1 港股相关 1.1 港币“强保 / 弱保”的含义 这是 港币联系汇率制度（Linked Exchange Rate System, LERS）里的两个关键锚点： 弱方保证（Weak-side Convertibility Undertaking，简称弱保） 水平：1 美元 = 7.85 港元 含义：如果港元 贬值到 7.85（即 1 美元要换更多港币），香港金融管理局（HKMA）会无上限卖美元、买入港元，支撑汇率不再继续贬。 强方保证（Strong-side Convertibility Undertaking，简称强保） 水平：1 美元 = 7.75 港元 含义：如果港元 升值到 7.75（即 1 美元只要换更少港币），HKMA 会无上限买美元、卖出港元，避免港币过度升值。 联系汇率制度的目标是保持港币与美元稳定挂钩。 区间范围：7.75–7.85 中点：7.80 港元汇率可以在这个区间自由浮动，但一旦触及上下限，金管局就会入市干预。 强保 / 弱保的功能 弱保（7.85）：防止资本大规模外流 → 港币贬值过快，会让资金恐慌性离开香港。金管局必须撑住。 强保（7. ...

开源地址：https://github.com/xieyan0811/musiclight 音乐律动皮影小人 Arduino 音乐律动灯项目，通过 FFT 音频分析实现 RGB 灯带随音乐节拍变化，并联动电磁铁控制皮影小人按节奏跳舞。 1 功能特点 音频信号采集与 FFT 频谱分析 自动节拍检测 RGB 灯带颜色动态变化（低频→白色，中频→黄色，高频→粉色） 噪声过滤与信号增强 频率联动电磁铁控制：根据音乐频段动态驱动电磁铁，控制皮影小人按节奏跳舞 高频：同时驱动头部和手部电磁铁 低频：主要驱动手部电磁铁 中频：同时驱动头部和手部电磁铁 2 硬件要求 Arduino 开发板（如 Arduino Uno） 麦克风模块（连接到 A0 引脚） WS2812B RGB 灯带（10 个灯珠，连接到 9 号引脚） 电磁铁 × 2（分别连接到 10 号和 11 号 PWM 引脚，6 节电池独立供电） 皮影小人（包含可移动的头部和手部，由电磁铁驱动） 3 电路连接 组件 Arduino 引脚 说明 麦克风 A0 音频输入 RGB 灯带 Pin 9 数据信号 电磁铁 1 ...

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 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