超越直觉：基于多层数据的 NBA 比分预测系统技术指南
本文详细介绍了一个构建 NBA 预测系统的完整技术方案。该系统通过 Python 整合了三大概率层：传统体育博彩数据、区块链预测市场 Polymarket 数据，以及基于 XGBoost 的自定义机器学习模型。文章深入讲解了从数据采集、特征工程（包括四要素、ELO 评级和疲劳因子）、到模型训练与回测的全过程，并展示了如何利用 Claude API 分析市场分歧差异点，旨在通过量化手段捕捉人类直觉无法识别的比赛赢面规律。
相关文档
Building a Football Match Prediction System with Claude AI
本文详细介绍了一个使用 Claude AI 构建的足球比赛预测系统。该系统创新性地融合了三个概率层级：博彩公司赔率、基于区块链的 Polymarket 预测市场数据以及自定义机器学习模型。文章涵盖了从数据收集（football-data.co.uk）、特征工程（ELO 评级、xG 代理、疲劳因子）、Polymarket Gamma API 集成，到使用 Python 库（pandas, scikit-learn, XGBoost）构建和回测模型的完整技术流程。
别人看发布会我跑数据：六组实验五个开源仓库，Jev 的真实边界全在这
作者通过六组实验和五个开源仓库实测 TypeSafe 发布的 Jev 模型的真实能力边界。Jev 是只回答封闭问题、一次前向返回概率分布的模型。核心结论：Jev 适用于信号在语义中的场景（如泰坦尼克 0.83 AUC），对纯统计信号数据（如哈希 CTR 数据）无效；零样本表现相当于 150-500 条标注数据；最佳用法是作为特征融入已有模型而非单独使用，五个项目均获显著提升。作者还总结了问法即超参数、汇总预警取决于时间尺度、情绪分析无用等六条经验，以及评审循环偏差、真值精度等评测教训。
使用Codex建立属于自己的AI股票分析系统
文章介绍如何用ChatGPT Codex结合Python、GitHub Actions、多个AI模型和Email，搭建一套全自动的AI股票分析系统。用户负责定义需求，Codex负责开发，系统每天自动获取行情、计算技术指标、调用多模型分别分析技术面、基本面、新闻与风险，加权生成综合评分和晨报，并通过Email发送。文章详细讲解项目搭建、模块化分层、API Key安全、自选股批量扫描等步骤，并强调该系统定位为投资研究辅助而非自动交易工具，核心价值在于让AI替代重复的信息处理工作。
国外名校量化金融免费公开课完整指南（2026最新版）
本文是一份2026年最新的量化金融免费学习资源指南。作者整理了来自MIT、Columbia、Stanford等顶尖名校的公开课资源，涵盖了数学基础、金融工程、风险管理和机器学习等核心领域。文章详细列出了完全免费的OpenCourseWare课程、免费旁听的MOOC、大数据资源以及WorldQuant University的免费硕士项目，并规划了从基础到进阶的实用学习路径，建议配合Python项目进行实战练习。
PyTorch 训练流程速查表
这是一份关于 PyTorch 训练流程的单页速查表。文章通过代码示例和原理解析，深入浅出地讲解了张量的核心概念、矩阵乘法、自动求导机制、反向传播以及梯度下降优化过程。同时涵盖了 `nn.Module` 常用组件如 Linear、ReLU 和 GELU 的使用，旨在帮助开发者快速理解深度学习引擎的运作原理。
从零到 AI 工程师——没人真正讲清楚的路线图
本文为 AI 初学者提供了一份为期 14 周的实战路线图，旨在通过免费资源将新手培养成具备构建生产级 AI 系统能力的工程师。路线图包含六个阶段：环境搭建、AI 基础、机器学习基础、深度学习、现代 LLM 工程以及 Agent 与部署。文章强调动手实践，推荐了 OpenAI、Anthropic 官方教程及 GitHub 优质开源仓库，帮助学习者避开盲目刷证书的误区，真正掌握 AI 开发技能。
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。
基于 Claude Code 的 Polymarket 高频交易机器人实战指南
本文详细介绍了作者如何利用 Claude Code 辅助开发，构建了一个针对 Polymarket 5 分钟 BTC 市场的自动交易机器人。作者通过分析 Chainlink 预言机延迟与交易所价格分歧，结合订单簿失衡检测（Order Book Imbalance），设计了一套高胜率的信号融合策略。文章涵盖了从数据抓取、逻辑实现、限价单执行到提前止盈的完整代码与交易逻辑，展示了如何通过低成本工具实现月入过万美元的量化交易。
你真的了解 GitHub 吗？—— 金融实战篇
本文旨在指导金融从业者如何高效利用 GitHub 进行实战工作。文章将 GitHub 定义为高效的“取数”网站和“第二大脑”，介绍了高级搜索技巧，并推荐了如 AkShare、TuShare 等金融数据接口库，以及财务自动化分析工具和 CFA 备考资源。通过掌握这些工具，金融人可以提升数据处理效率，优化职业发展路径。
FDE 落地实录：一张资金报表的流程改造
作者分享了在杭州一家制造业企业落地资金报表自动化流程的完整 FDE 案例。该企业资金部 4 人管理 60 多家银行的 200 多个账户，过去每天靠人工下载流水、手工做 Excel 报表赶在上午 10 点前发给老板。改造后，通过网银直连、数据管理平台和 RPA 三条路径拉取流水，Agent 用 Python 处理核对数据并自动生成报表，每天上午 8 点自动发送，并设计了三层兜底机制。团队 9 天完成交付，新流程与人工并行两周后切换，资金组从每日赶表转为每周复盘。文章还总结了挑选第一条自动化流程的三个条件及第一周可执行的 6 件事。
学 AI，上名课：先从这 10 门课开始
作者逐一核对了 10 门免费或部分免费的 AI 学习课程，并按学习阶段分为四站：零基础入门（吴恩达 AI for Everyone、Google 生成式 AI 路径）、提升 AI 使用能力（OpenAI Prompting 指南、Karpathy How I use LLMs）、补编程基础（哈佛 CS50x/CS50P/CS50AI）、动手实践（微软 Generative AI for Beginners、Claude Code in Action、n8n 搭 AI Agent）。每门课均附出品方、时长、费用、证书等详细信息和链接。作者建议不必全学，根据自己的阶段挑选两门深耕即可。
指令微调：理解 Instruction Tuning
本文是后训练系列第二篇，介绍指令微调（SFT）。以斯坦福 Alpaca 用 52,000 条自动生成的数据微调 LLaMA 7B 为例，说明指令微调与预训练使用相同的下一个 token 预测损失，但数据和任务不同。文章详细讲解训练五步骤：收集、格式化、掩码、训练、评测，并通过 LIMA 和 FLAN 研究说明指令微调主要改变模型行为方式而非增加知识，少量数据即可泛化到新任务。还介绍了损失掩码原理、位置错开的实现细节、指令数据的三种来源及其局限：无法补充知识、比较回答优劣或检验正确性。
