Video yükleniyor...

Video Yüklenemedi

Ana Sayfaya Dön

「李老师的数学课」 第二课:三门问题以及交易当中的反手 本节课从一个趣味的大奖猜问题“三门问题”切入,从三门问题的换门推导出条件概率的反常识数学问题。所以看完视频你应该就明白了,根据条件概率,当市场走出了否定你之前的推断的方向后,既止损后反方向做概率获得了偏移的优势。这也就是我常说的做交易看对了赚钱不牛逼,看错了赚钱才牛逼的底层数学解释。既虽然看错,但是通过有效止损和反手,来达到扭亏为盈的操作。请童鞋们好好理解数学底层逻辑,并复盘总结规律,应用到未来的交易投资决策当中。

325,471 görüntüleme • 1 yıl önce •via X (Twitter)

5 Yorum

𝙃𝘼𝙕𝙀𝙉𝙇𝙀𝙀 profil fotoğrafı
𝙃𝘼𝙕𝙀𝙉𝙇𝙀𝙀1 yıl önce

你可以把这三扇门对应为 「上涨 」「横盘」和「下跌」 这样是不是就更好理解了?

𝙃𝘼𝙕𝙀𝙉𝙇𝙀𝙀 profil fotoğrafı
𝙃𝘼𝙕𝙀𝙉𝙇𝙀𝙀1 yıl önce

震荡杀不死你,顶多是磨损;但趋势做错了就是“致命的”。所以如果你以震荡为盈利手段,那趋势中的所有盈利因子都会变成你最后致死的索命锁。

Dan Sa(撒蛋) profil fotoğrafı
Dan Sa(撒蛋)1 yıl önce

牛逼!🫡

秋荣 profil fotoğrafı
秋荣1 yıl önce

所以下次止损了再反向? 有可能亏的更多了🤣

𝙃𝘼𝙕𝙀𝙉𝙇𝙀𝙀 profil fotoğrafı
𝙃𝘼𝙕𝙀𝙉𝙇𝙀𝙀1 yıl önce

从长期概率上止损反手比一直扛单要好,连续反手你最后的趋势一定是对的。别杠,我都让grok生成数学公式了,这是数学不是感觉…

Benzer Videolar

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上,陶哲轩做了一次 AI 和数学的演讲,非常精彩,从数学使用计算计算机的历史开始讲起,一直讲到大语言模型,干货相当多,尤其适合对数学有兴趣的同学。 (对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看) 先摘录几个冷知识: 1. 我们使用机器做数学计算已经有数千年,最早的机器辅助计算可能是罗马人,然后是中国的算盘 2. 二战时就有人肉“计算机”,计算弹道和其他任务,多位女孩子,因为男士们在打仗,所以那时候的计算基本单位不是GPU,而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在,数学家们使用一种现代化的证明辅助编程语言,叫做 Lean。在 Lean 中有一个核心的数学库,通过众包的方式开发的,本科数学课程中看到的内容,比如微积分基础、群论基础或者拓扑学等等,这些都已经被形式化了,所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程,那就是先编写一个称为“蓝图”的详细证明计划,将整个证明分解为数百个小步骤。每个步骤可以单独形式化,然后再将它们整合在一起,这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图,然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。 去年,陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了,使用了蓝图工具,参与的人中有概率论专家,甚至还有一些并非数学家的人,他们是程序员,但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务,并完成了它。 在数学领域,通常很难这么多人一起合作,一般最多可能五个人合作。因为在大项目上合作时,你必须相信每个人的数学都是正确的。但是,一旦超过一定规模,这就无法实现了。但现在借助 Lean 编译器,它能自动检查。团队成员无法上传任何编译不通过的内容,会被拒绝。因此,你可以与一些从未见过的人合作。 最后是讲大语言模型,首先陶哲轩就打脸了 GPT-4 的论文(我猜是微软那篇《GPT-4,通用人工智能的火花》),论文中号称 GPT-4 能解决国际数学奥林匹克问题,但实际上,这个问题不是 2022 年国际奥数竞赛的原始问题,而是一个简化版本,并且他们测试了几百道国际奥数竞赛问题,成功率只有1%,论文里的这个是精心挑选的恰巧能做对的。 并且陶哲轩提到了基于大语言模型的一些改进的方案: 比如 CoT(Chain of Thought),也就是 LLM 做简单的算术运算都做不对,但是如果让它一步步解释,可能就对了。还可以教 AI 一些解题技巧,比如尝试简单的例子,反证法,尝试逐步证明等。 比如让模型和编程语言或者工具连接,将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证,并且迭代的进行修正和验证,直到得到正确的结果,这可以提升大语言模型生成的效果。 即使借助这些手段,大语言模型还远远不能解决大多数数学问题,更不用说数学研究问题了! 当然陶哲轩也没太过打击大家对于 AI 的信心,表示我们在 AI 上还是在不断的取得进展,还提到了他日常是怎么用 AI 的,比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题,我尝试了几种方法,但都无法解决。于是,我尝试询问 GPT,你建议我使用什么其他方法来解决这个问题?GPT 给我提供了 10 种可能的方法,其中有 5 种我已经尝试过,或者明显没有帮助。的确,有几种方法并不实用。但其中有一种我还没尝试过的方法,那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时,我意识到这就是我漏掉的正确方法。所以,将 GPT 视为一个交流伙伴,它确实具有一定的用处。 还有使用 GitHub Copilot 帮他写代码,让它自动生成下一步的证明结果,Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具,你只需要写下一半的证明,它就会尝试猜测接下来的内容。大概有 20% 的情况下,它能猜到接近正确的答案。然后你就可以说,我接受这个答案。好的,那么在这种情况下,我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行,尽管你可能看不清楚,却真的解决了这个问题。所以,你不能盲目接受它的输入,因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解,这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行,它们就能自动完成。现在已经有了这样的实验,即通过迭代地让 AI 提供证明,然后让编译器进行反馈,如果编译出错,就把错误信息反馈给 AI。通过这种方法,我们开始能够验证四五步长的证明。当然,一个大型的证明可能需要数万行。所以,我们还没有达到能够立即得到一个正式证明的程度。但是,这已经是一个相当有用的工具。 对于大家关心的问题: AI 在数学领域现在到了哪一个阶段?是否未来几年利用 AI 能直接解决数学问题? 陶哲轩也给出了他的看法: > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题,你可以定制专门的 AI 来处理一小部分问题。即便如此,它们也不是完全可靠的,但还是有用的。不过至少在接下来的几年里,它们基本上将是非常有用的辅助工具,超越了我们已经熟悉的暴力计算辅助。 他还提到了一些可能的 AI 能在数学领域提供帮助的方向: - AI 能够非常好地生成有价值的猜想 > 比如,我们已经看到了关于结理论的例子,它们已经可以推测出两个不同的统计量之间的关系。因此,我们希望能够创建大量的数据集,输入到 AI 中,它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点,部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在,因为证明定理是如此繁琐和艰难的过程,我们一次只能证明一个定理,如果你效率很高,可能一次能证明两三个。但是有了 AI,你可以设想一下未来的情况,我们不是试图解决一个问题,而是处理一类类似的1000个问题,然后告诉AI,尝试用这个方法解决这 1000 个问题,然后报告结果,哦,我能用这种技术解决 35% 的问题。那么另一种技术呢?我能解决这个百分比的问题。或者如果结合这些方法,又能解决多少问题?你可以开始探索问题的空间,而不是一个接一个地解决问题。这是你现在根本无法做到的事情,或者是你需要几十年时间,通过数十篇论文慢慢搞清楚各种技术能做什么,不能做什么。但是有了这些工具,你真的可以开始做规模前所未有的数学研究。所以,未来将会非常令人兴奋。 演讲环节结束前的最后一句话说的特别好: > 我们仍然会以传统方式证明定理。事实上,我们必须这样做,因为如果我们自己都不知道如何做这些事情,就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。 这恰恰也是我们现在使用 AI 辅助编程的问题:如果我们自己都不知道如何构建软件,就很难引导好 AI 帮助我们生成高质量的代码。 尽管 AI 在数学和编程领域变得越来越有用,但人类的洞察力和创造力仍然是创作价值的关键。 原始 YT 视频:

宝玉

301,920 görüntüleme • 2 yıl önce

说实话,OpenAI这条推文我看了三遍。 第一遍看懂了"AI解了80年数学悬案", 第二遍看懂了"几何问题用数论来破", 第三遍才反应过来——最震撼的不是结果,是AI自己想出了这条路, 而咱们人类80年来都觉得这条路太冷门不值得走。 这道题叫平面单位距离问题,1946年埃尔德什提出来的。 简单说就是:平面上撒一堆点,让尽量多的点对之间距离正好是1。 80年来所有数学家都信一个结论:最优解长得像方格子,没法再优化了。 OpenAI的AI说:你们错了,它找了一整族全新的构造方法,不是方格子,效率比方格子明显高出一截。 用的什么工具呢? 就是代数数论里最冷门的那套——无限类域塔、Golod–Shafarevich理论。 因为几何和数论,这两帮数学家以前基本不聊天,AI说你们应该聊聊🤣 菲尔兹奖得主Tim Gowers写进审稿论文:如果是人写的,我直接推荐《数学年刊》接收。 数论专家Arul Shankar说:AI不只是助手,它有了原创天才想法并完整执行。 他的125页思维链已经公开,人类数学家验证通过,证明这不是噱头炒作。 以前AI在数学里的角色很清晰: 辅助验证, 帮人算, 搜索已知模式, 但这次不一样, AI自己想了一条路, 人类80年都觉得这条路太冷门、太反直觉、不值得走, AI偏偏走了,而且还走通了。 人类觉得不靠谱所以没试的路,有多少其实是通的? 这事想想有点后背发凉,但更多的是期待 hhh

AYi

31,474 görüntüleme • 3 ay önce

🔥华尔街顶级员毫无保留分享交易思维心得! 跟着鸣人看完这条,保证你的交易认知直接被颠覆! 不管你是新手爆仓、常年保本、快要放弃,市场从不看你的过去,只看你下一步怎么做! 交易 26 年的华尔街大佬,把真正能稳定盈利的底层逻辑,全摊开讲明白了: 1⃣越简单越赚钱 不需要一堆指标、不用懂宏观政策,只抓一个核心优势,做到极致就是印钞机。 2⃣只做一个品种,做到王者 别天天追热点,吃透一个资产,你就是这个领域的规则制定者。 3⃣看盘时间,是你最好的朋友 反复复盘、把走势刻进骨子里,盘感不是天赋,是练出来的。 4⃣仓位管理,决定你活多久 新手爆仓 99% 是因为仓位太重。小到不焦虑,才能拿得住、走得远。 5⃣别盯着钱,只做好每一笔交易 盯着盈亏必乱,专注流程,利润自然会来。不看当日盈亏,是高手的基本修养。 6⃣接受亏损,和亏损做朋友 合理亏损是交易成本,情绪化报复式交易才是死穴。 7⃣给交易分级,只做高胜率机会 一等机会重仓,二等机会轻仓,三等机会直接放弃。 8⃣必须写交易日记,否则永远无法进阶 你 80% 的亏损,根本不是技术问题,是情绪和执行力问题。 9⃣铁一般的纪律,保护你不被自己干掉 连续亏损就停手,触及止损坚决离场,交易最大的敌人永远是自己。 这不是鸡汤,是华尔街稳定盈利者的真实心法。 少走 5 年弯路,建议反复观看、刻进脑子里! 看完你会明白:交易拼的不是技术,是认知、纪律和极简的执行力。

0x鸣人

19,437 görüntüleme • 5 ay önce

说说油管超过260万追随者的 The Trading Channel 的CEST策略,简单好用!!并且我还进行了连续100次的交易回测,看看它在加密市场是否有利可图!😘🤑 CEST是一个缩写的名称,C是conditions,表示入场条件/ E是entry表示入场模式,S是stop表示止损,T是targets表示止盈目标~ 这套策略需要参考大小两个时间周期,第一步就是用大周期判断交易趋势的方向/ 这里判断趋势的方式用到了EMA50均线和连续的高高低低点,并明确表示在整合期或者趋势不清晰的走势中不能进行交易,清晰趋势非常重要! 确定好交易的方向之后,第二步就是切换到小级别的15分钟图表,去寻找两种具体的交易结构/ 双顶双底或是头肩顶头肩底,当K线价格的收盘价突破或跌破这些结构的颈线就可以确认价格行为,在K线的收盘价入场,当前这段走势就走出了一个明显的双底结构,当价格突破颈线,我们就可以在K线的收盘价入场多单! 第三步就是设定止损和止盈,我们可以根据走势的结构和交易位置设置止损和止盈,止损可以设置在重要的支撑阻力位/供给需求区/前高前低/双顶双底/头肩顶底的末端附近等等~ 止盈也同样可以这样设置,也可以选择分批止盈或者固定1:2风险回报比的方式,这就是CEST交易策略的框架流程! TTC认为专业的交易员都会通过大量交易的统计数据去了解和验证一套交易策略,并且很清楚其中的亏损还是盈利都是交易策略的一部分,以保证我们对策略的信心,验证策略是否值得信任,最快的方式就是通过回测来获得,并且机会样本不能少于100次! 这是在比特币美元的4小时和15分钟的图表进行的87次连续交易的测试结果!

投机实验室

33,354 görüntüleme • 1 yıl önce