业试用，把预期打得太满。但现实是，很多公司已经开始控制 AI 使用成本了。
以前是“token marketing 最大化”，能用多少用多少；现在发现烧不起了，很多企业开始重新计算 ROI。
一旦 token 消耗被压缩，某些 AI 公司的业绩弹性就会被重新定价。
AI 当然还是大趋势，但短期估值已经把太多未来提前透支了。
第三，美联储和流动性的问题。
市场最怕的不是加息，而是缩表。
加息像是慢慢把鱼缸里的水放掉，市场还有时间适应；缩表更像是直接砸缸，流动性会瞬间外泄。
如果后面真的出现更强的缩表预期，哪怕表面上只是几千亿、上万亿美金，叠加金融体系杠杆之后，市场体感可能会放大很多倍。
这也是为什么很多资产最近已经开始提前反应。
美股、黄金、加密，都不是孤立定价，本质上都吃流动性。
而美国最擅长的一招，就是人工制造金融压力，再通过爆破、收尸、重组，重新分配筹码。
能吃外面的尸体，就吃外面的；吃不到外面的，最后也可能吃自己人的。
2008年就是一个典型样本。
第四，亚洲市场也有类似问题。
现在但凡有一点热度的东西，基本都已经飞龙在天。AI、存储、光模块、算力、半导体，能讲的故事几乎都讲了一遍。
但问题是，故事再好，也要落地到业绩。
最近很多公司已经开始提前“排雷”：
有的说自己只是沾边概念，实际业务占比很小；
有的说产品还没真正出货；
有的说订单不确定；
有的开始主动降温。
这说明市场已经进入一个阶段：
不是没有故事，而是故事需要兑现。
一旦从“二季度爆表”变成“二季度爆破”，很多高位品种就会面临估值回归。
更深层的问题是，金融市场太赚钱，会反过来抽实体的血。
当所有人都在盯着9:30到11:30、13:00到15:00，实体自然没人愿意踏踏实实做。
老板赚了钱，不一定扩大生产，可能继续投金融资产。
普通人赚不到钱，不敢消费，也不敢买房。
中产背着房贷、车贷、消费贷、学贷，越来越谨慎。
年轻人被 AI 挤压岗位，就业压力越来越大。
消费为什么起不来？
不是大家不想消费，而是收入预期变差了。
不是房价便宜了就会买，而是很多人觉得首付再滚一滚，可能就变全款；也可能再跌一跌，首付就变厕所。
人心浮躁以后，钱就不愿意落地。
这就是现在最大的问题：
富人已经缺少新的消费场景，普通人又缺少稳定就业。
资金在金融资产里空转，实体却越来越难。
AI 如果只是让光模块、算力、芯片再涨一倍，并不能解决这个矛盾。
反而可能让更多资金继续挤进金融市场，进一步抽干实体流动性。
真正的解法，还是要等物理 AI、机器人、自动化真正落地。
一旦机器人进入现实世界，维修、维护、售后、供应链、应用场景，才会重新创造大量岗位和新消费。
软件 AI 解决的是效率问题，物理 AI 才可能重新打开实体经济的后市场。
所以，6月中旬这个位置，要格外谨慎。
世界杯抽注意力和赌性资金；
SpaceX 巨无霸抽流动性；
美联储缩表预期压风险资产；
AI 业绩开始面临兑现压力；
亚洲高位题材进入排雷期；
实体消费和就业又没有明显修复。
这些因素单独看都不一定致命，但集中在一起，就会让市场气氛变得很微妙。
现在不是没有机会，而是赔率变差了。
市场最危险的时候，往往不是没有故事的时候，而是故事太满、预期太满、资金太满、所有人都觉得自己不会接最后一棒的时候。
这个阶段，不一定要悲观，但一定要降低贪婪。
有时候，最好的操作不是冲进去，而是先让市场自己把水位试出来。
