AI Berkshire 实测：把巴菲特的方法做成流程
文章评测了 GitHub 项目 AI Berkshire，该项目将巴菲特等投资大师的方法论转化为 AI 可执行的标准化研究流程（SOP）。项目通过多视角 Agent 模拟（巴菲特、芒格等）进行交叉验证，解决投资研究中的随机性问题。文章详细介绍了其分析框架、量化结合策略及如何建立可复制的决策系统，强调流程重于预测。
相关文档
How to Use GPT-6 Astra to Find Profitable Trading Strategies 24/7
本文介绍如何利用 OpenAI 于 2026 年 9 月发布的 GPT-6 Astra 构建 24/7 自动发现盈利交易策略的 AI Agent，将过去量化对冲基金（如文艺复兴科技）需数百万美元搭建的策略发现流水线成本降至每月约 300 美元。文章详解四大市场错误定价来源：统计套利（Ornstein-Uhlenbeck 均值回归）、波动率曲面错配（Heston 模型）、因子分解异常（Fama-French 五因子残差 alpha）与内部人信号检测（集群买入 Cluster Score）。作者为后端开发者 Roan，专注系统设计、高频执行与量化交易系统。
Mojo 内测指南 · 十三句话，从斐波那契到猫娘播报
作者介绍了 AI 产品 Mojo 的内测体验，通过 13 个真实用例展示其能力：用自然语言绘制加密货币技术分析图表、标注交易事件、生成订单流与资金流综合图、计算资金费率相关性、执行链上大额转账监控、生成每日晨报看板，以及跨市场配对交易（如 SK 海力士韩股与美股 ADR 套利）、agent 组合管理、预测市场赔率套利分析等。最后以'每日报价猫娘播报'的趣味用例收尾，展现 Mojo '言出法随'的自然语言投资工具特性。
AI股票研报详细教程：5个开源项目搭出你的投研团队
本文介绍了5个开源AI投资研究项目：Serenity Skill（产业链瓶颈研究）、TradingAgents（多Agent模拟投研团队）、UZI-Skill（22维个股深度分析）、Buffett Skills（巴菲特价值投资体系）和QuantDinger（AI策略生成与回测）。作者详细说明了每个项目的功能、安装方法和使用场景，并提出了一个完整的AI投研流水线：从产业研究、个股筛选、多空辩论到策略验证。文章强调AI研报不应作为买卖信号，最终决策应保留给人，并建议用户分阶段安装使用这些工具。
我把 OKX接入了我的 AI 交易系统
作者将 OKX 的加密货币数据接入自研量化系统，利用其免 Key API 降低了数据获取成本。文章对比了传统股市与币圈数据的差异，并探讨了 OKX 在 AI Agent 钱包和代币化美股方面的布局，认为链上可验证的业绩是未来方向。
如何搭建一套 24/7 全天候寻找交易机会的 AI Agent
本文介绍了如何利用 Slate 工具搭建一套由 6 个 AI Agent 组成的量化研究集群，自动完成从阅读论文、特征工程、回测到因子归因的全流程，实现 24/7 全天候寻找 Alpha 交易机会，彻底改变传统量化研究模式。
用 Codex 撸出 24/7 交易的 Trading Agent
文章介绍了如何利用 OpenAI 的 Codex 代理，结合 Moss 平台的 Skills（Moss Trade Bot Factory 和 hyper-follow），在不写代码、不懂量化的情况下构建 24/7 自动运行的加密货币交易 Agent。文中详细讲解了通过自然语言配置策略、自动进化回测、以及跟随高手跟单的两种实现路径，并强调了风控和实战注意事项。
如果只选10只股票长期持仓：2026年AI资本开支流向分析
文章由Kova撰写，提出了一个基于2026年超大规模企业$300B+资本开支流向的AI投资4层模型（半导体制造、核心芯片、DC物理层、DC建造层）。基于此模型及Picks-and-shovels、Anti-correlation等原则，作者筛选出了包含LRCX、MU、VRT等在内的10只长线底仓股票，并详细阐述了每只标的的Thesis、权重配置及具体的退出与监控策略。
深度：英特尔的大航海，迷人又危险
本文以荷兰东印度公司的大航海为喻，深度解析英特尔在2025-2026年的重生逻辑。文章指出，随着美国政府入股、英伟达及软银注资，以及18A制程良率超预期，英特尔已从破产边缘被重新定位为美国国家战略资产。然而，其代工业务尚未跑通商业闭环，巨额亏损仍在持续。这是一场关于技术、资本与国家意志的豪赌，英特尔能否真正“返航”仍取决于后续执行。
从赌徒到投资者：这8个金融公式，是华尔街不宣于口的底层逻辑
本文介绍了金融投资中不可或缺的8个核心公式，包括凯利公式、复利公式、夏普比率、DCF模型、CAPM模型等。文章通过解析这些公式背后的数学逻辑与历史背景，阐述了如何将抽象的风险转化为可量化的概率管理，旨在帮助投资者建立理性的决策坐标系，实现财富的长期复利增长。
揭秘 Polymarket 百万美元收益机器人的 28 个底层工具
本文深度解析了一个在 Polymarket 上获利超过 100 万美元的自动交易机器人“Coinman2”的技术栈。文章详细介绍了利用 Claude (Anthropic) 等 AI 模型进行交易逻辑推理，并通过六个层级（大脑、编排、数据等）的 28 个工具构建完整系统的过程。核心策略在于捕捉 Polymarket 与 Binance 之间的价格滞后（套利机会），通过高频交易和严格的风控（如凯利公式）获利。
3分钟验证交易直觉：AI正在把散户变成量化基金经理
文章介绍了AI工具Alpha Thesis，它能将专业量化团队一周的工作量压缩至3分钟。用户只需在聊天软件中用自然语言输入交易直觉，AI即可自动进行数据获取、统计分析、因子回归及回测，直接生成可执行的交易策略。该工具旨在帮助主观交易员低成本验证想法，实现个人能力的机构化。
Auto-Quant 使用教程｜让 Agent 自动构建量化策略
Auto-Quant 是一个允许 Agent 自动构建和迭代量化交易策略的最小原型，灵感源自 Karpathy 的 Auto-Research。文章介绍了该项目的背景、测试效果及详细的运行教程，包括环境配置、使用 Claude Code 启动 Agent 的方法，以及如何监控实验进度。该项目证明了 LLM 在受约束的沙盒环境中具备进行高质量自主量化研究的能力。
