最弱智的股评是：缩量的时候说我们要等它放量，放量了以后又说不好了这里有分歧。 趋势初期，不要怕放量，也不要怕放量以后再缩量。 行情依然是结构性的，旱涝严重不均。 这些天有关堆量技术的文章要连起来看，但凡有点基础的人都能看懂，仔细点。我研究了几年的东西，如果你几个小时 的耐心都没有，说不过去呀： 另外，我已经多次发现，有些人没有付费记录，却找我弄这弄那，这是怎么回事？你的公式哪儿来的？ 量化技术是无止境的，我现在这样用通俗易懂的方式普及，有些人应该是会进步的，这还只是初窥门径，以后如果还要 深入，环境一定要维护好，希望大家一起共同监督。 最近脑瘫板块的堆量初始会比较多，用堆量起始源码选，比如： 趋势一旦形成，就不用看大盘，想看也不要看上证，看平均股价指数，更加清晰直观： 风能的两只看上去也很性感： 2025年度猛兽股轻盘点 解密堆量模式的起始特征（附源码） 继续解密堆量模式间隙弱转强的G点特征（附源码） 猛兽体系进入双模式，以及边界调节 新来的同学，多读合集文章，什么都不了解，就问这问那，很耽误我时间。 了解和建立系统比偶遇一个公式重要得多得多，切莫以为得个公式有什么了不起。 有心的话，多点赞什么的，据说公号推 ...

■周尚伃 岁末年初，行业论坛与年度会议密集召开，"财富管理"成为证券行业年终盘点与未来展望的核心主线。这背后，是券商财 富管理业务历经多年培育，已稳步成长为驱动行业业绩增长的引擎。部分头部券商的转型更是率先步入收获期，其探索路径与 实践成果，也成为外界观察行业转型成效的重要窗口。 在笔者看来，近年来券商财富管理的发展呈现出两大聚焦点：一是追求高质量发展，二是推动开放生态共建。券商正摒弃 以往以规模竞赛为主的粗放发展模式，转而开展以能力比拼为核心的精耕细作，在发展模式、产品创新、能力建设三大维度实 现系统性突破，勾勒出全新叙事框架。 首先，发展模式从"销售驱动"迈向"买方投顾"与"服务生态"构建。 过去，券商财富管理业务多以产品销售为核心，盈利模式与销售业绩直接挂钩。这种模式虽然能在短期内带来业绩提升， 但容易导致客户利益与自身利益出现偏差。正如民生证券总裁、执行委员会委员姜晓林日前表示，尽管目前券商投资顾问占所 有员工的比例持续上升，近6年上升近6个百分点，但投资咨询收入占比仍然长期维持在个位数。这一数据直观反映出传统销售 驱动模式面临的发展瓶颈。 其次，产品创新锚定国家战略与居民长期需求的双重导向。 财富管 ...

智能爆炸：计算能力与AI本质的突破 - AI模型体量有望通过量化技术实现100倍增长，通过将模型精度压缩至三元（log₂3位），可在保持能力的同时指数级降低算力与内存需求，使移动设备具备超越当前云端超级计算机的推理能力[10] - 高端芯片受限可能促使中国开发者在算法效率上追求极致，从而在下一代计算架构的竞争中占据优势，形成算力优势方可能“算法懒惰”而算力饥渴方引领创新的悖论[11] - AI正被用于攻克“千禧年大奖难题”以训练其推理能力，一旦成功解决如纳维-斯托克斯方程等难题，将在核聚变控制、天气预报及空气动力学等领域带来物理学层面的颠覆性突破[12][15] - 到2026年可能见证“非人类智能”的诞生，这种智能不依赖于复述人类知识，而是通过纯粹的逻辑推演发现新真理[15] - 新的AI缩写词如SAI、RAC、HAC、DAE、SRS将定义新兴技术类别，并可能催生由精通细分领域的年轻创业者建立的数十亿美金市值公司，开启“一人独角兽”时代[16][18] 经济重构：从数字化转型到AI原生 - “数字化转型”概念将被“AI原生”取代，企业将用AI从零开始重写业务流程，而非在旧系统上修补，预计员工人数将减少10到20倍[19] - 新的组织架构将呈现极致的商业极简主义，即“人类设定愿景 + AI负责闭环”，这可能终结标准化SaaS软件的商业模式，因为AI能实时生成最适配的应用[20] - AI将在最具经济价值的任务上达到90%的胜任率，使基础的信息处理、表格整理、代码编写等知识工作价值趋近于零，人类角色将转向定义问题、审美判断与复杂系统理解[22] - 全栈AI员工可能以低至月租50美元的成本出租，胜任会计、律师、营销等职位，这将颠覆职场信任机制，使线上互动默认被视为AI生成，而物理接触与真人服务成为奢侈品[23] - 传统教育模式面临破产，雇主将更看重实际成果而非学历证书，教育将分化为继续生产“做题家”的“证书工厂”与培养韧性、创业精神及AI驾驭能力的“代理加速器”，教育的核心将转向人的能动性[23][24][25][26] 物理越狱：太空、自动驾驶与生物科技 - 2026年月球南极沙克尔顿陨石坑的水冰资源可能成为商业开采目标，这标志着“地月经济圈”的正式开启，水冰电解产生的液氢液氧是完美的火箭燃料，控制月球水资源意味着控制深空通道[29][31] - L5级自动驾驶的实现依赖于云端算力与“世界模型”，车辆作为执行终端，这将推动Robotaxi发展，释放城市中用于停车的大量黄金地段，改变城市形态[33][34] - 人形机器人将走出实验室，接管枯燥、脏、危险的“3D工作”，解决劳动力短缺问题[33] - 衰老可能被视作“软件故障”，通过重编程表观遗传标记（如使用“山中因子”）来逆转细胞老化，2026年可能开启相关人体试验，目标是实现“长寿逃逸速度”，使预期寿命的增长速度超过时间流逝[35][36] 时代趋势与核心能力 - 未来图景是“极端富足”与“快速过时”并存，能源、算力、健康、太空资源将变得廉价，而旧有社会契约、职业身份和商业模式将快速崩塌[38] - 在新的时代，个人的核心护城河在于极度的野心、独到的品味以及统帅力，即定义好问题的能力，而非寻找答案[38]

智能爆炸：摩尔定律的终结与“新物种”的诞生 - 通过量化技术，AI模型体量将暴涨100倍，在同等硬件条件下实现比当前云端超级计算机更强大的推理能力，并可能催生下一代计算架构[9][11][12] - AI有望解开如黎曼猜想、纳维-斯托克斯方程等“千禧年大奖难题”，从而在核聚变控制、天气预报等领域带来颠覆性突破，并可能催生一种基于纯粹逻辑推演的“非人类智能”[14][17][18] - 新的AI缩写词（如SAI、RAC、HAC）将缔造新的年轻亿万富翁，创业门槛极大降低，一个18岁的天才少年可能凭一己之力创建市值数十亿美金的公司，开启“一人独角兽”时代[19][23][24] 经济重构：从“数字化转型”到“AI原生” - “数字化转型”将终结，被“AI原生”取代，企业将用AI从零开始重写一切，组织架构将变得极其精简，预计员工人数将减少10到20倍，SaaS和传统咨询商业模式面临终结[27][29][31] - AI将在最具经济价值的任务上达到90%的胜任率，基础的知识工作价值将趋近于零，人类的角色将转变为定义任务、进行审美和复杂判断[32][33][35] - 全栈AI员工可能以月租50美元的低成本出租，能通过远程图灵测试，这将颠覆职场信任基石，使“物理接触”和“真人服务”成为昂贵奢侈品[36][37][38] - 传统教育模式将破产，大学文凭价值下降，真实项目记录和AI驾驭能力更受重视，教育将分化为“证书工厂”和注重培养能动性、创业精神的“代理加速器”[39][40][41] 物理越狱：逃离地球、衰老与肉体束缚 - 2026年月球南极水冰资源的商业开采可能启动，标志着“地月经济圈”正式开启，控制月球水资源意味着掌控深空探索的“加油站”[47][48][50][51] - L5级自动驾驶将实现，依靠云端算力与“世界模型”连接，同时人形机器人将接管枯燥、脏、危险的工作，这将引发城市形态革命，释放大量停车场土地资源[53][54][55] - 通过表观遗传重编程等技术逆转衰老可能进入人体试验阶段，目标是触达“长寿逃逸速度”，将死亡从哲学宿命转变为可管理的工程问题[58][59][60]

文章核心观点 - 文章介绍了一种通过OVS指标及其PV3和OV3输出值，结合“堆量”图形特征，来早期识别具备上涨潜力的“领涨堆量蛮牛”股票的技术分析方法[1][4][5] 堆量图形的特征与识别 - 堆量启动时，首先会出现一根量比极大的量柱，其高度通常超过过去一年中的任何一根量柱，随后是连续的高量柱，并伴随着股价上涨和一年价格高点的突破[4] - 堆量模式通常具备三个关键特点：极大的量比、极大的交易金额、以及从底部连续上涨并突破一年高点[6] - 堆量模式多见于中小盘股，若初始阶段PV3小于OV3，可能意味着启动量比不够大或股票盘子太大，不适合此模式[4] OVS指标的核心应用 - OVS指标的PV3输出表征量比极大，对超高量柱反应敏捷，会迅速突变，连续3天累加后数值会非常醒目[4] - OVS指标的OV3输出表征成交金额的绝对数量极大，其数值通过日日累计爬升，在3~5日累计后，其峰值会远高于以往任何时点的输出值[4] - 在堆量起始阶段，PV3的数值一般大于OV3；到了后期，OV3的数值会反过来大于PV3，这是识别堆量发展初始阶段的一个重要特征[4] - 锁定堆量牛股的基本设定是：PV3率先达到40以上，OV3随后跟进达到30以上，同时满足PV3大于OV3的条件[5] - 根据此设定编写的选股器，在全市场每天能选出的股票数量大约为个位数或十几只，行情好时可能更多，行情不好时可能一只都选不出[5]

电子行业资金动向 - 电子行业出现单日融资净买入15.26亿元 [1] - 新易盛净买入额达11.71亿元，中际旭创、香农芯创等个股紧随其后 [4] 机构资金行为模式 - 机构资金与游资活跃度交替出现形成“抢筹”信号 [9] - 2025年10月涨幅前30的个股平均出现3.36次抢筹现象 [12] - 例如，大有能源在2025年10月9日至10月29日区间涨幅达110.10%，期间出现5次抢筹现象 [13] 市场信息解读 - 市场中最值钱的不是消息，而是解读消息的能力 [4] - 量化数据提供了透视市场的工具，有助于打破信息不对称 [14][15]

标普信用评级（中国）有限公司事件 - 公司被北京证监局出具警示函 [1] - 违规原因包括未遵循评级一致性原则和未按要求进行信息披露 [1] 散户常见投资误区 - 误区一为持股待涨 在牛市中易导致资产如坐过山车 [3] - 误区二为只做热点 追涨热门股易成为接盘侠 [3] - 误区三为信奉强者恒强 易在股价高点买入 [3] - 误区四为博取超跌反弹 易抄底在半山腰 [3] 有效投资策略 - 关键策略包括不看冷热 不看涨跌 不看高低 [3] - 应避免凭主观感觉判断股价高低点 [3] 机构资金行为分析 - 以国盛智科为例 三个月股价翻倍但期间有调整 [5] - 量化系统数据显示 股价调整时机构活跃度未减 表明机构资金未撤离 [7] - 以华培动力为例 股价下跌过程中的反弹缺乏机构资金持续参与 [9][11] 市场信息不对称问题 - 散户最大劣势在于信息不对称 无法获取与分析机构层级的数据 [12] - 量化技术的发展使得部分机构级数据对普通投资者开放 [12] - 投资决策应基于资金真实动向而非K线图表象 [11][12]

增强指数型基金市场发展 - 增强指数型基金获公募机构青睐 今年以来新发行数量破百达106只 超过2024年42只和2023年59只的全年新发数量 [1][2] - 合并发行份额达610.97亿份 超过2024年214.27亿份和2023年265.90亿份的全年规模 [2] - 14只新产品规模超10亿元 广发创业板指数增强以23.93亿份居首 鹏扬中证A500指数增强19.40亿份和博道中证全指指数增强19.11亿份紧随其后 [2] 产品布局动因 - 兼具指数化投资透明低成本优势与量化技术获取超额收益潜力 [3] - 新指数如中证A500行业覆盖全面均衡 与量化增强策略天然契合 [3] 业绩表现 - 近一年512只可统计产品中511只实现正收益 12只收益率超100% 创金合信北证50成份指数增强A达147.23% [4] - 超六成产品近一年取得超额收益 华泰柏瑞中证2000指数增强A跑赢基准31个百分点 收益率102.74% [4] - 近五年177只可统计产品中150只获超额收益 华夏中证500指数增强A等四只产品跑赢基准均超40个百分点 [4] 市场展望 - 政策面巩固资本市场回稳向好 美联储降息确定性与全球流动性宽松支撑A股中期上行逻辑 [5] - 建议适度增配银行股等稳健资产 关注AI算力与应用、创新药、互联网等科技品种回调布局机会 [5] - 市场情绪较热波动率或放大 需跟踪成交量指标警惕高位板块风险 科技板块中互联网估值合理 出海方向有色领域弹性较大 [5] - 量化多因子策略将持续应用 通过风险控制减少风格转换带来的超额收益回撤 [6]

公司概况与创始人背景 - AI创业公司Fireworks AI估值达288亿美元，成为新晋独角兽 [1] - 创始人乔琳拥有复旦大学计算机系本硕学位及加州大学圣巴巴拉分校博士学位，曾在IBM、LinkedIn担任技术高管，并在Meta领导超过300人的工程团队，主导将PyTorch从科研工具打造为行业标杆 [1][2] - 公司创始团队由七位成员组成，包括六位PyTorch核心成员和一位前谷歌AI专家，被誉为AI基础设施领域的“梦之队” [2] 商业模式与核心技术 - 公司定位为AI算力服务提供商，通过租用英伟达等公司的GPU服务器，预先安装并优化主流开源大模型（如Llama、DeepSeek），为客户提供按流量付费的API调用服务 [5] - 核心优化技术包括“量化技术”和“推测执行”，前者通过模型压缩提升计算效率，后者通过预测性生成大幅加速推理过程 [9][10][11] - 技术应用效果显著，以客户Cursor为例，其AI模型推理速度提升至每秒生成约1000个token，比普通推理快13倍，比使用GPT-4快9倍 [11][12] - 自研的Fire Attention技术进一步优化推理速度并降低资源消耗，为客户节省成本 [11] 资本布局与行业竞争 - 公司获得红杉、Benchmark等顶级风投及产业巨头英伟达、AMD的共同投资 [1][13][14] - 英伟达作为A轮投资方，与公司存在深度技术合作和客户关系，但同时也收购了公司竞争对手Lepton，并推出自有GPU云服务市场，形成潜在竞争 [14][15] - 创始人乔琳指出，英伟达对有利可图的市场均可能进入，竞争是必然趋势，且预计竞争将很快发生 [15][16] - 公司当前40亿美元估值反映了市场对其技术的认可，但需在英伟达等巨头全面入场前快速扩大规模并建立护城河 [17]

核心观点 - 清华AIR与字节联合SIA Lab发布的DAPO系统实现了大规模LLM强化学习的开源SOTA，使Qwen2.5-32B模型在AIME 2024基准上获得50分 [1] - 刘力源、姚峰团队发现DAPO-32B中rollout生成占70%训练时间，通过8bit量化和TIS技术显著加速训练 [3] - FlashRL是首个开源且可用的强化学习方案，在推理阶段应用INT8/FP8量化且性能与BF16持平 [4][15] - TIS技术解决了量化rollout与训练不匹配问题，使性能达到甚至超过BF16 rollout水平 [16] - FlashRL在32B模型上实现1.75倍加速，在内存受限场景下加速比可达3-5倍 [29][34] 技术突破 - 量化技术应用：在rollout阶段采用8bit量化技术，通过TIS保持下游性能 [3][4] - 性能表现：INT8量化使32B模型吞吐量提升1.75倍，FP8量化性能与BF16相当 [23][29] - 内存优化：在TP2-A6000配置下生成速度提升超3倍，TP1-A100配置下超5倍 [34] - 兼容性：支持INT8/FP8量化，兼容H100和A100 GPU [42] 实验结果 - 模型表现：Qwen2.5-32B在AIME基准上获得50分 [1] - 加速效果：7B模型加速比不足1.2倍，32B模型达1.75倍 [29] - 性能对比：INT8 rollout与BF16 rollout在AIME基准准确率相当 [36] - 训练效率：INT8 rollout单位小时内完成的更新步数显著高于BF16 [39] 应用部署 - 安装使用：通过pip install flash-llm-rl即可安装，无需修改代码 [41] - 技术细节：完整技术方案发布于团队博客 [8][17] - 开源资源：论文和代码已在GitHub开源 [7][8]