IT之家 6 月 3 日消息，DJI 大疆于 6 月 2 日在北京举办大疆光影十二载暨手持影像技术分享会。 据北京时间报道，大疆新闻发言人张晓楠正面回应大疆 Pocket 4 缺货争议， 明确否认饥饿营销 。 张晓楠表示， 有现货会全渠道第一时间放量发货 ，Pocket 3 上市整年持续扩产、月度产能接连翻倍；Pocket 4 新品爆单，工厂加急增产， 缺货只因市场热度远超前期产销预估 。 据IT之家此前报道， 大疆 Osmo Pocket 4 云台相机发布 于今年 4 月 16 日，搭载全新升级的一英寸 CMOS，定价 2999 元起： Osmo Pocket 4 标准套装：售价 2999 元 Osmo Pocket 4 全能套装：售价 3799 元
IT之家 6 月 2 日消息，Arm 首席执行官 Rene Haas 表示，由于 AI 热潮带来的需求超出此前预测，公司可能比预期更早实现自研 AI 芯片年收入 150 亿美元的目标。 在 2026 台北国际电脑展（Computex）期间接受彭博社采访时，Haas 称对这一目标“非常有信心”。Arm 此前设定的目标是到 2029 年底前达成 150 亿美元（IT之家注：现汇率约合 1017.13 亿元人民币）的自研芯片年收入。 Haas 周二表示，该公司可能更早达到这一里程碑，部分原因是整个行业正在竞相建设数据中心和人工智能服务，带来了压倒性的需求。“我希望能够更早实现。需求比我们预期的要强劲，需求一直非常好。” Arm 于今年 3 月宣布了首次销售自研芯片的计划 —— 这对一家以向半导体制造商授权技术而闻名的公司来说是一个重大战略转变。作为这一举措的一部分，这家由软银控股的公司为未来几年设定了积极的目标，其中就包括 150 亿美元的营收预测。公司预计，新芯片业务的收入将超过目前以销售知识产权为主的现有业务。 Meta 将成为 Arm 首款自研芯片 ——AGI CPU 的主要客户。据介绍，这款芯片由台积电代工生产，拥有多达 136 个核心，功耗可达 300W。 Haas 周二重申，Arm 决定制造这一新组件是因为客户提出了需求。CPU 通常被比作计算机的大脑，其设计目的是与英伟达等公司提供的加速器协同工作。该芯片帮助协调计算机之间的任务分配、进行数据预处理，并运行那些为用户提供 AI 查询响应的相关元素。
谷歌 DeepMind 首席执行官德米斯 · 哈萨比斯表示，通用人工智能（AGI）的研发速度远超预期。 他预测，AGI 最快可能在 2029 年至 2030 年前后出现，也就是大约三年内就可能到来。这一重磅判断引发了全球科技圈的高度关注。 作为 AlphaGo、AlphaFold 等里程碑式成果的主导者及诺贝尔化学奖得主，哈萨比斯的观点在业内极具分量。他指出，目前能够独立完成任务的 AI 智能体，本质上都是未来更强人工智能的提前演练。随着各大科技公司加大投入，AI 智能体、多模态理解及自主决策能力正在快速成熟，三年内迎来 AGI 关键突破已不再是科幻设想，而是正在靠近的现实。 哈萨比斯强调，AGI 不同于仅能执行特定任务的专用 AI，它具备像人类一样学习、推理和创造的能力，能够解决各种跨领域的复杂问题，一旦落地将彻底改变工作、生活、科研与产业格局。不过，他也澄清，AGI 不会是一个突然出现的“奇点”时刻，而是一段快速且持续的升级过程。 尽管技术进步迅猛，哈萨比斯发出了警示：目前全球各国政府、经济领域以及整个社会，对 AGI 即将到来的准备严重不足。未来 AI 系统可能具备自我优化与自主迭代的能力，这将大幅加速科研进度，但也带来新的风险与挑战。留给社会适应的时间已经不多，必须提前建立规则与防护机制。 相关阅读： 《 谷歌 DeepMind CEO 哈萨比斯痛批“AI 裁员论”：别有用心，取代开发者是重大错误 》
DeepSWE DeepSWE DeepSWE measures frontier coding agents on original, long-horizon software engineering tasks. 跑分也就图一乐，真要比较还得自己亲自用过 AI 生成内容已用截图发出 DeepSWE 的介绍： 3 个帖子 - 3 位参与者 阅读完整话题
IT之家 5 月 26 日消息， 德国消费者当下并不排斥纯电汽车，但一想到难以预测的残值缩水问题，不少车主还是会犹豫不决。毕竟没有人愿意今天买一辆车，三年后就贬值一半。 汽车买卖平台 Carwow 数据显示，德国纯电汽车租赁市场正迎来爆发式增长，而传统的一锤子买卖购车模式则开始失去吸引力。进入 2026 年， 消费者越来越喜欢灵活的方案 ， 不愿再像过去一样长期只开一辆车 。 过去几个月，德国政府不断调整电动汽车补贴政策，让整个市场经历剧烈波动。与上一季度相比，消费者对纯电汽车的需求增长 184%。其中增长最快的来自纯电车租赁业务， 同期暴涨 238% ；而传统买车订单虽然也增长了 190%，但已经明显落后于租赁模式。 过去几年，德国的纯电车市场经历了大幅降价风潮，二手车残值不断暴跌，越来越多人已经不愿承担潜在风险。同时，纯电汽车的电池、充电技术也在高速迭代。对消费者来说， 选择租车意味着可以把过时 、 贬值风险转移给经销商和租赁公司 。 相比之下，混动车市场则是另外一番光景。虽然整体需求仍然稳定，但租赁模式在这一领域却吸引力不足。与上一季度相比，混动车租赁需求下降了 17%；而传统购车订单却增长了 40%。 IT之家注意到，德国电动车市场正在发生结构性变化，消费者已经不再需要犹豫是否接受电动汽车，而是考虑以什么方式拥有。在过去，买车几乎是唯一选择，而现在， “租车开几年再换新”似乎正成为更合适的答案 。
光刻机巨头ASML首席执行官克里斯托夫·富凯5月20日接受专访时发出重磅预警：全球半导体市场将进入长期供应紧张状态，AI驱动的需求浪潮正在超越行业产能扩张速度。富凯在安特卫普科技活动上指出：“AI需求来得如此强劲，我们将在相当长一段时间内处于供应受限的市场。” 2030年芯片市场剑指1.5万亿美元 富凯预测，到2030年全球芯片市场规模可能达到1.5万亿美元，整个供应链都将面临“零星瓶颈”。支撑这一判断的是科技巨头数百亿美元的资本开支：谷歌、微软、Meta和亚马逊今年合计支出近7000亿美元建设数据中心，迫使台积电、三星、SK海力士等芯片制造商加速扩产。ASML最新财报显示，公司已将2026年营收指引上调至360至400亿欧元，一季度新增订单量远超预期。 马斯克“TeraFab”与Starlink成新需求引擎 富凯特别点名马斯克的宏大计划：“TeraFab这样的超大规模芯片工厂将严重挤压设备商的产能，而且它很可能成为现实。”他透露已与马斯克本人就此讨论。更令他着迷的是Starlink卫星互联网：“我们谈论了很多关于芯片、人形机器人、自动驾驶汽车的话题，但这些产品都必须连接到数据，而Starlink正是那个连接器。” 马斯克的TeraFab计划拟建设为特斯拉、xAI和SpaceX提供芯片的超大型晶圆厂，其设备需求将直接冲击ASML等上游供应商产能。目前ASML正全力提高产量，其下一代High NA EUV设备即将量产首批逻辑芯片，英特尔为首批采用者之一。 ASML启动产能扩张计划 面对不可阻挡的需求，ASML正多管齐下应对：一是提升现有设备生产率，二是在研更先进的Hyper-NA技术，三是开发第二款先进封装设备以满足大尺寸AI芯片制造需求。公司CFO透露，2026年计划出货60台低NA EUV设备，较2025年增长25%，2027年产能将达到80台。 然而，富凯坦言难以准确预测这轮繁荣的幅度和持续时间。“行业规划可能被超出，”他说，同时警示产能扩张的物理极限。 查看评论
IT之家 5 月 15 日消息，据路透社报道，当地时间周五（今天），英国财政部、英格兰银行以及英国金融行为监管局发布联合警告称，英国企业需要提前针对新一代 AI 模型建立风险应对机制，并做好相关防范准备。 三家机构在声明中指出，目前最先进的 AI 模型，在网络攻击领域已经展现出 远超普通专业人员的能力 ，而且攻击速度更快、覆盖范围更大，成本也明显更低。 声明强调，一旦这些能力被恶意利用， 企业运营安全、客户数据、金融市场稳定性以及整个金融体系 ，都可能面临更严重的网络安全威胁。 英格兰银行行长安德鲁 · 贝利上个月也曾点名提到 Anthropic 的 Mythos 产品，并认为这一技术已经带来显著网络安全风险。IT之家从报道中获悉，近期，多位网络安全专家同样对 Mythos 发出警告。相关观点认为，这类 AI 系统可能会显著强化复杂网络攻击能力，并对银行业以及现有金融技术体系形成新的挑战。
过去二十四小时调用137.19K次，我直接被吓懵了 4 个帖子 - 4 位参与者 阅读完整话题
IT之家 5 月 13 日消息，过去几年间，亚洲游戏开发者在 3A 大作领域声名鹊起。凭借《黑神话：悟空》《剑星》等作品，亚洲地区正逐步开始挑战西方在游戏市场的主导地位。《红色沙漠》的发售，更是进一步印证了这一行业趋势。 得益于出色的发售后持续内容更新与运营支持，开发商 Pearl Abyss 的《红色沙漠》全球销量已突破 500 万份，同时收获了专业评测机构与玩家群体的一致好评。这些亮眼成绩也早已受到业界关注，就连索尼也认为，相比欧美游戏开发商，亚洲地区工作室推出高品质作品的效率更高。 索尼第三方开发业务副总裁克里斯蒂安・斯文森在接受游戏行业媒体《The Game Business》最新采访时表示，中韩游戏开发商的响应速度，是索尼前所未见的。 斯文森称，“我亲眼见证中韩游戏团队的推进速度快得惊人。无论是项目体量规模，还是应变响应效率，都是我们在部分西方乃至日本团队身上很难见到的，着实令人惊叹。” 斯文森对中韩工作室的项目规模运营能力大加赞赏，还直言在版本更新、内容迭代的模式上，日本和美国开发商根本无法与之匹敌。这位索尼第三方合作业务副总裁更是直言，中韩游戏工作室是当下游戏行业最具看点的新生力量。 此外，斯文森指出，中韩与西方开发者截然不同的团队协作模式，是研发节奏产生差距的核心原因，这也让中韩能够产出风格独树一帜的游戏内容。 IT之家注意到，索尼也通过中国之星计划向亚洲本土工作室倾注信任，该计划便扶持出了 S-Game 备受期待的作品《影之刃零》。
5 月 12 日，据彭博社报道，微软公司在其早期对 OpenAI 的大规模投资中，设定了 920 亿美元的回报目标。双方这一具有里程碑意义的合作，帮助开启了当前的 AI 时代。 图注：纳德拉 这一目标包含在微软 2023 年初的规划文件中，并于周一在法庭上披露。微软 CEO 萨提亚 · 纳德拉 (Satya Nadella) 在加州奥克兰联邦法院向陪审团作证时表示，这些投资“效果很好，因为我们承担了风险”。该诉讼的陪审团正在审理埃隆 · 马斯克 (Elon Musk) 针对 OpenAI 和微软发起的一起备受关注的案件。 截至 2023 年初，微软已向 OpenAI 投资了大约 130 亿美元。自那以后，OpenAI 的估值飙升，到今年 3 月底已达到 8520 亿美元。截至去年 10 月，微软持有的 OpenAI 股份价值约为 1350 亿美元。 马斯克在 2024 年提起诉讼，指控 OpenAI 联合创始人萨姆 · 奥尔特曼 (Sam Altman) 和格雷格 · 布罗克曼 (Greg Brockman) 背弃了公司作为造福人类的非营利组织的创始使命，转而采取以营利为目的的商业运营模式。马斯克声称，微软助长了这一行为。 OpenAI、奥尔特曼、布罗克曼以及微软均否认存在不当行为，称马斯克的指控是毫无根据的骚扰，目的是为了宣传他在 2023 年创立的 AI 创业公司 xAI。 不过，微软与 OpenAI 曾就双方合作条款发生争执，而且随着时间推移，两家公司也逐渐形成更直接的竞争关系。作为 OpenAI 去年重组的一部分，微软获得了这家创业公司 27% 的所有权股份。
IT之家 5 月 11 日消息，博主 @数码闲聊站 今日发文透露，称华为在测全新的电池材料 + 全新的电芯体系。容量会达行业最高水平， 而落地容量可能远超 10000mAh （微博原文使用 3 个“+”号进行强调）。 有网友询问，新手机的电池容量逐渐加大，充电功率是否会有所提升。博主回复称：“可是调研是都想要更大容量， 快充还是最高 100/120W 。” 据IT之家此前报道， 此前有消息称华为中端线还有一个 7 英寸级别巨屏新机 ，配备 1.5K LTPS 高刷屏、搭载麒麟 8 系处理器，电池更大（结合爆料背景来看，电池容量或超过畅享 90 Pro Max）。 目前，畅享 90 Pro Max 手机独占了华为史上最大容量电池 —— 8500mAh 巨鲸电池。而该机也在不断补上一些旗舰特性，例如业内首发“智能路况提醒”功能，并更新支持了 HiCar 车机互联、熄屏显示、智感握姿等功能。 ▲ IT之家开箱： 华为畅享 90 Pro Max 实拍图赏
TechCrunch – 4 May 26 Image AI models now drive app growth, beating chatbot upgrades | TechCrunch Appfigures finds visual model launches generate 6.5x more downloads — but most don’t convert that spike into revenue. Est. reading time: 3 minutes 1 个帖子 - 1 位参与者 阅读完整话题
IT之家 5 月 1 日消息，在接受《金融时报》采访时，苹果首席财务官凯文 · 帕雷克（Kevan Parekh）表示， iPhone 17 系列是苹果公司迄今为止最受欢迎的 iPhone 产品线 ，助推全球 iPhone 市场份额在 2026 年第 2 季度攀上新高峰。 苹果首席执行官蒂姆 · 库克（Tim Cook）表示，iPhone 全球市场的需求远超预期。 库克表示：“目前供应链的灵活性稍有不足，难以获得更多零部件。” IT之家援引博文介绍，制约苹果 iPhone 出货量的关键因素之一，就是 A19 和 A19 Pro 芯片，这两款芯片均来自台积电，而台积电目前正积极推进 AI 芯片战略，相关产能向 AI 芯片倾斜。 帕雷克表示另一个供应限制来自内存，表示在 2026 年第 1 季度到第 2 季度期间，内存在物料成本清单中的比重越来越大。
问下佬们 cnvd4.27归的档 事件型高危 有原创证书嘛 资产远超5000w了(应该是属于通用但是交的事件) 1 个帖子 - 1 位参与者 阅读完整话题
IT之家 4 月 27 日消息，据明镜 pro 报道，2026 北京车展期间，零跑汽车创始人、董事长、CEO 朱江明透露， 零跑 A10 和 D19 的订单表现都远远超出预期 。 朱江明表示，“根据 4 月份的进展情况， 我们还是有信心达成百万辆的销量目标 。” 零跑汽车高级副总裁曹力透露，从 4 月 25 日开始，零跑 A10 将开始双班生产，单日产能将提升至 1000 多台。“（A10）5 月份我们会超过 2 万 6、7 的样子，在 6 月份我们希望完成 3 万以上，甚至再往 3 万 5、6 冲，接下来交付速度会更快。包括 D19 也是一样的，我们在加速产能爬坡的过程。” 据IT之家此前报道，售价 6.58 万元起的零跑 A10 上市 48 小时大定破万， 首月（上市 28 天）大定突破 4 万台 ，创品牌订单增速纪录。 ▲ 零跑 A10 零跑汽车旗下 D 系列首款车型 —— 零跑 D19 则在 4 月 16 日正式上市并开启交付 ，官方指导价格区间为 21.98-26.98 万元。 ▲ 零跑 D19 针对海外市场，朱江明透露：“德国目前是零跑（海外）销量最好的国家，其次是英国，然后才是意大利、法国、西班牙等，欧洲远远超越别的区域，基本上一枝独秀。” 关于全球目标，朱江明给出阶段规划：第一步做到四六，即中国 60%、海外 40%；接下来是五五；最理想是倒四六，即国内做 40%，海外做 60%。朱江明认为，只要在倒四六这个阶段， 零跑才是真正做到了全球化 。 相关阅读： 《 朱江明发布零跑汽车十周年内部信：今年有望实现年度盈利，明年挑战年销百万辆目标 》
IT之家 4 月 22 日消息，据 Space.com 报道，当地时间周 4 月 21 日，在美国国家航空航天局（NASA）戈达德太空飞行中心，科学家们自豪地围站在一台金属装置旁 —— 其配有高耸的橙色太阳能板与闪亮的银色底座。在一间无菌白色洁净室中，南希・格雷斯・罗曼太空望远镜终于完整亮相。 罗曼项目资深科学家朱莉・麦克亨利在新闻发布会上表示：“我由衷期待，甚至可以说确信，罗曼望远镜将带来的最激动人心的科学发现，会是那些我们未曾预料、无法预判的成果，而这些发现也将为未来太空任务提出全新的深层探索课题。” 据IT之家了解，这台太空望远镜以 NASA 首任天文学主管、也是该机构首位女性高管命名，将成为人类探索宇宙真实本质的又一重要利器。其将跻身于人类部署在太空的一众强大“机器之眼”行列，与詹姆斯・韦布太空望远镜（JWST）、宇宙历史偏振分光辐射计（SPHEREx）、欧几里得空间望远镜，乃至虽服役多年却依旧表现卓越的哈勃望远镜齐名。不过，与每一座里程碑式观测台一样，这台新设备也有其专属专长，本文稍后会介绍部分相关技术参数。 最重要的是，南希・格雷斯・罗曼太空望远镜（简称“罗曼望远镜”）目前计划于 2026 年 9 月发射，较原计划提前 8 个月，且预算未超支。其有望为我们揭开宇宙中尚未触及的全新领域。 据 NASA 介绍，罗曼望远镜的主镜直径约 7.9 英尺（2.4 米），与哈勃望远镜相当。 但罗曼望远镜拍摄的天区范围，至少是哈勃的 100 倍。 NASA 局长贾里德・艾萨克曼在发布会上称：“它的巡天能力比哈勃快 1000 倍以上，单次成像可覆盖的天区面积是哈勃的 200 倍。 哈勃需要 2000 年才能完成的观测任务，罗曼望远镜一年就能完成 。它拍摄的图像幅面极大，目前世界上没有任何一块屏幕能完整展示。” 对比来看，哈勃望远镜服役约 35 年来，累计收集了约 400TB 的数据；而罗曼望远镜在太空正式投入运行后，每年就能产生 500TB 的数据。 至于这些数据蕴藏的价值，可谓潜力无限。这向来是一台优秀望远镜的核心价值 —— 正如科学家们常说的，我们始终期盼能解答那些从未设想过的问题。 宇宙全景观测 罗曼望远镜专门针对可见光与近红外波段进行了校准调校。不同望远镜依托不同波长观测宇宙，例如韦布望远镜专攻红外波段观测，哈勃虽可观测部分红外光，但主要聚焦可见光与紫外光。 这种观测波段的多元化至关重要，因为一片天区就像拥有多层结构。举例而言，许多极为遥远的天体仅能在红外波段被观测到 —— 红外光波长极长，人眼无法感知，因此需要红外望远镜解析这一层信息。而同一片天区中也存在可见光天体，需要借助如同“超强人类肉眼”的望远镜进行更细致的研究，诸如此类。 罗曼望远镜的诸多特性使其脱颖而出，前文提到的超快数据处理速度便是其一。 与韦布望远镜相比，罗曼望远镜搭载的广域仪器（WFI）拍摄的图像幅面宽 50 倍，但观测深度更浅。因为罗曼望远镜无需像韦布望远镜那样探索宇宙极深处，且它无法实现韦布级别的红外观测，过度追溯遥远宇宙反而会浪费其性能。 具体来说，广域仪器包含一台 3 亿像素的可见光至近红外成像相机，以及一台无缝光谱仪（可帮助科学家获取视场内天体的光色散数据）。而这种广度优先的全景观测视角，恰恰是它的独特优势。 这意味着科学家无需精挑细选观测天区，只需开展巡天扫描，便可锁定有趣目标进行聚焦观测。 罗曼望远镜因此能够捕捉快速发生的宇宙事件 ，比如快速射电暴，同时大幅提升科学家实时观测超新星爆发、中子星碰撞等易转瞬即逝现象的概率。 南希・罗曼望远镜项目科学家多米尼克・本福德表示：“我们将观测到数千颗超新星，其中部分的距离将远超人类此前观测到的所有超新星。我们将通过这些爆发的恒星，追溯宇宙的演化历史。” 此外，人们还期待罗曼望远镜能帮助解开宇宙最大谜团之一 —— 黑暗宇宙的奥秘。 幽暗而隐秘的宇宙 尽管历经多年探索，科学家仍未明确暗物质与暗能量的本质。目前可以确定的是，宇宙中的普通物质不足以阻止星系分崩离析，如同未固定牢固的旋转木马会散落；同时，宇宙的膨胀速度也在异常加快。前者被归因于暗物质填补了普通物质的作用空缺，后者则由暗能量驱动膨胀。 这两种物质合计占宇宙总量的 95%，却从未被确凿探测到。不得不说，这实在匪夷所思。 当然，基于现有研究基础，无法确定罗曼望远镜能否直接揭开黑暗宇宙的真面目，但如果一切按计划进行，其无疑将让我们离真相更近一步。 凭借超大视场，罗曼望远镜能够快速对大量星系成像，构建详尽的三维宇宙图景，进而呈现不同星系的动力学特征，追踪宇宙膨胀过程，这正是人类研究暗物质与暗能量的两大核心途径。 麦克亨利表示：“我们还将研究宇宙随时间的膨胀规律，这些都是解开暗物质、暗能量本质以及宇宙时空结构的关键。” 更不必说罗曼望远镜搭载的另一套专用仪器的科研价值。例如它配备的日冕仪，可遮挡遥远恒星的强光，帮助望远镜直接拍摄系外行星。NASA 称，这台望远镜的日冕仪能探测到亮度仅为其宿主恒星一亿分之一的行星，该能力是现有太空日冕仪的 100 至 1000 倍。 相关介绍文件指出：“罗曼日冕仪能够直接拍摄与木星大小、温度及距主星距离相近的行星所反射的恒星光。” 发射征程 如今罗曼望远镜已建造完成，下一阶段任务即将启动：它将被运往位于佛罗里达州的 NASA 肯尼迪航天中心发射场，并开展各项发射相关测试。 罗曼望远镜此前已完成大量发射前试验，包括经受超强噪音冲击、剧烈振动、极端高低温环境等一系列严苛考验。过程十分苛刻，目的却是确保它能承受发射过程的严苛考验，以及太空这一已知最极端的环境。 罗曼望远镜集成与测试科学家杰里米・S・珀金斯介绍：“剩余工作大多是最终检测与收尾，包括各类防护层封装、确认所有传感器安装到位，并拆除测试用传感器。” 发射方面，所有测试完成后，NASA 将选用 SpaceX 猎鹰重型火箭将这一科研重器送入太空。截至目前，猎鹰重型火箭已完成 11 次发射，这台高 230 英尺（70 米）的运载火箭成功率达 100%。 入轨并与火箭分离后，罗曼望远镜将前往距地球约 100 万英里的稳定引力点 —— 拉格朗日 L2 点。这里是太空探测器的热门选址，既能让探测器避开太阳直射热量，又能以合适轨道保障地面测控中心的顺畅通信。 期待韦布望远镜、欧几里得望远镜等 L2 点的“同伴”，能张开“太阳能板双臂”欢迎罗曼望远镜的到来。
这是一个悲伤的实盘复盘，也是一篇价值可能远超本金的“避坑指南”。 交学费了 背景：2005 年就开了股票账户，但一直没有买卖过股票，觉得看不懂。直到 2025 年初，才开始学习研究量化，并用 2.5 万起步人工或量化实盘。 比较典型新手行为：2025 年 6 月 24 日 2.5 万开始，跑了 1 周效果不错，7 月 1 日加仓到 5 万，又看这不错，8 月 12 日加仓到 10 万，经过 9 月，10 月，11 月收益震荡下行，hold 不住了，12 月中旬逐步减到 3 万，被市场上了一课，交了充足的学费。 截止今天亏损 19538 元，亏损比例-20.75%，实际量化亏损没这么多，量化亏损 11359 元，亏损比例-10.17%，其他 8000 多元是人工操作亏的（新手常见行为：看不得资金空仓，有资金就想操作，量化空仓就人工操作）。 我分别记录了我每个实盘量化策略的交割单，一看就知道各个量化策略的亏损情况。 前后总共实盘过 5 个策略，现在还在实盘的策略 2 个，另外 3 个停掉了，5 个策略都是小市值策略。 因为作为一个菜鸟，深知股市水深，所以入场前我给自己定了个死规矩： 只拿“全亏完也不会影响明天中午吃猪脚饭”的钱来试水。 这一年，从刚跑通第一个策略时坚信能“打造印钞机”，到后来被市场反复毒打、在深夜里改 Bug ，我经历了一个典型“量化韭菜”的完整心路历程。今天，我们就来算算这笔账。 1. 初入量化的“上帝视角”（过度自信期） 每个刚碰量化的人，都会经历一段短暂的“蜜月期”。 那时候，只要在回测平台上稍微调整几个参数（比如把均线周期改一改，加个 MACD 过滤），就能跑出一条令人血脉贲张的“完美 45 度角”向上收益曲线。 看到的让人心动的策略收益示例 带着“原来搞钱这么容易”的错觉，我把这 2 万块真金白银接入了实盘。 第一天上线的时候，那种看着程序自动读取行情、自动下单、自动撤单的爽感，让我有一种稳拿诺贝尔经济学奖的错觉。 然后，现实的毒打立刻就来了。 我遇到的第一个大坑，不是策略失效，而是代码 Bug 。 比如，策略条件触发了，但因为没有处理好“涨跌停板买不进/卖不出”的逻辑，程序疯狂向交易所发废单报报错；或者因为网络抖动了一下，持仓状态没对齐，该卖的没卖，导致直接吃了隔夜的一个大跌。 那一刻我才明白： “写一个能在历史数据里赚钱的策略”和“写一套能在现实世界里活下来的交易系统”，完全是两码事。 2. 市场的毒打与信仰崩塌（绝望之谷） 度过了最初的工程摩擦期，真正考验心脏的是极端的市场行情。 回测里的数字是冰冷的，回撤 20%在你眼里可能只是 Excel 里的一个“-0.2”。 但在实盘里，看着账户每天缩水，你的心理防线是会崩溃的。 今年遇到了好几波风格剧变（比如微盘股的流动性危机）。我眼睁睁看着往日表现优异的策略连续吃面。 实盘大回撤瞬间* 在这种压力下，我犯了量化交易的大忌—— 人工干预机器。 看着连续下跌，我实在忍不住了，心想“这肯定不对劲”，于是强行手动平仓，甚至直接停掉了策略。结果往往是：我刚一平仓，第二天就大涨反弹；等我懊悔地再把程序开起来，它又接到了山顶上。 机器的逻辑被我的人性彻底破坏，两头挨耳光。 到了现在算总账，这 2 万块钱最终……（亏损 19538 元，亏损比例-20.75%）。讲真，我还不如把它放在余额宝里赚顿排骨汤。 3. 亏钱买来的 4 个“血泪教训” 虽然亏了钱，但这 2 万块的学费交得值。我总结了 4 个极其昂贵的教训： 教训一：千万警惕“过拟合”与未来函数 你以为你发现的圣杯，往往只是你的模型恰好“背诵”了过去的历史答案。市场是动态博弈的，过去有效不代表未来有效。如果在回测里加了太多条件去过滤亏损交易，实盘必然扑街。 ? 避坑参考资料 ：如果你不确定自己的策略是否陷入了“过拟合”的陷阱，建议跑实盘前先看看这篇聚宽社区大佬的干货： 策略过拟合诊断工具 ，里面提供了一套非常系统性的实战自我诊断方法。 教训二：磨损是看不见的“利润刺客” 很多新手回测时根本不设滑点，或者把手续费设得极低。在小资金加上稍高频的交易下，买卖一次的印花税、佣金，加上实盘买高一分、卖低一分的滑点，能把你预期的微薄利润吃得干干净净。 你以为你在赚钱，其实你在给券商打工。 我实际量化实盘用的是一个免 5 低佣账号，手续费已经是很低很低了，不然亏损会更多。 教训三：稳定大于一切，工程能力决定下限 策略再好，API 挂了、断网了、订单没成交导致状态死锁了，全都没用。做好异常处理、断线重连、实盘与本地账户的数据对账，这些枯燥的“基础设施”建设，花的时间比写策略本身还要多。 教训四：量化交易，其实更考验“人性” 最大的敌人不是市场，而是那个看着账户回撤想要“拔网线”的自己。真正成熟的量化交易，是要在这个系统跑之前就想清楚所有极端情况，然后闭上眼睛，让机器执行。 4. 总结与下一步：我还做量化吗？ 做，当然继续做。 虽然第一年交了学费，但量化帮我戒掉了作为一个散户的“赌徒心理”。我不再凭感觉冲动买卖，不再去听信各种大 V 的小道消息，之前加的几个大 V 的股票群也退了。它强迫我建立起了一套 客观、去情绪化、可验证 的市场分析框架。 接下来的计划，我会回归常识，降低对收益的虚幻预期，把精力更多地放在交易系统的底层建设上。之前觉得策略回测年化没个几十个点，都不好意思发出来，也不会考虑去实盘，现在觉得能稳定跑赢指数，控制回撤，就是不错的策略了。 更关注策略的实盘表现，而不是回测表现。也希望从技术的角度，在策略实盘前也能尽可能的通过工具评估策略可能的风险（比如上上面提到的社区的过拟合诊断工具），而不是盲目上实盘。也认识到不同策略有不同的适用市场，需要根据市场情况选择合适的策略。 最近在研究的策略 个人的力量和认知是有限的，向大家学习，精进自己，也希望和大家一起交流，共同进步，任重道远。 最后，给所有想用 Python 写个代码或量化平台复制一个策略就去股市里捡钱的新手一句忠告： 永远敬畏市场！请务必只拿“亏光了也不影响生活”的钱来交学费。
这是一个悲伤的实盘复盘，也是一篇价值可能远超本金的“避坑指南”。 交学费了 背景：2005 年就开了股票账户，但一直没有买卖过股票，觉得看不懂。直到 2025 年初，才开始学习研究量化，并用 2.5 万起步人工或量化实盘。 比较典型新手行为：2025 年 6 月 24 日 2.5 万开始，跑了 1 周效果不错，7 月 1 日加仓到 5 万，又看这不错，8 月 12 日加仓到 10 万，经过 9 月，10 月，11 月收益震荡下行，hold 不住了，12 月中旬逐步减到 3 万，被市场上了一课，交了充足的学费。 截止今天亏损 19538 元，亏损比例-20.75%，实际量化亏损没这么多，量化亏损 11359 元，亏损比例-10.17%，其他 8000 多元是人工操作亏的（新手常见行为：看不得资金空仓，有资金就想操作，量化空仓就人工操作）。 我分别记录了我每个实盘量化策略的交割单，一看就知道各个量化策略的亏损情况。 前后总共实盘过 5 个策略，现在还在实盘的策略 2 个，另外 3 个停掉了，5 个策略都是小市值策略。 因为作为一个菜鸟，深知股市水深，所以入场前我给自己定了个死规矩： 只拿“全亏完也不会影响明天中午吃猪脚饭”的钱来试水。 这一年，从刚跑通第一个策略时坚信能“打造印钞机”，到后来被市场反复毒打、在深夜里改 Bug ，我经历了一个典型“量化韭菜”的完整心路历程。今天，我们就来算算这笔账。 1. 初入量化的“上帝视角”（过度自信期） 每个刚碰量化的人，都会经历一段短暂的“蜜月期”。 那时候，只要在回测平台上稍微调整几个参数（比如把均线周期改一改，加个 MACD 过滤），就能跑出一条令人血脉贲张的“完美 45 度角”向上收益曲线。 看到的让人心动的策略收益示例 带着“原来搞钱这么容易”的错觉，我把这 2 万块真金白银接入了实盘。 第一天上线的时候，那种看着程序自动读取行情、自动下单、自动撤单的爽感，让我有一种稳拿诺贝尔经济学奖的错觉。 然后，现实的毒打立刻就来了。 我遇到的第一个大坑，不是策略失效，而是代码 Bug 。 比如，策略条件触发了，但因为没有处理好“涨跌停板买不进/卖不出”的逻辑，程序疯狂向交易所发废单报报错；或者因为网络抖动了一下，持仓状态没对齐，该卖的没卖，导致直接吃了隔夜的一个大跌。 那一刻我才明白： “写一个能在历史数据里赚钱的策略”和“写一套能在现实世界里活下来的交易系统”，完全是两码事。 2. 市场的毒打与信仰崩塌（绝望之谷） 度过了最初的工程摩擦期，真正考验心脏的是极端的市场行情。 回测里的数字是冰冷的，回撤 20%在你眼里可能只是 Excel 里的一个“-0.2”。 但在实盘里，看着账户每天缩水，你的心理防线是会崩溃的。 今年遇到了好几波风格剧变（比如微盘股的流动性危机）。我眼睁睁看着往日表现优异的策略连续吃面。 实盘大回撤瞬间* 在这种压力下，我犯了量化交易的大忌—— 人工干预机器。 看着连续下跌，我实在忍不住了，心想“这肯定不对劲”，于是强行手动平仓，甚至直接停掉了策略。结果往往是：我刚一平仓，第二天就大涨反弹；等我懊悔地再把程序开起来，它又接到了山顶上。 机器的逻辑被我的人性彻底破坏，两头挨耳光。 到了现在算总账，这 2 万块钱最终……（亏损 19538 元，亏损比例-20.75%）。讲真，我还不如把它放在余额宝里赚顿排骨汤。 3. 亏钱买来的 4 个“血泪教训” 虽然亏了钱，但这 2 万块的学费交得值。我总结了 4 个极其昂贵的教训： 教训一：千万警惕“过拟合”与未来函数 你以为你发现的圣杯，往往只是你的模型恰好“背诵”了过去的历史答案。市场是动态博弈的，过去有效不代表未来有效。如果在回测里加了太多条件去过滤亏损交易，实盘必然扑街。 ? 避坑参考资料 ：如果你不确定自己的策略是否陷入了“过拟合”的陷阱，建议跑实盘前先看看这篇聚宽社区大佬的干货： 策略过拟合诊断工具 ，里面提供了一套非常系统性的实战自我诊断方法。 教训二：磨损是看不见的“利润刺客” 很多新手回测时根本不设滑点，或者把手续费设得极低。在小资金加上稍高频的交易下，买卖一次的印花税、佣金，加上实盘买高一分、卖低一分的滑点，能把你预期的微薄利润吃得干干净净。 你以为你在赚钱，其实你在给券商打工。 我实际量化实盘用的是一个免 5 低佣账号，手续费已经是很低很低了，不然亏损会更多。 教训三：稳定大于一切，工程能力决定下限 策略再好，API 挂了、断网了、订单没成交导致状态死锁了，全都没用。做好异常处理、断线重连、实盘与本地账户的数据对账，这些枯燥的“基础设施”建设，花的时间比写策略本身还要多。 教训四：量化交易，其实更考验“人性” 最大的敌人不是市场，而是那个看着账户回撤想要“拔网线”的自己。真正成熟的量化交易，是要在这个系统跑之前就想清楚所有极端情况，然后闭上眼睛，让机器执行。 4. 总结与下一步：我还做量化吗？ 做，当然继续做。 虽然第一年交了学费，但量化帮我戒掉了作为一个散户的“赌徒心理”。我不再凭感觉冲动买卖，不再去听信各种大 V 的小道消息，之前加的几个大 V 的股票群也退了。它强迫我建立起了一套 客观、去情绪化、可验证 的市场分析框架。 接下来的计划，我会回归常识，降低对收益的虚幻预期，把精力更多地放在交易系统的底层建设上。之前觉得策略回测年化没个几十个点，都不好意思发出来，也不会考虑去实盘，现在觉得能稳定跑赢指数，控制回撤，就是不错的策略了。 更关注策略的实盘表现，而不是回测表现。也希望从技术的角度，在策略实盘前也能尽可能的通过工具评估策略可能的风险（比如上上面提到的社区的过拟合诊断工具），而不是盲目上实盘。也认识到不同策略有不同的适用市场，需要根据市场情况选择合适的策略。 最近在研究的策略 个人的力量和认知是有限的，向大家学习，精进自己，也希望和大家一起交流，共同进步，任重道远。 最后，给所有想用 Python 写个代码或量化平台复制一个策略就去股市里捡钱的新手一句忠告： 永远敬畏市场！请务必只拿“亏光了也不影响生活”的钱来交学费。
这是一个悲伤的实盘复盘，也是一篇价值可能远超本金的“避坑指南”。 交学费了 背景：2005 年就开了股票账户，但一直没有买卖过股票，觉得看不懂。直到 2025 年初，才开始学习研究量化，并用 2.5 万起步人工或量化实盘。 比较典型新手行为：2025 年 6 月 24 日 2.5 万开始，跑了 1 周效果不错，7 月 1 日加仓到 5 万，又看这不错，8 月 12 日加仓到 10 万，经过 9 月，10 月，11 月收益震荡下行，hold 不住了，12 月中旬逐步减到 3 万，被市场上了一课，交了充足的学费。 截止今天亏损 19538 元，亏损比例-20.75%，实际量化亏损没这么多，量化亏损 11359 元，亏损比例-10.17%，其他 8000 多元是人工操作亏的（新手常见行为：看不得资金空仓，有资金就想操作，量化空仓就人工操作）。 我分别记录了我每个实盘量化策略的交割单，一看就知道各个量化策略的亏损情况。 前后总共实盘过 5 个策略，现在还在实盘的策略 2 个，另外 3 个停掉了，5 个策略都是小市值策略。 因为作为一个菜鸟，深知股市水深，所以入场前我给自己定了个死规矩： 只拿“全亏完也不会影响明天中午吃猪脚饭”的钱来试水。 这一年，从刚跑通第一个策略时坚信能“打造印钞机”，到后来被市场反复毒打、在深夜里改 Bug ，我经历了一个典型“量化韭菜”的完整心路历程。今天，我们就来算算这笔账。 1. 初入量化的“上帝视角”（过度自信期） 每个刚碰量化的人，都会经历一段短暂的“蜜月期”。 那时候，只要在回测平台上稍微调整几个参数（比如把均线周期改一改，加个 MACD 过滤），就能跑出一条令人血脉贲张的“完美 45 度角”向上收益曲线。 看到的让人心动的策略收益示例 带着“原来搞钱这么容易”的错觉，我把这 2 万块真金白银接入了实盘。 第一天上线的时候，那种看着程序自动读取行情、自动下单、自动撤单的爽感，让我有一种稳拿诺贝尔经济学奖的错觉。 然后，现实的毒打立刻就来了。 我遇到的第一个大坑，不是策略失效，而是代码 Bug 。 比如，策略条件触发了，但因为没有处理好“涨跌停板买不进/卖不出”的逻辑，程序疯狂向交易所发废单报报错；或者因为网络抖动了一下，持仓状态没对齐，该卖的没卖，导致直接吃了隔夜的一个大跌。 那一刻我才明白： “写一个能在历史数据里赚钱的策略”和“写一套能在现实世界里活下来的交易系统”，完全是两码事。 2. 市场的毒打与信仰崩塌（绝望之谷） 度过了最初的工程摩擦期，真正考验心脏的是极端的市场行情。 回测里的数字是冰冷的，回撤 20%在你眼里可能只是 Excel 里的一个“-0.2”。 但在实盘里，看着账户每天缩水，你的心理防线是会崩溃的。 今年遇到了好几波风格剧变（比如微盘股的流动性危机）。我眼睁睁看着往日表现优异的策略连续吃面。 实盘大回撤瞬间* 在这种压力下，我犯了量化交易的大忌—— 人工干预机器。 看着连续下跌，我实在忍不住了，心想“这肯定不对劲”，于是强行手动平仓，甚至直接停掉了策略。结果往往是：我刚一平仓，第二天就大涨反弹；等我懊悔地再把程序开起来，它又接到了山顶上。 机器的逻辑被我的人性彻底破坏，两头挨耳光。 到了现在算总账，这 2 万块钱最终……（亏损 19538 元，亏损比例-20.75%）。讲真，我还不如把它放在余额宝里赚顿排骨汤。 3. 亏钱买来的 4 个“血泪教训” 虽然亏了钱，但这 2 万块的学费交得值。我总结了 4 个极其昂贵的教训： 教训一：千万警惕“过拟合”与未来函数 你以为你发现的圣杯，往往只是你的模型恰好“背诵”了过去的历史答案。市场是动态博弈的，过去有效不代表未来有效。如果在回测里加了太多条件去过滤亏损交易，实盘必然扑街。 ? 避坑参考资料 ：如果你不确定自己的策略是否陷入了“过拟合”的陷阱，建议跑实盘前先看看这篇聚宽社区大佬的干货： 策略过拟合诊断工具 ，里面提供了一套非常系统性的实战自我诊断方法。 教训二：磨损是看不见的“利润刺客” 很多新手回测时根本不设滑点，或者把手续费设得极低。在小资金加上稍高频的交易下，买卖一次的印花税、佣金，加上实盘买高一分、卖低一分的滑点，能把你预期的微薄利润吃得干干净净。 你以为你在赚钱，其实你在给券商打工。 我实际量化实盘用的是一个免 5 低佣账号，手续费已经是很低很低了，不然亏损会更多。 教训三：稳定大于一切，工程能力决定下限 策略再好，API 挂了、断网了、订单没成交导致状态死锁了，全都没用。做好异常处理、断线重连、实盘与本地账户的数据对账，这些枯燥的“基础设施”建设，花的时间比写策略本身还要多。 教训四：量化交易，其实更考验“人性” 最大的敌人不是市场，而是那个看着账户回撤想要“拔网线”的自己。真正成熟的量化交易，是要在这个系统跑之前就想清楚所有极端情况，然后闭上眼睛，让机器执行。 4. 总结与下一步：我还做量化吗？ 做，当然继续做。 虽然第一年交了学费，但量化帮我戒掉了作为一个散户的“赌徒心理”。我不再凭感觉冲动买卖，不再去听信各种大 V 的小道消息，之前加的几个大 V 的股票群也退了。它强迫我建立起了一套 客观、去情绪化、可验证 的市场分析框架。 接下来的计划，我会回归常识，降低对收益的虚幻预期，把精力更多地放在交易系统的底层建设上。之前觉得策略回测年化没个几十个点，都不好意思发出来，也不会考虑去实盘，现在觉得能稳定跑赢指数，控制回撤，就是不错的策略了。 更关注策略的实盘表现，而不是回测表现。也希望从技术的角度，在策略实盘前也能尽可能的通过工具评估策略可能的风险（比如上上面提到的社区的过拟合诊断工具），而不是盲目上实盘。也认识到不同策略有不同的适用市场，需要根据市场情况选择合适的策略。 最近在研究的策略 个人的力量和认知是有限的，向大家学习，精进自己，也希望和大家一起交流，共同进步，任重道远。 最后，给所有想用 Python 写个代码或量化平台复制一个策略就去股市里捡钱的新手一句忠告： 永远敬畏市场！请务必只拿“亏光了也不影响生活”的钱来交学费。
这是一个悲伤的实盘复盘，也是一篇价值可能远超本金的“避坑指南”。 交学费了 背景：2005 年就开了股票账户，但一直没有买卖过股票，觉得看不懂。直到 2025 年初，才开始学习研究量化，并用 2.5 万起步人工或量化实盘。 比较典型新手行为：2025 年 6 月 24 日 2.5 万开始，跑了 1 周效果不错，7 月 1 日加仓到 5 万，又看这不错，8 月 12 日加仓到 10 万，经过 9 月，10 月，11 月收益震荡下行，hold 不住了，12 月中旬逐步减到 3 万，被市场上了一课，交了充足的学费。 截止今天亏损 19538 元，亏损比例-20.75%，实际量化亏损没这么多，量化亏损 11359 元，亏损比例-10.17%，其他 8000 多元是人工操作亏的（新手常见行为：看不得资金空仓，有资金就想操作，量化空仓就人工操作）。 我分别记录了我每个实盘量化策略的交割单，一看就知道各个量化策略的亏损情况。 前后总共实盘过 5 个策略，现在还在实盘的策略 2 个，另外 3 个停掉了，5 个策略都是小市值策略。 因为作为一个菜鸟，深知股市水深，所以入场前我给自己定了个死规矩： 只拿“全亏完也不会影响明天中午吃猪脚饭”的钱来试水。 这一年，从刚跑通第一个策略时坚信能“打造印钞机”，到后来被市场反复毒打、在深夜里改 Bug ，我经历了一个典型“量化韭菜”的完整心路历程。今天，我们就来算算这笔账。 1. 初入量化的“上帝视角”（过度自信期） 每个刚碰量化的人，都会经历一段短暂的“蜜月期”。 那时候，只要在回测平台上稍微调整几个参数（比如把均线周期改一改，加个 MACD 过滤），就能跑出一条令人血脉贲张的“完美 45 度角”向上收益曲线。 看到的让人心动的策略收益示例 带着“原来搞钱这么容易”的错觉，我把这 2 万块真金白银接入了实盘。 第一天上线的时候，那种看着程序自动读取行情、自动下单、自动撤单的爽感，让我有一种稳拿诺贝尔经济学奖的错觉。 然后，现实的毒打立刻就来了。 我遇到的第一个大坑，不是策略失效，而是代码 Bug 。 比如，策略条件触发了，但因为没有处理好“涨跌停板买不进/卖不出”的逻辑，程序疯狂向交易所发废单报报错；或者因为网络抖动了一下，持仓状态没对齐，该卖的没卖，导致直接吃了隔夜的一个大跌。 那一刻我才明白： “写一个能在历史数据里赚钱的策略”和“写一套能在现实世界里活下来的交易系统”，完全是两码事。 2. 市场的毒打与信仰崩塌（绝望之谷） 度过了最初的工程摩擦期，真正考验心脏的是极端的市场行情。 回测里的数字是冰冷的，回撤 20%在你眼里可能只是 Excel 里的一个“-0.2”。 但在实盘里，看着账户每天缩水，你的心理防线是会崩溃的。 今年遇到了好几波风格剧变（比如微盘股的流动性危机）。我眼睁睁看着往日表现优异的策略连续吃面。 实盘大回撤瞬间* 在这种压力下，我犯了量化交易的大忌—— 人工干预机器。 看着连续下跌，我实在忍不住了，心想“这肯定不对劲”，于是强行手动平仓，甚至直接停掉了策略。结果往往是：我刚一平仓，第二天就大涨反弹；等我懊悔地再把程序开起来，它又接到了山顶上。 机器的逻辑被我的人性彻底破坏，两头挨耳光。 到了现在算总账，这 2 万块钱最终……（亏损 19538 元，亏损比例-20.75%）。讲真，我还不如把它放在余额宝里赚顿排骨汤。 3. 亏钱买来的 4 个“血泪教训” 虽然亏了钱，但这 2 万块的学费交得值。我总结了 4 个极其昂贵的教训： 教训一：千万警惕“过拟合”与未来函数 你以为你发现的圣杯，往往只是你的模型恰好“背诵”了过去的历史答案。市场是动态博弈的，过去有效不代表未来有效。如果在回测里加了太多条件去过滤亏损交易，实盘必然扑街。 ? 避坑参考资料 ：如果你不确定自己的策略是否陷入了“过拟合”的陷阱，建议跑实盘前先看看这篇聚宽社区大佬的干货： 策略过拟合诊断工具 ，里面提供了一套非常系统性的实战自我诊断方法。 教训二：磨损是看不见的“利润刺客” 很多新手回测时根本不设滑点，或者把手续费设得极低。在小资金加上稍高频的交易下，买卖一次的印花税、佣金，加上实盘买高一分、卖低一分的滑点，能把你预期的微薄利润吃得干干净净。 你以为你在赚钱，其实你在给券商打工。 我实际量化实盘用的是一个免 5 低佣账号，手续费已经是很低很低了，不然亏损会更多。 教训三：稳定大于一切，工程能力决定下限 策略再好，API 挂了、断网了、订单没成交导致状态死锁了，全都没用。做好异常处理、断线重连、实盘与本地账户的数据对账，这些枯燥的“基础设施”建设，花的时间比写策略本身还要多。 教训四：量化交易，其实更考验“人性” 最大的敌人不是市场，而是那个看着账户回撤想要“拔网线”的自己。真正成熟的量化交易，是要在这个系统跑之前就想清楚所有极端情况，然后闭上眼睛，让机器执行。 4. 总结与下一步：我还做量化吗？ 做，当然继续做。 虽然第一年交了学费，但量化帮我戒掉了作为一个散户的“赌徒心理”。我不再凭感觉冲动买卖，不再去听信各种大 V 的小道消息，之前加的几个大 V 的股票群也退了。它强迫我建立起了一套 客观、去情绪化、可验证 的市场分析框架。 接下来的计划，我会回归常识，降低对收益的虚幻预期，把精力更多地放在交易系统的底层建设上。之前觉得策略回测年化没个几十个点，都不好意思发出来，也不会考虑去实盘，现在觉得能稳定跑赢指数，控制回撤，就是不错的策略了。 更关注策略的实盘表现，而不是回测表现。也希望从技术的角度，在策略实盘前也能尽可能的通过工具评估策略可能的风险（比如上上面提到的社区的过拟合诊断工具），而不是盲目上实盘。也认识到不同策略有不同的适用市场，需要根据市场情况选择合适的策略。 最近在研究的策略 个人的力量和认知是有限的，向大家学习，精进自己，也希望和大家一起交流，共同进步，任重道远。 最后，给所有想用 Python 写个代码或量化平台复制一个策略就去股市里捡钱的新手一句忠告： 永远敬畏市场！请务必只拿“亏光了也不影响生活”的钱来交学费。