量化交易中的市场状态自适应策略
本文介绍了量化交易中如何利用AI构建市场状态自适应策略。通过隐马尔可夫模型（HMM）和马尔可夫转换GARCH（MS-GARCH）检测市场状态变化，动态调整交易策略，以应对不同市场环境。文章详细阐述了四阶段框架，并探讨了多尺度架构的应用。
相关文档
一个人用 AI 做 Polymarket 量化的完整踩坑记录
作者 Leo 记录了作为独立开发者利用 AI 在 Polymarket 进行量化交易的真实经历。文章通过 15 个策略（H 系列）的实战复盘，详细展示了 85% 的策略失败率，并深入剖析了包括回测偏差、部署事故、数据造假、做市困境及策略停止在内的 5 个具体深坑，总结了量化交易本质是证伪假设而非单纯盈利的元认知。
史上最伟大交易员吉姆·西蒙斯的5个交易经验
文章介绍了文艺复兴科技公司创始人、数学家吉姆·西蒙斯的交易智慧。其旗舰大奖基金自1988年以来年均回报率达66%（费后39%），堪称史上最佳。作者总结出五大交易经验：1）通过历史数据回测量化优势，寻找非随机模式；2）严格遵守交易系统纪律，不随意干预模型；3）交易多元化的流动性标的以获取更多机会；4）无需高胜率也能获得丰厚回报，1:2或1:3的盈亏比配合50%胜率即可盈利；5）盈利交易的普适原则是风险管理、仓位控制和正期望系统的数学基础，关键在于人以纪律执行系统而非被情绪左右。
海龟交易法：只需读懂3个问题
文章介绍了理查德·丹尼斯创立的海龟交易法。丹尼斯曾用6年将1600美元做到3.5亿美元，并通过培训普通人验证了交易方法可复制——学员四年赚取约1.6亿美元，年复合回报率达80%。海龟交易法将交易变成一套明确规则：通过55日或20日高低点突破判断进场信号；根据波动率（N）计算仓位大小与止损距离，控制单笔风险；顺势每前进0.5N加仓一个单位，最多持有四个单位；在价格跌破近期低点时退出，不设固定盈利目标。文章强调，同样的规则能复制流程，但收益不会完全一样，震荡市中可能反复止损，趋势行情中才能盈利。
5个月年化60%、回撤不到5%：VIX多空期权策略实盘复盘
本文复盘了一个VIX波动率多空策略5个月的实盘表现：累计收益24.95%，年化约60%，最大回撤不到5%。策略核心是不赌方向、只跟波动率趋势：VIX低时做空波动率收割恐慌溢价（VRP），VIX飙升时切换做多捕捉恐惧扩张。作者强调回撤小的关键在于不赌均值回归、严格止损和纪律性切换，而非运气。文章还结合当前30年美债收益率破5.3%的市场环境分析了策略的实际运作场景。
三个一直在赚钱的地址，他们的成交是亏的
作者将排行榜上三个30天收益为正的链上地址的成交逐笔重算，扣除吃单手续费后发现三人成交层均为负（−1,634、−627、−976）。其中一人收益来源是4,484美元返佣入账，成交只是获取返佣的成本。文章指出跟单的错误在于抄的是可见的行为，而赚钱的是不可见的结构（账户等级、规模、返佣资格），并给出跟单前三行自查清单：曲线是否扣费、成交层是否为正、收益来源是否可复制。
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。
Graph Engineering for Quants: The Complete Masterclass
本文全面介绍了图神经网络（GNN）在量化金融中的应用，涵盖数学基础、主要架构（GCN、GAT、TGN）及五个实际用例（股票预测、欺诈检测等），并提供了完整的PyTorch Geometric代码。文章强调金融市场本质上是关系系统，传统模型无法捕捉股票间的复杂依赖，而GNN能直接操作关系结构，学习信号在网络中的传播，从而提升预测准确性和风险管理能力。文中引用了多项研究及BlackRock的部署案例，展示了GNN在量化投资中的显著优势。
Auto Quant V2 教程 | 让 Codex/Kimi/DeepSeek 做量化
Auto Quant V2 发布，旨在将通用 Coding Agent 转换为全自动推进量化研究的 Quant Agent。它不绑定特定模型，通过 Harness 架构为 AI 提供长期工作的量化研究环境，支持自我进化，解决了 AI 编写代码但难以持续追踪量化研究的问题。
如何使用图工程构建多因子Alpha模型
本文详细介绍了如何利用图工程构建对冲基金级别的多因子Alpha模型。作者阐述了从Prompt、Loop、Swarm到Graph的技术演进路径，重点介绍了Slate这一运行时工具，它能通过JavaScript编写的程序自动化执行复杂的图结构任务，解决了多智能体系统中的协调与失败处理难题。
量化交易避坑指南：开源项目揭示的8大血泪陷阱
基于对1438个GitHub量化开源项目的深度分析，本文揭示了量化交易中最致命的八大陷阱：包括过拟合、前视偏差、零滑点假设、幸存者偏差等。文章通过真实案例拆解了回测与实盘断层的原因，指出70%的开源项目代码质量不达标，且鲜有项目防范核心风险。文末附带了30项上线前的严审检查清单与黄金法则，强调风控前置、样本外验证及对开源代码的理性批判，警示入门者敬畏风险，避免将“玩具代码”投入真金白银的实战。
AI帮你24小时盯盘：普通人也能用上的机构级风控武器
文章指出美股60%-70%的交易已由AI完成，普通人面临巨大的劣势。作者认为AI风控的核心不在于“预测危机”，而在于利用AI的全天候监控、异常检测、硬编码熔断和压力测试这四层机制，消除人类情绪和疲劳的影响。文章提供了无需写代码即可落地的三个实操建议，强调了在冷静时提前确立规则的重要性。
普通人如何成为量化交易员：路径与核心思维
本文详细拆解了普通人成为量化交易员的路径，指出该行业不看重金融背景，而是看重概率思维和数学能力。作者将学习过程分为概率、统计、线性代数、微积分优化、随机微积分五个关卡，并介绍了行业内的不同角色及面试机制，强调了理解原理和使用工具的重要性。