本篇没啥主题，聊聊量化相关的书、用模型改代码、重构旧项目之类的。

推荐一本量化相关的书《Systematic Trading》

最近在看凌波的《量价时空》，觉得挺好，还买了两本，一本送朋友。他分别从：量、价、时、空四个角度分析，集成了量价关系，蜡烛图等常用技术。很多细节其实都能用程序实现，整体像是给了一套工具包，信息密度很大，但稍微有点散。

后来和 GPT5 聊这个，他给我推荐了 Robert Carver 的《Systematic Trading》。我看了介绍和第一章，有种“他乡遇故知”的感觉：他讲的和我最近从数据里看到的、操作体验很契合，加上作者文本力很强，就觉得很棒。

现在大多数的书相对来说偏向于归纳总结型，最大的问题是有知识没思考。看完似乎会了，但不知道该怎么用。偶尔在看盘时，联想到某个工具，但还未必用得对。

对作者的感觉是：始于技术，终于世界观。最喜欢他的一点是，他不是先提出自己的观点，再找证据证明自己的观点。他力求从正反两方面进行论证。书中包含了很多作者的真知灼见，绝不是那种为写而写的作品。

关于内容，目前看完第四章，他说的几乎每个大问题，都是我遇到过或者正在遇到的问题。比如：如何在多个策略中做选择，如何同时考虑稳定和盈利，如何做资产组合…… 都用得上。

在技术方面，他更多地从统计角度看问题，不只关注盘面上呈现的图和数，还有很多的数据分析和延伸测试。数据工程师和程序员使用的是两条不同的路径：数据师倾向梳理内部逻辑；而工程师喜欢找方法，然后直接把数据灌进去看效果。素材虽然一样，但结论可以千差万别。如果缺少提取、清理、筛选、分类，即便数据有规律也很难被发现，复杂度会呈几何倍数增长。

对于概念，比如：波动率、回撤和夏普比率的概念，书中不只是罗列公式，还讲出原理是什么，用法是什么。不过，对于没有数据分析背景的人来说，整篇讲分布、偏斜、假设检验，确实挺烧脑的。还是需要一些数学和统计的基础知识。反之，如果已经有了一些理论知识，这肯定是一个再好不过的演练场，每看一段都能启发相应的操作或者代码，真的很爽。

在实用性方面，内容也很接地气。比如我们都知道夏普比率越高越好，但什么范围是正常的？过高的夏普比率背后可能隐藏着负偏斜。这里展示了数据分布和一般范围，再看夏普比率的时候，心里就有数了。像有的书，

方法也很具体，比如有的书描述：有人赢钱的次数很多，但每次赢的钱少，亏的钱多，最终还是亏的。这种情况可能有心理原因，可能有市场原因，还可能是股票差异。这本书在技术层面定位的原因是：涨跌数据分布的正偏/负偏描述了更容易出现大涨还是大跌，这样就很容易做量化了。

百度搜了一下，国内读者的评价也非常高，但有个问题是没有中文版，有位小姐姐在知乎翻译了前九章，看网页又上我觉得有点松散，不方便笔记。

关于翻译工具

然后，开始翻译书。把我之前写的翻译工具找出来，想着复用一下老项目，结果二十多分钟环境没配起来，就有点崩溃了。

干脆把之前的代码和需求直接丢给 VSCode + Copilot + Claude Sonnet 4.5，让它重写，效果意外地好，又加了几个小的改进：

  • 图文结合：股票类的书必须配图看才明白。针对 epub，翻译前后格式几乎完全一致，很好地解决了图文对齐的问题。
  • 断点续传：用国外 LLM 经常遇到中转不稳定，翻一本书要很久，也花不少 token。中断后能从断点继续；或者先翻两页看看效果，再决定要不要继续，成本和时间都更可控。
  • 成本：这本用 gpt-4o-mini 翻的，大概花了六毛钱，翻译效果我完全能接受。如果用 gpt-5-nano 成本再降一点，性价比会更高。

这个工具主要是自用，顺手开个源，谁用得上就用用。基本原则就是：只做自己在用的功能，也没想做成大而全的东西。请自取：https://github.com/xieyan0811/llm_ebook_translator

关于重构

这次顺手体验了一下大模型重构项目。对于结构简单的项目，从架构、文档到代码，的确很惊喜。复杂一点的项目，先“解耦”，再交给模型去改，模型应该也能驾驭。有无编程辅助工具的效率差距，基本是两个量级。很多以前写的东西，现在回头再看，都值得重做一遍，现在的重构成本比想象中低很多。

不过这个过程也不可能完全交给模型，人还是得盯质控。这次来回沟通，我自己也敲了小几千字。感觉有点像：以前是手捏纸黏土，现在换成了 3D 打印，虽然后面还需要修边，但体验完全不一样。