630 行 Python 教了科研范式转变。agent 编辑 train.py、跑固定 5 分钟、比较 val_bpb、keep / discard。一晚 100 个实验,~12% 命中率。
Series #3. Four agents, three fallbacks, two integration paths. Why entry point + real data + observability is the last mile from PPT to production.
Series #2. Three production scenarios — on-site pricing approval (1-2 days → 30 min), auto-launch reports, GMV anomaly alerts. One semantic model, four consumers.
Series #1. open lakehouse · federation · mirror — 三个层级,三种成本曲线,三种治理哲学。决策点不在技术,在你的数据成熟度。
688825 IPO 解读 + DRAM 周期位置 + 国家集成电路三期 3440 亿注资传导链。beta 是政策, alpha 是工艺良率爬坡。
不是"学 AI" — 是"换战场"。语言学出身 → 数据科学 → GenAI 全栈 → 产品。中间 3 次失败的转型, 2 次成功的, 全记下来。
从 Notion 迁移到 Markdown + Obsidian。LLM 不写, LLM 检索, 你写。AI 不是替你思考, 是放大你的注意力。
13F 是公开但没人读的数据。Burry 加仓英伟达, Dalio 砍中概, Tiger Global 重仓 AI infra。从持仓变动读宏观意图。
10 年长周期的 4 个阶段: 复苏-繁荣-衰退-萧条。当下 2026 是繁荣末段还是衰退初段? 答案藏在资本支出 / 信贷 / 库存的剪刀差。
把巴菲特 + Munger 的 5 大定性原则, 翻译成 7 个可量化因子。低 PE + ROIC + 护城河 + 管理层, 但权重怎么设?
实测 5 个 AutoRAG 框架在金融文档场景。AutoRAG 在通用场景赢, 在垂直领域输。原因: 数据偏置 vs 业务偏置。
A 股情绪指数、量化五大流派、横截面 ML、14 龙头因子模型。真实数据,坦诚的结果,不包装 alpha 也不藏 noise。
把 14 只 A 股半导体龙头拉成横截面,26 alpha + LightGBM walk-forward 18 月。最强因子是量能 z-score + 52w 低点位置 + 3 月动量。板块集中信号比全市场扫描稳定 6 倍。
用 A 股真实数据跑量化五大流派 + 横截面 ML:5 个里 4 个跑输 buy & hold,IC -0.018,但 Q5 +1.13% alpha。坦诚地跑一遍。
仿 CNN 恐惧与贪婪指数的 A 股版。13 个成分 + 滚动分位数标准化。当前 24.4 分极度恐惧,按 2018-2026 回测极恐(<25)后做多 60 日胜率 55.3%,极恐 2 胜率 60%。
v1 5 成分(漏接 macro)→ v2 13 成分全档(接上 macro_china_market_margin + stock_hsgt_hist_em + index_option_50etf_qvix)。科技 +19.9、周期 +19.2、新能源 +18.1。
v1 标记的 4 个数据缺口,80% 是我用错了接口。修正后:13 成分全档、当前情绪从 24.4 跌到 14.7、极恐样本翻倍、胜率更准。成本 0 元。
7+ years in data + AI. Previously at PwC, currently building decision intelligence at Payoneer. Before that: a securities broker, an insurance underwriter, and a real-estate analyst. The threads are pricing, probability, and the long arc of how decisions compound.
这个站是一个实验: 用最少的噪音, 写能站得住脚的东西。每月 1 篇, 偶尔 Quant Research, 不接广告, 不卖课, 不教人做菜。
如果你也在做类似的事, 欢迎写信给我: chase.jwang@outlook.com
GitHub: github.com/chasejwang · 公众号: a few quiet things
a few quiet things