AlexiaChen.github.io

AlexiaChen.github.io copied to clipboard

币圈---An unfair “fair game”

1

我记得好像是在知乎上看到一个关于赌博的概率数学题，也不知道可不可以用在币圈之上，因为赌场的游戏规则也是不同很多，跟币圈的DeFi实际上差不了太多，DeFi某种形式上也是进赌场去赌博。所以标题取得比较引人注目。 假如有1个单位的资产，且每天以50%概率资产增加百分之10%，以50%的概率资产减少10%，问时间n -> 无穷天时，资产会怎样变化？这个是个Martingale，所以资产的期望趋向于1，但是根据鞅收敛定理可以证明资产会必然趋近于0。 这个给大多数没有数学专业素养的人，一种反直觉的样子。所以你进币圈去用本金去玩DeFi，你越是老玩家，玩得越多，你大概率来说就越亏。这里的n千万别小瞧，当n等于几百次，甚至几十次，你的资产就很接近0了。 https://www.zhihu.com/question/24018965

AlexiaChen

> 语句比较零散琐碎。 SGX1 和 SGX2只是SGX的不同指令集，SGX2的指令集只是对enclave中的内存和线程提供了运行时的灵活管理，除此之外都是一样的。SGX1 和 SGX2不是全新的不兼容的SGX架构，也不应该认为 SGX2是你之前概念中的全新的SGX的2.0版本。这是有误解的。所以也不存在SGX1的代码不能运行在SGX2上，也不存在，以后的机器都是SGX2的平台机器这样的说法。 它两是互相配合的，即使没有SGX2，代码也可以良好运行，也不可能只有SGX2的指令，代码就可以运行，因为不是全新的SGX架构，只是提供不了运行时的灵活管理资源管理功能。 Occlum暂时不支持SGX2的EDMM(enclave动态内存管理，enclave dynamic memory management) https://github.com/occlum/occlum/issues/979 因为Intel SGX SDK和Linux kernel没有对SGX2指令集的补丁，可能要等到kernel 6.0 Occlum论文，写论文之初的时候，Occlum是暂时按照SGX1设计的 > Enclave dynamic memory management. On SGX 1.0, after an...

AlexiaChen

## 前言 其实这个是我花周末的时间，解决工作上的一个问题。这个问题有点意义，所以就写在博客里面。issue分析在这里 https://github.com/FiiLabs/irita/issues/8 相当于是照搬我写的issue了。irita是文昌链的binary文件，其实基于cosmos sdk开发的，问题也出现在cosmos sdk里面，这里不是cosmos sdk的BUG，而是环境导致的一些问题。 ## 背景描述 据我了解，我本机的WSL2中，和同事的虚拟机中的ubuntu，运行irita的相关命令都很慢，甚至连`irita version` 都慢，更别说`irita keys xxx`的相关操作了。因为工作时间，有这些小问题，为了更快地让irita跑起来，有同事就更换了虚拟机，直接用原生Linux，不在虚拟机里面跑了，就绕过了这个问题。而我之前用gdb看了下这个程序的调用堆栈是在等待一把Linux下futex的锁。然后用`strace` 也查看了Linux的系统函数调用，好像发现了一些关于函数返回权限相关的值，所以我直接用`sudo -E irita xxxx` 来做操作，甚至运行bash脚本也是用`sudo -E` 来做的。这样irita就没有被block住的现象了。但是并没有深入源码搞懂程序是在哪里被block住了，以及什么会这样。 所以不想再这样不求甚解了，一怒之下，上了Debugger，下面就来分析为什么会这样。 ## 分析 因为之前用了gdb，但是gdb看不出golang程序的完整的函数调用堆栈（要加入一些编译参数，和用特定的后端生成的才可以用gdb）。 gdb看出是这样： ```txt mathxh@MathxH:~/metablock-projects/irita$ gdb...

AlexiaChen

> 在这里暂时不讨论类似QEMU的纯软件虚拟化，因为没有硬件参与，云计算无法商用。所以都需要宿主机的CPU本身就支持硬件虚拟化的指令。Intel AMD的x86处理器都有相关指令，比如svm或vmx。当然，ARM64也有。。。。 我犯了一个什么错误呢？我就是不假思索的天真直觉以为同一个处理器架构的，可以虚拟实例化不同处理器架构的操作系统。这个直觉就是错的，也就是说windows x86的Hyper-V只能虚拟化x86架构的Linux或Windows。无法虚拟化ARM64下的Linux或Windows。而ARM64下的Linux 上的KVM，也只能虚拟化运行ARM64架构的操作系统。 对于KVM或者Hyper-V都是一样的，毕竟商用的虚拟化都需要硬件参与，纯软件的模拟当然可以，但是没有人这样做，一般是拿来调试测试用的，比如你自己在x86上写一个ARM64的玩具操作系统，需要用QEMU或 Bochs这样的emulator来运行，这样是可以的 我说难怪在一台ARM64下的信创麒麟系统下virsh-install一个x86的Linux iso镜像会报以下错误呢。我就没有仔细想想。 ```txt UEFI Interactive Shell v2.2 EDK II UEFI v2.70 (EDK II, 0x00010000) Mapping table Synchronous Exception at 0x00000000B4C5B814 Synchronous Exception...

AlexiaChen

- 回测很重要，回测主要是为了发现问题。回测又不那么重要，因为最后还是要反应实盘在实盘收益上面，市场是检验真理的唯一标准。回测与实盘结果可能不一样，也就是大家会说的一个梗，回测买地球，实盘亏成狗。注意检查一下有没有用到未来数据，也就是所谓的“未来函数”。 - 交易有一个不可能的三角形，跟分布式系统的CAP理论其实是一样的，很多领域都有类似的三角形，也就是三个要素，不能同时100%满足。这里的交易三角是： 交易频率，盈亏比，胜率。 比如对于高频交易(HFT)而言，它的频率很高，可能每秒钟交易成千上万次，它持盈时间也短，盈亏比不高，但是他为了赚钱，胜率需要很高，近乎100%。所以它是可以赚钱的。 - 交易容量，其实交易容量就是一段时间内的成交量，自然高频容量小，也就是你本金到一定程度，收益就会下滑了。它容纳的资金有限。容量也是K线柱子的周期，有分时级别，小时，日，周，自然周期越大容量越大。容量越大的更好对抗资本，现在日内交易除了专业级交易员，基本就是量化交易的天下了。周期越短，人越没精力操作，不同的时间维度就像不同的赛道。一般来说，人只要不在量化的赛道进行操作，基本割不到你，所以对抗资本的最佳方式，就是把时间拉长，但是有个前提，就是好的潜力股，垃圾股就没办法了，长时间就退市了。 - AI在量化中的作用，其实并不是简简单单地拿到OCLHV数据对其进行学习预测，其中很复杂，因为金融时间序列一个很重要的特点是，高噪音，低信噪比，很接近于随机漫步，当前股价涨跌与历史涨跌相关性很弱，你无法简单通过历史预测未来。专业的机构有特征工程来挖掘因子，因子也就是有一定概率会影响未来走势的某个计算得出的值，因子可以是传统的技术分析指标(SMA, EMA, RSI, BOLL等等)，也可以是天气，自然灾害，疾病等，因为显然，外部环境会影响股票走势。AI模型的作用是将这些大量因子组成一个更复杂的信号，通过这些信号来触发买卖操作，人脑是处理不过来这些信号的，但是人脑有直觉，有盘感，其实已经隐式“计算”了。 - 交易就是概率的游戏，就是在随机中试图找出那一点点转眼即逝的“确定性”。 - 简单的交易策略是让人亏的，比如什么双均线，金叉死叉，这种简单的策略，大部分入门的书都会讲到，是不可能让你在量化中赚钱的，不过你可以把这个均线策略依赖的指标当作一个因子，这样是没问题的。 - 金融的基本知识可能还是需要学一点，因为有些量化的数学模型或者一些参数，如果不懂金融，可能会超出理论界限，有问题。正所谓理论是给实践提供上界和下界指导的。 - 多看看Kaggle的题目，量化交易本质上就是玩金融领域的数据科学，概率论是需要学好一点的。如果有AI和data science基础的人，自然入门量化交易也更快一点。 - Alpha的空间其实很小了，不然Simon的文艺复兴公司不会这么传奇。 - 引用一个牛人的一句话： 好家伙，从AI的量化交易又转换到传统的基于规则的网格策略的量化交易，你怕是两头都没学明白啊。 （我感觉隐含的意思其实就是当今专业机构，没有还不用ML和DL的策略了， 也就是基于传统规则策略的可能慢慢也不会好用了，这个就是专业啊）

AlexiaChen

月盈利6.7%， 一个多月的实盘，基本稳定下来了，希望能保持住。以后需要在金融，AI，数据科学和统计学上多发点力。最喜欢的其实还是密码学，只是学那些东西离钱太远了，真的已经放弃继续钻研了，业内的Circle Stark这些等等都没工夫研究，想来我有一年多，甚至接近两年没怎么碰过密码学了，惭愧惭愧。 人生如朝露，何久自苦如此？

AlexiaChen

BSM模型在加密货币市场（如比特币）的应用确实面临**局限性**，但通过**调整参数或改进模型**，可以部分适应加密货币的特性。以下是具体分析及改进方向： --- ### **一、BSM模型的直接应用问题** 1. **波动率假设不成立**： - BSM假设标的资产波动率（σ）恒定，但加密货币（如BTC）的波动率显著高于股票，且呈现**时变性**和**聚集性**。 - 改进：使用**随机波动率模型**（如Heston模型）或隐含波动率动态调整。 2. **无风险利率的挑战**： - 加密货币市场缺乏统一的“无风险利率”（r）参考值，传统利率（如美债利率）可能与加密市场关联性弱。 - 改进：引入加密市场的**借贷利率**（如交易所稳定币利率）替代传统无风险利率。 3. **市场连续性与流动性**： - 加密市场存在流动性不足和价格跳空风险，BSM的“连续对冲”假设可能失效。 - 改进：加入**流动性溢价**因子或使用离散对冲策略。 4. **与美股联动的复杂性**： - BTC与美股（如标普500）的联动性可能随市场情绪变化，传统BSM未考虑外部市场相关性。 - 改进：引入**多因子模型**，加入股市波动率指数（VIX）等外生变量。 --- ###...

AlexiaChen

## 前言 BSM模型指的是Black-Scholes-Merton模型。 这是用来给欧式期权定价的，由三位学者提出的，时间在1973年。然后，可能需要拆解模型的假设条件，这是理解模型的基础。比如，标的资产价格服从几何布朗运动，无风险利率不变，没有交易成本和税收，允许卖空等等。这些假设对模型的适用性很重要。 公式背后的逻辑，比如为什么用几何布朗运动，如何通过无套利原理推导出偏微分方程，以及如何求解得到最终的公式。需要平衡深度和易懂性，可能简要提及动态对冲和Delta对冲的概念，但不过多深入数学细节。 另外，需要注意可能的常见误解，比如BSM模型假设波动率恒定，但实际上市场中的波动率是变化的，所以模型存在局限性。 C代表看涨期权价格，S是当前股价，N(d1)类似于期权的Delta，而 $Ke^{-rT}$ 是行权价的现值，N(d2)是行权的风险中性概率。这样用户可以将公式拆解为几个可理解的部分。 最后，应用场景和影响也需要提及，比如在金融市场中的实际应用，以及它对期权交易和金融工程的影响。 结构是：定义模型，列出假设，展示并分解公式，解释各个变量和组成部分，简要提及推导思路，最后讨论应用和局限性。尽可能减少数学术语。 这是金融学中用于定价欧式期权的经典模型，由Fischer Black、Myron Scholes和Robert Merton在1973年提出。 --- ### 第一步：BSM模型的**核心目的** BSM模型用于计算**欧式期权**（只能在到期日行权）的理论价格。它通过以下因素确定期权的公允价值： - 标的资产当前价格（S） - 行权价（K） - 到期时间（T） - 无风险利率（r） - 标的资产的波动率（σ） ---...

AlexiaChen

小资金试水。。。。。下一步，让曲线更平滑，持仓时间更短，让自己的敞口不过大，降低回撤。最近好像没啥感觉了，赚钱就是总体大概率往上，短时间浮动的数字游戏。。。。对纯粹的技术也没有当年那么有热情了。想想去年年中，刚做的时候，目标也是平均每天能挣一顿猪脚饭的钱，相当于中午饭在外面吃的成本就省下来了，自己给自己饭补。。。但是效果超过目标，行情好点的时候，一个月赚昆明保安半个月的收入是没什么问题的。。。今年的目标是，让月均睡后收益在3000到5000人民币之间。这也让我在裁员浪潮，经济下滑的时代，有一个安身立命的技能-----期货交易。 最后，盈亏同源，永远敬畏市场。。过去无法代表未来，未来也无法预测。

AlexiaChen

2024 github Universe 大会结束后，github copilot 已经支持多模型了，无论是o1-preview o1-mini，gpt-4o, 甚至还有Clauede 3.5 sonnet，后面还会继承google gemini 1.5 pro。为了扩展copilot的能力，copilot还有相关的vscode 扩展，以通过@符号来引入其他的专业能力。比如 - ms-vscode.vscode-copilot-data-analysis 的可以通过 @data Analyze the file #来分析csv文件，相当于可以做数据科学，统计学相关的任务了。 - ms-vscode.copilot-mermaid-diagram 可以通过@mermAId 来对代码进行代码的流程图等可视化。 - ms-vscode.vscode-websearchforcopilot 可以通过@websearch 来通过搜索引擎的知识来增强AI回复的质量，当然如果你没有搜索引擎的API...

AlexiaChen