原料 面包 3-4 片（看厚度） 鸡蛋 2 个 糖 5 克 炼乳 10 克 牛奶 150ml 黄油少量 细沙糖少量 做法 鸡蛋，糖，炼乳，牛奶混合 加面包丁（最好去面包皮） 刷黄油 烤箱 180 度 25min 撒细沙糖 参考链接：戴安娜王妃最爱的吐司蛋奶布丁，烤完整个房间都是蛋奶香~

羊肉用水泡半小时 冷水下锅，煮沸后撇去血沫 加花椒 白胡椒 香叶 盐 糖 葱 姜 和羊肉中小火同煮一小时（快到时间再放盐）

相看 docker 存储位置 看数据存哪了 1docker info | grep "Docker Root Dir" 不同类型的数据对应不同子目录： 镜像层（image layers）：/var/lib/docker/overlay2/ 构建缓存（build cache）：/var/lib/docker/buildkit/ 容器文件系统：/var/lib/docker/containers/ 网络配置：/var/lib/docker/network/ 卷（volumes）：/var/lib/docker/volumes/ 迁移 docker 数据 1. 停掉 Docker 服务 12sudo systemctl stop dockersudo systemctl stop docker.socket 确认已停： 1systemctl status docker 2. 创建新的目标目录 1sudo mkdir -p /mnt/data/docker （确保 /mnt/data 是挂载到大分区的） 3. 把原目录完整复制过去 推荐用 rsync，避免软链接时出 ...

清理日志：/var/log/journal/ 1sudo journalctl --vacuum-size=100M 删除已停止的容器 1docker container prune -f 删除 build cache（中间构建缓存、非常占空间）： 1docker builder prune -a 清理 dangling images（构建失败或被覆盖的层） 1docker image prune

在金融强化学习中，我们既可以自己实现环境，也可以利用现有工具快速搭建实验平台。本文重点介绍如何使用现成工具来简化金融 RL 实践。 1 选择金融的 RL 库 方式 代码量 学习成本 复用性 回测功能 适用场景 FinRL / gym-anytrading 低 低 高 完善 教学、快速实验、科研 自写 gym.Env 极简环境 中 低 低 需自写 简单实验 完全自研环境和回测 高 高 低 需自写 高度定制的金融研究 现成工具推荐： gym-anytrading：适合快速上手和教学实验，带示例数据（如 Open/High/Low/Close/Volume）。 FinRL：适合多资产、真实市场数据回测、科研和产业应用。3_FinRL系列开源工具 quantgym：适合专业衍生品市场建模，需要金融衍生品基础。 新手建议使用 gym-anytrading，快速完成实验，降低开发成本。 2 gym-anytrading 简介 gym-anytrading (https://github.com/AminHP/gym-anytrading) 2.3k ...

1234567英文名称：FinRL-DeepSeek: LLM-Infused Risk-Sensitive Reinforcement Learning for Trading Agents中文名称：FinRL-DeepSeek：大语言模型赋能的风险敏感强化学习交易代理链接: https://arxiv.org/pdf/2502.07393v1 （5页短论文）作者: Mostapha Benhenda机构: LAGA — Laboratoire Analyse, Géométrie et Applications, Université Paris 8, CNRS开源项目：https://github.com/benstaf/FinRL_DeepSeek (287 Star)日期：2025-02-11 1 读后感 最近市场波动较大，不少人感到压力，如何降低资产波动性、实现平稳增长显得尤为重要。这篇论文介绍了一种将强化学习与大模型结合的方法，通过整合新闻等文本信息，优化交易推荐和风险评估。与传统强化学习方法相比，论文通过修改PPO公式，引入模型输出的微调动作和惩罚项，虽收益未显著提升， ...

## Alpha Arena 简介 Alpha Arena 是近来讨论度很高的 AI 交易比赛。六大主流大模型（Qwen、DeepSeek、GPT、Gemini、Claude、Grok）各拿 1 万美元，在同一个交易所、同样的数据和提示词下自主做短线交易。近期官方又开启了 1.5 赛季，更贴近我们平时炒股的节奏：把战场从加密市场搬到了美股（纳斯达克科技股），规则更复杂，引入新闻和情绪，参赛选手也更多，关注度再次升高。 这个比赛的有趣点在于：模型没有任何人为干预，全靠自己理解行情、解读数据、管理仓位、控制风险。换句话说，它更像是在测试“大模型能否用自己的理解，在真实市场里活下来”。 随着比赛火起来，也出现了一些开源工具，把 Alpha Arena 的流程简单复刻：喂给模型数据，让它自己给出买卖点。于是一个问题自然就冒出来了：我们是不是现在就能跟着大模型炒股了？ 本文想结合这个问题，看看： 大模型现在到底能做到哪一步？ 哪些环节它很强？哪些地方暂时解决不了，为什么？ 在现阶段，我们能采用的相对“最优”的使用方式是什么？ 提示词 和其它调用大模型的任务一样，在不做微调的前提下，提示词就 ...

1 长线持股，也能很主动 很多人对“长线投资”的理解，是买完躺平一年，但实际市场从不会奖励这种佛系。 真正稳健的做法，是 长期逻辑 + 结构化调仓——底层逻辑不变，但仓位和成本永远在优化。 这篇文章想分享的是一套“长线、自动化、分股性”的方法论，既不折腾，也不被动挨打。 2 先决定持有什么 不是嘴上看好，是“条件式看好”。能长期持有超过一年的行业或公司，必须同时满足三个条件： 逻辑能站住脚：是结构性成长、或周期即将回升，而不是靠情绪炒作。 财务能兑现：ROE、现金流、负债结构都在可接受区间，不出现质变。 竞争格局能稳定：头部企业地位没被撼动，行业没有突然变成价格战泥潭。 只要这三件事不破，长期持有就是合理的。 这里可以结合： 人工判断 LLM 辅助分析（如新闻、研报） 财务数据过滤（ROE、现金流、杠杆） 长线不是“相信”，是“确认”。 3 操作方法 3.1 高波 / 低波：简单定义 3.1.1 高波品种 涨得猛、跌得狠、拉升与回撤都剧烈。主要行业：新能源、AI、半导体。 操作方法： 稳底仓 → 小额分批买 → 大波动做差 → 不追、不梭、不重仓赌方向。 3.1.2 低波品 ...

1 如何选股 很多人选股会先看两个指标： PE（市盈率）大概告诉你这家公司“贵不贵”、是不是已经涨得有点离谱； ROE（净资产收益率）反映它赚钱的效率，是不是一家有经营能力的公司。 这两个能给到最基本的判断，但还不够。真正决定“能不能买、值不值得拿着”的，其实是它在市场中处于什么位置。比如：这支股票相比整个A股、相比同行，到底是表现稳定、赚钱能力强，还是只是听起来不错。 我的具体做法是：抓取 A 股 5000 多支股票，从 2023.01.01 到 2025.10.20 的数据，按年切成三段（23年跌，24年波动，24年涨），分别按年统计每支股票的：波动率、最大回撤、夏普比率、年内最高涨幅、期末涨幅。然后再看目标股票在整体分布中的位置，判断它是不是值得持有。 今天在做风险评估时，某只股票的最大回撤为20%，不确定这算大还是小，也不能拍脑袋定阈值。于是对所有股票进行统计，做完觉得有些收获，分享一下。 2 年度比较 2.1 波动率 波动率（Volatility）是把这段时间里每天的涨跌幅算标准差，标准差越大，说明走势越“跳”。 直方图展示了三年的波动率分布。因为波动率是长尾分布，将 ...

[!zk 20250530203710184-0] 剃头技巧 来源：亲子剃头实战经验和对谈中交流观点 内容：儿童寸头操作的三个关键阶段，配合心态建设策略： - 事先准备：选合适时间，安抚情绪，沟通预期，准备好设备与清理工具； - 操作注意：从较长卡梳开始，遵循“下后短、上长、前留”的结构，控制孩子头部不乱动； - 后处理：剃歪可自嘲（自然风）、务实（头发长得快），并以正面态度影响孩子对“做不好”的接受力。 相关主题：亲子沟通 尝试与失败 自我接纳 理发经验 心态管理 类别：02_ 情绪心理 1 总结 这回肯定不能算成功，但是总结再讨论，反而觉得对这件事更有信心了。 2 精华 下次我会更好，但前提是：我要允许这一次不那么好。 真正拉开人与人差距的，不是失败次数，而是愿意再试的次数。 ## 3 对谈 3.1 我 昨天给娃剃了一个头，结果左边看着还行，右边跟狗啃的似的。中间提取了一些经验教训： 寸头一般是下后和两边最短，逐渐过渡，后中上和上面长度正常，前面留长一点。 开始的时候不要用最短的卡梳，至少用 0.5cm 以上的，否则很容易不小心局部剃秃，无法补救。 给小朋友剃头，一定按住 ...