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 比赛介绍 1.1 题目介绍 比赛名称：AFAC2025 挑战组 - 赛题一：基金产品的长周期申购和赎回预测 具体赛题请参见：https://tianchi.aliyun.com/competition/entrance/532352 参赛者需要： 借助大模型，自主获取并构建其他有效特征。 训练一个时序模型，有效建模产品收益和市场行情波动，预测每只基金在 2025/7/25 至 2025/7/31 七天内每日的申购量和赎回量。 比赛提供的数据： 自 2024-04-08 以来的 20 支基金申购和赎回数据，以及对应的几个界面的曝光量。（周期时间短、基金数据少、可获取数据的渠道有限） 注意： 预测的不是价格，而是交易量。 1.2 Demo 程序 主办方提供了一个 demo 程序：包含 400 多行代码，涵盖了时间特征提取、调用大模型、生成 embedding、使用 lightgbm 建模、生成提交文件等功能。该程序需要进行少量修改才能运行。其核心是：用大模型提取特征 + 机器学习时序预测。 距离我上次参加比赛已经有七八年了，机器学习和时序算法仍然是 xgboost、li ...

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

[!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 ...

1 NAS NAS，全称为 Network Attached Storage，是一种连接至网络即可使用的专属存储服务器，特点包括： 文件集中存储 局域网和外网的访问 多设备同步（手机、电脑、电视） 数据备份和权限管理 2 PVE Proxmox Virtual Environment 这是一个基于 Linux 的开源虚拟化系统，能同时管理虚拟机（KVM）和容器（LXC），并配备网页管理界面。 有了一台服务器，安装 PVE 就可以运行多个系统（Windows、Linux、NAS 等）。常用于搭建个人私有云数据中心。 3 飞牛 fnOS fnOS，即飞牛操作系统（官方常称为 FlyNAS 或 FlyNAS OS），主要用于个人或家庭的 NAS 存储设备。 飞牛是中国玩家常用的 NAS 品牌之一，具备存储、观看、备份以及运行轻量级服务的功能。

1 问题概述 最近几个月，GitHub Copilot 对部分模型开始限量：10 美金的套餐常常在月底前就耗尽了，被迫退回到“无限用但效率低”的模型。用量上其实差距不大——就是最后三五天总差那么一点儿，就很烦人。我也愿意为多出来的部分按量计费，但找不到在哪里设置。于是只好想一些节流的办法。 ### 2 原因分析 使用大量Agent无疑是主要原因，不过仍有一些节省空间。 VSCode 插件/Session 常进入“死循环”式请求：模型在某个方向反复尝试和输出，导致 token 的浪费。 生成了过多的测试、示例和说明文件，同时还扩展了一些用不上的功能。 目前的 VSCode 1.105 版本在交互方面已经有很大提升，比如它边改我边确认，在思考过程中还可以叫停。但仍有人与模型协作时不够协调的问题。常见的问题包括：我没有把大目标拆分成小目标，没有及时清理上下文等等。 3 实操建议（可直接复用） 先搭框架：人工先写好项目/函数骨架，再让模型填充实现细节（可使用 Ask 方式讨论确定框架）。 小步提交：大目标拆成若干小目标，一次别改太多文件或太多逻辑。 频繁“商量”再执行：多用 ask（询 ...