量化模型与构建方式 1.模型名称：ANS对抗噪声交易优化器 模型构建思路：将行为金融学中的累积前景理论融入组合优化过程，通过三阶段优化实现基于对抗机制的组合优化决策[1][2] 模型具体构建过程： 1) 原始投资组合权重输出：与传统优化器类似，但去掉换手率约束以避免路径依赖[38] 2) 非理性投资组合权重输出： - 使用累积前景理论构建非理性效用函数： $$U^{c p t}(w)=f_{\pi_{+}}(\phi_{+}(\mathrm{u}_{+}(R w)))-f_{\pi_{-}}(\phi_{-}(\mathrm{u}_{-}(R w)))$$[44] - 采用MM算法求解非凸优化问题[47] 3) 对抗投资组合权重输出：通过构造持仓变动实现反向交易行为修正[50] 4) 理性投资组合权重输出：引入多任务学习，将目标权重与对抗组合的L1范数距离作为目标函数： $$\max \sum_i w_i r_i - \lambda\|w-w^a\|_1$$[51] 模型评价：作为"即插即用"的灵活组件，可适配任意Alpha因子，在保持传统组合优化优势的同时实现权重自适应调整[2][35] 2.模型名称：TK因子模型 模型构建思路：基于累积前景理论构建非理性因子，刻画非理性交易者行为[24] 模型具体构建过程： 1) 使用股票过去60个月的月频收益率作为收益分布替代 2) 计算每支股票的原始TK价值： $$T K\equiv\sum_{i=-m}^{-1}v(r_i)\left[w^{-}\left(\frac{i+m+1}{60}\right)-w^{-}\left(\frac{i+m}{60}\right)\right]+\sum_{i=1}^{n}v(r_i)\left[w^{+}\left(\frac{n-i+1}{60}\right)-w^{+}\left(\frac{n-i}{60}\right)\right]$$[24] 3) 引入衰减系数改进： $$\begin{array}{l}{{\mathrm{TK}\equiv\sum_{i=-m}^{-1}\rho^{t(i)}v(r_i)\left[w^{-}\left(\frac{i+m+1}{60}\right)-w^{-}\left(\frac{i+m}{60}\right)\right]}}\\ {{\qquad+\sum_{i=1}^{n}\rho^{t(i)}v(r_i)\left[w^{+}\left(\frac{n-i+1}{60}\right)-w^{+}\left(\frac{n-i}{60}\right)\right]}}\end{array}$$[25] 因子评价：在头尾两端具有很强的区分度，但整体预测性能不足，分层效果不明显[29][32] 模型的回测效果 1.ANS优化器模型 - 中证500指增：年化超额收益11.00%，超额最大回撤9.84%，IR 1.74[67][68] - 中证1000指增：年化超额收益18.26%，超额最大回撤10.36%，IR 2.43[72][73] 2.TK因子模型 - IC值：-1.18%，RankIC：-1.65%[30] - Top层收益：-7.77%，Bottom层收益：6.46%[30] - 多空收益：-7.12%，Top层IR：-1.81，Bottom层IR：-0.33[30] 量化因子与构建方式 1.因子名称：GRU量价因子 因子的构建思路：作为基础Alpha因子用于对比实验[55] 2.因子名称：负向TK因子 因子的构建思路：将GRU预测因子与负向TK因子按9:1比例加权融合[60] 3.因子名称：TK风格因子 因子的构建思路：将TK值作为一种风格，添加相对基准指数的负向暴露约束[60]

文章核心观点 大脑功能依赖习惯，多数人的习惯正摧毁大脑，文章介绍7种破坏大脑的习惯并提供训练大脑的方法，助读者获得理想结果 [1] 7种破坏大脑的习惯及应对方法 一天的开始得太慢 - 多数人大脑被训练得迟钝，早上思维易卡住，习惯慢启动，难以进入心流状态，常陷入消费泥潭，依赖消费开启工作 [3][5] - 早上看或读垃圾信息会使大脑过度分析、混乱分散，削弱成功并造成分心，让大脑变迟钝 [6] - 应明确首要任务，早上专注于此，快速训练大脑进入心流状态，如作者一早写作，能快速取得成果，让大脑产生天才 [6] 吸收过多信息 - 当下信息多但质量低，多数信息训练大脑寻求娱乐而非学习，使人对自身要求降低，产生平庸大脑能力 [9][10][11] - 多数人信息输入以娱乐为主，形成低层次世界观和身份，患低水平默认未来症，大脑期待低标准事物 [11][12] - 80%的信息阻碍成为未来的自己，应减少消耗，摄入高质量信息，对80%的事情说“不”，提高思维速度 [12][17] 做得太多 - 一天内试图完成三件以上事，会专注肤浅忙碌工作，切换任务使大脑脱离心流状态，分散注意力、浪费精力 [18] - 应学会集中精力，每次专注一件事3 - 4小时，采用批处理方式，进行深度工作或刻意练习 [19] - 要明确优先事项不超过3个，对未来思考得深远，才能塑造未来，避免被困在表层 [19][20] 缺乏远见 - 多数人无明确目标和未来愿景，设想局限于拿到下一笔薪水或度过下一个周末，没有巨大变革目标（MTP） [21] - 多数人愿景是2倍的，会低估未来的自己，大脑神经连接和通路难改变，阻碍大脑成长 [22] - 需有10倍愿景和看似不可能的未来自我，放下当前生活的80%，找到20%重要的事深入挖掘，通过刻意练习实现目标 [23][26] 不会休息 - 休息和恢复对高效能人士日常工作至关重要，改变大脑需让其深度恢复 [28][29] - 应训练大脑工作时全开、不工作时全关，晚上手机调飞行模式，找工作外爱好，以提高专注力和睡眠质量 [30] 不花时间反思 - 多数人不花时间反思现状，反思是深度和刻意练习的重要组成部分，回顾有助于大脑快速运转 [32] - 记忆会根据当前背景重建，定期反思回顾能主动塑造经历，让过去变得有用，实现创伤后成长 [33][34] 不参加体育活动 - 有氧运动和举重对大脑有益，训练身体能让大脑更快启动，达到精神巅峰需先达到身体巅峰 [35] - 应保持最佳体能状态，戒掉人造垃圾食品，制定日常训练计划，明确锻炼目标，让脑力劳动更流畅专注 [35][36][37]

AI大模型发展历程 - 1980年代AI主要依赖规则基础的专家系统 如医疗诊断系统通过预定义规则快速处理信息但缺乏灵活性和学习能力 [1] - 21世纪机器学习兴起 垃圾邮件过滤器通过算法从数据中学习识别邮件类型 引入神经网络等复杂模型实现更深入分析 [1] - 当前AI大模型如GPT/BERT具备复杂语言理解和生成能力 关注上下文/情感/逻辑推理 决策表现更接近人类慢思考 [12] 卡尼曼双系统理论对AI的影响 - 系统1(快思考)自动快速运行依赖直觉 占日常决策90%以上 系统2(慢思考)需专注处理复杂问题占深度决策10%以下 [6][10][11] - ChatGPT思维链技术基于双系统理论 通过逻辑推导/因果关系分析实现系统化决策 如Deepseek R1/o1的思维链推理 [12] - 前景理论帮助AI模拟人类损失厌恶心理 启发式与偏差理论优化算法避免认知偏差导致的决策错误 [12][13] AI与人类认知模式对比 - AI向慢思考进化 如360AI深度搜索调用多模型模拟人类思考步骤(意图识别/推理等)提供精准信息 [12] - 人类在信息爆炸时代趋向快思考 依赖短视频/碎片化新闻导致深度思考能力弱化 [15] - AI生成内容(图片/视频/声音)逼真度提升 被用于诈骗如AI换脸案件造成单笔430万元损失 [20][21] AI技术应用与互补 - AI可辅助人类慢思考 如MIT实验室认为AI是工具 能快速分析海量数据为决策提供依据 [25] - AI心理咨询功能通过对话分析用户认知偏差 提升自我认知减少焦虑 [26] - 人类创造力/情感理解力与AI高效性形成互补 如创造性想法和情感连接是AI无法替代的能力 [27] 行业技术动态 - AMD举办2025 GPU挑战赛 设置FP8 GEMM/MLA with ROPE/Fused MoE三大算子赛道 总奖金10万美元 [32][34] - 参赛需通过Github CLI工具提交内核 中国大陆开发者可参与 获奖者或受邀参加硅谷AI日活动 [35][37]