:::note 本篇博客的大量图片来自3Blue1Brown，你可以点击这个链接找到他们的B站官方账号 :::

谈及AI，我们现在大概率会直接想到大模型。诚然，大模型背后的庞大参数量和实现原理固然令人赞叹，但追本溯源我们会发现这些庞然大物的根基仍然是我们熟知的那个概念——神经网络。本篇作为“模型考古学”系列的第一篇，我会从神经网络的结构开始，一步步探寻大模型背后的奥秘。

机器学习的迷人之处在于，它赋予了机器“学习”的能力，而不再需要我们在代码中事无巨细地规定任务的执行步骤。这与 AI 发展初期的思路截然不同，那时，我们需要为每个特定任务编写明确的指令。如今，我们更倾向于构建一种通用的、具有可调参数的灵活架构，然后利用大量的样本数据（即输入与期望输出的对应关系）去训练这个架构。通过不断调整参数，模型逐渐学会模仿数据中蕴含的规律。以最简单的线性回归为例，我们输入房屋面积，期望得到预测的价格，这中间只需找到一条最佳拟合线——它由斜率和截距这两个关键参数定义。通过优化这些参数，我们就能让这条直线最大程度地贴合已知的房屋面积与价格数据，从而预测未来的房价。而这，仅仅是机器学习的冰山一角。

一个更容易理解的说法是：我们不直接告诉机器怎么做，而是搭建一个灵活的“大脑”——神经网络，然后给它看海量的“例子”，比如“这个面积的房子大概值多少钱”。机器“看”多了，自己就能琢磨出规律，慢慢地，它就能根据输入的面积，猜出个八九不离十的价格。这就像我们小时候学东西，不是靠死记硬背公式，而是通过不断的观察和练习，学会举一反三。从最简单的线性回归，到如今火爆的各种深度学习模型，背后的原理其实都一样：用数据训练模型，让模型自己找到最佳答案。

一、从神经网络结构开始说起

1.基本结构

顾名思义，神经网络之名来源自人的大脑结构，神经网络里的神经元（Neuron）也可以对应我们大脑中的神经。在大脑中，一个神经元通常有多个树突用于接收信号，一个轴突用于发送信号。神经元会通过突触与其他神经元进行连接，并根据接收信号的总和决定其激活状态，就像一个生物版本的逻辑门。神经元之间连接的强弱会在学习过程中不断发生改变，进而影响信息处理的方式，这便是我们学习和记忆的基础。

人工神经网络中的神经元模型 正是对生物神经元的简化模拟。一个典型的人工神经元模型，例如经典的 McCulloch-Pitts (M-P) 模型，也拥有类似的功能结构。它接收来自其他神经元或外部输入的信号，每个输入信号都乘以一个对应的 权重（weight） ，这些加权后的信号在神经元内部进行 求和（summation） ，然后将总和与一个 阈值（threshold） 进行比较。如果总和超过了阈值，神经元就会被激活，并通过 激活函数（activation function） 产生一个输出信号；否则，神经元则保持静默。

这个简单的数学模型，虽然看起来和我们生物体内的神经元相去甚远，却奠定了整个神经网络大厦的基石。我们可以将激活函数理解为对神经元是否“兴奋”的判定，不同的激活函数，例如阶跃函数、Sigmoid 函数、ReLU 函数等，都扮演着将神经元输入转化为输出的角色，同时也为神经网络引入了非线性，使其能够处理更复杂的任务。

从单个神经元到神经网络， 我们可以将多个神经元按照一定的层次结构连接起来，形成神经网络。最简单的结构便是 前馈神经网络（Feedforward Neural Network） ，其中神经元分层排列，信号只能从前一层单向传递到后一层，层内神经元之间没有连接。

在这种网络结构中，第一层被称为 输入层（Input Layer） ，负责接收外部输入的数据；最后一层被称为 输出层（Output Layer） ，负责输出网络的计算结果；中间的层被称为 隐藏层（Hidden Layer） ，隐藏层的层数和每层的神经元数量可以根据任务的复杂程度进行调整。

我们可以把神经元看做是一个函数（Function），它输入的是上一层所有神经元的输出，而它的输出是一个0到1之间的值。其实整个神经网络就是一个函数，在上图中是一个输入784个值（因为图片的像素是28*28），输出10个值（因为输出的是十个数字的概率）的函数。不过这个函数极其的复杂，它用了13002个权重参数偏置函数来识别特殊图案，当然这个函数要是不复杂的话我们又怎么能放心的用它来识别数字了呢（）

那么，我们的神经网络是如何处理这项艰巨任务的，神经网络又是如何通过数据来获得合适的权重和偏置的？答案是 反向传播算法（Backpropagation）。

:::note

我们想要这么一种算法，你可以给这个网络看一大堆训练数据，其中包括一堆不同的手写数字图像，以及它们代表哪个数字的标记，算法会调整这13000个权重和偏置值，以提高网络对训练数据的表现。我们希望这种分层结构可以让它举一反三，识别训练数据之外的图像。训练好网络后，我们会给它更多以前从未见过的带标记的数据作为测试，你就可以看到这个模型对新图像进行分类的准确度。

:::

2.反向传播算法

反向传播算法 可以说是神经网络的灵魂所在，它的核心思想可以概括为：计算损失，反向传播，更新权重 。

（1）、计算损失（Loss Calculation）：

首先，我们需要一个衡量神经网络当前输出与期望输出之间差距的指标，这就是 损失函数（Loss Function） 。例如，在手写数字识别任务中，如果我们输入一张数字“2”的图片，期望的输出是“[0, 0, 1, 0, 0, 0, 0, 0, 0, 0]”，而神经网络实际输出的是“[0.1, 0.2, 0.5, 0.05, 0.02, 0.03, 0.01, 0.02, 0.05, 0.02]”，那么我们就需要一个损失函数来计算这两个向量之间的差异。常用的损失函数包括均方误差（Mean Squared Error, MSE）、交叉熵损失（Cross-Entropy Loss）等。损失函数的值越大，表示网络的输出与期望输出的差距越大，网络的性能越差。

（2）、反向传播（Backpropagation）

这一步是反向传播算法的精髓所在。它利用 链式法则（Chain Rule） ，从输出层开始，逐层计算每个权重对最终损失的 梯度（Gradient） 。可以把梯度理解为“权重对损失的影响程度”，它是一个向量，指明了损失函数在当前权重值下，沿着哪个方向变化最快，以及变化的速率。

让我们用一个简化的例子来说明：假设输出层的某个神经元 j 的输出值为 $y_j$，它与期望输出 $t_j$ 之间的误差为 $E$ (假设使用 MSE 作为损失函数，则 $E = 0.5 * (y_j - t_j)^2$)。神经元 j 的输出 $y_j$ 是由上一层神经元 i 的输出 $y_i$ 经过加权求和并经过激活函数得到的，即 $y_j = f(∑ w_{ij} * y_i + b_j)$，其中 $w_{ij}$ 是神经元 i 到神经元 j 的权重，$b_j$ 是神经元 j 的偏置。

现在，我们想要知道权重 $w_{ij}$ 对误差 $E$ 的影响，即 $\partial E/\partial w_{ij}$。根据链式法则，我们可以将这个偏导数分解为： $$ ∂E/∂w_ij = ∂E/∂y_j * ∂y_j/∂net_j * ∂net_j/∂w_ij $$ 其中 $$net_j = ∑ w_ij * y_i + b_j$$。

• $\partial E/\partial y_j$ 表示误差对神经元 j 输出的变化率，可以直接根据损失函数的定义计算得出。
• $\partial y_j/\partial net_j$ 表示神经元 j 的输出对其加权输入和的变化率，这取决于激活函数的导数。
• $\partial net_j/\partial w_{ij}$ 表示神经元 j 的加权输入和对权重 $w_{ij}$ 的变化率，这个值恰好等于 $y_i$。

通过这种方式，我们可以计算出输出层每个权重对损失的梯度。然后，我们可以将误差信号继续向后传播，计算隐藏层每个权重对损失的梯度。这个过程一直持续到输入层，所有权重的梯度都被计算出来。

（3）、更新权重（Weight Update）:

得到每个权重的梯度后，我们就需要根据梯度来更新权重。更新的原则是：**沿着梯度的反方向调整权重，因为梯度的反方向是损失函数下降最快的方向，**常用的权重更新方法是 梯度下降法（Gradient Descent）。

总结来说，反向传播算法通过计算损失函数对每个权重的梯度，并根据梯度来更新权重，从而使得网络的输出逐渐逼近期望输出。这个过程不断迭代进行，直到网络的损失降到足够小，或者达到预设的训练轮数。

通过反向传播算法，神经网络可以从大量的训练数据中学习到合适的权重和偏置，从而具备强大的模式识别和预测能力。而大模型，则是在此基础上，通过增加网络的深度和宽度，使用更复杂的网络结构和训练技巧，进一步提升了模型的性能和泛化能力。

2.梯度下降法

梯度下降法（Gradient Descent） 是一种广泛应用于机器学习，尤其是神经网络训练中的一阶迭代优化算法。其核心思想是，通过迭代地沿着损失函数梯度的反方向来更新模型参数（例如神经网络中的权重和偏置），从而逐步逼近损失函数的最小值，最终找到模型的最优参数。

（1）、梯度的含义回顾

在深入了解梯度下降法之前，让我们再次回顾一下梯度的概念。梯度是一个向量，它指向函数在某一点处变化最快的方向，并且其大小表示函数在该方向上的变化率。对于一个多元函数，其梯度由各个自变量的偏导数组成。在神经网络中，我们关注的是损失函数关于各个权重和偏置的梯度。

想象一下你站在一座山上，目标是走到山谷的最低点。你环顾四周，找到了最陡峭的下坡方向（梯度反方向），然后迈出了一小步。接着你再次观察周围环境，找到新的最陡峭下坡方向，然后又迈出了一小步。重复这个过程，你最终将到达山谷的最低点。这就是梯度下降法的直观体现。

（2）、数学描述

假设我们有一个损失函数 $J(\theta)$，其中 $\theta$ 是一个向量，表示模型的所有参数（权重和偏置）。梯度下降法的目标是找到一组 $\theta$，使得 $J(\theta)$ 最小化。

梯度下降法的更新规则如下：

$\theta(t+1) = \theta(t) - \eta * \nabla J(\theta(t))$

其中：

• $\theta(t)$ 表示第 $t$ 次迭代时的参数值。
• $\theta(t+1)$ 表示第 $t+1$ 次迭代时的参数值。
• $\eta$ 是学习率（Learning Rate），一个正数，控制每次迭代的步长。
• $\nabla J(\theta(t))$ 表示损失函数 $J(\theta)$ 在 $\theta(t)$ 处的梯度。

（3）、计算步骤

1.初始化参数： 随机初始化模型参数 $\theta(0)$。 2.计算梯度： 使用反向传播算法（或其他方法）计算损失函数 $J(\theta)$ 关于当前参数 $\theta(t)$ 的梯度 $\nabla J(\theta(t))$。 3.更新参数： 按照上述更新规则，使用梯度和学习率来更新参数 $\theta(t+1)$。 4. 重复步骤 2 和 3： 不断迭代，直到满足停止条件。常见的停止条件包括： - 达到预设的最大迭代次数。 - 损失函数的值变化小于某个阈值。 - 梯度的模长小于某个阈值。

（4）、学习率

学习率 η 是梯度下降法中一个至关重要的超参数。它决定了每次参数更新的步长。

• 学习率过大： 可能导致参数更新过猛，越过最小值，甚至导致损失函数发散，无法收敛。就像你在下山时步子迈得太大，可能会直接跳过山谷，甚至跑到另一座山上。
• 学习率过小： 会导致参数更新缓慢，训练过程耗时过长。就像你下山时步子迈得太小，可能需要很长时间才能到达山谷。
• 合适的学习率： 使得参数能够平稳地接近最小值，并在最小值附近震荡，最终收敛到最小值。

（5）、梯度下降法的变体

为了提高梯度下降法的效率和稳定性，研究者们提出了许多变体，常见的包括：

• 批量梯度下降法（Batch Gradient Descent, BGD）： 每次迭代使用 所有 训练样本来计算梯度。优点是每次更新都朝着全局最优方向前进，缺点是计算量大，训练速度慢，尤其是对于大规模数据集。
• 随机梯度下降法（Stochastic Gradient Descent, SGD）： 每次迭代 随机选择一个 训练样本来计算梯度。优点是计算速度快，尤其适合大规模数据集；缺点是由于每次只使用一个样本，更新方向可能不稳定，存在较大噪声，但从期望来看，它是沿着正确的方向的。
• 小批量梯度下降法（Mini-Batch Gradient Descent, MBGD）： 每次迭代使用 一部分（一个 mini-batch） 训练样本来计算梯度。这是 BGD 和 SGD 的折中方案，既能加快训练速度，又能提高稳定性，是目前最常用的梯度下降法变体。

当然，梯度下降法也会有其局限性。例如其可能会陷入局部最小值，而无法达到全局最小值，尤其是对于非凸函数。就比如我们在下山时可能会到达一个小的山谷，但这个山谷并不是整座山的最低点。梯度下降法在鞍点处可能会停滞不前，因为鞍点处的梯度为零。鞍点是一个既不是局部最小值也不是局部最大值的点，就像马鞍的中心点一样。最后，学习率的选择对于训练结果的影响很大，需要按照实际经验来一点点调整。

二、大模型的架构解析

目前，绝大多数主流的大语言模型都基于 Transformer 架构。Transformer 架构最初是在 2017 年的论文 "Attention is All You Need" 中提出的，它彻底改变了自然语言处理领域。

为什么Transformer如此重要？

• 并行化处理：因为相较于之前的循环神经网络（RNN）和长短期记忆网络（LSTM），Transformer 能够并行处理输入序列中的所有词，大大提高了训练效率。
• 注意力机制： Transformer 的核心是注意力机制（Attention Mechanism），它允许模型关注输入序列中不同词之间的关系，并根据这些关系动态调整每个词的权重，从而更好地理解上下文信息。
• 长距离依赖：Transformer 能够有效地捕捉长距离依赖关系，这对于理解复杂的语言结构至关重要。

1.组成架构

（1）、嵌入层

在输入到 Transformer 之前，输入序列中的每个词都需要被转换成一个向量表示，这个过程称为 词嵌入 (Word Embedding)。嵌入层负责将每个词映射到一个固定维度的向量，这个向量能够表示该词的语义信息。

• 常用的词嵌入方法: Word2Vec, GloVe, FastText 等。
• 子词嵌入 (Subword Embedding): 为了解决未登录词 (Out-of-Vocabulary, OOV) 问题，现代 LLM 通常使用子词嵌入，例如 字节对编码 (Byte Pair Encoding, BPE) 或 WordPiece。这些方法将词分解成更小的子词单元，并为每个子词单元学习一个向量表示。

:::note

嵌入层之后就是我们的 Transformer 了，一个典型的 Transformer 模型由两个主要部分组成：编码器 (Encoder) 和 解码器 (Decoder)。

:::

（2）、Encoder 编码器

编码器的作用是将输入序列（例如一句话）转换成一个包含丰富语义信息的向量表示，称为 上下文向量 (Context Vector) 或 隐藏状态 (Hidden State)。

我们的Encoder编码器通常由多个相同的编码器层（Encoder Layer）堆叠而成，而每个编码器层又包含两个主要子层：

• 自注意力层 (Self-Attention Layer): 这是 Transformer 的核心。自注意力机制允许模型关注输入序列中每个词与其他所有词之间的关系，并计算出一个权重矩阵，表示每个词对其他词的重要性。通过这种方式，模型可以理解每个词在句子中的上下文含义。
  • 计算过程: 自注意力层会为输入序列中的每个词计算三个向量：查询向量 (Query)、键向量 (Key) 和 值向量 (Value)。然后，通过计算查询向量和键向量的点积来衡量每个词之间的相关性，并使用 Softmax 函数将这些相关性分数归一化为权重。最后，将这些权重与相应的值向量相乘并求和，得到每个词的上下文表示。
  • 多头注意力 (Multi-Head Attention): 为了捕捉更丰富的语义信息，通常会使用多头注意力机制。它将输入序列映射到多个不同的表示空间，并在每个空间中独立地计算自注意力，最后将所有头的输出拼接起来。
• 前馈神经网络层 (Feed-Forward Network Layer): 这是一个简单的全连接神经网络，对自注意力层的输出进行进一步的非线性变换，增强模型的表达能力。

（3）、Decoder 解码器

解码器的作用是根据编码器输出的上下文向量生成目标序列（例如翻译后的句子）。

与编码器类似，解码器也由多个相同的 解码器层 (Decoder Layer) 堆叠而成。每个解码器层包含三个主要子层：

• 自注意力层 (Self-Attention Layer): 与编码器中的自注意力层类似，但解码器中的自注意力层只能关注到当前词和之前的词，这是为了防止模型在生成当前词时“偷看”到未来的信息，这被称为 掩码自注意力 (Masked Self-Attention)。
• 编码器-解码器注意力层 (Encoder-Decoder Attention Layer): 这个子层允许解码器关注编码器输出的上下文向量。解码器中的每个词都会计算一个查询向量，并与编码器输出的所有键向量和值向量进行交互，从而获取与当前生成任务相关的上下文信息。
• 前馈神经网络层 (Feed-Forward Network Layer): 与编码器中的前馈神经网络层类似，对注意力层的输出进行非线性变换。

（4）、Output Layer 输出层

解码器的最后一层输出一个向量，这个向量的维度与词汇表大小相同。然后，通过一个 Softmax 函数将这个向量转换成一个概率分布，表示每个词作为下一个词的概率。

2.为什么大模型如此之大？

在之前的讨论中，我们了解了神经网络的基础：反向传播和梯度下降，也领略了 Transformer 架构的精妙。现在，一个自然而然的问题浮现在我们脑海：为什么现在的大语言模型（LLM）都如此庞大？动辄数十亿、上千亿甚至上万亿的参数，究竟这些庞大的模型是如何炼成的，海量的训练数据又被模型“消化”到哪里去了呢？

（1）、大模型的“大”体现在哪里：

大模型的“大”，直观上体现在两个方面：

• 模型参数量巨大： 正如前面提到的，GPT-3 的参数量达到了 1750 亿，而后续的 PaLM、Gopher 等模型更是将参数量推向了新的高度。这些参数主要指的是模型中神经元之间的连接权重和偏置，每一个参数都是一个需要通过训练来确定的数值。
• 训练数据量庞大： 大模型的训练离不开海量的数据。GPT-3 使用了约 45TB 的压缩文本数据，而其他大模型使用的训练数据量也都在数百 GB 到数 TB 的级别。这些数据通常来源于互联网、书籍、论文等各种来源，涵盖了各种各样的主题和语言风格。

（2）、为什么要这么大？

简而言之，更大的模型和更多的数据通常意味着更强的能力和更好的泛化性能。 这背后的原因可以从以下几个方面来理解：

• 更强的模式识别能力： 大模型拥有更多的参数，这意味着它拥有更复杂的内部结构和更强大的非线性拟合能力。这使得它能够捕捉到训练数据中更细微、更复杂的模式和规律。如果把模型比作一个函数，那么更多的参数就意味着这个函数可以拥有更复杂的形态，从而更好地逼近真实世界中各种复杂的现象。
• 更好的泛化能力： 泛化能力是指模型在面对从未见过的数据时的表现。大模型通常拥有更好的泛化能力，因为它们在训练过程中见过了更多的数据，学习到了更普遍性的规律，而不是仅仅记住了训练数据中的特定例子。这就像一个学生，如果他只做了几道练习题，那么他可能只会做这几道题，但如果他做了大量的练习题，那么他就更有可能掌握解题的普遍方法，从而能够解决各种各样的新题目。
• 更丰富的知识表示： 大模型可以看作是一个巨大的知识库，它将海量的训练数据中蕴含的信息压缩并存储在其参数中。模型参数越多，这个知识库的容量就越大，能够存储的信息就越丰富。当模型遇到新的任务或问题时，它可以从这个知识库中检索相关的信息，并利用这些信息来生成答案或执行任务。

（3）、海量的训练数据都去哪了？

那么，如此庞大的训练数据，在训练完成后都去哪里了呢？它们并没有以原始的形式存储在模型中，而是被模型“消化吸收”，转化成了模型的参数（权重和偏置）。

我们可以将模型的训练过程类比为“读书学习”。当我们阅读一本书时，我们并不会把书中的每一个字都一字不差地记住，而是会理解书中的内容，并将这些内容提炼成我们自己的知识，存储在我们的记忆中。类似地，模型在训练过程中，会不断地调整自己的参数，使得模型的输出能够更好地匹配训练数据。这个过程实际上就是将训练数据中的信息压缩并编码到模型参数中的过程。

具体来说，训练数据通过以下方式影响模型的参数：

• 梯度下降： 在训练过程中，模型会计算损失函数关于每个参数的梯度，并根据梯度来更新参数。训练数据决定了损失函数的具体形式，从而影响了梯度的计算，最终影响了参数的更新方向和幅度。
• 参数的最终值： 经过大量的迭代训练后，模型的参数会收敛到一个特定的值，这些值就是模型从训练数据中学到的知识的体现。不同的训练数据会导致不同的参数值，从而使得模型表现出不同的行为和能力。

可以这样理解：训练数据塑造了模型的参数，而模型的参数则承载了模型从训练数据中学到的知识。

（4）、这些知识都是如何储存的？

需要注意的是，模型对知识的存储方式与人类的记忆机制有很大的不同。人类的记忆是显式的，我们可以清晰地回忆起具体的事件和知识。而模型的“知识”是隐式地分布在其所有的参数中，我们很难从某个具体的参数值中解读出模型学到了什么具体的知识。

这就像一个黑盒，我们知道输入（训练数据）和输出（模型预测），但我们很难理解中间的“知识”是如何被表示和存储的。 这也是目前深度学习领域的一个重要的研究方向：可解释性。

3.大语言模型（LLM）架构的发展历程

基于 Transformer 架构，目前主要有三种主流的 LLM 架构：

• 仅编码器模型 (Encoder-only Models): 例如 BERT、RoBERTa。这类模型只使用 Transformer 的编码器部分，擅长于理解语言，常用于文本分类、情感分析、命名实体识别等任务。它们通常通过 预训练 (Pre-training) 和 微调 (Fine-tuning) 的方式进行训练。
  • 预训练: 在大规模无标注文本数据上进行预训练，学习通用的语言表示。常用的预训练任务包括 掩码语言模型 (Masked Language Modeling, MLM) 和 下一句预测 (Next Sentence Prediction, NSP)。
  • 微调: 在特定任务的标注数据集上进行微调，将预训练学到的通用语言表示适配到具体任务。
• 仅解码器模型 (Decoder-only Models): 例如 GPT 系列 (GPT-1, GPT-2, GPT-3, GPT-4)。这类模型只使用 Transformer 的解码器部分，擅长于生成文本，常用于文本生成、对话系统、机器翻译等任务。它们通常通过 自回归 (Autoregressive) 的方式进行训练，即根据前面已生成的词来预测下一个词。
• 编码器-解码器模型 (Encoder-Decoder Models): 例如 BART、T5。这类模型同时使用 Transformer 的编码器和解码器部分，兼具理解和生成能力，常用于机器翻译、文本摘要等任务。

在大模型发展的早期阶段，encoder-only和encoder-decoder模型更受欢迎，但随着 2021 年 GPT-3 的横空出世，decoder-only 模型完成了一次漂亮的翻身仗。在 BERT 带来的最初爆炸性增长之后，encoder-only 模型逐渐开始失宠。

（1）、BERT风格语言模型：encoder-decoder 或 encoder-only

因为自然语言数据在前大模型时代还是很容易获取的，为了更好的利用这些超级数据集，人们提出了很多无监督训练的方式。这其中一种很常见的方法就是在给定上下文的情况下，预测句子中掩盖（masked）掉的单词，这种训练范式被称为 Masked Language Model (MLM)。

典型模型包括

• BERT
• RoBERTa
• T5

这种模型在许多 NLP 任务（如情感分析和 named entity 识别）中取得了 state-of-the-art 的结果， 已经成为自然语言处理领域的重要工具。

（2）、GPT风格语言模型：decoder-only

尽管语言模型通常在架构上是任务无关的，但都需要在特定下游任务的数据集上进行微调。

研究人员发现，扩展语言模型的参数规模（scaling up） 能显著提高少样本（few-shot）甚至零样本（zero-shot）性能。 少样本和零样本最成功的模型是自回归语言模型（Autoregressive Language Models，ALM）。

• 这些模型的训练方式：给出前面的单词，生成这句话的下一个单词。
• 这些模型已被广泛用于文本生成和问题回答等 NLP 任务。

典型的自回归语言模型包括，

• GPT-3
• OPT
• PaLM
• BLOOM

这其中，GPT-3 是一个划时代的模型，它首次通过提示（prompting）和上下文学习（in-context learning） 展示了少样本/零样本也能取得不错的性能，展现了自回归语言模型的优越性。

还有一些模型针对特定任务进行了优化，如

• CodeX ：代码生成
• BloombergGPT ：金融领域

最近的突破是 ChatGPT，它专门针对对话任务优化了 GPT-3，从而在各种实际应用中 互动性、连贯性，以及更好的上下文理解能力。

参考文献

[1] Vaswani A. Attention is all you need[J]. Advances in Neural Information Processing Systems, 2017.

[2] Yang J, Jin H, Tang R, et al. Harnessing the power of llms in practice: A survey on chatgpt and beyond[J]. ACM Transactions on Knowledge Discovery from Data, 2024, 18(6): 1-32.

阿里云的通义千问（Qwen）大模型在闭源和开源领域齐头并进，性能表现一直都非常不错。在2024年年末，Qwen-VL（Vision-Language）系列模型迎来了一次大幅降价，这对于像我这样希望利用大模型处理个人项目的开发者来说无疑是一大利好。今年年初我在进行图片分类时，主要还依赖于ResNet这类经典的卷积神经网络，然而随着多模态视觉-语言模型（VLM）的迅猛发展，加上Qwen-VL的成本优势凸显，给自己相册的几百上千张图片分类的价格成本已经可以降低至可以接受的、极具吸引力的水平。

于是，我开始着手探索如何利用这些强大的视觉语言模型（VLM）来改进自己的工作流。原本还得自己打标分类痛苦的训练微调ResNet模型，一点一点的炼丹看损失曲线是否收敛，现在可以直接借助VLM的零样本学习能力 (Zero-Shot Learning)，写点prompt就能让模型会意自动分类图片，甚至还能根据我的需求产出细腻的分类结果。比如，我在整理旅行照片时，可以直接告诉Qwen-VL模型：哪些照片是“日落”、“美食”、“人像”、“风景”，还可以进一步制定更加细化的类别，比如“黄昏下的海滩”或者“城市天际线中的日出”，模型都能给出相当靠谱的分类结果，完全不需要额外训练，这在几年前是不可想象的。

作为一名开发者，这种易用性与强大性能兼具 的体验堪称福音。以往在开发诸如 ResNet 或 EfficientNet 等模型时，我不得不投入大量精力进行繁琐的参数调优工作，甚至经常需要通宵进行数据标注，开发效率极其低下。然而，依托于VLM这种性能卓越的预训练模型和便捷的推理机制 ，我仅需构建精巧的提示词（Prompt） ，便可通过调用阿里云开放的 API 接口，迅速实现所需的分类或分析功能。这极大地解放了生产力，使我得以将更多精力专注于核心业务逻辑的构建，而非耗费在基础模型的训练与调优上。

第一节 使用 Qwen VL 执行图片分类任务

其实这部分原理非常简单，因为VLM模型可以同时理解图像和文本，能很方便的进行跨模态的理解和推理，所以我们只需要每次向模型发送图片和特定的提示词（prompt），模型就会自动分类判断输出该图片的类别，为了简化结果处理，我们只需编写一个简单的结果匹配解析模块即可。在系统架构层面，本项目采用与 OpenAI 兼容的 API 接口与 Qwen-VL 模型进行交互，并通过环境变量来管理 API 密钥及其他相关配置，确保了系统的灵活性、安全性与可维护性。

为提高分类速度，本项目支持多图片并发处理，并集成了图片预处理与压缩功能，有效平衡了处理效率与图像质量，确保系统高效稳定的运行，以下为项目在 GitHub 上的仓库地址：

::github{repo="Lapis0x0/VLMClassifier"}

具体处理管线

本项目的具体处理流程如下：首先对输入的图片进行精细化预处理。该步骤包括将图像尺寸统一调整至最大 1024x1024 像素，转换为 RGB 色彩空间，并使用质量系数为 85 的 JPEG 压缩算法以优化数据传输效率。

预处理完成后，系统将图片转换为 Base64 编码格式，并构建一个包含图片信息和预定义分类提示词的请求。随后，通过 API 调用 Qwen-VL-Plus 模型执行推理操作。针对模型返回的结果，项目采用深度解析策略来精确判定图像的最终类别。目前，系统预设了包括二次元、生活照片、宠物、工作和表情包在内的多个分类类别，并支持通过环境变量进行自定义类别扩展，从而满足不同用户的个性化需求。

在性能优化方面，本项目采用了线程池技术实现了多图片并发处理，并集成了完善的异常处理机制以应对各种潜在问题。此外，所有主要参数均可通过环境变量进行灵活配置，而图片优化策略则在保证处理效率的同时兼顾了图像质量。

本项目的主要优势在于：其一，依托先进的 VLM 模型，确保了对图片内容的准确理解；其二，实现了高效的并发处理机制，大幅提升了处理速度；其三，具备良好的可配置性和扩展性，方便用户根据自身需求进行定制；其四，集成了完善的图片预处理功能，在保证图像质量的同时提升了处理效率。得益于这些特性，本项目可广泛应用于批量图片分类整理、图片库管理以及自动化图片分类系统等多种场景。

总结

我就喜欢VLM这种简单粗暴泛用性强的解决方案，不需要过多设计效果就会非常棒。

第二节 使用Qwen-vl-ocr模型实现笔记归档整理

思路介绍

除了内容分类，Qwen vl还有一个特化分支——Qwen-vl-ocr，该模型专门针对图像中的文字提取任务进行了优化，它能够高效地识别并提取各种类型图像中的文字信息，包括：

• 文档: 扫描的文档、PDF文档等
• 表格: 各种形式的表格数据
• 试题: 试卷、练习题等
• 手写体文字: 手写笔记、信件等

目前，Qwen-vl-ocr模型支持多种语言，包括：中文、英文、法文、日文、韩文、德文、俄文、意大利文、越南文和阿拉伯文 。

:::note 此模型的输入输出单价为5元/百万 tokens，性价比拉满 :::

因此，我们可以利用Qwen-vl-ocr模型强大的文字识别能力来实现笔记的自动化归档整理。

具体实现步骤如下：

1. 图像预处理：我自己的笔记通常是多个页面拼接在一起的，因此需要对输入的图像进行必要的预处理，例如：分页、调整图像大小、灰度化、去噪等，以提高OCR模型的识别准确率。虽然Qwen VL OCR模型对图像质量有一定的鲁棒性，但良好的预处理可以进一步提升识别效果。
2. 文字提取：将预处理后的图像输入到Qwen VL OCR模型，模型会自动识别并提取出图像中的文字信息，并以文本的形式输出。
3. 文本后处理：模型OCR后输出的文本是非结构的，顺序不符合要求的原始文本，需要我们再调用一次其他模型进行修改润色，使其更符合我们的阅读习惯和归档需求。
4. 归档整理： 根据提取的文本内容，结合我们的实际需求，将笔记内容归类到不同的文件夹或数据库中。例如，我们可以根据关键词、主题、日期等信息进行分类整理。

项目地址：

::github{repo="Lapis0x0/NoteOCR"}

1.笔记检测与分页——基于边缘和轮廓的页面识别

考虑到模型单次能“记住”的信息有限，如果直接把十几页笔记直接丢给它，识别效果恐怕会大打折扣。所以，我们需要先给笔记做个“瘦身”——检测并分好页。 这样，模型每次只需处理一页的内容，识别起来自然更轻松，结果也更准确。

我的主要检测方法目前基于经典计算机视觉技术，通过预处理 、边缘检测与直线提取 以及页面区域识别三个阶段来定位每一页笔记的边界。

（1）预处理

• 灰度转换: 首先，我们将彩色图像转换为灰度图像。这简化了后续的处理步骤，因为我们只需要处理一个通道的信息。

  gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
  

• CLAHE 对比度增强: 为了应对光照不均或对比度较低的情况，我使用了对比度受限自适应直方图均衡化 (CLAHE) 技术。CLAHE 通过在图像的局部区域上进行直方图均衡化，有效地增强了图像的对比度，同时避免了过度放大噪声。

  • CLAHE 的数学原理可以简述为：将图像分成多个小块（tiles），对每个小块计算直方图并进行均衡化，然后使用双线性插值将结果平滑地组合起来。
  • 其核心公式为（以一个 tile 为例）： $$ g = \frac{(L-1) \sum_{i=0}^{f} hist(i)}{N} $$ 其中：
    • $g$ 表示均衡化后的像素值。
    • $f$ 表示原始像素值。
    • $L$ 表示灰度级数（例如 256）。
    • $hist(i)$ 表示灰度级为 $i$ 的像素数量。
    • $N$ 表示 tile 内的总像素数。

  clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
  enhanced = clahe.apply(gray)
  

• 高斯模糊降噪: 为了消除图像中的高频噪声，我们使用高斯模糊进行平滑处理。高斯模糊的内核大小可以根据图像的噪声水平进行调整。

  • 二维高斯函数的公式为： $$ G(x, y) = \frac{1}{2\pi\sigma^2}e^{-\frac{x^2+y^2}{2\sigma^2}} $$ 其中：
    • $(x, y)$ 表示像素坐标。
    • $\sigma$ 表示标准差，控制模糊的程度。

  blurred = cv2.GaussianBlur(enhanced, (5, 5), 0)
  

（2）边缘检测与直线提取：勾勒出页面的轮廓

经过预处理后，我们就可以开始寻找页面的边缘了。

• Canny 边缘检测: 我使用了经典的 Canny 边缘检测算法。Canny 算法通过计算图像梯度、非极大值抑制和双阈值处理等步骤，能够有效地检测出图像中的边缘。

  edges = cv2.Canny(blurred, 50, 150)
  

• 霍夫变换直线检测: 为了进一步提取出页面边缘的直线特征，我使用了霍夫变换。霍夫变换可以将图像空间中的直线映射到参数空间中的点，从而检测出图像中的直线。

  • 直线在极坐标系下可以表示为： $$ \rho = x\cos\theta + y\sin\theta $$ 其中：
    • $\rho$ 表示直线到原点的距离。
    • $\theta$ 表示直线法线与 $x$ 轴的夹角。
    • $(x, y)$ 表示直线上的点。
    • 霍夫变换通过在 $(\rho, \theta)$ 参数空间中进行投票，找出峰值点对应的直线。

  lines = cv2.HoughLines(edges, 1, np.pi / 180, 200)
  

• 创建线条掩码并进行形态学处理: 检测到的直线需要进一步处理，以形成完整的页面边界。我通过创建线条掩码，并进行膨胀和腐蚀操作，将断裂的边缘连接起来，并去除一些小的噪声。

（3）页面区域识别：框选出每一页笔记

有了清晰的边缘信息，我们就可以识别出每一页笔记的区域了。

• 查找轮廓: 使用 cv2.findContours 函数查找图像中的轮廓。

  contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
  

• 筛选矩形区域: 根据面积和长宽比等特征，筛选出可能是页面区域的矩形轮廓。

• 透视变换矫正: 对于倾斜或有透视变形的页面，我们需要进行透视变换进行矫正。通过找到矩形区域的四个顶点，并将其映射到标准矩形的四个顶点，可以实现页面的矫正。

  • 透视变换的矩阵 $M$ 可以通过解以下方程组得到： $$ \begin{bmatrix} x_i' \ y_i' \ 1 \end{bmatrix} = M \begin{bmatrix} x_i \ y_i \ 1 \end{bmatrix} $$ 其中：
    • $(x_i, y_i)$ 表示原始图像中的点。
    • $(x_i', y_i')$ 表示变换后图像中的对应点。
    • $i = 1, 2, 3, 4$ 表示四个顶点。

• 根据位置排序: 最后，根据检测到的页面区域的位置，从左到右进行排序，确保页面的顺序正确。

（4）备选方案：基于文本密度分析的页面分割

尽管主要检测方法在大多数情况下都能取得很好的效果，但为了进一步提高系统的鲁棒性，我还设计了一个备选方案 (_fallback_page_detection)。当主要方法未能检测到预期数量的页面时（如未能检测到页面或页面数量不是3个），就会启用备选方案。

这个备选方案基于文本密度分析，它假设笔记页面之间存在一定的空白区域，这些区域的文本密度较低。

1. 图像二值化: 首先，将图像进行二值化处理，将文本和背景分离。
   • 常用的二值化方法有全局阈值法和自适应阈值法，自适应阈值法公式为： $$ T(x, y) = \mu(x, y) - C $$ 其中：
     • $T(x, y)$ 表示像素 $(x, y)$ 的阈值。
     • $\mu(x, y)$ 表示像素 $(x, y)$ 邻域的平均灰度值。
     • $C$ 是一个常数。
2. 计算水平方向的文本密度分布: 对二值化后的图像，逐行计算像素值为前景（例如黑色）的像素数量，从而得到水平方向的文本密度分布。
3. 移动平均平滑: 为了消除噪声的影响，使用移动平均对密度曲线进行平滑处理。
4. 寻找局部最小值: 在平滑后的密度曲线上，寻找局部最小值。这些局部最小值通常对应于页面之间的空白区域。
5. 等距分割 (备选): 如果找不到合适的分割点，则采用等距分割作为最后的保障。

反思：这个检测分页方法是最优的吗？

当然不是。我最近发现像Qwen vl和Gemini这样的模型似乎直接支持进行目标检测，输出图片后可以直接输出检测框。未来的版本可以测试直接采用vlm来进行检测分页，进一步提高本项目的健壮性。

2.执行OCR任务和后处理修改润色

经过处理后的笔记分页直接提交给模型进行OCR即可，以下是Qwen-vl-ocr的代码示例：

import os
from openai import OpenAI

client = OpenAI(
    # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen-vl-ocr",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/ctdzex/biaozhun.jpg",
                    "min_pixels": 28 * 28 * 4,
                    "max_pixels": 28 * 28 * 1280
                },
                # 为保证识别效果，目前模型内部会统一使用"Read all the text in the image."进行识别，用户输入的文本不会生效。
                {"type": "text", "text": "Read all the text in the image."},
            ]
        }
    ])

print(completion.choices[0].message.content)

在每一个笔记分页被送去执行OCR后，OCR的结果会送到新的LLM那里执行后处理润色。

这是我自己的润色Prompt:

messages = [
	{"role": "system", "content": "你是一个专业的笔记整理助手。你需要帮助整理和优化OCR识别出的课堂笔记内容，使其更加清晰、结构化，并保持原有的重点标记。请注意，你应该只输出整理后的笔记内容，不要包含任何其他信息。"},
	{"role": "user", "content": f"""请帮我整理以下课堂笔记内容，要求：
1. 保持原有的结构和格式
2. 保留所有重点标记
3. 修正明显的OCR错误（比如不合理的人名、称呼和名词等）
4. 优化段落和缩进
5. 确保数学公式和符号的正确性

模型我一般会用Deepseek v3或者gpt-4o-1120。

最后，程序会自动将各个分页ocr润色后的结果合并到一份markdown文件里输出。

:::note 下一篇博客可能会解读一下Qwen vl的技术报告，并且探索使用Qwen vl/Gemini进行笔记检测分页 :::

与传统的主观交易方式不同，策略交易摒弃了传统的主观判断和情绪化交易，转而依靠严谨的数学模型、海量的历史数据分析以及高效的计算机程序 ，构建系统化的交易策略，力求在市场波动中捕捉获利机会。

策略交易的迷人之处在于其理性与客观 。它将投资决策建立在量化分析的基础之上，通过对历史数据的回测，发现市场运行的规律，并制定出相应的交易规则。这些规则如同精密的仪器，指导着交易的每一个环节，从入场时机的选择，到仓位大小的控制，再到止损止盈的设定，都经过了严格的计算和验证。 例如，一个简单的基于移动平均线的趋势跟踪策略可以用以下公式表示：

$$ \text{如果 } P_t > MA(P, n) \text{, 则买入；如果 } P_t < MA(P, n) \text{, 则卖出} $$

其中， $P_t$ 表示当前时刻的价格, $MA(P,n)$ 表示价格 $P$ 的 $n$ 周期移动平均线。

当然，实际的策略交易系统会复杂许多，你需要考虑更多的因素运用更复杂的模型。

策略交易的优势在于其纪律性、高效性和风险可控性 。它能够帮助投资者克服人性的弱点，避免情绪化操作带来的损失，并通过程序化交易提高交易效率，同时利用量化模型对风险进行有效管理。当然，策略交易并非万能的“圣杯”。它也面临着模型失效、过度优化以及黑天鹅事件等挑战。因此，深入理解策略交易的原理、构建方法以及潜在风险，对于投资者而言至关重要。

本文就将简单介绍一下几种简单的策略交易工具，权当是我自己的知识库和备忘录了。

一、现货/合约网格

在策略交易中，网格交易尤其经典且应用广泛，适合用在震荡行情（波动率较高且价格趋势相对横盘的市场）。网格交易通过在不同价格区间内买入卖出的方式不断赚取每一个价格波动中的差价，从而在市场的不确定性中寻找稳定的获利机会。

因为现货网格和合约网格差不太多，只是合约网格可以加杠杆，因此我就不在这里专门介绍合约网格了。

1.什么是现货网格

现货网格是指专门针对现货市场（如数字货币现货、股票等）设计的网格交易策略，现货网格策略的核心思想是将资产价格波动划分成若干价格区间，如网格的格子一般，并按照预设规则，在价格触及网格线时持续买入或卖出资产。其本质是一种高抛低吸 的自动化交易策略，且无需对市场的未来趋势有准确预测，只需依赖价格在一定范围内的波动即可获利。

我们假设当前资产的价格为 $P$ ,操作时设置以下几个关键参数：

• 网格区间： 设定价格的下限 $Plow$ 和上限 $P_{\text{high}}$；
• 网格数量： 将区间划分为 $n$ 个等间隔网格，每个网格的间距为：

$$ \Delta P = \frac{P_{\text{high}} - P_{\text{low}}}{n} $$

• 初始资金分配： 确定投资资产和现金的起始比例，例如 50% 资产和 50% 现金。

运作时，当价格下跌至某一网格线时，策略自动买入资产；当价格上涨至某一网格线时，策略自动卖出资产，从而不断低买高卖，赚取区间内的波动收益。

2. 如何实现现货网格策略？

现货网格的具体实施流程可以归纳为以下三个步骤：

(1) 划分网格

将价格区间从 $P_{\text{low}}$ 到 $P_{\text{high}}$ 均匀划分。例如，假设价格区间为 $10 到 20$，设置 $5$ 个网格，则每个网格的间距 $\Delta P$ 为： $$ \Delta P = \frac{20 - 10}{5} = 2 $$ 网格价格点为 $10, 12, 14, 16, 18, 20$。

(2) 配置初始资金

根据网格设计，分配一定比例的现货资产和现金，用以在网格内实现买卖。例如，如果账户总资金为 $10,000$，可以选择将 $5,000$ 拨为现货资产，$5,000$ 留作现金。

(3) 执行策略

当价格变动时，根据网格触发的规则进行交易：

• 如果价格从 $14$ 下跌到 $12$：买入固定数量的现货。
• 如果价格从 $14$ 上涨到 $16$：卖出固定数量的现货。

以此类推，随着价格的波动不断进行买卖交易，每笔交易赚取固定的价差。

(4) 示例

假设某加密货币当前价格为 $100$，投资者设置网格区间为 $90$-$110$，划分为 $5$ 个网格（即每个网格 $4%$）。初始投资为 $10,000$，其中 $5,000$ 用于购买现货（初始持仓 50 个币），剩余 $5,000$ 保留为现金。

• 如果价格从 $100$ 上升到 $104$（触及下一个网格线），策略卖出 $10%$ 的现货，获得 $5,200$ 的现金；
• 如果价格又从 $104$ 回落到 $100$，策略买回同等数量的现货，补回 $50$ 个币，同时获利 $200$。

这种通过不断“低买高卖”的方式，即使资产价格整体未发生显著变化，投资者也可以利用波动实现收益。

3.总结

现货网格技术是策略交易领域中备受欢迎的方法之一，其优势在于操作的简洁与稳定的盈利能力。首先，这种策略尤其适合于震荡行情，因为无需对市场价格的未来趋势进行判断，交易者仅需依赖价格的波动便可获利。而结合自动化程序执行交易后，现货网格策略将进一步减少人为干预所带来的情绪化错误，让交易过程更加高效和纪律化。此外，通过网格划分的设计，该策略能够在价格的波动中不断低买高卖，实现稳定的小额差价收益，堪称“稳健型策略”的代表。

然而，这种看似完善的体系也有其局限性。例如，当面对价格单边上涨或单边下跌的行情时，网格策略可能难以有效应对，容易因追不上涨幅或无法及时止损而导致亏损。此外，由于现货网格需要同时配置现货资产与现金，在较小波动幅度里上下频繁交易可能会占用大量资金，降低资金的整体利用效率。更进一步来说，如果市场长期处于低波动且紧窄的区间内运行，这种策略的获利能力甚至可能不足以覆盖交易手续费。

二、合约/现货马丁格尔

马丁格尔策略的主要特色在于其加仓策略。马丁格尔起源于 18 世纪法国的赌场，最初是一种赌博策略，后来被逐渐应用于金融交易领域。而合约马丁格尔 ，顾名思义，是将马丁格尔策略应用于合约交易 （例如期货合约、永续合约等）中，通过杠杆效应放大收益，同时也放大了风险。

还是一样，合约现货区别不大，在这一节就只介绍合约马丁格尔了。

1.基本原理

马丁格尔策略的核心思想是：在亏损时加倍下注，直到盈利为止 。在合约交易中，这意味着当交易出现浮动亏损时，策略会在原有仓位的基础上，以更高的杠杆倍数开立更大的仓位，以期望在价格反转时快速回本并盈利。

策略的关键参数：

• 初始仓位： 确定首次开仓的仓位大小和杠杆倍数。
• 加仓条件： 设定触发加仓的条件，例如当浮动亏损达到一定比例时（例如，每亏损 10% 加仓一次）。
• 加仓倍数： 确定每次加仓的倍数，经典的马丁格尔策略采用 2 倍加仓，即每次加仓的仓位大小是前一次的两倍。
• 止盈条件： 设定盈利目标，当总仓位达到预设的盈利目标时，平仓所有仓位，结束本轮交易。

2.运作逻辑

合约马丁格尔策略的运作逻辑可以用以下公式来表示：

假设初始仓位大小为 $S_0$，杠杆倍数为 $L_0$，初始开仓价格为 $P_0$。当价格下跌导致浮动亏损达到预设比例 $R$ 时，进行第一次加仓，加仓倍数为 $M$（通常为 2），则第一次加仓后的仓位大小 $S_1$ 和杠杆倍数 $L_1$ 为：

$$ S_1 = S_0 \times M $$

$$ L_1 = \frac{S_0 \times L_0 + S_1 \times L_0}{S_0 + S_1} = \frac{S_0 \times L_0 (1 + M)}{S_0 (1 + M)} = L_0 $$

可以看到，每次加仓时杠杆倍数维持不变，但是总仓位变大了。

假设当前价格为 $P_1$，则第一次加仓后的平均开仓价格 $P_{\text{avg1}}$ 为：

$$ P_{\text{avg1}} = \frac{S_0 \times P_0 + S_1 \times P_1}{S_0 + S_1} $$

以此类推，第 $n$ 次加仓后的仓位大小 $S_n$、杠杆倍数 $L_n$ 和平均开仓价格 $P_{\text{avg,n}}$ 为：

$$ S_n = S_0 \times M^n $$

$$ L_n = L_0 $$

$$ P_{\text{avg,n}} = \frac{S_0 \times P_0 + S_1 \times P_1 + \dots + S_n \times P_n}{S_0 + S_1 + \dots + S_n} $$

当价格反弹使得总仓位盈利达到预设目标时，策略会平掉所有仓位，完成一次马丁格尔循环。

3.优劣分析

合约马丁格尔策略最大的优点就是理论上可以在价格反转时快速回本并盈利，但其风险也极高（毕竟是赌徒发明的）。首先，此策略爆仓风险高，由于采用杠杆交易，且在亏损时不断加仓，一旦价格持续向不利方向移动，账户将面临巨大的爆仓风险。尤其是当加仓次数过多，仓位过重时，即使很小的价格波动也可能导致爆仓。资金需求限制：马丁格尔策略需要充足的资金来支持不断加仓的操作。如果资金不足，将无法完成一个完整的马丁格尔循环，导致前功尽弃。心理压力大：持续的亏损和不断加大的仓位会给交易者带来巨大的心理压力，容易导致非理性的交易决策。

三、智能套利

套利策略的主要优势是低风险和相对稳健。随着人工智能和大数据技术的发展，智能套利 正逐渐成为套利领域的新宠，它利用先进的算法和强大的算力，捕捉更广泛、更隐蔽、更短暂的套利机会，并实现自动化交易，大大提高了套利效率和收益率。

1.简介

套利 ，简而言之，就是利用同一资产在不同市场或不同形式之间的价差 进行交易，从而获取无风险或低风险的利润。传统的套利策略，如跨市场套利 、跨期套利 、三角套利 等，主要依赖人工盯盘和手动操作，效率较低，且难以捕捉瞬息万变的套利机会。

智能套利 则是在传统套利的基础上，引入了人工智能、机器学习等技术，构建复杂的数学模型，对海量的市场数据进行实时分析，自动识别和执行套利机会。它可以实现：

• 全市场、多品种、7x24 小时监控： 突破人工盯盘的局限，对全球多个市场、多个交易品种进行全天候监控，不错过任何潜在的套利机会。
• 复杂套利策略的构建： 除了简单的价差套利，智能套利还可以构建更复杂的套利模型，例如涉及多个品种、多个市场、甚至包含期权等衍生品的套利策略。
• 毫秒级交易执行： 一旦发现套利机会，智能套利系统可以自动下单，并在毫秒级别完成交易，确保以最优价格成交，避免因延迟交易而错失良机。
• 动态风险控制： 智能套利系统可以根据市场波动和风险指标，动态调整仓位和交易参数，控制套利交易的风险。

2.智能套利的常见类型

(1) 统计套利

统计套利是智能套利中应用最广泛的一种类型。它利用历史数据和统计模型，发现资产之间的协整关系 或均值回归 特性，构建套利模型。例如，如果两种资产在历史上存在稳定的价差关系，当价差偏离历史均值时，就可以进行套利交易，预期价差将回归到均值水平。

一般的统计套利首先会经历数据收集预处理等的前期准备，然后再利用统计学方法，例如协整检验、回归分析等，建立资产之间的关系模型，常用模型公式如下：

$$ Y_t = \beta_0 + \beta_1 X_t + \epsilon_t $$

其中，$Y_t$ 和 $X_t$ 分别代表两种资产在 $t$ 时刻的价格，$\beta_0$ 和 $\beta_1$ 是回归系数，$\epsilon_t$ 是误差项。

模型构建后，会通过模型计算出的价差或残差，设定交易阈值。当价差或残差超过阈值时，触发交易信号。

(2) 期现套利

期现套利是指利用期货合约和现货资产之间的价差进行套利。由于期货合约存在到期日，其价格与现货价格之间存在一定的基差。当基差偏离合理范围时，就可以进行期现套利。

例如，在数字货币市场中，永续合约是一种特殊的期货合约，它没有到期日，但通过资金费率机制来锚定现货价格。当资金费率为正时，永续合约价格通常高于现货价格，此时可以卖出永续合约，同时买入现货资产，进行套利。反之，当资金费率为负时，可以进行反向套利。

(3) 三角套利

三角套利是指利用三种或多种资产之间的汇率差异进行套利。例如，在数字货币市场中，如果 BTC/USDT、ETH/USDT 和 ETH/BTC 三个交易对之间的汇率关系出现偏差，就可以进行三角套利。

原理：

在一个理想的、无摩擦的市场中，三种货币之间的汇率应该满足以下关系：

$$ \text{Rate}{A/B} \times \text{Rate}{B/C} = \text{Rate}_{A/C} $$

例如，如果：

• 1 BTC = 10,000 USDT (BTC/USDT 汇率)
• 1 ETH = 250 USDT (ETH/USDT 汇率)

那么理论上，1 ETH 应该等于 0.025 BTC (250 / 10,000)，即 ETH/BTC 的理论汇率应为 0.025。

当实际的 ETH/BTC 汇率偏离理论汇率时，就产生了套利机会。

示例：

假设当前市场汇率为：

• 1 BTC = 10,000 USDT (BTC/USDT = 10,000)
• 1 ETH = 250 USDT (ETH/USDT = 250)
• 1 ETH = 0.026 BTC (ETH/BTC = 0.026)

此时，ETH/BTC 的实际汇率 (0.026) 高于理论汇率 (0.025)，存在套利空间。

套利步骤如下 (假设初始资金为 1 BTC)：

1. 卖出 BTC，买入 USDT： 用 1 BTC 换取 10,000 USDT (1 * 10,000)
2. 卖出 USDT，买入 ETH： 用 10,000 USDT 换取 40 ETH (10,000 / 250)
3. 卖出 ETH，买入 BTC： 用 40 ETH 换取 1.04 BTC (40 * 0.026)

通过以上步骤，初始的 1 BTC 变成了 1.04 BTC，盈利了 0.04 BTC，收益率为 4%。

更详细的计算过程：

我们可以用以下公式来计算套利利润：

$$ \text{Profit} = \text{Initial Amount} \times (\frac{\text{Rate}{1}}{\text{Rate}{2}} \times \text{Rate}_{3} - 1) $$

其中：

• $\text{Initial Amount}$ 是初始资金量
• $\text{Rate}_{1}$ 是第一个交易对的汇率（用中间货币兑换目标货币）
• $\text{Rate}_{2}$ 是第二个交易对的汇率（用基础货币兑换中间货币）
• $\text{Rate}_{3}$ 是第三个交易对的汇率（用目标货币兑换基础货币）

在上面的例子中：

• $\text{Initial Amount} = 1 \text{ BTC}$
• $\text{Rate}_{1} = \text{BTC/USDT} = 10,000$
• $\text{Rate}_{2} = \text{ETH/USDT} = 250$
• $\text{Rate}_{3} = \text{ETH/BTC} = 0.026$

套利利润为：

$$ \text{Profit} = 1 \times (\frac{10,000}{250} \times 0.026 - 1) = 1 \times (40 \times 0.026 - 1) = 1 \times (1.04 - 1) = 0.04 \text{ BTC} $$

当然的当然，上述计算过程里没有考虑到交易手续费，在实际操作中你需要计算实际的手续费，也一般没啥套利空间了。三角套利对交易速度要求极高，通常需要使用程序化交易才能捕捉到套利机会（毫秒），在成熟的市场中套利空间通常很小，且很快会被套利者抹平。

四、定投策略

1.核心原理

定投策略，又称为定期定额投资策略（Dollar-Cost Averaging, DCA） ，是一种旨在平滑市场风险的被动投资策略。其核心是持续以固定金额在固定周期内购买某种资产，无论市场价格高低，始终坚持执行投资计划。通过这一方法，投资者能够在市场下跌时购买更多的资产单位，而在市场上涨时则购买较少的资产单位，最终降低投资的成本均值。

2.数学推导与优势

假设投资者在每期以固定金额 $P$ 购买某种资产，而资产在不同周期内的价格为 $S_t$，则累计购买的资产总量 $Q$ 可表示为：

$$ Q = \sum_{t=1}^n \frac{P}{S_t} $$

定投策略的优势主要在于其可以平滑市场波动风险，作为投资者可以无需判断市场时机，通过分批买入摊薄价格波动带来的影响，当资产价格下跌时，定投有助于降低持仓平均成本，从而改善盈利条件。相较于一次性投资，定投在下跌行情中也更容易感知到“抄底”的心理优势。

适用场景：

• 波动性较大的资产： 如股票、指数基金、加密货币等，这些资产可能具备长期上涨潜力，但短期价格往往剧烈波动。
• 长期视角的投资者： 定投的优势通常需要较长周期才能显现出来。

中译中就是你长期看好这个资产，那么就可以定投买入了。

3.实际推演

以传统基金定投为例，假设某投资者每月定投 $100 到一支基金中，分别在以下周期内进行买入操作：首次买入价格 $10，之后价格波动为 $9、$11、$8、$12，则每月对应的购买份额为：

• 第 1 月买入：$\frac{100}{10} = 10$ 份;
• 第 2 月买入：$\frac{100}{9} \approx 11.11$ 份;
• 第 3 月买入：$\frac{100}{11} \approx 9.09$ 份;
• 第 4 月买入：$\frac{100}{8} = 12.5$ 份;
• 第 5 月买入：$\frac{100}{12} \approx 8.33$ 份。

五个月总投入为500刀，总购买份额约为 51.03刀，计算得出的平均成本约为9.80刀，低于直观价格平均值10刀。

五、信号策略

1.核心原理

信号策略是一种主动型投资方式，通过解读市场的技术指标、量化信号或基本面数据，在触发特定条件时执行买入或卖出操作。这类策略的目标通常是提高资金使用效率，以捕捉市场的短期趋势或重要反转点。

可能的指标：

• 技术指标： 运用移动平均线、RSI（相对强弱指数）、布林带等技术工具判断买卖机会。
• 量化分析： 利用历史数据和统计模型，设计公式或算法确定交易信号。
• 基本面分析： 结合资产估值或宏观经济数据，在收益风险比相对较优的情况下做出决策。

2.数学模型实现

以双均线交叉策略为例，这是技术分析中一种应用广泛的信号方法，基于短期均线（$MA_{short}$）和长期均线（$MA_{long}$）的交叉点来判定市场趋势变动方向。

短期均线的计算公式为：

$$ MA_{short} = \frac{1}{n_{short}} \sum_{i=0}^{n_{short}-1} P_{t-i} $$

长期均线的计算公式为：

$$ MA_{long} = \frac{1}{n_{long}} \sum_{i=0}^{n_{long}-1} P_{t-i} $$

其中，$P_t$ 是时间 $t$ 时的资产价格，$n_{short}$ 和 $n_{long}$ 分别为短期和长期均线窗口。

策略规则：

• 当 $MA_{short} > MA_{long}$ 时，生成买入信号；
• 当 $MA_{short} < MA_{long}$ 时，生成卖出信号。

类似的，其他技术信号如 RSI（超买或超卖）、布林带（突破上下轨）等均基于特定条件触发交易指令。

3.优劣势分析

信号策略的优势在于能够主动应对市场变化，特别是在波动性加剧的行情中，具备潜在的收益放大效果。然而，与定投策略相比，信号策略也面临三方面的风险与挑战：

• 过度交易： 频繁的交易行为可能导致高额交易成本，侵蚀利润。
• 信号失真： 在震荡市或低流动性市场中，信号的精确性容易受到干扰。
• 技术复杂性： 复杂的交易算法或模型需要充足的数据支持，如过拟合问题可能导致策略失效。

作为一位老Gamer，我最近终于下定决心买了御三家中的Xbox（狗东国行Xbox x）。众所周知，国行在游戏库和XGP上相较于另外五个区域存在较大的限制。为了体验更多的优质游戏和享受XGP服务，我决定尝试将Xbox账号从国行转到港区。

如果你也和我一样，希望摆脱国行 Xbox 的限制，拥抱更完整的游戏体验，那么这篇博客将为你提供一份详细、亲测有效的保姆级教程。 我将一步步记录我转区的整个过程，包括：

• 转区前的准备工作
• 详细的操作步骤及注意事项
• 转区后该怎么做

希望我的经验可以帮你少走弯路，爽完XGP！

一、前期准备工作

• 一台Xbox游戏机（当然！这里指的是你的国行Xbox Series X/S 主机）
• 一个u盘（容量无需太大，建议至少 1GB 以上 ，需要格式化为 NTFS 格式 ）
• 一台运行着Windows系统的电脑（MacBook跑win虚拟机也可）

二、开始操作

1.格式化硬盘并转换格式和分区

首先，你需要用Windows系统把U盘格式化成NTFS格式，并转化成MBR分区！

这一步非常重要，我就是因为网上绝大多数教程只提格式化成NTFS格式没有提MBR分区导致浪费了一个小时的时间。

如何操作：

打开cmd窗口单击“Win + R”，在“运行”窗口中键入“cmd”，打开终端；

在终端中输入以下命令：

diskpart

接着输入：

list disk

找到你的U盘对应的磁盘号（注意核对容量大小），假设是磁盘1，继续输入：

select disk 1

接下来清除所有的数据和分区：

clean

然后输入转换命令：

convert mbr

完成后你的U盘就被格式化为NTFS格式并转换为MBR分区了。

最后，你需要打开Windows的磁盘管理工具，给你格式化后的u盘新建一个简单卷，具体步骤如下：

1. 右键点击"此电脑"，选择"管理"
2. 在"计算机管理"窗口中，找到并点击"磁盘管理"
3. 找到你的U盘（通常显示为"未分配"状态）
4. 右键点击未分配空间，选择"新建简单卷"
5. 按照向导完成操作，选择NTFS格式，分配驱动器号（卷名不要用中文字符）

u盘硬件方面就此准备完成！

2.准备我们的妙妙小代码

打开 Windows 资源管理器，开启文件扩展名显示： 在资源管理器窗口上方菜单栏中，点击“查看”选项卡，勾选“文件扩展名”选项。这一步是为了确保我们能够正确修改文件的后缀名。

打开 U 盘根目录（即直接打开 U 盘后看到的目录，不要进入任何文件夹）。在空白处右键单击，选择“新建” -> “文本文档”。将新建的文本文档命名为：$ConsoleGen9 （注意：如果你的 Xbox 是 Xbox One 系列，则应命名为 $ConsoleGen8） 。这里需要特别注意，务必删除 .txt 后缀，确保文件名只有 $ConsoleGen9 或 $ConsoleGen8。

准备就绪，插入 U 盘： Xbox 无需关机，保持开机状态。首先进入 Xbox 的系统设置：依次选择“系统” -> “时间和语言” -> “区域”，停留在 “区域” 这个页面。然后将包含“神秘代码”文件的 U 盘插入 Xbox 主机的 USB 接口。

重启设备： 稍等片刻，Xbox 屏幕下方会出现“已连接到移动存储设备”的提示。此时，直接选择屏幕上最右侧的“重启”选项（即硬重启）。

3.转区

如果你所有的操作都严格按照了上文要求，那么你大概率一次重启之后就可以在“区域”页面里修改自己的地区和语言了。直接选择港服即可，因为港区是除国行外所有区域里唯一可以直接用支付宝的地区。

三、转区后

直接去某宝上买XGP会员即可，然后爽玩！

我们都知道股票投资市场中的交易本质上是因为价格不认可而产生。每一次交易达成实际上就代表这笔交易的空方和多方互喷互骂对方没有眼光，双方都在心里默念“谢谢你，我的对手盘”。

事实上，这就是市场价格形成的微观机制：预期差。正是因为多空双方对标的资产未来价值的预期存在分歧，才会在某一价格点位上达成交易。卖方（空方）认为价格已高估或未来将下跌，而买方则认为价格尚低估或未来将上涨。

因此，任何一个时刻下的价格，都是无数因素博弈后，买卖双方力量达到均衡的状态，是双方的共识。直到有因素影响买卖双方的力量对比，平衡被打破，价格出现变动，朝一个方向持续运动，这就会出现趋势行情，直到趋势终结，买卖双方达到新的平衡，新的共识。新平衡状态下，价格在一个区域内波动，这就是震荡行情。行情在趋势和震荡之间，反复切换。

基于上述的预期差的博弈关系，我们人类中最聪明的那部分大脑提出了技术分析中的大量指标工具。技术指标通过提取交易数据（如价格、成交量等）中的规律性特征，帮助投资者识别市场趋势、反转信号以及超买超卖的状态。在本文中，我们将介绍几种投资中常见的技术指标，并讨论它们的应用场景和局限性。

一、VOLUME（成交量）

成交量指的是在特定时间段内（例如一天、一周或一个月）交易的股票或其他金融资产的总数量。它是衡量市场活跃度和流动性的重要指标。我们进行分析的核心思路之一就是结合成交量指标进行量价分析。

在量价分析中，价指的是价格，通常指收盘价；量指的是成交量，代表了一定时间内市场交易的活跃程度。成交量就好比是市场的“动能”，价格的变动需要有成交量的配合才能持续和有效。通过分析价格变动和成交量变化之间的关系，我们可以更好地判断市场趋势的强弱，识别潜在的买卖机会。

简单来说，我们可以把量价关系概括为四种基本情况：价涨、价跌、量增、量缩。这四种情况的排列组合构成了以下八种主要的量价关系：

1.价涨：

（1）价涨量增：

• 解析： 这是最健康的上涨模式，表示市场人气旺盛，买方力量强劲，推动价格上涨的同时伴随着成交量的放大。这种情况下，上涨趋势大概率将持续。这种情形也常被描述为量价齐扬。
• 图示： 价格上涨，成交量柱体同步增长。
• 公式举例 (非严格公式，仅示意)： 如果第 $t$ 日收盘价为 $P_t$，成交量为 $V_t$，那么价涨量增可以表示为： $P_t > P_{t-1}$ 且 $V_t > V_{t-1}$。

（2）价涨量缩：

• 解析： 这表示价格上涨，但成交量却在萎缩。这可能是上涨趋势中的短期调整，也可能是上涨趋势即将结束的信号。这通常意味着上涨动能减弱，市场追涨意愿不强，需要警惕价格反转下跌的风险。此时，价格还继续上涨可能是少数筹码就能拉动价格上涨造成的。这在熊市反弹中较为常见，多头动能不足，只是空头暂时力量衰竭导致的。也可能出现在牛市主升浪中，由于筹码高度集中，导致上涨时量能已经无法进一步放大。具体是哪种情况，需要结合实际情况进行判断。
• 图示： 价格上涨，但成交量柱体较之前缩小。
• 公式举例 (非严格公式，仅示意)： $P_t > P_{t-1}$ 且 $V_t < V_{t-1}$。

（3）价涨量平：

• 解析： 价格上涨，但成交量保持相对平稳，没有明显变化。这通常表示市场在延续之前的上涨趋势，但缺乏新的增量资金进场。上涨动能可能有所减弱，需要观察后续成交量的变化来判断趋势是否能够持续。
• 图示： 价格上涨，但成交量柱体高度与之前大致持平。
• 公式举例 (非严格公式，仅示意)： $P_t > P_{t-1}$ 且 $V_t ≈ V_{t-1}$。

2.价跌：

（1）价跌量增：

• 解析： 这表示价格下跌，同时成交量放大。这通常是一个危险的信号，表示市场恐慌情绪蔓延，卖方力量强大，抛售行为增加，加速了价格下跌。如果出现在高位，可能是头部形成的信号；如果出现在下跌途中，可能是下跌中继；如果出现在长期下跌后的低位，则有可能是最后一跌，需要结合其他指标和市场环境综合判断。
• 图示： 价格下跌，成交量柱体放大。
• 公式举例 (非严格公式，仅示意)： $P_t < P_{t-1}$ 且 $V_t > V_{t-1}$。

（2）价跌量缩：

• 解析： 这表示价格下跌，但成交量萎缩。这种情况比较复杂，需要具体分析。如果出现在下跌初期，可能是下跌趋势的开始，表示买盘不济，少量卖单就能打压价格；如果出现在长期下跌后的低位，则可能是市场惜售的表现，表示卖方力量已经衰竭，下跌动能减弱，有可能是底部临近的信号。
• 图示： 价格下跌，成交量柱体缩小。
• 公式举例 (非严格公式，仅示意)： $P_t < P_{t-1}$ 且 $V_t < V_{t-1}$。

（3）价跌量平：

• 解析： 价格下跌，但成交量保持平稳。这种情况表明市场仍然处于下跌趋势中，但空方力量并没有进一步增强。这可能表示多空双方都较为谨慎，市场观望情绪浓厚。需要观察后续成交量的变化来判断下跌趋势是否会持续或反转。
• 图示： 价格下跌，成交量柱体高度与之前大致持平。
• 公式举例 (非严格公式，仅示意)： $P_t < P_{t-1}$ 且 $V_t ≈ V_{t-1}$。

3.特殊：

（1）价平量增：

• 解析： 价格几乎没有变动，但成交量显著增加。这通常出现在重要支撑位或阻力位附近，表示多空双方在此位置展开激烈争夺。如果最终价格选择向上突破，则可能是买方力量占据上风；如果向下突破，则可能是卖方力量胜出。此情况也需要结合整体走势综合判断。
• 图示： 价格几乎不变，但成交量柱体明显放大。
• 公式举例 (非严格公式，仅示意)： $P_t ≈ P_{t-1}$ 且 $V_t > V_{t-1}$。

（2）价平量缩：

• 解析： 价格几乎没有变动，成交量也显著萎缩。这通常表示市场观望情绪极度浓厚，多空双方都缺乏交易意愿。这种情况常出现在长期盘整阶段的末期，预示着即将到来的重大趋势性变动。
• 图示： 价格几乎不变，成交量柱体非常矮小。
• 公式举例 (非严格公式，仅示意)： $P_t ≈ P_{t-1}$ 且 $V_t < V_{t-1}$。

总结:

以上八种量价关系是市场中最常见的形态，每种形态都代表了不同的市场含义。在实际分析中，我们需要结合具体的市场环境、趋势位置、K线形态以及其他技术指标来进行综合判断，才能更准确地把握市场的脉搏。需要牢记的是，量价关系不是绝对的，没有哪一种量价关系能够保证价格一定会上涨或下跌，它们只是提供了一种观察市场和辅助决策的视角。

二、MA（Moving Average，移动平均线）

1.介绍

MA是一种趋势跟踪指标，它通过对指定时间段内的价格（常为收盘价）求平均，从而得到一条平滑的曲线。MA去除了价格中的噪声波动，可以帮助我们专注于价格的总体方向。

核心作用：

• 识别趋势方向： 判断市场是处于上升趋势、下降趋势还是横盘整理。
• 支撑与阻力： 在上升趋势中，MA 经常成为支撑位；而在下降趋势中，它经常充当阻力位。
• 交易信号： 如金叉和死叉，这二者是MA中最常用的买卖信号。

2.MA指标的分类

根据计算方式和参数的不同，MA 可分为以下几类：

（1）简单移动平均线 (Simple Moving Average, SMA)：

• 定义：对指定时间段内的价格进行简单平均，例如 5 日均线是最近 5 天的收盘价之和除以 5。
• 优点：容易计算、直观。
• 缺点：对最新价格变化反应较慢，容易滞后。

（2）指数移动平均线 (Exponential Moving Average, EMA)：

• 定义：对较近的价格赋予更高权重，因此 EMA 比 SMA 更能快速反映价格变化。
• 优点：敏感性高，更适合短期交易者。
• 缺点：由于对近期价格赋予更高权重，容易受到短期波动干扰。

（3）加权移动平均线 (Weighted Moving Average, WMA)：

• 定义：为每个时间段的价格赋予不同的权重，一般是将最近数据的权重设为最高。
• 优点：在敏感性和稳定性之间取得平衡。
• 缺点：较 SMA 更复杂，使用相对少见。

这些指标都是如何计算的呢？

MA 的计算非常简单，只需要将选定时间段内的价格求平均。以 5 日简单移动平均线为例：

$SMA = \frac{P_1 + P_2 + P_3 + P_4 + P_5}{5} $

其中，$ P_1, P_2, ..., P_5 $ 表示最近 5 天的收盘价。

而对于 EMA，其计算公式稍微复杂一些，需要计算平滑系数 $ \alpha $，公式如下：

$$ EMA_t = (P_t \cdot \alpha) + [EMA_{t-1} \cdot (1 - \alpha)] $$

其中：

• $P_t$：当天的价格 (通常是收盘价)
• $EMA_t$：当天的 EMA
• $EMA_{t-1}$：前一日的 EMA
• $\alpha = \frac{2}{n+1}$，$n$ 表示移动平均线的周期。

3.MA参数的选择和优劣分析

根据我们不同的投资需求，MA的投资参数主要有以下几个：

• 短期均线 (如 5 日、10 日): 适用于捕捉短期波动，用于快进快出的短线交易。
• 中期均线 (如 20 日、50 日): 适用于捕捉中期趋势。
• 长期均线 (如 100 日、200 日): 适用于识别长期趋势，常用于牛熊市的判断。

一般的，我们认为MA指标的优点在于简单明了，计算方式容易理解，门槛较低。其作为趋势指标可以有效过滤短期波动，识别长期趋势，还可用来识别支撑阻力、进行趋势判断和信号提示。但MA指标同时也不可避免的具有滞后性，信号滞后于价格变化。此外，在横盘震荡时，MA经常发出假信号，参数设置的不同会显著影响结果，导致解读偏差。

三、BOLL（Bollinger Bands, 布林带）

布林带 (Bollinger Bands)，又称布林通道，是由约翰·布林格 (John Bollinger) 在 1980 年代发明的技术分析工具，广泛应用于股票、期货、外汇等各种投资市场。它通过统计学原理中的标准差概念，勾勒出价格的波动范围，从而帮助投资者判断市场状态、寻找交易机会。

1.布林带的构成：三条轨道线

布林带由三条线组成，分别是：

• 中轨 (Middle Band): 通常是一条 N 日的简单移动平均线 (SMA)。最常见的参数 N 为 20，即 20 日均线 (公式如下)。

  中轨 = N日收盘价之和 / N
  

• 上轨 (Upper Band): 在中轨的基础上加上 K 倍的 N 日标准差。标准差反映了价格偏离平均值的程度，也就是价格的波动性。

  上轨 = 中轨 + K * (N日的标准差)
  

• 下轨 (Lower Band): 在中轨的基础上减去 K 倍的 N 日标准差。

  下轨 = 中轨 - K * (N日的标准差)
  

其中，K 值通常设置为 2。这意味着上下轨包含了大约 95% 的价格波动范围（基于正态分布的假设）。

2.标准差的计算

理解标准差的计算对于理解布林带至关重要。标准差的计算公式如下：

1. 计算每个交易日的 (收盘价 - N日收盘价均值) 的平方。
2. 将过去 N 个交易日的上述平方值加总。
3. 将总和除以 N。
4. 将结果开平方根。

标准差 = √[∑(收盘价 - N日收盘价均值)² / N]

简而言之，标准差越大，说明价格波动越剧烈；标准差越小，说明价格波动越平缓。

3.布林带指标解读：

布林带的宽度和位置提供了丰富的市场信息：

• 带宽 (Bandwidth)： 上轨与下轨之间的距离称为带宽。
  • 带宽扩大： 表明市场波动性增加，可能预示着趋势的开始或加速。
  • 带宽收窄： 表明市场波动性降低，可能处于盘整状态，也可能预示着即将到来的突破。当带宽极度收窄时，称为“布林带收缩”(Bollinger Squeeze)，往往预示着重大行情即将发生。
• 价格与轨道的关系：
  • 价格在中轨上方运行： 倾向于认为市场处于上升趋势。
  • 价格在中轨下方运行： 倾向于认为市场处于下降趋势。
  • 价格突破上轨： 可能表示市场超买 ，但也可能是强势上涨的信号，需结合其他指标判断。
  • 价格跌破下轨： 可能表示市场超卖 ，但也可能是强势下跌的信号，需结合其他指标判断。
  • 价格在中轨附近波动： 表明市场可能处于震荡或盘整状态。

当价格持续沿着上轨运行，且布林带开口向上，可视为上升趋势的确认，考虑买入；反之，当价格持续沿着下轨运行，且布林带开口向下，可视为下降趋势的确认，考虑卖出。当价格触及或突破上轨时，可以考虑卖出，特别是当价格从上轨回落时；当价格触及或跌破下轨时，可以考虑买入，特别是当价格从下轨反弹时。

此外，当布林带极度收窄后，一旦价格向上突破上轨，且伴随成交量放大，通常是买入信号；反之，当价格向下突破下轨，且伴随成交量放大，通常是卖出信号。

四、SAR (Parabolic Stop and Reverse, 抛物线转向指标)

SAR指标，中文称之为抛物线转向指标，是由著名技术分析大师 J. Welles Wilder 提出的技术分析工具，旨在识别市场趋势的方向，并提供潜在的趋势反转点和交易信号。它是一种动态的交易指标，常用于趋势交易系统，与止损策略结合得尤为紧密。

1.基本原理

SAR的核心思想是在一个趋势中，价格通常倾向于沿着某个方向运行，直到趋势结束，而 SAR 通过在趋势中动态调整 "跟踪点" 来提示可能的反转。"SAR" 的意思是 "停止并反转" ，即当价格触发当前的停止点（Stop Point）时，意味着趋势可能反转。

SAR 指标通常以点或小圆圈的形式绘制在价格图表的上方或下方，当点位于价格 下方 ，表明为上涨趋势，SAR 提示为支撑；当点位于价格 上方 ，表明为下跌趋势，SAR 提示为阻力。该指标还有一个特点：随着时间的推移，它会逐步 "追踪" 价格，不断收紧对价格的容忍范围。最终，当价格偏离当前趋势时，它会提示趋势可能反转。

2.指标计算方式

这个指标计算起来比较复杂，步骤和核心概念如下：

(1) 初始值（EP 和 AF 的定义）：

1. EP (Extreme Point, 极值点)：
   • 在上涨趋势中，EP 表示当前趋势中出现的最高点。
   • 在下跌趋势中，EP 表示当前趋势中出现的最低点。
2. AF (Acceleration Factor, 加速因子)：
   • 加速因子是一个控制 SAR 灵敏度的参数，初始值通常设为 0.02 ，每当价格创造新高或新低时，加速因子会逐步增加（默认为每次递增 0.02），但其最大值通常限制为 0.2 。
   • AF 的作用：
     • AF 越大，SAR 越敏感，但更容易出现假突破。
     • AF 越小，SAR 趋于平滑但可能反应迟钝。

(2) SAR 的递推公式：

SAR 的计算公式如下：

• 当前 SAR = 前一 SAR + 加速因子 (AF) × (极值点 EP - 前一 SAR)

该公式的核心逻辑是：

1. SAR 会随着趋势延续而不断向新的极值点靠近。
2. 如果趋势向下，SAR 将逐步降低；如果趋势向上，SAR 将逐步升高。

(3) 反转条件：

• SAR 一旦穿越价格，其值将重新从下一根 K 线的极值点开始计算，并且趋势方向由多转空或由空转多，实现 "停止并反转"。

3.优劣势分析

优点：

1. 简单直观： 图表上的点清晰显示了趋势方向和潜在的反转。
2. 动态止损： SAR 能帮助投资者动态调整止损位，锁定利润或控制风险。
3. 趋势系统利器： 它在单边趋势行情中表现优异，可以减少不必要的交易噪音。

缺点：

1. 震荡行情失灵： 在盘整或震荡行情中，SAR 往往发出频繁的虚假信号，因此投资者需格外警惕。
2. 滞后性： SAR 是滞后指标，它的信号需要等待价格变动，不适用于捕捉快速反转。
3. 敏感度难以调节： 如果加速因子设定不当，可能导致指标过于敏感或反应过慢，投资者需要根据市场实际情况调整参数。

实际应用思路：

• 牛市期间：

  随着价格不断创新高，SAR 点位逐渐跟随价格上移。在趋势延续的过程中，SAR 点位与价格保持较大距离，为投资者提供持仓空间。一旦价格回落并突破 SAR 点位，则视为反转信号，提示卖出。

• 震荡行情：

  在价格上下波动但未形成明显趋势时，SAR 点会频繁穿越价格，导致假信号。这种情况下，应避免依赖 SAR，结合其他指标（如布林带或 RSI）更为稳妥。

五、总结：种类繁多的技术指标到底是什么？

1.本质一：技术指标是市场数据的「提炼与模块化」

我们智人的注意力和计算能力都是有限的，市场价格、成交量等数据浩繁且波动频繁，难以观测。技术指标的作用就在于通过数学公式从混乱的数据中提炼出有意义的规律或趋势，将复杂的问题简单化，混沌的现象规律化。

例如：

• 均线 (MA) 将过去一段时间的价格数据平滑化，提炼出趋势的「方向」；
• RSI (相对强弱指数) 提炼出市场的「超买」或「超卖」状态；
• 布林带 (BOLL) 提炼出价格波动的「区间」范围和市场的「波动性大小」。

换句话说，技术指标是一组工具，它们抽象化了市场的关键动态，并将其呈现为我们更容易解读的形式。

2.本质二：技术指标是「人类心理与市场行为的展现」

金融市场的核心驱动力来源于参与者的交易行为，而交易行为本质上又受到人类心理、情绪和偏好的影响。技术指标虽然基于数学公式，但其背后的意义往往隐含了交易者的行为模式和群体心理。

例如：

• 当价格突破某条移动平均线（如 50 日均线），意味着很多投资者可能会认为市场进入了新的趋势，因此可能引发更多交易，这是一种群体行为的反馈机制 。
• RSI 超过 70 意味着市场可能过热，超买压力增加，投资者可能倾向于获利了结，这反映了市场心态的变换。

因此，技术指标可以看作是市场行为和投资者心理的「影子」，它记录并揭示了这些行为和心理的规律。

3.本质三：技术指标是也只是一种「统计概率模型」

绝大多数技术指标都基于历史数据进行计算，因此它们本质上是滞后的。换句话说，技术指标反映的是已经发生的事情，而非正在发生或者即将发生的事情。这种滞后性是由其计算机制决定的，因此投资者不能完全依赖技术指标预测未来。在实际博弈中，市场也并非严格遵循历史模式来运行，因此技术指标使用的「推测性」也容易导致误判。

• 双均线交叉系统 （如短期均线上穿长期均线）并不能每一次都预测趋势，但在历史中，这个现象可能在多数情况下与趋势上涨的概率相关。
• 技术指标本质上依赖于「统计学上的过去是否对未来有参考意义」，但市场的随机性本质仍然存在。

技术指标的作用更倾向于提供过去数据的描述视角 ，并允许投资者在此基础上推测市场可能的未来走向，绝非什么庙算神器，不可神话技术分析。

4.本质四：技术指标也是参与者共识的「映射」

技术指标之所以有效，往往源于其广泛使用。当大量交易者都关注某一指标并根据其行为制定交易计划时，这个指标会自我强化，成为市场走势中不可忽视的一部分。

• 当股价跌破某条知名均线（如 200 日均线），可能会触发大量投资者的止损行为，进而导致价格加速下跌。
• 当 RSI 提示市场「超卖」，很多交易者会根据这一信号寻找买点，从而导致价格开始反弹。

因此，技术指标并非完全由市场决定，而是大量市场参与者行为的反馈与共识的结果 ，技术指标的有效性源自其他参与者的认可和运用。

技术指标的正确使用方式应该是与其他分析方法结合，基于投资者对市场的理解，制定自己的规则和策略，并辅以严谨的风险控制。用技术指标追求 "完全掌控市场" 是不现实的，但用它来提高交易效率、减轻决策负担，却是非常有用的。

信源

1.仓库

::github{repo="withastro/astro"} ::github{repo="saicaca/fuwari"}

2.参考文章

• Astro官方文档
• 给你的Fuwari添加一个友链页面
• 利用giscus给你的网站添加评论功能

一、前言

我一直以来都在寻找一个既能满足写作需求，又简单易懂容易上手的博客框架。 最初，我选择了 Halo 作为我的博客框架。作为国产飞致云团队出品的有口皆碑的博客框架，halo以其简单易用的后端功能和优雅的文章管理迅速成为中文互联网播客圈内的主流框架之一。 当然，享受动态博客框架的好，就得承担动态博客框架的代价：

• 想运行WordPress和Halo这种动态框架，你需要至少准备一台性能好于1c1g的VPS
• 你需要定期维护升级框架和对应的数据库
• 文章数量多的话，对于博客框架的性能和稳定性会有影响

因为我是一个懒人，懒得去维护服务器和数据库，受益于现代前端技术的发展，我开始在静态博客框架中寻求替代方案。 最终，我在群友的推荐下选择了Astro框架和fuwari主题。

二、Astro和fuwari介绍

1.什么是 Astro？

Astro 是一个现代化的静态站点生成框架，其核心目标是帮助开发者创建 快速、轻量、且以内容为核心 的网站。它于 2021 年首次发布，由于其独特的设计理念和对性能的极致追求，迅速在开发者社区中崭露头角。

Astro主页

Astro 的特性不仅专注于生成高性能的静态网站，还致力于降低开发门槛，同时提供与现代前端需求兼容的技术栈支持。这使得它成为博客站点、文档网站、甚至复杂 Web 项目的理想选择。

2.Astro 的独特设计理念

Astro 的开发核心理念可以用一句话概括：“Ship less JavaScript”（更少的 JavaScript 输出）。这意味着 Astro 会尽可能地减少前端 JavaScript 的加载，提供近乎纯静态的 HTML 页面，从而极大提升网站加载速度和用户体验，尤其适合内容导向型的站点，如博客、文档和营销页面。

Astro 引入了一个非常独特的架构设计 —— 群岛架构（Islands Architecture）：
在传统的静态站点中，页面通常是完全静态的；而在现代动态站点中，许多部分过度依赖 JavaScript。Astro 提供了一种两者兼得的方式：你可以定义页面中哪些部分是静态的（如文章内容），哪些部分是动态可交互的（如评论系统或搜索栏）。这种架构在提高性能的同时，确保了站点的交互能力。

3.Astro 的核心特点

1. 零 JavaScript 默认输出：
   与传统框架（如 React、Vue）相比，Astro 默认不会输出多余的 JavaScript，仅生成纯静态的 HTML 和 CSS。这种轻量化的特性能显著减少浏览器的负担，使页面加载速度更快。

2. 支持多种框架：
   Astro 拥有惊人的灵活性，它允许开发者在同一个项目中同时整合多种前端框架（如 React、Vue、Svelte 和 SolidJS）。你可以选择最适合问题域的工具，而无需被某一个特定框架所限制。

3. 内容优先：
   Astro 是为内容驱动型网站设计的，特别适合博客、文档或新闻类项目。它能快速处理 Markdown 和 MDX，开发者可以轻松地将内容与组件结合。

4. 开箱即用的开发体验：
   Astro 提供了许多默认特性，如文件路由（File-based Routing）、内置的 Markdown 支持、静态资产优化、自动图片处理等；即使是不熟悉前端开发的用户，也能快速上手。

5. 扩展能力：
   Astro 拥有丰富的插件生态系统，可以轻松扩展功能，比如支持 TypeScript、Tailwind CSS、PWA 等技术栈。您还可以无缝接入第三方服务，比如 CMS 系统、数据库或者 API。

4.Fuwari主题介绍

Fuwari是基于 Astro 开发的静态博客模板。

::github{repo="saicaca/fuwari"}

:::tip “ふわり (fuwari) ” 是一个日文词汇，常用来描述某种动作、感觉或状态，意境整体偏向轻柔、舒适、飘逸、无负担感，常用于描绘自然风景或者精致、柔和的物品与情感，是一个充满日语美感的拟声词/副词。 :::

✨ 功能特性

• [x] 基于 Astro 和 Tailwind CSS 开发
• [x] 流畅的动画和页面过渡
• [x] 亮色 / 暗色模式
• [x] 自定义主题色和横幅图片
• [x] 响应式设计
• [ ] 评论
• [x] 搜索
• [ ] 文内目录

三、部署教程

1.准备工作

• 首先的首先，你需要一个Github账号，你可以注册一个

• 注册之后，你需要使用此模板生成新仓库或 Fork 此仓库

• 然后，你需要进行本地开发，Clone 新的仓库，执行 pnpm install 和 pnpm add sharp 以安装依赖

  • 若未安装 [pnpm](https://pnpm.io，请执行 npm install -g pnpm)

在执行完上述命令后，你可以通过 pnpm dev 命令启动本地开发服务器，访问 http://localhost:4321 进行预览。

2.博客自定义

2.1 博客配置

你可以通过配置文件 src/config.ts 自定义博客，这里以我自己的配置文件为例：

博客基本内容：

export const siteConfig: SiteConfig = {
  title: '时歌的博客',
  subtitle: '理解以真实为本，但真实本身并不会自动呈现',
  lang: 'zh_CN',         // 在这里设置你的博客语言，'en', 'zh_CN', 'zh_TW', 'ja', 'ko'
  themeColor: {
    hue: 250,         // 在这里设置你的主题色， Default hue for the theme color, from 0 to 360. e.g. red: 0, teal: 200, cyan: 250, pink: 345
    fixed: false,     // 选择是否固定主题色，默认false
  },
  banner: {
    enable: true,
    src: 'assets/images/blog-banner.webp',   // 在这里设置你的首页横幅图片，Relative to the /src directory. Relative to the /public directory if it starts with '/'
    position: 'center',      // 在这里设置你的横幅图片位置，Equivalent to object-position, only supports 'top', 'center', 'bottom'. 'center' by default
    credit: {
      enable: false,         // 这里可以设置你的横幅图片的作者信息，Display the credit text of the banner image
      text: '',              // Credit text to be displayed
      url: ''                // (Optional) URL link to the original artwork or artist's page
    }
  },
  toc: {
    enable: true,           // 这里可以设置是否显示文章目录，Display the table of contents on the right side of the post
    depth: 2                // 文章目录默认显示到2级，Maximum heading depth to show in the table, from 1 to 3
  },
  favicon: [    // Leave this array empty to use the default favicon
    // {
    //   src: '/favicon/icon.png',    // Path of the favicon, relative to the /public directory
    //   theme: 'light',              // (Optional) Either 'light' or 'dark', set only if you have different favicons for light and dark mode
    //   sizes: '32x32',              // (Optional) Size of the favicon, set only if you have favicons of different sizes
    // }
  ]
}

个人信息与联系方式：

export const profileConfig: ProfileConfig = {
  avatar: 'assets/images/avatar.jpg',  // 个人头像，Relative to the /src directory. Relative to the /public directory if it starts with '/'
  name: '时歌',
  bio: '理解以真实为本，但真实本身并不会自动呈现.',
  links: [
    {
      name: 'QQ',
      icon: 'mdi:qqchat',       // 图标可以在 https://icones.js.org/ 中找到，Visit https://icones.js.org/ for icon codes
                                        // 如果本地没有，你需要安装对应的图标集，You will need to install the corresponding icon set if it's not already included
                                        // 安装方法：`pnpm add @iconify-json/<icon-set-name>`
      url: 'https://qm.qq.com/q/Qm6VfZnWM0',
    },
    {
      name: 'NetEaseMusic',
      icon: 'tabler:brand-netease-music',
      url: 'https://music.163.com/#/user/home?id=1997803975',
    },
    {
      name: 'GitHub',
      icon: 'fa6-brands:github',
      url: 'https://github.com/Lapis0x0',
    },
  ],
}

2.2 创建文章

Astro框架是基于Markdown的，所以你可以在src/content/posts/目录中创建新的Markdown文件，编辑文章内容。 你也可以在终端中执行 pnpm new-post <filename> 创建新文章，并在 src/content/posts/ 目录中编辑。

文章格式：

---
title: My First Blog Post //文章标题
published: 2023-09-09 //文章发布日期
description: This is the first post of my new Astro blog.  //文章描述
image: ./cover.jpg  //这是文章封面，路径可以是相对路径，也可以是绝对路径
tags: [Foo, Bar] //文章标签
category: Front-end //文章分类
draft: false //是否为草稿
lang: jp      //仅当文章语言与 `config.ts` 中的网站语言不同时需要设置
---

2.3 部署

如果你的博客基本信息已经设置完成，文章也已经迁移/创建好了，你可以选择参考官方指南将博客部署至 Vercel, Netlify, GitHub Pages 等；部署前需编辑 astro.config.mjs 中的站点设置。

具体来说，你可能需要修改 astro.config.mjs 文件的 site 配置（大约在24行左右），将其设置为你的域名。

// https://astro.build/config
export default defineConfig({
  site: "https://www.lapis.cafe/", // 修改为你的域名
  base: "/",
  trailingSlash: "always",
  integrations: [
    tailwind(
        {
          nesting: true,
        }
    ),

2.3.1 部署到 Vercel

部署到Vercel非常简单，默认情况下你的 Astro 项目是一个静态站点。你无需任何额外配置即可将静态 Astro 站点部署到 Vercel。

• 首先，将你的博客全部代码push到你的GitHub仓库，然后在Vercel里选择import from GitHub
• Vercel将将自动检测 Astro 项目并自动为其配置正确的设置，一路点点点就行了
• 部署后，你可以通过 https://<your-username>.vercel.app 访问你的博客，也可以在settings里设置自定义域名

2.3.2 部署到 cloudflare pages

Cloudflare Pages是一个免费的静态网站托管平台，你可以在这里部署你的Astro站点。在开始之前，你需要：

• 一个 Cloudflare 账号。如果你暂时还没有，你可以现在免费去 Cloudflare 官网注册一个。
• 你的源代码存储在一个 GitHub 或者 GitLab 仓库里。

部署流程：

• 在 Cloudflare Pages 设置一个新项目。
• 将你的代码提交到一个 Git 仓库中 (GitHub, GitLab)。
• 登录 Cloudflare Dashboard 并在 Account Home > Workers & Pages > Overview 选择你的账号。
• 选择 Create application，然后选择 Pages 标签页，接着选择 Connect to Git 选项。
• 选择你想部署的 Git 项目并点击 Begin setup（初始设置）。
• 使用以下的构建设置：
  • Framework preset（框架预设）: Astro
  • Build command（构建命令）: npm run build
  • Build output directory（构建输出目录）: dist
• 点击 Save and Deploy（保存并部署）按钮。 最后，你可以通过 https://<your-username>.pages.dev 访问你的博客，也可以在settings里设置自定义域名。

2.3.3 部署到 GitHub Pages

你可以使用 GitHub Actions 将 Astro 站点自动构建和部署到 GitHub Pages。为此，你的源代码必须托管在 GitHub 上。Astro 维护了一个官方的 GitHub Action withastro/action 来帮助你部署项目.

由于本节流程比较复杂，请直接参见官方文档

2.3.4 部署到 Netlify

如果你的项目存储在 GitHub、GitLab、BitBucket 或 Azure DevOps 中，你可以使用 Netlify 的网站用户操作界面来部署你的 Astro 网站。

• 在 Netlify dashboard 页面上，点击 Add a new site

• 选择 Import an existing project

  当你从你的 Git 提供商中导入 Astro 仓库时，Netlify 应该会自动检测并预填充正确的配置设置。

• 确保已输入以下设置，然后按下 Deploy 按钮：

  Build Command: astro build or npm run build

  Publish directory: dist

  部署后，你将被重定向到站点概览页面。在那里，你可以编辑你站点的详细信息。

根据你的部署配置，未来对源代码库的任何修改都将触发预览和生产部署。

四、主题个性化调整

1.添加页脚ICP备案信息和运行时间信息

你可以在 src/components/Footer.astro 文件中添加你的ICP备案信息，例如:

---
import { profileConfig } from '../config'
import { url } from '../utils/url-utils'
const currentYear = new Date().getFullYear()
---

<!--<div class="border-t border-[var(&#45;&#45;primary)] mx-16 border-dashed py-8 max-w-[var(&#45;&#45;page-width)] flex flex-col items-center justify-center px-6">-->
<div class="transition border-t border-black/10 dark:border-white/15 my-10 border-dashed mx-32"></div>
<!--<div class="transition bg-[oklch(92%_0.01_var(&#45;&#45;hue))] dark:bg-black rounded-2xl py-8 mt-4 mb-8 flex flex-col items-center justify-center px-6">-->
<div class="transition border-dashed border-[oklch(85%_0.01_var(--hue))] dark:border-white/15 rounded-2xl mb-12 flex flex-col items-center justify-center px-6">
    <div class="transition text-50 text-sm text-center">
        &copy; <span id="copyright-year">{currentYear}</span> {profileConfig.name}. All Rights Reserved. /
        <a class="transition link text-[var(--primary)] font-medium" target="_blank" href={url('rss.xml')}>RSS</a> /
        <a class="transition link text-[var(--primary)] font-medium" target="_blank" href={url('sitemap-index.xml')}>Sitemap</a> /
        <a class="transition link text-[var(--primary)] font-medium" target="_blank" href="https://www.travellings.cn/go.html">开往</a><br>
        Powered by
        <a class="transition link text-[var(--primary)] font-medium" target="_blank" href="https://astro.build">Astro</a> &
        <a class="transition link text-[var(--primary)] font-medium" target="_blank" href="https://github.com/saicaca/fuwari">Fuwari</a>
        <br>
+       <a class="transition link text-[var(--primary)] font-medium" + target="_blank" href="https://beian.miit.gov.cn/"> 
+         辽ICP备2023010881号-1</a> //  添加备案信息
    </div>
    <script type="text/javascript">function runtime(){const t=new Date("07/01/2023 08:00:00"),n=new Date,s=n-t,e=Math.floor(s/1e3),o=Math.floor(e/86400),i=Math.floor(e%86400/3600),a=Math.floor(e%3600/60),r=e%60;document.getElementById("runningtime").innerHTML=`⭐本站已运行: ${o}天${i}小时${a}分${r}秒 ☁️`}setInterval(runtime,1e3)</script>
    <div class="transition text-50 text-sm text-center hidden md:block"><p id="runningtime"> </p></div>  //  添加博客运行时间
</div>

2.添加友链页面

2.1 添加友链页面文件

在src\content\spec目录下新建文件friends.md

:::note 这个文件是新友链页面的内容文件，类似于其他页面内容（例如关于页面）来源的 about.md 文件。 添加这个文件的目的是为 "友链" 页面提供对应的内容数据，也便于通过统一方式调用内容。 :::

在src\types\config.ts文件约37行位置添加以下内容

export enum LinkPreset {
  Home = 0,
  Archive = 1,
  About = 2,
+ Friends = 3,  
}

:::note 定义一个新的导航链接 "Friends"。在项目结构中，LinkPreset 枚举可能用于统一管理网页导航条或特定页面布局，对应页面的标识。 :::

2.2 国际化i18n翻译

在src\i18n\i18nKey.ts文件约35行位置添加以下内容

  author = 'author',
  publishedAt = 'publishedAt',
  license = 'license',
+ friends = 'friends',  

:::note i18nKey.ts 文件负责国际化功能，这里添加了 friends 键值，表示新页面 "友链" 的国际化字符串键。 后续会根据项目支持的语言为 friends 提供不同语言的翻译。 :::

按照自己的语言，在 src\i18n\languages 目录中编辑相应语言文件,以 zh_CN.ts 为例，在约 38 行位置添加内容

  [Key.author]: '作者',
  [Key.publishedAt]: '发布于',
  [Key.license]: '许可协议',
+ [Key.friends]: '友链', 

:::note 编辑语言文件，为新增的 friends 翻译字符串提供对应语言的翻译（这里是中文：友链）。 如果项目支持其他语言，这个步骤需要在每个语言文件中添加 friends 的翻译，保证页面多语言显示功能。 :::

在 src\constants\link-presets.ts 文件约 18 行位置添加内容

   [LinkPreset.Archive]: {
     name: i18n(I18nKey.archive),
     url: '/archive/',
   },
+  [LinkPreset.Friends]: { 
+    name: i18n(I18nKey.friends),  
+    url: '/friends/',  
+  },   
 }

:::note 在 LinkPreset 到页面路径的映射中，加入新的友链页面配置。 name 设置链接名称，这里使用国际化 i18n(I18nKey.friends) 来确保多语言支持。 url 指定这个页面的路径 /friends/。 :::

2.3 创建和配置页面的Astro文件

在src\pages目录下复制原本的about.astro文件，重命名为friends.astro，在此文件中更改第 10 行、第 12 行和第14行的内容

-  const aboutPost = await getEntry('spec', 'about')
+  const friendsPost = await getEntry('spec', 'friends')

-  const { Content } = await aboutPost.render()
+  const { Content } = await friendsPost.render()

-  <MainGridLayout title={i18n(I18nKey.about)} description={i18n(I18nKey.about)}>
+  <MainGridLayout title={i18n(I18nKey.friends)} description={i18n(I18nKey.friends)}>

:::note 创建 friends.astro 作为友链页面的模板文件，复制使用了类似 about.astro 的结构代码。 修改了内容获取函数，使其加载的是 friends.md 数据，而非 about.md 数据。 修改了标题 title 和描述 description，指向 friends 的国际化字符串。 :::

2.4 在导航栏中添加友链页面

在 src\config.ts 文件约 39 行位置添加内容，注意要在 LinkPreset.About 末尾添加,

export const navBarConfig: NavBarConfig = {
  links: [
    LinkPreset.Home,
    LinkPreset.Archive,
    LinkPreset.About,
+   LinkPreset.Friends,  
    {

:::note navBarConfig 用于配置页面的导航栏。 在导航栏中添加新的 "友链" 入口，使用户能够通过导航直接访问这个页面。 :::

2.5 创建卡片效果友链

在之前创建的 friends.astro 文件中编辑

const friendsPost = await getEntry('spec', 'friends')
const { Content } = await friendsPost.render()
const items = [
  {  
    title: 'Astro',  
    imgurl: 'https://avatars.githubusercontent.com/u/44914786?s=48&v=4',  
    desc: 'The web framework for content-driven websites. ⭐️ Star to support our work!',  
    siteurl: 'https://github.com/withastro/astro',  
    tags: ['框架'],  
  },
    {  
    title: '时歌的博客',  
    imgurl: 'https://blog-1302893975.cos.ap-beijing.myqcloud.com/pic/avatar.webp?imageSlim',  
    desc: '理解以真实为本，但真实本身并不会自动呈现',  
    siteurl: 'https://www.lapis.cafe',  
    tags: ['博客'],  
  },
]
---
<MainGridLayout title={i18n(I18nKey.friends)} description={i18n(I18nKey.friends)}>
    <div class="flex w-full rounded-[var(--radius-large)] overflow-hidden relative min-h-32">
        <div class="card-base z-10 px-9 py-6 relative w-full ">
            <div class="grid grid-cols-1 sm:grid-cols-2 gap-x-6 gap-y-8 my-4">
                {items.map((item) => (   
                    <div class="flex flex-nowrap items-stretch h-28 gap-4 rounded-[var(--radius-large)]">
                        <div class="w-28 h-28 flex-shrink-0 rounded-lg overflow-hidden bg-zinc-200 dark:bg-zinc-900">
                            <img src={item.imgurl} alt="站点头像" class="w-full h-full object-cover">
                        </div>
                        <div class="grow w-full">
                            <div class="font-bold transition text-lg text-neutral-900 dark:text-neutral-100 mb-1">{item.title}</div>
                            <div class="text-50 text-sm font-medium">{item.desc}</div>
                            <div class:list={["items-center", {"flex": true, "hidden md:flex" : false}]}>
                                <div class="flex flex-row flex-nowrap items-center">
                                    {(item.tags && item.tags.length > 0) && item.tags.map((tag,i) => (  
                                    <div class:list={[{"hidden": i==0}, "mx-1.5 text-[var(--meta-divider)] text-sm" ]}>
                                        /
                                    </div>  
                                    <span class="transition text-50 text-sm font-medium">
                                        {tag}
                                    </span>))}
                                    {!(item.tags && item.tags.length > 0) && <div class="transition text-50 text-sm font-medium">{i18n(I18nKey.noTags)}</div>}
                                </div>
                            </div>
                        </div>
                        <a href={item.siteurl} target="_blank" rel="noopener noreferrer"class="flex btn-regular w-[3.25rem] rounded-lg bg-[var(--enter-btn-bg)] hover:bg-[var(--enter-btn-bg-hover)] active:bg-[var(--enter-btn-bg-active)] active:scale-95">
                            <svg xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink" aria-hidden="true" role="img" class="transition text-[var(--primary)] text-4xl mx-auto iconify iconify--material-symbols" width="1em" height="1em" viewBox="0 0 24 24">
                                <path fill="currentColor" d="M12.6 12L8.7 8.1q-.275-.275-.275-.7t.275-.7t.7-.275t.7.275l4.6 4.6q.15.15.213.325t.062.375t-.062.375t-.213.325l-4.6 4.6q-.275.275-.7.275t-.7-.275t-.275-.7t.275-.7z"></path>
                            </svg>
                        </a>
                    </div>
                ))}
            </div>  
            <Markdown class="mt-2">
                <Content />
            </Markdown>
        </div>
    </div>
</MainGridLayout>

:::note 在 friends.astro 文件中，添加卡片效果的友链信息，包括站点名称、头像、描述、链接、标签等信息。

const items 部分就是添加的友链部分，继续添加即可。 :::

最终效果：

3.添加评论系统

本主题作者未来会计划添加评论系统，但目前主题原生不支持，可采用giscus等第三方评论系统，本节就采用giscus来进行演示。

3.1 giscus配置

• 首先，你需要创建一个新的GitHub库用来“装下”博客的那些评论，你需要确保该仓库是公开的,否则访客将无法查看 discussion。
• 然后，你需要给你的这个仓库repo安装giscus app,否则访客将无法评论和回应。
• 最后，你需要确保 Discussions 功能已在你的仓库中启用。

打开giscus官方网站https://giscus.app/，进行配置：

• 语言：选择你目前正在使用的语言（一般应该都是简中吧？）
• 仓库：填写你刚刚创建的仓库（格式为你的用户名/仓库名）
• 页面 ↔️ discussion 映射关系(默认即可)
• Discussion 分类（默认即可）
• 特性（默认即可）
• 主题（默认即可）

按照顺序配置好之后，下方会自动生成

具体字段会根据你的情况自动生成

<script src="https://giscus.app/client.js"
        data-repo="[在此输入仓库]"
        data-repo-id="[在此输入仓库 ID]"
        data-category="[在此输入分类名]"
        data-category-id="[在此输入分类 ID]"
        data-mapping="pathname"
        data-strict="0"
        data-reactions-enabled="1"
        data-emit-metadata="0"
        data-input-position="bottom"
        data-theme="preferred_color_scheme"
        data-lang="zh-CN"
        crossorigin="anonymous"
        async>
</script>

3.2 添加评论系统

3.2.1 友链页面

如果你的友链界面已经配置好，直接在src\pages\friends.astro文件中添加即可，插入最后一行上方即可

            <Markdown class="mt-2">
                <Content />
            </Markdown>
        </div>
    </div>

<!-- giscus评论 -->
<script src="https://giscus.app/client.js"
        data-repo="AULyPc/aulypc.github.io"
        data-repo-id="xxxxxxxxx"
        data-category="Announcements"
        data-category-id="xxxxxxxxxxxx"
        data-mapping="pathname"
        data-strict="0"
        data-reactions-enabled="1"
        data-emit-metadata="0"
        data-input-position="top"
        data-theme="preferred_color_scheme"
        data-lang="zh-CN"
        crossorigin="anonymous"
        async>
</script>  

</MainGridLayout>

3.2.2 文章页面

找到 src\pages\posts\[...slug].astro 文件 在 </MainGridLayout> 行上方添加即可

                <Icon name="material-symbols:chevron-right-rounded" class="text-[2rem] text-[var(--primary)]" />
            </div>}
        </a>
    </div>

<!-- giscus评论 -->
<script src="https://giscus.app/client.js"
    data-repo="AULyPc/aulypc.github.io"
    data-repo-id="xxxxxxxxxxx"
    data-category="Announcements"
    data-category-id="xxxxxxxxxxxxx"
    data-mapping="pathname"
    data-strict="0"
    data-reactions-enabled="1"
    data-emit-metadata="0"
    data-input-position="top"
    data-theme="preferred_color_scheme"
    data-lang="zh-CN"
    crossorigin="anonymous"
    async>
</script>  

</MainGridLayout>

<style is:global>
#post-container :nth-child(1) { animation-delay: calc(var(--content-delay) + 0ms) }
#post-container :nth-child(2) { animation-delay: calc(var(--content-delay) + 50ms) }
#post-container :nth-child(3) { animation-delay: calc(var(--content-delay) + 100ms) }
#post-container :nth-child(4) { animation-delay: calc(var(--content-delay) + 175ms) }
#post-container :nth-child(5) { animation-delay: calc(var(--content-delay) + 250ms) }
#post-container :nth-child(6) { animation-delay: calc(var(--content-delay) + 325ms) } 
</style>

:::note 关于页面，归档页面同理，修改对应的如about.astro，posts.astro，archive.astro，index.astro，即可 :::

:::caution 因为在我实际使用过程中，发现评论系统在页面的位置比较靠上，和文章正文贴得太近不美观，因此修改了下实际代码：

<!-- giscus评论 -->
<div style="margin-top: 20px;"></div>
<script src="https://giscus.app/client.js"
        data-repo="Lapis0x0/blog-discussion"
        data-repo-id="R_kgDONda6_g"
        data-category="Announcements"
        data-category-id="DIC_kwDONda6_s4ClN0D"
        data-mapping="pathname"
        data-strict="0"
        data-reactions-enabled="1"
        data-emit-metadata="0"
        data-input-position="bottom"
        data-theme="preferred_color_scheme"
        data-lang="zh-CN"
        crossorigin="anonymous"
        async>
</script>

:::

引言

经济学和金融学作为社会科学的重要分支，其研究目的在于理解和预测经济主体的行为以及金融市场的运作规律，二者研究范围很大一部分都重叠于分析复杂经济体系中各种行为主体的决策及其相互作用机制。实证研究作为连接理论与现实的桥梁，通过对数据的收集、整理和分析来检验经济理论的有效性，并为政策制定和投资决策提供依据。随着近年数据可得性的大幅提升以及量化方法的发展，经济学和金融学实证研究的深度广度均得到了显著增强。

在具体的分析中，模型和变量选择是整个研究全过程的核心。不同模型适用于不同的数据特征与分析需求，可以帮助研究者合理抽象和描述经济现象。尤其是一些相对简单、经典的模型，能够以较低的复杂度实现对真实问题的高效分析。本篇博客将简要介绍经济学与金融学实证研究中最常用的几个简单模型，包括线性回归模型、时间序列分析、面板数据分析、Logit和Probit模型、以及事件研究法。通过对这些模型基本概念、应用案例、优点与局限的梳理，试图帮助读者更好地理解这些模型的功能及其应用场景，为进一步的研究打下基础。

• 线性回归模型以其简洁性和解释性，成为研究变量之间线性关系的首选工具，例如分析经济增长与投资的关系，或股票价格与宏观经济指标的关系。
• 时间序列分析则专注于研究随时间变化的数据，能够捕捉数据的动态变化，适用于GDP预测和股票市场波动性分析等问题。
• 面板数据分析结合了横截面数据和时间序列数据的优势，能够控制个体异质性，提高估计精度，常用于公司财务绩效分析和国家经济发展比较研究。
• Logit和Probit模型适用于研究二元选择问题，例如信贷违约预测和投资决策分析，它们能够解释事件发生的概率。
• 事件研究法则专注于评估特定事件对市场的影响，例如公司并购公告的影响或政策变动对市场的影响。

一、线性回归模型（Linear Regression Model）

线性回归模型是经济学和金融学实证研究中最基础且最广泛应用的模型之一，用于描述因变量与一个或多个自变量之间的线性关系。它具有直观的表现形式和较强的解释能力，因此长期以来受到各类研究者的青睐。本节将重点介绍线性回归模型的基本概念、经典应用案例，并讨论其优点与局限。

1. 基本概念

（1）定义和公式

线性回归模型的基本形式为：

$$ Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + \cdots + \beta_kX_k + \varepsilon $$

其中：

• $Y$为因变量（被解释变量），代表所研究的现象或结果；
• $X_1, X_2, \cdots, X_k $ 为自变量（解释变量），代表影响因变量的不同要素；
• $\beta_0$为截距，表示当所有自变量取值为0时因变量的期望值；
• $\beta_1, \beta_2, \cdots, \beta_k$为回归系数，衡量每个自变量对因变量的边际影响；
• $ \varepsilon $为误差项，表示模型未能解释的部分。

在线性回归模型中，自变量和因变量之间的关系假定为线性，通过最小二乘法（Ordinary Least Squares, OLS）估计模型参数，使得误差项平方和最小化。OLS的目标函数为：

$$ \min_{\beta_0, \beta_1, \cdots, \beta_k} \sum_{i=1}^n (\hat{Y}_i - Y_i)^2 $$

（2）假设条件

为了保证OLS估计具有良好的统计性质（如无偏性和有效性），线性回归模型需满足以下经典假设条件：

1. 线性假设：因变量与所有自变量之间的关系是线性的；
2. 随机抽样：样本数据是按照随机抽样的方法获取的；
3. 同方差性：误差项的方差是恒定的，不随着自变量的变化而变化；
4. 误差项独立性：误差项彼此之间相互独立，且与自变量无关；
5. 误差项正态性（在小样本情况下重要）：误差项服从正态分布；
6. 无完全多重共线性：各自变量之间不存在完全线性关系。

上述假设提供了理论支持，但在实际应用中可能不完全成立，研究者需根据数据特性进行检验和调整。

2. 应用案例

（1）经济增长与投资的关系

经济学中，线性回归模型常用于分析经济增长与影响因素之间的关系。例如，一些研究通过回归模型检验投资对经济增长的影响，具体设定为：

$$ GDP_{growth_rate} = \beta_0 + \beta_1Investment + \beta_2Labor + \beta_3Capital + \varepsilon $$

在上述公式中，经济增长率作为因变量，投资、劳动力和资本等作为解释变量，通过估计各变量的系数可以判断其对经济增长的边际贡献。

（2）股票价格与宏观经济指标的关系

金融学中，线性回归模型常用于测试宏观经济变量对股票市场的影响。以某股票价格指数为因变量，该模型可能包括的解释变量有利率、通货膨胀率、货币供应量等：

$$ Stock_Price = \beta_0 + \beta_1Interest_Rate + \beta_2Inflation + \beta_3Money_Supply + \varepsilon $$

这样的分析可以帮助投资者或政策制定者了解宏观经济环境的变化对资本市场的影响，有助于优化投资策略或政策设计。

3. 优点与局限

（1）优点

1. 简单易用：线性回归模型形式简单，参数估计方法可靠，易于实施；
2. 解释性强：回归系数能直接反映自变量对因变量的边际影响；
3. 适用范围广：适用于大多数实证研究场景，无论是单变量问题还是多变量问题，都可以利用线性回归模型进行分析。

（2）局限

1. 假设线性关系：线性回归模型假设因变量和自变量之间为线性关系，但实际经济和金融现象中可能存在复杂的非线性关系；
2. 多重共线性问题：当自变量之间存在高度相关性时，模型可能会导致系数不稳定，影响结果的可靠性；
3. 对异常值敏感：模型对异常值非常敏感，可能导致系数估计值和模型预测不准确；
4. 忽略动态性：线性回归模型仅关注静态关系，无法捕捉时间序列数据中的动态变化趋势。

线性回归模型作为经济学与金融学实证研究的基础工具，在许多场景下能够快速提供清晰的结果。但其应用也需要注意基本假设对结果的潜在影响，并结合数据特性选择最适合的模型。

二、时间序列分析（Time Series Analysis）

时间序列分析是一类专门用于研究随时间变化数据的方法，在经济学与金融学中用于模型化和预测动态变量（如GDP、股票价格等）的趋势与周期。这类方法特别适用于时间相关的数据，通过合理的建模能够捕捉其动态特性。本节将围绕时间序列分析的基本概念、经典应用案例及其优点与局限展开讨论。

1. 基本概念

（1）定义和分类

时间序列分析是用于研究序列数据（例如按天、月份或年度记录的观测值）的一类统计方法，其核心目标在于发现时间序列的规律并进行预测。根据时间序列的生成机制，可大致将时间序列模型划分为以下几类：

1. 自回归模型（Autoregressive Model, AR） AR模型假设当前序列值 ( y_t ) 可以用过去的若干序列值的线性组合表示：

   $$ y_t = \phi_1 y_{t-1} + \phi_2 y_{t-2} + \cdots + \phi_p y_{t-p} + \varepsilon_t $$

   其中，$\phi_1, \phi_2, \ldots, \phi_p$为自回归系数，$p$为滞后阶数，$\varepsilon_t $为白噪声。

2. 滑动平均模型（Moving Average Model, MA） MA模型假设当前序列值与过去的误差项（白噪声）的线性组合相关：

   $$ y_t = \varepsilon_t + \theta_1 \varepsilon_{t-1} + \theta_2 \varepsilon_{t-2} + \cdots + \theta_q \varepsilon_{t-q} $$

   其中，$\theta_1, \theta_2, \ldots, \theta_q $为滑动平均系数，$q$为滞后阶数。

3. 混合模型（Autoregressive Integrated Moving Average Model, ARIMA） ARIMA模型综合了AR模型和MA模型，同时允许序列数据通过差分运算转化为平稳序列：

   $$ y_t = \phi_1 y_{t-1} + \cdots + \phi_p y_{t-p} + \varepsilon_t + \theta_1 \varepsilon_{t-1} + \cdots + \theta_q \varepsilon_{t-q} $$

   若数据非平稳，则需通过 $d $ 阶差分运算$\Delta^d y_t = y_t - y_{t-1}$使其平稳，以达到建模要求。

（2）平稳性和非平稳性

在时间序列分析中，平稳性是一个关键假设。平稳时间序列的统计特性（如均值、方差、自相关函数等）不随时间变化。常用的平稳性检验方法包括：

• 单位根检验（Unit Root Test）：如ADF检验（Augmented Dickey-Fuller Test）和KPSS检验，用于检查序列是否存在单位根（非平稳）。
• 图示法：观察序列的趋势和方差变化，初步判断是否平稳。

若序列非平稳，则可通过如下方法进行处理：

1. 差分运算：对序列进行一次或多次差分 $\Delta y_t = y_t - y_{t-1}$ 直到序列平稳；
2. 对数变换或 Box-Cox 变换：处理非平稳序列由于趋势或波动过大引起的问题。

2. 应用案例

（1）GDP预测

时间序列分析大量用于宏观经济预测。例如，研究者可以基于季度或年度的 GDP 数据构建 ARIMA 模型，以捕捉GDP的增长趋势和周期波动，公式如下：

$$ \Delta GDP_t = \phi_1 \Delta GDP_{t-1} + \cdots + \phi_p \Delta GDP_{t-p} + \varepsilon_t + \theta_1 \varepsilon_{t-1} + \cdots + \theta_q \varepsilon_{t-q} $$

模型能够有效结合历史趋势与短期异常，生成可靠的中短期 GDP 增长率预测。

（2）股票市场波动性分析

在金融市场中，股票价格或收益率通常显示出较强的波动聚集效应和自相关性。通过时间序列模型（如 ARIMA 或 GARCH 模型），可以分析股票市场的动态特征。例如，使用 AR 模型分析每日的股票回报率（returns）：

$$ r_t = c + \phi_1 r_{t-1} + \phi_2 r_{t-2} + \cdots + \phi_p r_{t-p} + \varepsilon_t $$

此外，通过扩展为 GARCH 模型，还可以刻画波动率的动态变化。此类模型对投资策略和风险管理具有重要意义。

3. 优点与局限

（1）优点

1. 适应时间数据：时间序列分析方法专门设计用于处理时间序列数据，能够捕捉其动态特性；
2. 预测能力强：通过识别过去的模式，可以预测序列的未来变化趋势；
3. 适应多样性问题：AR、MA、ARIMA 等不同模型能够分别处理平稳、非平稳数据以及复杂周期问题。

（2）局限

1. 对数据要求高：时间序列数据要求具有较好的质量（完整无缺失），且观测时间较长，否则难以获得准确结果；
2. 平稳性处理复杂：非平稳数据较难建模，前期需要对趋势性、季节性进行充分识别与处理；
3. 对模型选择敏感：不同模型的效果依赖于数据特性，变量的滞后阶数选择（如ARIMA中的 $p, d, q$严重影响结果，需要借助信息准则（如AIC、BIC）优化模型。

时间序列分析在处理动态数据、研究变量之间的时间依赖性方面具有重要优势。但其建模和预测过程依赖于严格的方法论和数据质量，研究者需要根据数据特性及研究目标谨慎选择合适的模型与处理方式。

三、面板数据分析（Panel Data Analysis）

面板数据分析是一种结合横截面数据（Cross-sectional Data）和时间序列数据（Time Series Data）的分析方法。它广泛应用于经济学和金融学的实证研究中，用于分析不同个体（如公司、地区或国家）随着时间变化的行为差异和动态变化趋势。本节将讨论面板数据分析的基本概念、经典应用案例及其优点和局限性。

1. 基本概念

（1）定义和类型

面板数据指同时包含横截面观测（多个个体）和时间序列观测的数据。例如，第 (i) 个公司的第 (t) 年的财务绩效数据可以表示为 (y_{it})。面板数据模型的基本形式为：

$$ y_{it} = \alpha + \beta X_{it} + u_{it}, \quad i = 1, 2, ... , N; \quad t = 1, 2, ... , T $$

$$ \begin{aligned} \text{其中：} \ & y_{it}：\text{第 } i \text{ 个个体在第 } t \text{ 时期的因变量；} \ & X_{it}：\text{解释变量矩阵；} \ & \alpha：\text{截距项；} \ & \beta：\text{回归系数向量，表示解释变量对因变量的作用；} \ & u_{it}：\text{误差项，可能包含个体效应（个体特有的影响）、时间效应或其他随机部分。} \end{aligned} $$

根据个体和时间效应的处理方式，主要分为以下两类模型：

1. 固定效应模型（Fixed Effects Model, FEM） 固定效应模型通过控制不可观测的个体特性（例如，国家的制度差异或企业的特点）来减少模型偏误。它假设这些个体特性不会随时间变化，是固定的。其模型形式为：

$$ y_{it} = \alpha_i + \beta X_{it} + u_{it} $$

其中，$alpha_i$是各个个体的固定特定因素。固定效应模型通过引入“个体哑变量（dummy variable）”或“去均值法（within transformation）”实现估计。

1. 随机效应模型（Random Effects Model, REM） 随机效应模型假设个体差异是随机的，且与解释变量无关。模型形式为：

$$ y_{it} = \alpha + \beta X_{it} + v_i + u_{it} $$

$v_i$ 表示个体特有的随机效应，满足 $E(v_i) = 0$，且与解释变量 $X_{it}$不相关。REM 的估计通常基于广义最小二乘法 (GLS)。

（2）优势：结合横截面和时间序列数据

面板数据分析的一个核心优势在于它结合了横截面数据和时间序列数据的特点，能够捕捉个体间差异及其动态变化趋势。具体优势包括：

• 提供更大的数据量，有助于提高估计精度；
• 更好地控制不可观测异质性，减少遗漏变量偏误；
• 能够分析个体随时间变化的动态关系，例如政策效应、长期趋势等。

2. 应用案例

（1）公司财务绩效分析

在企业层面的研究中，面板数据分析能够有效结合公司间差异与时间上的变化特征。例如，研究上市公司资本结构对绩效的影响时，可以构建如下模型：

$$ Performance_{it} = \alpha + \beta_1 Leverage_{it} + \beta_2 Size_{it} + \beta_3 R&D_{it} + u_{it} $$

其中，$Performance_{it}$表示第 $i$ 个公司的财务绩效（如ROE或利润率），$Leverage_{it}$ 为杠杆率，$Size_{it}$ 为公司规模，$R&D_{it}$ 为研发投入。通过固定效应模型，可控制公司特定的不可观测特性（如管理能力、文化差异等）。

（2）国家经济发展比较

在宏观层面，面板数据分析被广泛用于比较国家间的经济发展。例如，可以分析人口增长率与GDP增长率的关系，模型形式为：

$$ GDP_Growth_{it} = \alpha + \beta_1 Pop_Growth_{it} + \beta_2 Trade_{it} + \beta_3 Invest_{it} + u_{it} $$

其中，第 $i$ 个国家的 GDP 增长率（$GDP_Growth_{it}$）受人口增长率（$Pop_Growth_{it}$）、贸易额占比（$Trade_{it}$）和固定资本投资占比（$Invest_{it}$）的影响。通过随机效应模型，可以捕捉不同国家间的异质性及全球经济变化趋势。

3. 优点与局限

（1）优点

1. 控制个体异质性：有效控制个体间的不可观测异质性，减少模型偏误。
2. 提高估计精度：面板数据结合了时间序列和横截面维度，使得估计结果更加精确可靠。
3. 捕捉动态变化：能够分析个体间差异以及动态调整过程，例如政策对经济的长短期影响。
4. 适用范围广：适用于多种研究领域，如企业行为分析、政策评价等。

（2）局限

1. 数据收集难度较大：面板数据需要同时涵盖横截面和时间维度，尤其长期面板数据（long panel）很难获取。
2. 模型选择复杂：固定效应和随机效应模型的选择需要基于理论和统计检验（如 Hausman 检验），且处理过程较繁琐。
3. 潜在内生性问题：解释变量可能与误差项相关，导致估计结果偏误，需要引入工具变量（IV）或广义矩估计（GMM）进行纠正。
4. 假设依赖性较强：随机效应模型假设个体随机效应与解释变量无关，这一假设在实际中往往较难满足。

面板数据分析为经济学与金融学的实证研究提供了有效工具，帮助研究者整合多维度数据分析个体差异和动态关系。然而，其模型的复杂性及对数据的高要求也对研究者的专业能力提出了挑战。

四、Logit和Probit模型（Logit and Probit Models）

Logit和Probit模型是经济学、金融学及其他社会科学领域常用的非线性二元选择模型，它们主要用于研究因变量是二元选择数据（如“成功/失败”、“同意/拒绝”）的关系。在很多场景中，研究者关注的是某一事件发生的概率，而Logit和Probit模型可以将这种概率通过解释变量建模。本节将介绍Logit和Probit模型的基本概念、应用案例以及它们各自的优点与局限性。

1. 基本概念

（1）定义和公式

Logit和Probit模型都是基于二元因变量的概率模型，用于研究某事件发生的概率在什么条件下会改变，因变量 ((Y)) 通常取值为1或0（即代表事件分别“发生”和“不发生”）。两种模型的核心在于设定不同的分布函数，将解释变量通过某种形式转换为事件发生的概率。

设 $P(Y=1|X)$ 为事件 $Y=1$ （某事件发生）的概率，模型的通用形式表示为：

$$ P(Y = 1|X) = F(X \beta) $$

其中：

• $F$：累积分布函数，决定模型类型；
• $X$：自变量（解释变量）；
• $\beta$：回归系数向量。

具体而言：

1. Logit模型

Logit模型基于累积逻辑分布函数，其公式为：

$$ P(Y = 1|X) = \frac{1}{1 + e^{-X\beta}} $$

或等价地，可以写为对数几率形式：

$$ \ln\left(\frac{P(Y = 1|X)}{P(Y = 0|X)}\right) = X\beta $$

其中，$\ln\left(\frac{P}{1-P}\right)$ 称为对数几率（log odds）。Logit模型非常适合描述概率与线性组合之间的非线性关系，且保证所得概率介于0和1之间。

2. Probit模型

Probit模型基于标准正态分布函数，其公式为：

$$ P(Y = 1|X) = \Phi(X\beta) $$

其中，$\Phi$ 为标准正态分布的累积分布函数：

$$ \Phi(z) = \int_{-\infty}^z \frac{1}{\sqrt{2\pi}} e^{-\frac{t^2}{2}} dt $$

Probit模型假设事件发生的概率服从标准正态分布，适用于解释变量对结果具有正态分布特性的场景。

（2）概率解释

在实际研究中，Logit与Probit模型都用于估计变化后的概率。由于两者的函数形式决定了因变量对解释变量的非线性关系，因此结果通常用边际效应（Marginal Effects）来解释，即：

$$ \frac{\partial P(Y=1|X)}{\partial X} = f(X\beta) \cdot \beta $$

其中，$f(X\beta)$ 是对应的分布密度函数。

• 对于 Logit 模型，密度函数为：

$$ f(z) = \frac{e^{-z}}{(1+e^{-z})^2} $$

• 对于 Probit 模型，密度函数为标准正态分布函数的导数：

$$ f(z) = \frac{1}{\sqrt{2\pi}} e^{-\frac{z^2}{2}} $$

边际效应展示了解释变量变化时，因变量的发生概率如何随之波动，这为政策决策或现象预测提供了直观的量化依据。

2. 应用案例

（1）信贷违约预测

在金融领域，Logit和Probit模型被广泛应用于信用风险管理。例如，研究贷款人是否违约 (Y = 1) （违约）或 (Y = 0) （不违约）时，可以将贷款申请者的特征（收入、资产负债比、信用评分等）作为解释变量：

$$ P(\text{Default} = 1|X) = F(\beta_0 + \beta_1 \cdot \text{Income} + \beta_2 \cdot \text{DebtRatio} + \beta_3 \cdot \text{CreditScore}) $$

通过估计模型参数，可以得到贷款人违约的概率，从而辅助银行决策是否批准贷款。Logit模型因其解释简便和计算收益被更频繁使用，更能处理高度不平衡的数据集（如违约率较低）。

（2）投资决策分析

在企业投资中，Logit和Probit模型可用来分析企业是否选择进行某类新投资（如技术升级或多元化扩展）：

$$ P(\text{Invest} = 1|X) = F(\beta_0 + \beta_1 \cdot \text{MarketCompetition} + \beta_2 \cdot \text{Capital} + \beta_3 \cdot \text{PolicyIncentives}) $$

其中：

• $\text{MarketCompetition}$ 表示市场竞争程度；
• $\text{Capital}$ 表示企业的资本状况；
• $\text{PolicyIncentives}$ 表示政策激励的强度。

模型可以帮助揭示影响企业投资决策的重要因素及其边际效应，为政策支持方向或管理调整提供参考。

3. 优点与局限

（1）优点

1. 适用于二元选择问题：Logit和Probit模型专门针对二值因变量问题，能够很好地捕捉解释变量对结果的影响；
2. 解释概率：模型输出可以直接被解释为某事件发生的概率，使得结果易于解读；
3. 灵活性：Logit模型和Probit模型都可以通过扩展（如Multinomial Logit或Ordered Probit）处理多类别选择问题。

（2）局限

1. 假设分布形式：两种模型依赖于累积分布函数的假设（Logit假设逻辑分布，Probit假设正态分布），在某些实际中可能不适用；
2. 结果非线性：模型结果为非线性形式，直接解释可能困难（需要计算边际效应）；
3. 模型参数估计复杂：Logit和Probit模型的极大似然估计较为复杂，与OLS相比需要更高的计算要求；
4. 适用范围有限：模型仅适用于因变量为二元点的情形，对于连续型或分布更复杂的数据，其适用性受限。

Logit和Probit模型是解释二元选择问题的核心工具，它们通过输出概率为决策提供依据。研究者需要结合数据特点选择合适的模型，并关注边际效应和模型假设可能对结果产生的影响。在实际应用中，对于分类变量分析，两种模型共同构成了强有力的统计支持体系。

五、事件研究法（Event Study Method）

事件研究法是一种用于度量某一特定事件对金融市场中特定资产价格或收益率影响的实证研究方法。它在金融学、经济学以及会计学中被广泛使用，特别是用于检验事件（如并购公告、政策变化、盈利警告等）是否显著影响了股票市场或其他金融市场的表现。本节将介绍事件研究法的基本概念、应用案例以及其优点与局限。

1. 基本概念

（1）定义和步骤

事件研究法的核心目标是评估某个特定事件在一个短期窗口期内，对资产价格或市场表现的影响。这种方法利用经济学理论和金融市场的有效性假设，分析事件前后资产的异常收益（Abnormal Returns, AR），并测试其是否显著偏离正常水平。

事件研究法的标准步骤如下：

1. 确定事件窗口期（Event Window） 定义研究的关键事件及其发生日期（称为“事件日”，一般用 (t = 0) 表示），以及窗口期的范围。窗口期通常包括事件发生之前的一段时间（用于捕捉市场提前反应）和之后的一段时间（用于观察延迟反应）。例如，窗口期可以设定为 ([-10, +10])，即事件日前后各10天。
2. 估计窗口期（Estimation Window） 窗口期之外的一段时期被称为估计窗口期，用于构建资产正常收益的估计模型（如市场收益模型或CAPM）。例如，估计窗口期可以设定为事件日前 ([-120, -11])。
3. 计算正常收益率（Normal Returns, NR） 在估计窗口期内，使用历史数据构建模型预测正常收益。正常收益率的估计方法包括：

• 市场模型（Market Model）：

  $$ R_{it} = \alpha_i + \beta_i R_{mt} + \varepsilon_t $$

  其中，$R_{it}$ 为第 $i$ 个资产在 $t$ 时期的收益率，$R_{mt}$ 为市场收益率，$\alpha_i$ 和 $\beta_i$ 为回归系数。

• 无条件平均法： 直接用估计窗口期的平均收益率作为正常收益。

1. 计算异常收益率（Abnormal Returns, AR） 异常收益率表示资产真实收益相较于正常水平的偏离值，定义为：

   $$ AR_{it} = R_{it} - \hat{R}_{it} $$

   其中，$\hat{R}_{it}$ 为估计的正常收益。

2. 计算累计异常收益率（Cumulative Abnormal Returns, CAR） 将事件窗口中每一天的异常收益率叠加，得到累计异常收益率：

   $$ CAR_{(t_1, t_2)} = \sum_{t=t_1}^{t_2} AR_{it} $$

3. 统计检验 使用统计方法（如 t 检验）检测异常收益率或累计异常收益率是否显著，判断事件对目标资产的影响是否显著非零。

（2）异常收益率计算

异常收益率的计算是事件研究的核心环节。基于市场模型，异常收益率可以具体表示为：

$$ AR_{it} = R_{it} - (\alpha_i + \beta_i R_{mt}) $$

其中：

• $R_{it}$：事件窗口期第 $i$ 个资产在 $t$ 时期的实际收益率；
• $\alpha_i + \beta_i R_{mt}$：第 $i$ 个资产在 $t$ 时期基于估计模型的正常收益；
• $R_{mt}$：市场收益率。

通过在事件窗口期内累计多个 $AR_{it}$，可以得到累计异常收益率（CAR），用于衡量事件的整体影响。若 $CAR$ 显著为正或为负，说明事件对资产的影响显著。

2. 应用案例

（1）公司并购公告的影响

并购事件（Mergers and Acquisitions，M&A）往往对并购双方的公司股价产生显著影响。研究者可以使用事件研究法评估并购公告对两家公司股价的短期市场反应：

1. 研究问题：并购公告是否提升了目标公司股东的价值？是否减少了收购公司的股东财富？
2. 步骤：以并购公告日期为 (t=0)，包含事件前后5天窗口期（([-5, 5])），并选择事件日前60天为估计窗口期。通过市场模型估计正常收益率，计算并购双方公司的异常收益率（AR）及累计异常收益率（CAR）。
3. 实证结果：事件研究通常显示目标公司股东的CAR通常为正，这表明市场对目标公司价值提升有较高预期；而收购公司的CAR则不显著，有时甚至可能为负。

（2）政策变动对市场的影响

政策变动（如利率调整、税收变化或监管放松）是事件研究常见的主题。例如，可以研究政府宣布降低某类行业税收对股票市场的影响：

1. 研究问题：税收变动是否提升了受影响行业的市场价值？
2. 步骤：选取政策公告日期作为事件日 (t=0)，观测政策执行前后两周（([-10, 10])）的股价运动。利用市场模型估计涉及行业公司股票的正常收益率，计算它们的异常收益率（AR）和累计异常收益率（CAR）。
3. 实证结果：某些研究发现，财政刺激政策如税收减免通常会显著提升相关行业上市公司的股价，而更严格的政策管控可能导致负向的CAR值。

3. 优点与局限

（1）优点

1. 评估特定事件的市场反应：事件研究法可以准确捕捉单一事件在短期内对资产价格的影响，具有高度针对性。
2. 灵活性强：可应用于多种场景（如并购、政策发布、业绩公告等），并能分析短期及长期影响。
3. 理论支持扎实：基于有效市场假设（EMH），事件研究法利用市场价格快速反映信息的特点，具有较强的理论基础。

（2）局限

1. 需要大量数据：为了构建可靠的正常收益率模型，事件研究通常需要较长时间段的高频市场数据，这对数据收集带来挑战。
2. 受市场噪音影响：市场中存在大量噪音（非事件因素引起的价格波动），可能掩盖事件的真实影响。
3. 模型依赖性：异常收益率的计算依赖于所选模型（如市场模型、CAPM），模型不当可能导致结果偏误。
4. 仅限于可量化的事件：事件研究法适用于研究市场参与者以价格形式有所反应的事件，而一些难以量化的事件（如情感、文化问题）可能难以分析。

事件研究法是分析关键事件影响的重要工具。它通过评估事件窗口内的异常收益，揭示事件对市场的短期直接效应。然而，其应用效果高度依赖于事件的选择、数据的质量以及模型的合理性。在实际应用中，研究者需要谨慎设计事件研究并采用严格的统计方法验证其结论的稳健性。

声明：相关性不等于因果性

首先，必须要在本文开头声明的是，近期大众观念里的“恶性事件频发”可能并不能代表社会整体治安的恶化，更不能将犯罪现象治安问题和所谓的经济下行导致戾气严重相关联。我知道这种因果关系简单直接符合人类思维逻辑，在传播上也容易刺激到人们的爽点，但我在实际查证经济周期和犯罪案件数量之后认为简单将这二者联系起来实际上是一种非常愚蠢的，基于现代传媒操弄下的“提线木偶”思维。

我可以很明确的讲，世界上并没有有一个处于真空球形鸡的国家能满足所谓经济周期和戾气之间的因果关系，如果真的有kol输出这个结论，我只能说要么是他蠢到不值得继续订阅，要么就是坏到不惜败坏自己的学术/能力声誉也要讨好自己的粉丝。

2023年故意杀人类案件5.2万，严重暴力案件6.2万，中国有两千多个行政县，基本上每个县每年起码跳一个学生，一年就得跳两千多个学生，可能就在你看我这篇文章的时候就有一个小孩在自由落体——这就是庞大绝对数量下的统计学真相。

现代传媒常常出于吸引眼球、博取流量的目的，将个别突发事件进行过度放大，甚至营造出一种“社会正在崩溃”的错觉。我们又在现代社会中处于一个普遍的信息过载状态，非常容易对远方的事情产生“共情”，将这些个案与自己的日常生活联系起来，进而产生对社会整体治安的悲观认识，此即为“可得性偏差”和“证实偏差”。

所以，为了写这篇文章，我只能把人类社会这个多层次的社会现象相叠加的混沌模型抽象为一种简单的猜想，假设社会经济周期和恶性事件发生的频率概率之间存在一个粗糙的，未经统计学实证检验的线性关系。这种联系只是表面上的相关而非实际的因果，相关性不等于因果性。

有的人看到这里可能会感觉我的“求生欲”很强，但我写这么一大段的目的并非“求生欲”或者什么“免责”，我分享的都是带有我自己立场与惯性的叙事和分析框架，不是什么科学真理、惊天秘辛，也不是借助所谓的冲塔或者别的什么立场来提高自己的论证可靠性。

还希望所有的读者仅仅只把我的文章当作参考，去形成自己的分析评价框架，反过来自己思考我的文章具体逻辑是否通顺、符合经济运行事物，让自己的脑子和嘴真正地思自己所思、言自己所言，以理性的形式主张自己的经济权益。

基于治理恶化下的新思路

因此，我们可以假设认为随着经济周期的演变+社会各思潮的演进，2024年乃至未来中短期内社会恶性事件发生的频率较前十年会持续增长。城市扩张和社会复杂性的提高似乎使得传统的安全措施和现有的大维稳体制逐渐难以有效维持原先的“平安”社会治理愿景。

那有聪明的小朋友可能会说，只要xxx的根本问题/原因不解决，xxx就会越来越多巴拉巴拉巴拉……

要我说这种就属于正确的废话，现代教育体系单单强调解决“核心问题”和“主要矛盾”，但大家很大程度上并没有亲身参与社会治理的经验，并不能真正了解“解决核心/根本问题”这个词本身就近乎不可能，如果社会中各种集团博弈斗争的根本那么好解决，我们现在应该还在周朝开开心心的种井田。

基于这样的认知，我是一个极端现实的建制派，我不相信理想不相信伟大革命不相信爱与和平，我只相信制度博弈下的相互妥协，我只相信庸俗的技术主义，解决问题更多还是要靠工具箱里的方法论与实操性策略。

如果我们关注近期恶性事件的导火索，不难发现多半是犯罪人自认为受到了周边人（上司、伴侣、学校管理人员）等的欺压，在气不过之后选择直接报复社会。嫌疑人在犯罪之前的显著特点就是导火索明确，且情绪积累和爆发的路径清晰可循。这类人群在犯罪前通常经历了一段时间的心理失衡和情绪积累，表现为对身边冲突越来越敏感，行为逐渐极端化。当我们把这些具体的案例进行归纳和分析，可以发现，在多数恶性事件前，这些个体已经在不同程度上表现出情绪波动、社交关系紧张甚至孤立无援的迹象。他们的行为模式往往可以通过数据痕迹、心理指标以及一些社交互动反馈来捕捉到。正是在这种前提下，传统的纠纷调解或维稳措施显得反应迟缓，未能及时介入或事先识别出风险。

是的，在社会本身转型期矛盾没办法快速解决的前提下，我们能否提前识别这种“高危”个体，在他们做出不可挽回的极端行为之前进行有效干预？就像游戏《看门狗》中的 CtOS（Central Operating System）那样，借助类似于CtOS的犯罪预测系统，通过对公民包括社交媒体发言、职场行为、生活轨迹等在内的多维度数据进行全方位分析，形成一个“情境感知”的智能体系，以在潜在犯罪人情绪失控之前，分析其行为模式和关键风险点，构建一个从“情绪波动”到“行为极端化”的追踪路径，从而为执法部门、社区组织或心理健康服务提供提前介入的机会。这种技术能够有效缩短社会系统在面对潜在威胁时的反应时间，最大限度地预防恶性事件的发生。

在探讨具体的技术实现和应用场景之前，我们有必要先回顾一下犯罪预测领域的研究现状。纵观相关领域的发展历史，犯罪预测的研究方向主要可以分为两类：一类是传统犯罪预测，聚焦于基于历史数据和已知犯罪行为模式的分析；另一类则是近年来兴起的数据驱动的以人为对象的犯罪预测，依赖于loT、大数据、人工智能和机器学习等新兴技术的支持。在接下来的部分中，我们将首先介绍传统犯罪预测的研究方向，探讨这种方法的优势与局限性。

一、传统研究方向：以犯罪区域为对象

早在20世纪中叶，西方国家的警察部门就已经应用以传统统计学为基础的犯罪预测方法。这一过程被认为是“精算司法”（actuarial justice）在刑事司法领域兴起的体现。和移动互联网兴起后的大数据云计算浪潮同步，区别于传统结构化、抽样、假设检验的犯罪预测模式，大数据背景下的犯罪预测正在全世界的主流主权国家社会中兴起。大数据背景下的“犯罪预测”被西方学者喻为“旧把戏，新技术”（old trick，new tech）。“旧”指的是犯罪预测惯用的理论模型与实践样态与传统背景下基本一致；“新”指的是犯罪预测的样本选择与分析方式在大数据背景下具有“数据化”的海量特色。

1.核心模型

在现代犯罪预测领域中最主要核心的两个模型分别是“近重复理论（Near Repeat Theory）”和“风险地形建模（Risk Terrain Modeling）”。近重复理论基于“犯罪行为在时间和空间上存在聚集效应”这一基本架设，即当某个地点发生犯罪时，未来相对较短的时间内，该地点及其周边区域再次发生类似犯罪的概率将显著增加。这种现象在盗窃、抢劫等财产犯罪中尤为明显，其背后的逻辑是犯罪分子在成功作案后可能会再次光顾熟悉的地点，或者附近的其他犯罪分子被“启发”，认为该区域易于作案。通过对历史犯罪数据进行分析，近重复理论能够助力预测犯罪行为的 “时间与空间簇集” 情况，进而为执法资源的部署提供参考依据。例如警方可以依据过往盗窃案件的分布情况，识别出未来有可能发生类似犯罪的热点区域，并提前强化巡逻力度或者采取相应的预防措施。

风险地形建模则关注犯罪与环境之间的关系，其主要观点为某些物理环境因素（如商业区、酒吧、交通枢纽、空地等）会增加犯罪发生的可能性。因此，该模型识图通过将地理空间特征与犯罪历史数据结合，识别出上述“犯罪诱因”的分布特征，进而生成一个风险地图，显示哪些区域由于环境特点而更容易成为犯罪现场。通过识别这些高风险地带，执法部门可以更加有针对性地进行干预，例如安装更多监控设备、调整街区的照明条件或增加警力巡逻等。随着数据量的增大以及交互式信息技术的进步，风险地形的预测及预警机制正愈加精确化。

2.局限性

在之前信息化平台未普及时（乃至于现在），各种犯罪信息和城市数据一般都通过纸质归档，信息出自多门难以量化整合到一处进行分析，受限于部门间的信息壁垒和人力资源的限制，预测结果误差较大且高度依赖警察部门分析人员的主观结论。单纯依赖历史犯罪数据也无法完全捕捉到犯罪背后的复杂动因。例如区域的社会经济变动、人口结构的变化、政策的调整等都可能影响犯罪行为的发生，但这些因素往往无法通过简单的空间分析模型进行量化。最后过度依赖犯罪热点和区域特征还可能导致“执法偏见”的产生。特别是在一些长期被认为是高犯罪率的区域，执法资源的过度集中可能加剧对特定社区或少数族裔群体的歧视性执法，进而引发更深层次的社会矛盾。

当然，之所以大家都以犯罪区域为预测对象而不是以人为预测对象当然还有法律制度和loT未普及的原因。这就是非不为也，实不能也。

我国开展过一些预测性警务探索，但尚没有真正实现业务化运行，这可能与国内外警务模式之间存在的较大差异有关。借鉴IBM公司在美国孟菲斯市开发Blue CRUSH（Criminal Reduction Utilizing Statistical History，利用统计历史数据减少犯罪）项目的成功经验，北京市怀柔公安分局于2013年开发了相关应用，实现了警力投量投向的时空引导。江苏省苏州市公安局于2014年开发了一个类似于PredPol的犯罪预测系统，并在2个派出所内开展了试点，据相关报道称取得了不错的应用效果。然而，据了解，由于国内外警务模式的差异，系统运行与我国警务工作机制不相适应，相关系统后续均已停用。在国外，警察预防和打击犯罪的重要手段之一是州、县和城市警察巡逻，而在中国，社区巡逻工作通常是由派出所民警承担，每位民警所负责的警务责任区空间范围相对较小，责任民警对区内整体治安状况和犯罪热点较为熟悉。与责任民警的经验相比，当前大多数犯罪时空预测模型的预测效果并不理想，因此在实践中也就难以得到持续应用。

总之，以美国预测性警务模式为参考，国外很多国家开展了将犯罪时空预测与警务模式相结合的应用实践。我国虽然也较早地同步开展了相关尝试，但由于国内外警务模式之间存在较大差异，并缺乏必要的系统化研究跟进指导，犯罪时空预测结果与国内警务模式的契合程度并不紧密，导致相关实践应用的效果并不理想。

相比于过去单纯以犯罪区域为预测对象，现今越来越多的研究开始关注“以人为预测对象”，即通过数据分析和行为模式的研究，预测潜在犯罪分子的行动，从而在犯罪发生之前进行干预。这一转变不仅能够提高预测的准确性，还可以减少区域化执法偏见，进一步优化犯罪预防的策略。

二、loT时代下以人为预测对象机制

1.理论分析

首先，我们来介绍一下什么是loT。

IoT（Internet of Things）即物联网，是指通过互联网、传统电信网等信息承载体，将各种信息传感设备与互联网结合起来而形成的一个巨大网络。这个网络实现了物与物、物与人的泛在连接，实现智能化识别、定位、跟踪、监控和管理。在IoT系统中，各种设备（如智能手机、可穿戴设备、家用电器、车载设备等）都可以成为数据采集和传输的节点。这些设备通过各种传感器收集环境数据、用户行为数据等，并通过网络将这些数据传输到云端进行分析和处理。

loT领域的快速发展使得强力机关利用互联网对个体实现全方位的监控有了基本的实现空间，IoT技术的应用意味着可以获取更丰富、更实时的数据源。人们的手机、智能手表、家用摄像头、智能交通系统，甚至是城市基础设施中的传感器，都可以捕捉和记录个体的行动轨迹、社交活动和环境变化。这些数据可以帮助执法部门更细致地了解个体的行为模式，并识别出可能的犯罪风险。

传统的犯罪侦查是反应型的被动侦查模式，侦查总是要落后于犯罪行为的发生，公安机关只能做到打击犯罪而无法做到预防犯罪。但现在loT+大数据的发展使得公安机关不仅仅可以通过数据搜索、数据挖掘、数据碰撞和数据建模的方式进行事后的侦查活动，还可以在事前进行主动型的预测和介入。

过去的侦测活动只能通过“犯罪心理画像”——根据现场遗留的痕迹、物证等信息，结合主观经验判断对犯罪嫌疑人的外形、身份和心理活动等要素进行描绘，而现在则可以通过对侦察机关数据库、社会公共数据库、大数据公司的用户数据中的数据与情报进行研判，对犯罪嫌疑人或相关人员的基本信息进行“数据画像”，从个人基本信息、形体特征、行为轨迹、消费习惯、经济状况、兴趣爱好等信息中提炼出性格特征、行为特征、职业特征，从而实现针对高危人员预警的功能。

参见刑事专业研判平台，对前科犯罪人员数据库、旅馆住宿数据库、网吧上网数据库等信息进行算法处理和特征点筛选，初步实践了大数据画像的犯罪预警功能。

2.应用情况

此处有一大坨欧美实际应用场景，但我懒得超过来贴上去了。总之就是部分人类学家和社会学家组成了“社会物理学”学派，主要观点是人类社会的发展变化和人类本身的思想、行为，与自然界的其他组成部分一样遵循着一系列物理规律，只要掌握足够的信息，就能发现这些规律并对其进行预测乃至控制。最知名的案例就是芝加哥警察局和伊利诺伊理工学院合作语言发的“战略对象清单”行动，根据历史犯罪记录对市民犯罪或沦为犯罪受害者的风险进行量化评估并在0～500的区间内评分，据此确定警务工作重点。截至2017年，“战略对象清单”的数据库已包含约40万人的评分，其中约29万人因分数超过250而被标注为“高风险”。调查显示，在2016年，该项目评分为500（最高风险等级）的人员中约1/3卷入了枪击或谋杀案件；得分在429及以上的1400人卷入了芝加哥市当年约20%的涉枪暴力案件，显示该行动在预测暴力犯罪方面较高的准确率。

2010年以后，随着大数据时代的到来，美国警察机关有条件利用更为海量和多元化的数据以提升“预测性警务”的准确性和效率。在奥巴马政府“21世纪警务工作队”倡议的框架下，数据科学和信息技术对改善警察效能和提升社区安全方面的潜力得到进一步重视，美国一些暴力犯罪高发的大城市，如芝加哥，建立了使用各种软件系统和专用工具处理来自城市各个角落的传感器所收集的数据的技术中心，并通过“融合”中心机制与其他政府部门实现了数据共享。新的传感器技术，如基于军队使用的狙击手定位装置的枪击声学感知系统（ShotSpotter）等得到迅速推广。纽约市警察局部署了集成联网摄像头、环境传感器、车牌读取器、报警电话记录系统、枪击声学感知系统等数据采集设备的“场域感知系统”（Domain Awareness system），用以支持基于名为“图形化”（Patternizr）的机器学习算法的“预测性警务”应用，根据2017年的评估，经过为期24周的实验，纽约总体犯罪指数下降了6%。

什么，你说后来呢？

后来各种后现代议题兴起了，这种检测手段被视为歧视性xxxx，已经被废除了。

What can i say？

当然，我相信FBI和CIA肯定不会放弃这么好用的东西，毕竟不道德归不道德，好用是真好用，强力部门当然不可能被简单的民意所裹挟。

3.几个基本的预测分析思路

社交网络分析

马克思曾说"人是社会的动物"，以人为核心的犯罪预测自然要研究嫌疑人的关系网，这就是社交网络分析（SNA）。通过分析个体在社交网络中的互动，尤其是与犯罪分子或高风险群体的社交联系，执法机构可以识别潜在的犯罪嫌疑人或高危个体。例如某人的社交圈中频繁出现已知犯罪分子或有犯罪前科的人员，该人的犯罪风险可能随之增加。通过深入分析这些社交网络中的关系强度、互动频率和信息传播路径，预测系统能更早发现犯罪网络中的关键节点，从而提前干预，防止犯罪升级。

进一步讲，SNA的经用场景当然不会仅仅局限于个人关系网分析，还可以帮助揭示整个犯罪网络。类似于金融犯罪洗钱诈骗等有组织犯罪活动背后会有一个复杂的群体犯罪网络结构作为支撑，一套高效的SNA框架可以帮助执法部门识别隐藏在各种三无小号之下的犯罪结构，辨别犯罪的领导者、核心成员和外围支持者，抽丝剥茧的针对性打击犯罪网络的关键节点，继而有效的瓦解整个犯罪组织。此外，SNA还可以帮助识别信息在犯罪网络中的传播路径。例如某些犯罪团伙可能通过社交媒体、即时通讯工具或线下社交圈传播犯罪计划和指令。通过监控这些信息流动，执法部门可以更加精准地预测犯罪活动的发生时间和地点，甚至预防潜在的犯罪企图。这种基于信息传播的分析能够极大提高犯罪预测的前瞻性，使得执法部门能够在犯罪尚未发生之前采取行动。

行为模式分析

相较于之前的SNA社交网络分析，行为模式分析更加侧重于个体的行动轨迹、日常活动和行为习惯。每个人的行为都有一定的规律性，无论是工作通勤、娱乐活动，还是购物消费，都会形成相对稳定的行为模式。而当某个个体的行为突然偏离了这些模式，尤其是出现与已知犯罪行为相似的轨迹或特征时，就可能意味着该个体正在策划或参与犯罪活动。例如，某人如果突然频繁出现在一个与其平时活动轨迹不符的高风险区域，或是经常出入某些犯罪高发场所，这些异常行为就可能引发系统的警示。

社交平台言论分析

在行为科学和认知科学领域的研究表明，人类的某些情绪状态或行为倾向于犯罪行为之间存在着密切的联系，焦虑、愤怒、冲动等负面状态情绪往往是某些犯罪行为的导火索，此类情绪的积累和爆发可能导致个体在短时间内失去理智，做出攻击性、破坏性或反社会的行为。因此，通过对个体情绪状态的监测和分析，执法部门以及相关的预测系统可以识别出潜在的高危人群，及早进行干预，防范犯罪行为的发生。

刚好，当今几乎人人都沉浸在网络世界中。互联网上的自我与现实中的自我共同构成了现代社会中真实的"自我"。

个体的心理状态常常通过社交媒体上的言论、文字表达和行为表现出来。例如当某人在社交平台上频繁发表消极、攻击性或极端言论时，他要么是疯了要么是近期情绪波动严重要么两者皆有（）。当这些言论包含愤怒、怨恨、报复、威胁等信息时，很可能预示着该人正处于情绪失控的边缘，这种情绪失控往往是暴力犯罪的前兆。一个人如果频繁发布自我否定、无助感或社会疏离相关的内容，则代表其心理健康处于危险状态，可能萌生制造极端行为的念头。

在网络社群治理中，我们也可以发现某些极端思想和犯罪倾向往往通过网络社群或小圈子传播，尤其是在一些极端主义思想聚集的网络论坛、社交群组中，个体之间的情绪共振和相互煽动可能会加剧犯罪的发生。通过监控这些社交群体中的互动，特别是某些特定话题的讨论热度和情绪走向，系统可以识别出那些正在酝酿犯罪行为的群体，并提前采取行动，干预其犯罪计划的实施。

除开个人/社群言论，个体的网络搜索记录也可暴露其内心变化。行为科学研究表明，人们的网络搜索行为往往与他们当前的心理状态和计划行为有关。当一个人开始频繁搜索与暴力、武器、违法行为或极端思想相关的内容时，可能表明其正在思考或筹划某种犯罪行为。有些恐怖主义行为的实施者在作案前曾进行详细的网络搜索，查找如何制造爆炸物或组织恐怖袭击的细节步骤。通过对这些搜索行为的分析，预测系统可以更早地察觉到个体的犯罪倾向，及时发出预警。

三、CtOS技术原理解析

《看门狗》系列中的CtOS（Central Operating System，中央操作系统）是一个高度集成和智能化的城市管理系统，能够实时监控并分析来自城市各个方面的数据，最终用于管理城市功能和预测犯罪行为。虽然这是一个虚构的系统，但背后的技术概念在现实中已经有了一定的雏形。

首先，整个CtOS系统的实现基础在于其广泛的物联网（IoT）网络，这一网络将城市的各类设备和基础设施连接在一起。在游戏中，芝加哥市的摄像头、交通信号、公共设施、银行系统、智能手机和家用设备等，全部通过CtOS实现集中管理和数据共享。通过这些IoT设备，系统可以实时监控和管理城市中的一切活动。在现实中，城市物联网同样也正在全面铺开（虽然目前各公司部门各自为战数据不互通）：城市中的监控摄像头、智能交通灯、空气质量检测设备、智能电表、智能家居设备等，正在形成一个巨大的物联网网络。随着5G网络的普及，IoT设备的连接速度和可靠性得到了显著提升，使得大量数据可以在毫秒级的时间内传输到中央系统进行处理。

基础有了，接下来就是GPU+深度学习加持下的犯罪预测引擎。深度学习是一类基于人工神经网络的机器学习方法，能够从海量数据中自动提取复杂的特征和模式。犯罪预测引擎通过对历史犯罪数据、社交媒体活动、行为模式、地理位置以及其他相关数据的分析，能够识别出潜在的犯罪风险。深度学习模型不仅可以识别已知的犯罪模式，还能够通过学习不断变化的环境和行为数据，逐步优化和改进预测精度。与传统的中央处理器（CPU）相比，GPU在处理大规模并行计算任务时具备显著优势，特别是在训练和运行深度学习模型时。犯罪预测系统需要处理海量数据，包括城市监控录像、实时传感器数据、社交网络信息等，这些数据的处理和分析对计算能力提出了极高的要求。GPU的高速运算能力能够大幅提升深度学习模型的训练效率，使得系统能够在短时间内处理数十亿条数据，并实时作出预测和决策。

当我们操控艾登皮尔斯扮演私法制裁者的时候，预测犯罪还依靠CtOS系统能够实时获取市民的社交网络、财务记录、医疗数据等隐私信息的能力，通过抓取高风险市民的隐私对话记录关键词，系统会自动帮助我们判断ta卷入犯罪的风险，及时通知私法制裁者展开行动。

四、类CtOS系统落地困境与未来展望

尽管人类社会目前有差分隐私同态加密等手段来保护个人隐私，但现实中的城市管理系统仍然在获取和处理公民个人数据时面临着巨大的道德和法律压力。在《看门狗》中，艾登·皮尔斯可以利用CtOS获取到市民的详细背景信息，包括他们的职业、收入水平、甚至是私人健康问题，这种全方位的透明度在现实中几乎不可能被完全允许。哪怕我们抛开打造CtOS所需要的海量资源不谈，一个城市级别的操作系统如果拥有如此广泛的权限，将很容易引发公众对于大哥在看着你式的监控社会的恐惧。

我要再重申一遍，这玩意放到任何一个地方都做不到，因为整合如此海量的数据需要耗费的政治经济资源是极其庞大的，放国内也差不多是要按着腾讯、阿里、字节、百度和华米OV联通电信等巨头的头，让几百万工程师在一起肝好几年统一各种数据规范和接口，然后在全国范围内建好几十座巨型超算中心和储存中心去算十四亿人产生的海量数据，光训和测试模型保底都得个大半年，效果也不一定好。

非不为也，实不能也

那么，距离我们真正实现如《看门狗》中的CtOS系统还有多远？虽然技术上我们已经具备了相当的基础，但一个完整的CtOS系统要真正落地仍然需要解决若干现实问题。除了隐私保护，还包括数据孤岛问题、系统安全问题，以及政策法规议程的推进。首先就是数据不互通，目前许多智能设备和城市基础设施都是由不同的公司和部门独立运营，数据无法在不同设备和系统之间自由流动。要实现像CtOS那样的全城市级别的数据集成和管理，市政当局和技术提供商必须打破数据孤岛，建立统一的数据标准和接口。

这条就基本可以决定CtOS在5年内实现不了了

其次，系统安全也同样重要。一个管理整个城市的中央系统，必然会成为黑客攻击的主要目标。在《看门狗》中，玩家可以通过入侵CtOS系统来操控交通信号灯、关闭电网、甚至引发大规模的社会混乱。虽然这在游戏中是为了提供娱乐性和戏剧性冲突，但在现实中这样的破坏性攻击可能会造成极为严重的后果。这一系统如果只能被极少部分人掌握就没办法完全发挥其预警作用，但一旦可以使用的人多了就极容易给全社会来个大的。

警务通权限管理不严格已经在公民信息方面带来很多问题了

总的来说，虽然像CtOS这样的系统在短期内不太可能以完全相同的形式出现，但它所代表的技术理念——即通过物联网、大数据和人工智能等技术手段，实现城市的高效管理和智能治理——已经在现实中逐步成型。随着技术的不断进步和隐私保护技术的完善，我们或许会看到一个更加智能、安全、且具备高度自动化管理能力的未来城市系统逐渐浮现。到那时，虽然我们可能不会亲自扮演艾登·皮尔斯，但我们生活的城市可能已经在悄然之间变得更加智能、高效——甚至，也许已经具备了某种程度的“犯罪预测”能力。

五、可能的问题Q&A

Q1：根本问题没解决，你这叽里咕噜的没有任何用处！

A：我是一个极端现实的建制派，我不相信理想不相信伟大革命不相信爱与和平，我只相信制度博弈下的相互妥协，我只相信庸俗的技术主义。本文立论的基础就是经济周期和犯罪频率存在宏观意义上的线性关系，经济周期本身不可逆，那么从社会治理的角度就只能“压缩”犯罪而非搞点其他的什么行为艺术。

Q2：不要xx要xx，我们要保护公民隐私……

A：这其实是一个价值观的选择问题，但实际上哪怕在大洋对岸，FBI和CIA乃至于摩萨德也从来没有放弃我上面说的这种监视计划，他们走的要比我们远得多。强力部门不太可能向民意妥协，因为民意似水民动如烟，每一种思潮的奥弗顿窗口期就那么点，但各种恶性犯罪会永远存在并且需要强力部门实际投入资源去解决。

一旦涉及到“我家里真的有一头牛”，所有人就会瞬间老实。

当然如果你真的认为公民隐私对你来说非常非常非常重要，可以选择去相关部门网站的民意咨询中写下你的顾虑与建议，也可以考虑发表专门的学术论文来论证这一套系统无异于压缩犯罪/对社会弊大于利。

Q3：这一系统是否会被滥用？

A：当然会，我在分析问题时通常不会相信任何崇高。不过所幸建设这一系统所需要的巨量资源和上层建筑准备目前来看全世界都没办法在中短期内筹集到，如果真建成了在我的推演内也是利大于弊。

参考文献

[1] 胡铭 严敏姬.大数据视野下犯罪预测的机遇、风险与规制——以英美德“预测警务”为例

[2] 朱浩文.大数据犯罪预测的法律分析

[3] 李皛.美国“预测性警务”的发展与困境 Predictive Policing in the United States：Developments and Dilemmas

[4] Mandalapu, V., Elluri, L., Vyas, P., & Roy, N. (2023). Crime Prediction Using Machine Learning and Deep Learning: A Systematic Review and Future Directions. IEEE Access, 11, 60153-60170. https://doi.org/10.1109/ACCESS.2023.3286344

[5] Safat, W., Asghar, S., & Gillani, S. A. (2021). Empirical Analysis for Crime Prediction and Forecasting Using Machine Learning and Deep Learning Techniques. IEEE Access, 9, 70080-70091. https://doi.org/10.1109/ACCESS.2021.3078117

[6] Kaur, M., & Saini, M. (2022). Indian government initiatives on cyberbullying: A case study on cyberbullying in Indian higher education institutions. Educational Information Technology, 1-7. https://doi.org/10.1007/s10639-022-11168-4

[7] Kaur, M., & Saini, M. (2023). Role of artificial intelligence in cyberbullying and cyberhate detection. In 2023 14th International Conference on Computing Communication and Networking Technologies (ICCCNT), Delhi, 1-7. https://doi.org/10.1109/ICCCNT56998.2023.10308090

[8] HE Rixing, LU Yumei, JIANG Chao, DENG Yue, LI Xinran, SHI Dong. (2023). Progress in Research and Practice of Spatial-temporal Crime Prediction over the Past Decade. ISPRS International Journal of Geo-Information, 12(4), 236.

我的管理方案和存在的问题

在信息爆炸的时代，我们每个人的知识源都被碎片化地分布在不同的平台和工具中。从公众号文章到书籍摘录，从研究报告到PDF文件，广领域、多平台、全天候的各种信源交错与堆积，每天都有大量的信息需要管理和处理。

作为一个知识工作者，我处理信息的软件一共有四个：Cubox用来集中处理解析网上看到的有价值的文章、视频、链接，等有时间了再看。Notion作为知识整理中心，我会将Cubox筛选处理后的文章存入Notion的Database里（感谢Notion的万物皆block理念），由AI添加标签和摘要方便后期索引查询。思源笔记我则主要用来进行PDF书籍的批注和阅读，书籍研究报告中的重要摘录和思考都会放在这里。最近，因为飞书多维表格+AI自动化功能非常好用，我又将日常任务管理、OKR编排和个人书库影音库放到了飞书里。

当然，我自己并不是有了这些知识管理工具就直接高枕无忧畅享“第二大脑”了，工具磨合与处理过程中的问题仍然不少。

检索困难：在每个平台中，我都建立了多个分类与标签，以便快速查找。但当信息量积累到一定程度时，这种做法逐渐变得繁琐且低效。举个例子，当我需要回顾一篇文章中的某个概念，而这个概念在不同的笔记软件中可能以不同的形式存在，我往往需要花费大量时间去从多个地方检索（还不一定能找到想要的）

另外，随着我知识库的不断扩展，如何筛选出最为核心、最具价值的信息也成了一个难题。很多时候，我在某个项目或研究中会收集大量的资料，但随着时间的推移，这些资料可能变得过时或不再相关，而我却依然在这些信息的海洋中徘徊，浪费了大量时间。如何筛选和整理出真正能帮助我思考和创作的内容，成了我的另一大困扰。

维护困难：除了信息量的积压，另一个问题是知识管理的“可持续性”。目前的做法依赖于我每次将新的信息手动分类和存储，而这种方式需要持续的时间和精力投入。在繁忙的工作和生活中，很容易就会懈怠，导致知识库的更新和维护停滞不前。这不仅影响了知识库的完整性，也使得之前的知识积累变得碎片化、难以回溯。

面对这些问题，我开始思考，是否有可能找到一种更高效、更系统化的管理方式，能够打破这些平台之间的“信息孤岛”，实现知识的无缝对接与整合。是否能设计一个更加简洁的流程，使得从收集、整理到应用的过程变得更为顺畅和自动化？在这个过程中，我意识到，我不仅需要更高效的工具，还需要在方法论上做出调整——如何从整体上重新审视我的知识管理系统，让它不仅能适应当前的需求，也能具备未来扩展的能力。

解决方案

1.建立信息筛选与知识梳理机制

并不是所有我随手丢到Cubox里的信息都值得我专门存到数据库里方便未来回忆学习，很多时候收藏的文章并没有足够的时效性/重复阅读价值，信息收集的第一步是快速存储，但在日后回顾时，我们需要有一个快速筛选、提炼和更新的流程。

• 定期整理：每隔一段时间（例如每月），我会对Cubox知识库进行一次全面的整理。重新审视每个信息类别的价值，删除那些已经过时或无关紧要的内容。定期回顾可以避免无用信息的积累，让知识库保持“精简且有效”。
• 创建信息摘要：对每一篇文章、报告或者书籍的关键内容进行摘要，并将其汇总到 Notion 中。这不仅方便我日后的快速查阅，还能加深我对这些知识的理解和记忆。

2.知识最终存放平台的统一

一个最直接的方法就是将所有的终端沉淀下来的知识放到一个统一的平台，未来检索查询只在这一个平台就可以了，不需要多网页/应用/设备来回倒腾折磨自己。我现在会将Cubox完成筛查的文章统一导入到Notion的专属数据库，并且由Notion ai给文章打标和生成摘要，完美符合懒人天性，爽到。

• Notion 与其他平台同步：利用 Notion 的集成功能，将 Cubox、思源笔记中的信息通过 API 或手动导入的方式，集中管理。Notion 的强大数据库功能可以让不同类型的信息在一个地方整合，并通过标签、属性进行筛选和分类。
• Zapier 或 Integromat：利用自动化工具将不同平台之间的数据进行同步，例如将 Cubox 中保存的文章自动导入 Notion，并为其添加合适的标签。通过自动化处理，大大节省了手动输入的时间。

3.P.A.R.A.知识整理方法

P.A.R.A. 是什么及在 Notion 中的应用

P.A.R.A.是一种知识管理方法，由生产力专家Tiago Forte提出。P.A.R.A.是Project（项目）、Area（领域）、Resource（资源）和Archive（归档）的缩写。这四个类别构成了PARA方法的核心框架。以下是PARA方法的主要组成部分：

1. 项目（Project）：具有明确目标和时间范围的任务。这是最小的执行单位。
2. 领域（Area）：你需要持续关注和精进的领域，通常与你的责任相关。
3. 资源（Resource）：你感兴趣的主题，可以支持当前和未来的领域发展。
4. 归档（Archive）：不再活跃但可能在未来有用的内容。

其中 Goal 是贯穿始终的，Area 的持续精进是最终目的，Project 的选择和执行是阶可量化的段性目标，Resource 是支撑二级的「Area」的资源、资料（外部的）。

围绕 Area 的精进，我们需要不断吸收外部的有效信息和进行阶段性的「创作」，而阶段性的创作需要的主题，可以是 Area 的拆分，也可以是基于 Project 的抽象和总结，但来源主要是通过实践（Project）和理论来进行的（即 Resource——外部参考、经验、方法论）。

4. 逐步放弃“过度管理”

过度的管理和分类往往会耗费大量的时间和精力，反而影响效率。为此，我决定放弃一些过于繁琐的管理方式，尽量简化流程：

• 减少分类层级：避免对每个小类目都建立单独的文件夹或分类标签。简化分类，保持分类的层级尽量扁平化。
• 优先关注使用频率高的内容：对一些长期不用的内容，我减少更新和整理频率，集中精力管理那些高频使用、对当前工作或学习有实际帮助的信息。

5. 引入AI助手

• Notion数据库里可以用ai自动打标和生成摘要，检索也可以以自己的整个Notion库为索引范围询问Notion ai，效果非常不错（核心在于不用自己去操心数据库该如何索引用什么模型，Notion可以帮你全部包揽了）。
• 飞书多维表格在ai方面则更加强一点，可以根据条目让ai在网上搜集可用信息，可以ai识图等等等等……飞书相较于Notion的缺点就是性能表现相对较差，在页面编排上灵活性也稍差（Notion的万物皆block太方便了）

总结

解决这些问题的核心在于建立一种更高效、更系统的管理机制，而不是单纯依赖某一款工具或平台。通过工具的整合、信息的筛选与梳理、跨平台的引用、以及引入 AI 等辅助手段，我希望能够让我的知识管理系统变得更加流畅、易于维护，并且能够适应未来信息量的增长和变化。

说到底，知识管理最终的目的还是知识的运用，管理是为了更好的应用而非给自己营造一种虚假的秩序感来自我满足。我没有耐心和精力去投入大量的时间来维护一个数据库，大部分工作交给AI代劳岂不美哉？

序

这两天我在读居伊·德波的《景观社会》，在网络社会崛起与“媒体过剩”的时代，借助于日益发达的大众传媒工具，景观的作用与功能也日益强化。从轻松的娱乐废料到严肃文学，从日常生活到人的感情和欲望，我们的生活几乎每一个角落都被景观所笼罩和取代，景观的无孔不入让每个个体仿佛置身于一场永不停歇的表演之中。

在现代资本主义框架下的这场永无止境的拜物嘉年华中，“自我表达”便显得尤为宝贵。通过搭建一个属于自己的博客，我们可以选择脱离主流的内容展示平台，跳出景观对内容的定义，去建立一片属于自己的空间，不为流量和点赞左右，纯粹记录自己独立的思考与见解。一个独立的博客可以帮助我们避免信息的过度压缩与表面化处理，构建一个较为纯净的精神空间，让自己的思考和表达不至于被瞬时的注意力洪流所淹没，多输出一点严肃内容总归是对个人，乃至对这个社会是大有裨益的。

在搭建个人博客的过程中，有多种方式可以选择。不同方法的难易程度和所需技术背景各不相同，还请各位读者根据自己的需求和技术水平来决定。以下我将按照从易到难的顺序，介绍几种搭建个人博客的方式。

一、使用现成的博客管理框架

• 在本节，你需要一台可以访问外部网络的VPS（如果你没有/没有足够的资金去购买一台2C2G以上的VPS，可以直接看第二节Vercel）
• 本节适合有一定技术基础的用户，可以选择搭建在自己的VPS上，使用WordPress或Halo等开源博客程序。这类程序提供丰富的主题和插件，便于高度定制，也让博客具备较强的拓展性。你可以通过选择不同的主题来调整外观，安装插件来添加更多功能，比如SEO优化、数据分析、订阅等。虽然安装和配置过程稍显复杂，但有丰富的文档和社区支持，适合希望有更高自主权的用户。

（一）、WordPress

1.1Panel部署

你可以先安装1Panel（宝塔也可），然后直接通过GUI部署WordPress

# 1Panel安装（CentOS）

curl -sSL <https://resource.fit2cloud.com/1panel/package/quick_start.sh> -o quick_start.sh && sh quick_start.sh

# Ubuntu

curl -sSL <https://resource.fit2cloud.com/1panel/package/quick_start.sh> -o quick_start.sh && sudo bash quick_start.sh

# Debian

curl -sSL <https://resource.fit2cloud.com/1panel/package/quick_start.sh> -o quick_start.sh && bash quick_start.sh

安装成功后，控制台会打印面板访问信息，可通过浏览器访问 1Panel：

http://目标服务器 IP 地址:目标端口/安全入口

• 如果使用的是云服务器，请至安全组开放目标端口。
• ssh 登录 1Panel 服务器后，执行 1pctl user-info 命令可获取安全入口（entrance）

从浏览器里访问1Panel之后就可以在应用商店里一键部署WordPress了，容器跑起来之后记得在网站里添加自己的域名，绑定证书并开启反向代理以便通过域名直接访问你的博客。

2.Docker部署（以CentOS为例）（不推荐，因为麻烦）

实际上用1Panel部署WordPress也是在用Docker部署，只是1Panel可以很方便的帮你管理各种镜像和网站。

更新系统软件包：sudo yum update -y

安装依赖：sudo yum install -y yum-utils

添加官方仓库：

sudo yum-config-manager --add-repo <https://download.docker.com/linux/centos/docker-ce.repo>

安装Docker：

sudo yum install -y docker-ce docker-ce-cli [containerd.io](<http://containerd.io/>)

启动并启用 Docker 服务：

sudo systemctl start docker
sudo systemctl enable docker

验证Docker安装：docker --version

Docker拉取WordPress镜像：docker pull wordpress

启动WordPress容器：

docker run --name some-wordpress --network some-network -d wordpress

以下环境变量也可用于配置您的 WordPress 实例（通过自定义 wp-config.php实现⁠）：

• e WORDPRESS_DB_HOST=...
• e WORDPRESS_DB_USER=...
• e WORDPRESS_DB_PASSWORD=...
• e WORDPRESS_DB_NAME=...
• e WORDPRESS_TABLE_PREFIX=...
• e WORDPRESS_AUTH_KEY=..., e WORDPRESS_SECURE_AUTH_KEY=... , e WORDPRESS_LOGGED_IN_KEY=... , e WORDPRESS_NONCE_KEY=..., e WORDPRESS_AUTH_SALT=..., e WORDPRESS_SECURE_AUTH_SALT=... , e WORDPRESS_LOGGED_IN_SALT=... , e WORDPRESS_NONCE_SALT=...（默认为唯一的随机 SHA1 值，但仅在提供其他环境变量配置时）
• e WORDPRESS_DEBUG=1（默认禁用，非空值将启用 WP_DEBUG在 wp-config.php中）
• e WORDPRESS_CONFIG_EXTRA=...（默认为空，该值将由 eval()函数在 wp-config.php中进行评估。此变量特别适用于应用此镜像默认未提供的额外配置值，例如 WP_ALLOW_MULTISITE；更多详情请参见docker-library/wordpress#142⁠）

WORDPRESS_DB_NAME 需要在给定的 MySQL 服务器上已经存在；它不会由 wordpress 容器创建。

如果您希望能够在主机上访问实例而无需使用容器的 IP 地址，可以使用标准端口映射：

$ docker run --name some-wordpress -p 8080:80 -d wordpress

然后，通过浏览器访问 http://localhost:8080 或 http://host-ip:8080。

（二）、Halo（博主目前正在用的）

这部分我懒得写了，俺寻思直接把官方文档链接贴到下面然后读者自己去看肯定比我自己花20分钟照虎画猫憋出一段远不如官方详细完整的博客片段对于读者来说要有价值得多。

1Panel部署（推荐，因为Halo和1Panel均属飞致云团队出品）

部署方法同WordPress，在应用商店中部署后在网站中绑定域名并设置反代即可

详细部署文档（官方）

Docker部署

详细部署文档（官方）

（三）、Typecho（轻量级，适合低性能VPS）

这篇博客已经介绍的非常完整了，参照这位博主的部署过程即可，不过他用的是宝塔，大致流程可以直接迁移平替到1Panel。

才不是我懒得写

二、Vercel（适合白嫖党）

那有人就要问了：我现在没有VPS也不打算买/我懒得维护服务器/我希望直接将Notion数据库里的文章作为博文发表……

那恭喜你，你适合用Vercel！

Vercel 是一个提供静态网站和无服务器功能的平台，主打免费便捷、快速部署的优势。它特别适合不想花费太多精力管理服务器的用户，互联网上也有一大批开源项目支持非常方便的直接用Vercel部署你的个人博客，只需要点点点和填点关键信息。 对于预算有限的个人用户来说，Vercel 几乎可以说是“白嫖”搭建个人博客的理想选择。

（一）、NotionNext

1.项目介绍

NotionNext是一个使用NextJS + Notion API 实现的，部署在 Vercel 上的静态博客系统。为Notion和所有创作者设计。

项目开源地址

项目文档地址

NotionNext的愿景是帮助非技术人员的小白，最低成本、最快速地搭建自己的网站，帮助您将自己的产品与故事高效地传达给世界。 NotionNext可以将Notion笔记实时渲染成静态博客站点，无需购买服务器，只要一个笔记即可搭建完全属于您自己的独立网站，让您与全世界建立连接！

这个框架都有哪些特点？

• 依托于Notion笔记：借助NotionNext建站，所有文章的编写发布都只在Notion笔记中完成，Notion本身作为次世代笔记软件的强大毋庸置疑。
• 安装简单方便：安装一路点点点即可，需要修改的地方少，不需要独立VPS
• 多主题快捷切换：多达数十款主题风格任您挑选，其中有适合做技术文档的Gitbook主题，也有适合做导航站点的Nav主题，还有适合做产品落地页官网的Landing主题与Starter主题，以及适合做相册的Plog主题。

2.部署过程

部署站点实际上只需要三步，分别是：

• 复制作者的Notion模板
• 复制作者的 Github 库代码
• 在Vercel中一键部署

（1）创建Notion页面

首先，你需要注册并登录Notion账号（邮箱注册和直接用谷歌账号注册均可），然后打开这个链接，进入到作者的Notion模板页面，在右上角点击Duplicate复制模板，如图所示。点击后会将这个博客数据模板复制到你的笔记空间中。

（2）获取页面ID（此部分直接援引项目文档）

• 在Notion笔记中：在页面右上角的菜单栏中，依次点击Share→Published→Share To Web，开启页面分享，获取共享链接
  • 如下图所示，点击右上角 **Share ，**在弹出窗口中点击 Publish → Share to web (点击展开截图)

• 复制页面ID：页面ID在您的共享链接中、域名中间的一串32位字母与数字

👇以下我的共享链接，其中标红加粗下划线部分才是页面ID！要忽略?v=后面的英文数字。 https://www.notion.so/tanghh/02ab3b8678004aa69e9e415905ef32a5?v=b7eb215720224ca5827bfaa5ef82cf2d 👇我的页面ID 是 02ab3b8678004aa69e9e415905ef32a5

⚠️新版的notion中，页面ID的格式可能会有一点不同，例如会把页面的标题也带上： https://www.notion.so/tanghh/Today-261c36d269a74acd97682af86d7bc9a0?pvs=4 但不变的是，页面url中的那串连续32为的字符串就是id。

（3）Fork 对应项目的GitHub库

请先注册并登陆Github账号，然后点击此链接，可一键**Fork(复刻)**项目。

（4）使用Vercel进行部署

首先，你需要注册一个Vercel账号，然后点击此链接来创建导入一个新项目。

在代码仓库列表中选择导入NotionNext，不要急着直接点Deploy，要先把环境变量填好。

点击Environment Variables（环境变量），并添加一个属性名称为**NOTION_PAGE_ID，值为步骤一获取的页面ID**。

例如，我的页面ID是：02ab3b8678004aa69e9e415905ef32a5，则配置如下：

填写后要点击右边的 Add按钮确认添加

然后点击 Deploy按钮，静候两分钟等待部署。

（5）完成！

在部署完成页面，点击 Go to Dashboard访问控制台

在控制台右上角的 Visit按钮访问您的站点。或在DOMAINS中获取您的网站地址

博客后期的美化还请参见本部分开头的项目文档

（二）、Mix Space

MixSpace采用前后端分离模式，后端部署在VPS上，前端采用Vercel进行渲染，因为安装比较麻烦所以我懒得写了。

文档链接

虽然但是，Mix Space的博客主题真的很好看

三、静态博客

静态博客里，最常见的选择采用Hexo框架，然后部署到Github Pages了。

当然，你也可以采用Hexo框架然后部署到Vercel

但静态博客一般都需要你将git库克隆到本地，在本地完成博文编写之后push到远程库中，我觉得这种方式不太优雅，因此懒得详细去介绍部署过程了。

Hexo文档

如果说OpenAI的O1开业内大模型推动System 2思考之浪潮，深度求索的deepseek以其极强的工程化能力一手力推了业内大模型迅速白菜价化，阿里通义千问自身开源闭源两路一同高歌猛进，更是在qwen2.0和qwen2.5发布后均力压meta的llama系列成为世界上最好的开源模型，那零一万物则一直扮演着一个疯狂追逐热点的“小丑”形象：李开复领导下的零一万物初代Yi模型被质疑换皮llama（后来的辩解非常抽象）；模型在各种榜单上刷爆所谓SOTA但实际效果一般；2023年年中成立后到现在产品路线模糊，定位不清晰，原本all in C端在被市场暴打后仓促转向B端；再到黄文灏等核心人才出走加入豆包……

我直说吧，从一位金融壬的角度，零一万物并不能被视为一件值得投资的标的物。

在分析零一万物之前，我们需要先探讨一个议题——当前国内，乃至全世界除了OpenAI之外的大模型独角兽共同面临的问题都有哪些？

一、独角兽们的集体困境

我觉得最明显的问题就是：烧钱，并且是遥遥无期的烧钱。

从OpenAI正式推出ChatGPT之后，全世界的投资市场都彻底的被AI浪潮引爆，并且维持了一段时间的极度繁荣（（从2022年12月到2023年6月），在这一时期整个VC/PE圈近乎彻底疯狂，每一位投资人和创业者都在念叨“大模型”、“新时代”、“第X次科技革命”等热词，认真的（相当大一部分人是假装自己能读懂）看各类前沿大模型研究论文，转发各种研报和AI早报……

在这一阶段，投资市场的ai板块极度繁荣，市场上崛起了一大批大模型独角兽（基本都以中美为主，日韩欧俄似乎只出了Mistral一根法国独苗，还被微软给吞了），各种融资一轮一轮的给，每一位独角兽的创始人都意气风发，势要将全人类直接送到后ai时代。

当然，后面的事我们都知道了。

一大群独角兽和AI labs正在以非常离谱的估值在市场上狂揽资金，但彼此间做的事情却几乎完全一样：拿OpenAI的模型训练自家的模型-给科技媒体发通稿一顿吹-安抚投资人投钱然后继续砸钱（每次训练百万千万不等）标定OpenAI训练自己的新模型……随着模型能力提升速度的边际递减，过去大家坚信的“Scaling Law”技术曲线已经明显放缓。OpenAI的GPT-5发布一再推迟，行业龙头在内斗中也颓势逐显，长期拿不出真正颠覆性的新活。

我们当然不能否认闭源模型和开源模型和研发对于科研教育市场和科技爱好者的重要性，但大模型的研发训练成本极为高昂，多次训练的压力对于弹药库非常珍贵的独角兽公司来说是难以承受的，而且即使大家愿意投入巨资，一旦市面上的头部企业发布了新的开源模型，原本的投入可能会变得毫无意义（例如meta的llama，阿里的qwen，发布之后很多公司自己炼的模型可以直接作废了，因为拿人家的开源模型效果还会更好）。

在研发端大模型研发（成本）是一个资金黑洞，那消费端（营收）呢？

很遗憾，这块更拉跨，至少对于独角兽来讲是拉跨的。

大模型在产业端究竟该如何应用？

我觉得可以分为两个层面。第一，大模型本身就构成了产业的核心商业模式和关键要素，以C端为主，抛开最原始的Chatbot不谈，软件层面包括最近风头比较旺的虚拟陪玩，社交领域的角色扮演，游戏行业的NPC，这一类场景是AIGC的上下游，有自己独特的工作流且一部分已经经历了PMF验证，但涉及到用户群体、内容创作的持续性以及虚拟人物的生命周期限制，当前的市场总量仍然非常非常非常的有限，可能做到底一年也只有数亿的流水。除了这种细分场景外还有硬件上的革新，例如AI PC和还有Apple和荣耀力推的AI手机，乃至于字节的豆包耳机ai pin等，都有一定的应用场景（但仍然非常有限）。这一大类软硬件模式可以称为大模型对于商业模式的大升级，或多或少可以把模型集中到新的商业模式中作为关键变量。

第二类，是庞大的B端企业级市场，这类未必是对商业模式做了根本性重塑，而是在降本增效场景作用比较突出，比如最典型的客服场景、知识库的问答等等，这些场景在企业内部对提效来说有非常多的帮助。比较好的案例是阿里巴巴旗下的很多产品都使用了通义千问的模型能力，百度的comate阿里的通义灵码在b端也采购的比较多。

一个比较有趣的视角就是，第一类应用是“先有模型，再找场景”；第二类应用则是“现有场景，再找模型”

目前，市面上主流的大模型独角兽都还简单的停留在第一类应用上面，模式以简单的Chatbot为主，兼买点大模型api来自己骗自己真的会有开发者和公司来采购。

什么？你说为什么他们不去做B端？

非不为也，实不能也。

更细的我懒得解释了，B端是什么阿猫阿狗刚创业几个月的公司就能碰的吗，BATH下一轮给你的融资不想要了是伐？

这就是AIGC落地的普遍问题——创始人该如何找到PMF？如何找到一个合适场景，可以解决实际的问题，可以落地，而不是仍然沉浸在自己的叙事中造概念追热点。

一个成功的大模型公司需要回答以下几个关键问题：

1. 市场需求是什么？ 是否有真正的痛点，大模型能够比现有解决方案更好地满足这些需求？
2. 产品价值如何体现？ 用户为什么会愿意为你的产品买单？这种价值是否是持久的，还是仅仅停留在新鲜感的层面？
3. 商业模式是否可持续？ 企业能够通过什么方式建立起长期的盈利能力？这种模式能否复制和扩展？

很可惜，独角兽们并没有一个真正合理的叙事框架来回答这些问题。

最后我中译中总结一下，对于当前大部分大模型独角兽企业，他们共同面临的困境是：需要的钱永无止境，但现在能挣到的钱屈指可数，未来预期更是迷雾重重。

今天很困难， 明天更困难，后天不知道

在缺钱并且挣不到钱这个核心问题之外，还有一个比较重要的方面是除了OpenAI之外的其他ai企业目前都只能追赶OpenAI的步伐，难以先于OpenAI做出新的比较彻底的创新，但这块我并不专业，讲了一定会露拙，所以不讲。

二、乏善可陈的模型更新

哦，当然，我们的李开复院长认为刚发布的Yi-Lightning是正式辟谣零一万物放弃预训练的有力证明。

但他发的那一段话真的可以说服他自己吗？

据介绍，在国际权威盲测榜单 LMSYS 上，Yi-Lightning 超越GPT-4o-2024-05-13、Claude 3.5 Sonnet，排名世界第六，中国第一。

经典刷分王，实测能力味如鸡肋，更何况LMSYS本身公信力就已经弗如去年远甚。

目前，Yi-Lightning已在Yi大模型开放平台上线，价格是0.99元/100万Tokens。在和媒体交流时，李开复多次提到这是“白菜价”，但表示“零一万物还是有利润空间的，不参与价格战”。

无非是deepseek、阿里、字节等友商早在今年年终就把大模型成本大幅压缩的技术路径给提前铺好了，直接拿过来很方便就能用；今年五月信誓旦旦不参与价格战的通稿还在网上挂着呢，自己模型做的没特色没客户买账回旋镖终于打到自己身上了。

他不是知错了，他只是知道他要死了.jpg

李开复驳斥了关于中国无法进行大模型预训练的说法，表示零一万物不仅不会放弃预训练，而且在速度和质量上都达到了领先水平。这次超越GPT-4o，也表明中国与美国最先进的OpenAI模型之间的差距已缩小到仅5个月。

懒得喷，有本事你跟深度求索月之暗面阿里一样为天下先，做出一点真正的前瞻性的工程探索。

Yi-Lightning模型在现在的市场地位如同鸡肋，价格相近的有深度求索阿里豆包智谱，这四家久经市场验证客户才懒得迁移到你李博士这里（况且最考验团队模型雕花能力的工程细节零一万物也做的并不好），海外有OpenAI的4o mini和虎视眈眈的Claude 3.5 haiku（尚未发布），零一拿头去和其他友商竞争。新模型的唯一用处就是拿出来自己骗自己发一波通稿辟一波谣了，不会真的有成熟开发者和团队会放弃之前已经习惯的成熟模型转而选择零一的。

三、总结

零一万物从创立之初就定位不清职责不明，既没有那种深度求索和月之暗面潜心打磨产品和基座模型的技术理想，也没有阿里字节这种恐怖的渠道优势和产业整合能力，刷榜和白菜价打价格战在骗自己和投资人之外没有任何实际用处。市场上早已不缺一家新的AI lab，具有稀缺性的是能深刻理解行业痛点并提供切实可行解决方案的企业，而零一万物显然还没有找清楚自己的定位。

在他找清楚之前（我质疑它是否有这个能力），我只能对零一万物未来的发展持谨慎态度，并倾向于看空其长期表现。

阅读进度以本页面为准

阅读进度以本页面为准

阅读进度以本页面为准

阅读进度以本页面为准

阅读进度以本页面为准

我很喜欢王小波的一句话：“任何貌似理所当然的神话，往往都是不可信的，越是无懈可击，往往越值得怀疑。当一个商业故事以无比圆滑和生动的姿态出现在你面前的时候，你首先必须怀疑，而所有的怀疑，最终都会被证明是正确的，或者至少是值得的。”

社交媒体、广告和新闻常常将某种叙事包装得过于完美，以至于让我们失去了基本的怀疑心。无论是某种商业产品，还是一个政治论述，甚至是一种流行的社会观念，许多被广泛接受得理论或观点经过长时间的传播和重复引用，很可能会被赋予一种“神话化”的特质，当它们显得无懈可击时，往往就隐藏着某种不易察觉的盲点或利益关系，新自由主义如此，后凯恩斯亦如此。

在我的社科书单中，我希望探索的正是这些潜藏在表象背后的复杂性。哲学、经济学和社会学的交叉阅读，能够帮助我更好地理解当今社会的“神话”是如何形成的，又如何通过批判性思考去解构它们。我始终相信这个世界可以同时存在多种并行不悖的体系，我们作为社科的学者要尽量的去解释，而非看到就直接去否定——君子美美与共，政治的最终目的应当是扩大共同体而非相互攻讦。通过专题式的阅读，我期望能够培养一种既能审视当前叙事，又能构建出自己对世界独立见解的能力

专题——权力、潜意识与自我：福柯、弗洛伊德与荣格

本专题侧重于人类近现代哲学与心理学的研究，主要包含三位心理学和哲学大家：福柯、弗洛伊德与荣格。

米歇尔·福柯（Michel Foucault）的哲学思考深受历史和社会结构的影响，他最为人称道的就是对权力机制的揭露和批判。福柯认为权力无处不在，它不仅存在于政府和法律中，还渗透在我们的生活、知识生产、以及自我认知中。权力通过话语构建了我们对正常与异常的看法，进而塑造了个体的行为与思想。

• [X] 疯癫与文明：理性时代的疯癫史
• [ ] 词与物：人文科学的考古学
• [ ] 规训与惩罚
• [ ] 知识考古学
• [ ] 性经验史 第一卷: 认知的意志 (Histoire de la sexualité, I : La volonté de savoir)
• [ ] 性经验史 第二卷: 快感的享用 (Histoire de la sexualité, II : L'usage des plaisirs)
• [ ] 性经验史 第三卷: 关注自我 (Histoire de la sexualité, III : Le souci de soi)
• [ ] 性经验史 第四卷：肉欲的忏悔
• [ ] 临床医学的诞生

西格蒙德·弗洛伊德（Sigmund Freud）提出的潜意识理论则打开了理解人类心理活动的全新窗口。他的观点揭示了意识之外的巨大心理力量如何控制我们的欲望、恐惧和行为。弗洛伊德相信许多看似无意识的行为背后，都隐藏着深层的心理动机，这些动机源自个体无法控制的潜意识冲动。

• [X] 性学三论
• [ ] 癔症研究/歇斯底里研究
• [ ] 梦的解析
• [ ] 精神分析引论
• [ ] 释梦
• [ ] 自我和本我、集体心理学和自我的分析、超越唯乐原则

卡尔·荣格（Carl Jung）则在弗洛伊德的基础上，发展出了自己的分析心理学体系。他提出了“集体无意识”的概念，认为人类心理中存在一种超越个体经验的共性，这种共性通过“原型”展现出来。荣格关注个体自我与集体无意识的关系，探讨个体如何通过自我认知和心理发展，实现人格的完整。

因为荣格全部的学术作品都包含在了《荣格全集》，比较卷帙浩繁，所以我会选择其中我比较感兴趣的去阅读

• [ ] 精神病学研究
• [ ] 实验研究
• [ ] 心理类型
• [ ] 精神疾病的心因学
• [ ] 弗洛伊德与精神分析
• [ ] 原型与集体无意识
• [ ] 心理治疗的实践

专题——现代资本主义：消费社会与意识形态的批判

现代资本主义的扩展和深化，不仅仅体现在经济结构的变化上，还深刻影响了我们的文化、政治和思想。两本经典著作——赫伯特·马尔库塞（Herbert Marcuse）的《单向度的人》（One-Dimensional Man）和居伊·德波（Guy Debord）的《景观社会》（The Society of the Spectacle）——为我们提供了批判现代资本主义的两种重要视角。它们揭示了当代社会中资本主义如何通过意识形态和视觉文化来控制和塑造个体的思想与行为。

《单向度的人》是一部对技术理性统治下的资本主义社会的深刻批判。马尔库塞认为当代社会中，科技进步不仅没有解放人类，反而成为了压制反叛与批判性思维的工具。资本主义通过消费主义和同质化的文化，将人们变成了“单向度”的人，丧失了多元化的批判能力与精神自由。现代人越来越倾向于接受现状，并习惯于通过物质消费寻找自我满足，而非质疑和挑战资本主义体系。

与此呼应，居伊·德波在《景观社会》中揭示了资本主义如何通过“景观”这一概念操控社会。德波则认为当代社会已经进入了“景观化”阶段，即图像和符号主导了现实，社会生活逐渐被商品化的景观所替代。资本主义不仅控制了经济生产，还塑造了我们对现实的感知，媒体和广告让我们生活在一个虚假的影像世界中，人的主体性被景观所侵占，成为被动的消费者。

本专题将通过对这两本书的探讨，深入理解现代资本主义对社会、文化以及个体意识的影响。笔者希望通过这些经典作品的阅读与反思，帮助读者揭示当今资本主义制度背后隐藏的意识形态机制，并激发对现状的批判性思考与重新审视。

• [X] 单向度的人：发达工业社会意识形态研究
• [X] 景观社会
• [X] 景观意识形态与隐形奴役：居伊·德波《景观社会》解读与批判

专题——法的逻辑与历史：从刑法到宪法的全景透视

法律不仅是社会秩序的基础，更是人类文明发展的重要支柱。它通过规范人与人之间的关系、维护社会正义和保障公民权利，深刻影响着社会的方方面面。本专题将从五个核心领域——刑法、民法、法理学、宪法和法制史——展开，理解法律在社会生活中的角色以及其背后的思想脉络。

刑法是规范行为与社会秩序的法律领域，它定义了什么行为是犯罪，并为违反这些行为的人制定了相应的处罚措施。在刑法的学习中，我们将探讨刑事责任的原则、犯罪的构成要件以及刑罚的合理性与公正性等议题。

民法则是保障个人权利和调整社会经济关系的法律体系。通过阅读和分析民法经典案例和理论，我们将探讨契约、财产权、侵权责任等制度的内在逻辑，以及它们如何在现代社会中平衡个人利益与社会公共利益。

法理学作为法学的理论基础，关注法律的本质、目的以及法律体系背后的哲学思考。通过研究不同的法理学流派与思想，我们将深入探讨法律与道德的关系、正义的标准、法律的解释方法等基本问题。

宪法是国家的根本大法，规定了国家的基本结构、政府的权力来源以及公民的基本权利与自由。在宪法部分，我们将重点分析宪法如何保障公民权利、约束政府权力，并讨论现代宪政制度的发展和挑战。

法制史则为我们提供了一个全景视角，展示了法律如何随着社会、经济和文化的变化而发展。从古代法制到现代法律制度的演变，法制史帮助我们理解当前法律制度的形成过程及其背后的历史逻辑。

• [ ] 刑法
• [ ] 民法
• [ ] 宪法
• [ ] 法理学
• [ ] 法制史
• [ ] 刑法学讲义

专题——金融欺诈与公司财务透明度：上市公司财务舞弊与黑洞研究

这个专题我觉得没啥好说的，会计/金融学学生老本行了。

• [ ] 上市公司财务舞弊审计研究与案例解析
• [ ] 上市公司财务黑洞研究理论及案例

其他

除此之外，我还可能会涉及到部分传媒学、宗教学和语言学的探究，传媒学可以帮助我理解当今社会信息传播的方式及其对公众意识的影响，特别是在资本主义、权力和社会控制等主题上的延展。语言学则可以进一步剖析语言在文化传播、社会规范和个体认知中的关键作用。由于相关内容尚未完全确定，未来我会在相关专题中深入探讨这些问题，因此本文暂不展开论述。

前言

这两天把学园孤岛动漫刷完了，主角由纪的状况就非常有趣：老师佐仓慈 “慈姐”在丧尸压力下选择牺牲自己拯救学生们，但由纪并不能接受这一残酷事实，在精神退行后产生了一个救济人格（幻想中的慈姐）。

同时，在她眼中整个学院仍然是鸟语花香一切如常，她每天都会去那已经残破不堪的教室里上课，还幻想了一大堆同学，她的时间从此停留在了灾变前一天。（所以第一集结尾由纪幻想中的学院切换到恐怖破败的现实世界之后着实给我来了个大的，直呼这番有趣）

我们抛开这番欢乐幻想与绝望现实绝妙的反差恐怖感不谈，如何从心理学的视角解释由纪的行为？

心理学解释

首先，最明显的就是精神退行下的解离性身份障碍（Dissociative Identity Disorder, DID）。

解离性身份障碍是一种严重的心理疾病，主要特征为存在两个或更多独立的人格状态，每个都有各自的记忆、行为和情感。这些不同的人格状态会轮流控制个体的行为，致使个体在不同时间和情境下表现出截然不同的行为模式。通常，该疾病与童年时期的严重创伤有关，如虐待、忽视或其他极端压力形式。

在学术界, 对于 DID的研究始于个案研究, Mitchill 在 1816 记录了美国宾夕法尼亚州一个名为玛丽·雷诺的病例, 被视为最早记载的 DID 案例。法国医生 Pierre Janet 通过对癔症的临床观察, 提出了 “分离”(dissociation) 的概念, 并于 1889 年出版专著《自动心理学》。在对 DID 形成机制的解释中,心理动力学派的观点影响深远。

研究者普遍认为, DID 是一种防御的症状群, 创伤、冲突和缺陷均在 DID 的形成中起作用, 其中创伤起了决定性作用。患者使用分裂(splitting) 和分离的防御方式来保留“好的自身”和“好的客体”, 分离了不相容的心理内容。分离的同时, 也意味着除去感觉或认识的某些方面, 或者说它意味着意识状态的改变, 患者以此除去意识中某种事件或情境。

由纪接受不了惨烈的现实与老师的离去，由此她身体自动触发逃避机制，现实和幻想发生了错位——此之谓解离。

在剧情中，由纪的解离就表现为她自己想像出了一个“慈姐”去教她学习，会阻止忘记社团活动的由纪“回家”，会在学校图书馆捂住由纪的嘴不让她发出声音，在由纪脱离退行状态前的最后一刻还领着由纪去了广播室化解了危机。

由此，幻想中的慈姐可以被视为由纪的一个内部支持系统，类似于心理学中的“救济人格”（auxiliary ego state）。这个幻想中的慈姐不仅是她内心深处对慈姐的怀念和依赖，更是她在极端环境中寻求安全感和稳定感的一种方式。每当由纪感到孤独、害怕或不知所措时，这个救济人格就会出现，给予她必要的支持和指导。

除了慈姐这个救济人格之外，由纪每天都会去那已经残破不堪的教室里上课，幻想自己还有一群同学陪伴，这就是一种更深层次的“解离”。

她无法接受现实的变化，通过现实与幻想的错位与时间感的扭曲，她选择停留在一个更安全、更熟悉的时间点，通过沉浸在理想化的记忆中来减轻当前的恐惧和无助感。非常非常非常有趣的是，剧情在进行到中期，直树美纪 “美君”加入社团并回忆当时驾车回校的情况时，由纪注意到车子的人数不对，这一事实打破了由纪小天使自己自洽的世界观，她意识到了“认知失调”，于是由纪选择离开当时的团体讨论并到其他屋子内，向“慈姐”寻求自己世界观的再自洽。

费斯廷格（Leon Festinger）的“认知失调“理论认为当个体持有两个或多个相互矛盾的认知（信念、态度、行为等）时，会产生心理上的不适感，即认知失调。为了减少这种不适感，个体会采取各种措施来恢复认知的一致性。斯沃茨（William Swann）提出了“自我验证理论”同样可以解释这个行为。该理论认为个体倾向于寻求和维护与自己自我概念一致的信息和反馈。即使这些信息是消极的，只要它们与个体的自我概念相符，也会被接受和寻求。

结论

《学园孤岛》最令我着迷之处在于温暖的解离想象和绝望的现实，可爱的jk少女和残暴的丧尸带来的极致反差感。在学园孤岛的真相尚未揭露之前，观众的异常感与不适感会随着由纪在校园中走班串楼的活动而不断累积，直至结尾之时全数爆发，酣畅淋漓十分痛快。

豪堪！

参见

[1]王铭,江光荣.分离性身份识别障碍的心理病理机制和临床评估[J].中国临床心理学杂志,2007,(04):426-429.

[2] 萌娘百科.学院孤岛

信息置信度分级

在一个争夺注意力的开放市场上，相较于积极、建设性的思想，较为阴暗的情绪更能吸引眼球。面对外部信源，我们可以将每一条信息按照置信度从A到F进行分级：

A：完全确定。

B，小规模事件中，关键截图等被刻意淡化，但有网友目击大量间接证明；大规模事件中，有明确方向定性，但规模太大无法在统计学上精确定量。但说东南不会到西北，方向基本上正确。

C，向业内和临近行业的有关人士调查，有一定佐证，但是也有利益相关和当局者迷导致结果不是很准确。

D，零星的消息，提供者无利益相关和造假动机，结论符合逻辑，但缺乏证据

E，没必要发了，有点依据但不多，其他可能性太多很难命中，故而不需采信。

F，经过断章取义的谣言。

革命乐观主义与先做个垃圾出来

边防线上，肚子笑抽抽是常事。这个叫做革命乐观主义精神。请想象一幅宣传画：我是主角，浑身结结实实的肌肉，站在一滩烂泥里面，45 度仰望天空做憧憬状。 「他妈的」也是革命乐观主义精神。 《全金属外壳》里有个士官长，能够 10 分钟不换气地骂脏话，我觉得斯坦利·库布里克刻画得非常传神。美国也有乐观主义，或者可以叫民主灯塔乐观主义；非洲原始部落里也有乐观主义，可以叫酋长乐观主义。没有乐观主义可不行，人类就走不出东非大裂谷。你比方说，「兔子脚呱啦」今天被狮子拖走吃了，你要哭天抹泪的，保不定你也被狮子拖去吃了。环境艰苦，哭天抹泪是不顶用的，不如骂一声「他妈的」，该咋咋地。

道理就是这样，很多时候完全没必要硬给自己加戏扮苦情人设，虽说人生如戏但绝大多数人演的都不会有观众。环境艰苦，未来可期，面对困难时哭天抹泪是没用的，真不如骂一句「他妈的」和「我操」然后继续干活，努力让损失小一点，可争取的收益多一点。

别想着一次成功，别想着一稿通过，先做个垃圾出来。通过了也不会怎么样，成功了也有下一个人物，先做个垃圾出来。有垃圾就有变废为宝的机会。不制作垃圾，你就只有焦虑拖延的机会。

垃圾这个概念，也值得辩证，为什么你做的就是垃圾呢？

这个世界上很多拉胯的人都在信心满满地站在台上，领导团队、领导公司，对着世界指手画脚，对着别人好为人师，很多拉胯的人都不知道自己其实在拉胯，标准不一样罢了。什么是真正的垃圾，飘进海洋、填进陆地、污染空气的垃圾，物理垃圾难以处理，你写的垃圾已经很环保了。

你做的真的中是你眼里的垃圾，你不做这个垃圾出来，下一个人做的还不如你做的垃圾好看好用好有价值，那现在做垃圾的人，凭什么不是你呢？（超级绕口令）

反正大部分人都很垃圾。

处理舆论时切忌懒惰思维

互联网上经常会有这样的声音：反对建制派的会将建制派的思潮称之为“五毛”和“网评员”，建制派经常会将反建制派的思潮称之为“1450”和“网军”。我在这里当然不会否认各种主权政府和实体一定会出于自己的利益培养出自己的舆论力量，但给所有和自己价值观不同的人群思潮贴上一个“被刻意操纵”的标签实际上是一种懒惰和恐惧——因为不愿也不敢相信世界上真的存在和自己相悖的声音。

中国乃至这个世界实在是太大太复杂了，各个地区、群体的经济基础不同，自然而然的就会催生出各种相异乃至于冲突的上层建筑思潮，思潮冲突天然就存在且合理。一味的去否认这些思潮存在的合理性相当于自己把自己的双眼给蒙住，自己给自己创造一大批没有办法去解决的敌人。

我始终相信这个世界可以同时存在多种并行不悖的体系，我们作为社科的学者要尽量的去解释，而非看到就直接去否定。这个观点可以适用于一切左、右、粉、蓝等阵营。小人和而不同，君子美美与共，我们的最终目的应当是扩大共同体而非相互攻讦。

为什么集体很容易做出烂决策？

在写到这点的时候，我能想到的有两种可能：

1.善战者无赫赫之功，集体决策中的好结果被我们当成“应有之事”被忽视了，反而是集体做出的烂决策被当做经典案例给放大，暗合90年代之后的个人主义自由主义之风（例如乌合之众的大火）

2.任何一个集体，只要覆盖面越广，那么其成员的平均素质就会越贴近于全人类社会的平均素质，如果说这个集体的精英寡头能做出来的决策水平是80分，那么扩大到全集体的决策水平就可能会下降到60分；当集体作为决策单位的时候就更可能被煽动，和为了眼前的小利忽视了更为长远的利益……

我觉得其实这两种可能都有道理。人类社会现在的两个主要经济体基本都实质性的实行精英寡头决策制度，所谓的各自的，带有全民参与的决策体系更像是用来安抚民意的制度花瓶。人类社会每天需要处理的议题茫茫多，让集体每天浪费行政资源去充分理解并处理这些议题本身就不可能，民主集中制理论上便是为了解决这个问题而构建的。

言论

• 许多艺术家对心理学都有些诟病，可能是将精神量化的学科让他们自由的灵魂深感抵触，科学界就相反，他们永远嫌心理学量化得不够彻底，可检验性不够高，哲学家的诟病可能就简单得多，单纯嫌它浅薄而已。
• 为什么我们制定谋略的时候，总会想着一切都会按照我们想象的去发展，好像连天地都要为我们心中的计谋让路、乃至天地都要配合我们心中的计谋？
• 使原本可能看不见的东西通过你被他人看见。 —— 法国著名导演 罗伯特・布列松 这也就是所有创作的意义，或者说是创作背后的逻辑。你提供自己独特的视角呈现给这个世界。
• 任何貌似理所当然的神话，往往都是不可信的，越是无懈可击，往往越值得怀疑。当一个商业故事以无比圆滑和生动的姿态出现在你面前的时候，你首先必须怀疑，而所有的怀疑，最终都会被证明是正确的，或者至少是值得的。

现代社会已经进入到资本市场高度发达的阶段，财务报表所提供的财务信息无疑是投资者在资本市场进行决策最重要的信息来源。人们倚重财务报表，尤其是社会公众投资者，由于受到种种条件限制，既没有时间、精力到上市公司调研，也缺乏其他信息来源，就更加依赖财务报表。

看各种上市公司的招股书和财报应该是各路经济学专业学生的基本功了，说到底，金融学仍然是一门需要和人打交道的学问，枯燥复杂的指标也仅仅是辅助决策的数学工具之一，真正发掘企业的价值/风险还是要靠分析师自己的慧眼与经验（乃至于各路酒桌上的小道消息）。

一、初步审查

• 快速浏览财务报表（最基础的三表一注：资产负债表、利润表、现金流量表和附注）
• 注意任何异常的数字和趋势，例如收入或支出的突然变化

二、比率指标分析

• 计算关键财务比率，如流动比率、速动比率（酸性测试比率）、负债权益比率、毛利率、净利润率、资产回报率（ROA）、股东权益回报率（ROE）等。
• 比较这些比率与行业平均水平或主要竞争对手的数据，以评估企业的相对健康状况。

（一） 盈利能力指标

1. 毛利率 (Gross Margin)：显示销售收入减去销售成本后的剩余比例。
   • 公式：(销售收入 - 销售成本) / 销售收入 * 100%
2. 营业利润率 (Operating Margin)：衡量企业在扣除经营费用后的盈利能力。
   • 公式：营业利润 / 销售收入 * 100%
3. 净利润率 (Net Profit Margin)：显示最终净利润占销售收入的比例。
   • 公式：净利润 / 销售收入 * 100%

（二）偿债能力指标

1. 流动比率 (Current Ratio)：表明企业短期债务偿还能力。
   • 公式：流动资产 / 流动负债
2. 速动比率 (Quick Ratio)：又称酸性测试比率，衡量企业在不依赖存货的情况下偿还短期债务的能力。
   • 公式：(流动资产 - 存货) / 流动负债
3. 负债权益比率 (Debt-to-Equity Ratio)：显示企业负债水平相对于股东权益的比例。
   • 公式：总负债 / 总股东权益

（三）营运效率指标

1. 存货周转率 (Inventory Turnover)：显示企业每年销售并替换其库存的次数。
   • 公式：年度销货成本 / 平均存货
2. 应收账款周转天数 (Days Sales Outstanding, DSO)：衡量企业从销售到收到款项所需的平均天数。
   • 公式：(期初应收账款 + 期末应收账款) / 2 * 365 / 销售收入

（四）投资回报指标

1. 资产回报率 (Return on Assets, ROA)：显示企业利用其总资产产生利润的效率。
   • 公式：净利润 / 平均总资产 * 100%
2. 股东权益回报率 (Return on Equity, ROE)：衡量公司使用股东资金创造利润的效率。
   • 公式：净利润 / 平均股东权益 * 100%

（五）现金流指标

1. 自由现金流 (Free Cash Flow, FCF)：企业经营活动产生的现金减去维持或扩张资产基础所需的资金。
   • 公式：经营现金流 - 资本支出

三、趋势分析

• 查看过去几年的财务数据，识别收入、成本、盈利能力和现金流的趋势。
• 分析这些趋势背后的原因，并考虑它们是否可持续。

四、比较分析与风险评估

• 将企业的财务表现与同行业的其他公司进行对比，识别其在市场中的位置。
• 考虑宏观经济环境和行业特定因素对业绩的影响。
• 识别可能影响公司未来业绩的风险因素，包括法律诉讼、供应链中断、市场需求变化等。
• 评估管理层为应对这些风险所采取的措施的有效性。

五、形成结论

前面五板斧下去，企业基本面咋样，财务表现怎么样各位分析师其实心里也多少有定论了。

到这块就就是根据之前的分析得出关于公司财务健康状况、盈利能力、成长潜力以及风险管理的综合结论。最后就是分析师提出建议，例如股票买卖建议或者改进财务管理的建议。

具体财务造假分析参见： 上市公司财务黑洞研究理论及案例 上市公司财务舞弊审计研究与案例解析

注：本文为系列专题——“中国与世界的现代化”的一部分

作为中国与世界的现代化专题的第二章，我希望就此开始为我和我的博客逐步构建起一套完整的，体系化的去分析中国乃至于世界现代化的理论框架——了解中国的现代化当然离不开了解政府，剖析政府的额行为动机也必然离不开最核心的财税制度。

因此，我必须要在开头承认，我分享的都是带有我自己立场与惯性的叙事和分析框架，不是什么科学真理、惊天秘辛，也不是借助所谓的冲塔或者别的什么立场来提高自己的论证可靠性。在现在的舆论上，批评公有制主体、唱空经济的可信度天然高人一等，为公有制辩护、解释政策的论证义务从头重上三分，这可不算什么“独立思考”。

所以还希望所有的读者仅仅只把我的文章当作参考，去形成自己的分析评价框架，反过来自己思考我的文章具体逻辑是否通顺、符合经济运行事物，让自己的脑子和嘴真正地思自己所思、言自己所言，以理性的形式主张自己的经济权益。

一、什么是货币

1.人类社会视角下的货币

我们先抛开宏大叙事中的金融战与国际贸易体系重构等议题，思考这样一个问题：

在人类社会中，钱，或者说货币，到底是什么？

要了解货币的用处，我们就需要先想象一下没有货币的世界会是什么样子——在远古时期，人们是如何交易商品和服务的？

没有货币的经济体通常采用物物交易，即用一种商品或服务换另一种商品或服务。在这个世界中，任意两个人之间的交换交易将涉及到需求的双重巧合，两个人各自想要对方可以提供的商品或服务。 例如，如果铁匠想要一双鞋，则该铁匠必须找到一双正确尺码的鞋子，并且愿意用这双鞋换对应的钉子/工具的人。

在几乎不存在分工的原始社会中，这样的交易制度尚且可以延续下去。但一旦人类进入到了农业社会，社会分工开始凸显，这样原始的物物交易制度便无以为继——因为这样交易的时间成本太高了。

由此，人们开始使用“金银”作为货币，作为一般等价物来开展交易。货币作为一种交易媒介，其价值是买卖双方均承认的，采用货币的经济体广泛的接受这种货币可以作为商品、劳动力和金融资本市场上的一种支付方式。借用货币工具，市场中希望交易的双方不必再耗费大量的时间和精力去筛选交易信息，只要有货币就可以任意的买卖。

马老爷子：金银天然不是货币，但货币天然是金银。 至于金银怎么变成货币的，这里我就懒得提了，这个又能新开一篇专题文章

除了交易媒介，货币还具有价值储存的职能。想象一下，原始人在社会中该如何储存“价值”？他可能会囤米、囤肉乃至于囤家畜和囤奴隶，但是米会坏，肉会烂，家畜可能会生病，奴隶可能会暴动会死，并且这些价值只能保存到“现在”，而无法影响“过去”和“未来”。

但货币就不一样了。货币作为一般等价物可以保存和积累价值，让人们可以跨时间和空间转移购买力。这意味着今天赚取的钱可以在未来用于消费或投资，货币的持有者知道他不需要立即花钱，因为它在第二天或第二年仍会保持其价值。 这种金钱功能并不要求金钱是完美的价值存储。 在通货膨胀的经济体中，金钱每年都会失去一些购买力，但它仍然是金钱。

正是因为货币被广泛的运用到了市场的交易中，因此还发挥着记账单位的作用。货币为不同商品之间的“价值”提供了一个共同的衡量标准，使得他们之间可以相互被比较，物体的价值可以被抽象为一个简单的数字，例如我们都知道之前冰红茶三块一瓶，便宜的小汽车一般几万一辆，那么汽车和冰红茶之间的价值就可以通过一个统一的，借由市场凝聚来的价值共识来进行权衡比较。

最后，货币的另一个功能是金钱必须作为延期付款的标准。 这意味着，如果今天有钱可以用来购物，那么今天进行将来付款的购买也必须是可以接受的。 贷款和未来协议以货币形式表示，延期付款的标准使我们能够在今天购买商品和服务，并在将来付款。

信用贴现机制让我们得以通过投资亦或者是消费部门的杠杆来将未来的收益（增长）转移到当期（当下），利用带有预期正面收益的资产作为抵押物，分享预期的未来收益，虚空制造当期的额货币供应量，最终在本期经济循环中消费了未来的收益。

2.政府视角下的货币

在上一节中，我们说明了货币在人类社会中是交换、价值存储、记账单位和延期付款标准的媒介，那么现在由政府主权信用担保发行的货币又扮演着什么样的角色呢？

兰小欢教授非常喜欢两部国产电视剧，分别是《大明王朝1566》和《走向共和》。这两部剧有个共同点：开场第一集中那些历史上赫赫有名的大人物们，出场都没有半点慷慨激昂或阴险狡诈的样子，反倒都在做世上最乏味的事——算账。大明朝的阁老们在算国库的亏空和来年的预算，李鸿章、慈禧和光绪则在为建海军和修颐和园的费用伤脑筋。然而算着算着，观众就看到了刀光剑影，原来所有的政见冲突和人事谋略，都隐在这一两一两银子的账目之中。

国家调节生产秩序和分配秩序需要货币，而税收则是回收货币的极其重要的环节之一。对于任意一个主权政府，货币的发行和管理都反应了政府的信用与能力，货币工具的使用代表政府对经济的控制力和政策导向，是政府维护经济秩序、实现社会经济发展目标的核心工具。货币之于政府仅仅是一个调节社会生产秩序和分配秩序的工具，政府使用货币工具来对全社会的资源进行宏观的分配与再分配，现代社会中法定货币只是政府主权信用担保下的一张纸，货币有用的唯一原因就是全人类对对应货币的价值有普遍信念和信任，或者说对对应法定货币的发行政府的主权信用有普遍信念和信任。

钱很重要，但钱实际上一点都不重要 钱可以近乎买到任何东西，但钱实际上也就是一张废纸

所以，要真正了解政府行为，就必须要了解财税；而只有了解了货币的本质，才能真正理解财税。

二、中国的税收体系

世界上只有两件事是不可避免的，那就是税收和死亡 ——本杰明·富兰克林

1.起步-改革开放：1978-1993

我懒得从几千年前开始回顾中国的税制了，既然本系列的标题就是中国与世界的现代化，那还是直接从和现在的经济运行强相关的78年改革开放开始讲起吧 :D

如果用一个词来概括20世纪80年代的中国经济的特点，那么非“承包”莫属。农村可以有家庭联产承包责任制搞土地承包，城市也有企业承包，那么按照这样的思路，政府也有财政承包——什么都可以被承包。我国的基本国策就决定了不能对所有权进行根本性的变革，只能对使用权和经营权进行承包制以提高积极性。财政承包就开始于1980年，在中央与地方之间的财政分配关系上，实行“分灶吃饭”，中央与省级财政之间对收入和支出进行包干，地方可以留下一部分增收。从 1980 年起，先后推出了“划分收支、分级包干”、“划分税种、核定收支、分级包干”以及“收入递增包干、总额分成、总额分成加增长分成、上解递增包干、定额包干、定额补助”等多种不同的体制模式。

既然是承包，当然要根据地方实际来确定承包形式和分账比例，所以财政包干形式五花八门，各地不同。比较流行的一种是“收入递增包干”。以1988年的北京为例，是以1987年的财政收入为基数，设定一个固定的年收入增长率4%，超过4%的增收部分都归北京，没超过的部分则和中央五五分成。假如北京1987年收入100亿元，1988年收入110亿元，增长10%，那超过了4%增长的6亿元都归北京，其余104亿元和中央五五分成。

学过初中历史的朋友们都知道，在家庭联产承包责任制下农民的生产积极性被极大的激发，相关的产出也有显著提高，财政领域的承包也是如此。财政承包制下，交足中央，剩下的都是地方自己的，因此地方有动力扩大税收来源，大力发展经济。这个阶段各种乡镇企业也如雨后春笋般涌出，和各地方政府大力支持脱不开关系。

在这个时期，地方政府想出了这样的野路子：虽然财政包干制度下留足中央，剩下都是自己的……但如果我把一部分税实际转化成各种费用，不就不用给中央分钱了吗？藏富于民，挺好嘛！

虽然地方预算内的税收收入要和中央分成，但预算外收入则可以独享，这也是为什么九十年代乃至千禧年初期各单位都非常流行预算外的“小金库”，这些小金库是可以不与上级乃至平级单位共享的，可以切切实实为“自己人”谋取利益。如果给地方企业减免税费，在再通过其他诸如行政收费、集资、摊派、赞助等手段收一些回来，就可以避免和中央分成，变成可以完全自由支配的预算外收入。

在这一阶段，我们会惊讶的发现明面上地方政府会非常积极的给地方企业违规减税，企业偷税漏税也非常普遍，税收收入上不去但预算外收入却迅猛增长。1982—1992年，地方预算外收入年均增长30%，远超过预算内收入年均19%的增速。1992年，地方预算外收入达到了预算内收入的86%，相当于“第二财政”。

这一时期是改革开放的起步时期，改革转型的特殊性和制度本身的不完善决定了很多承包制包括财政包干制注定不能持久。无论是放权还是让利，事实上都是以财政上的减收、增支为代价的。主要由财税担纲的以“放权让利”为主调的改革，却使财政收支运行自身陷入了不平衡的困难境地。

财政包干造成了“两个比重”不断降低：中央财政预算收入占全国财政预算总收入的比重越来越低，而全国财政预算总收入占GDP的比重也越来越低。前者由 1978 年的 31. 1% ，相继减少到 1980 年的 25. 5% ，1985 年的22. 2% ，1990 年的 15. 7% 和 1993 年的 12. 3% ;后者则先升后降，1978 年为 15. 5% ，1980 年为24. 5% ，1985 年为 38. 4% ，1990 年下降为 33. 8% ，1993 年进一步下降至 22. 0% 。不仅中央变得越来越穷，财政整体也越来越穷。

中央穷也代表弱干强枝，对于地方的掌控力和议价能力也会削弱

另一方面，财政支出并未随之下降，反而因“放权”、“让利”举措的实施而出现了急剧增加.从 1978 年至 1993 年，财政支出由 1122. 09 亿元一路增加至 4642. 20 亿元，15 年间增加了 3. 1 倍，年均增加 9. 93%。

任何一个体系都不能只进不出对伐，所以这个只能是权宜之计。“两个比重”的下降严重削弱了国家财政能力，不仅财政赤字逐年加大，债务规模日益膨胀，而且中央财政已经达到了难以担负宏观调控之责的空前水平，不利于推进改革。我们在前面就说过货币工具的使用代表政府对经济的控制力和政策导向，政府使用货币工具来对全社会的资源进行宏观的分配与再分配。改革开放后有大量的群体利益受损，这些都需要中央政府有足够的财力去补偿，否则改革就没办法推动，比如国企改革后的职工安置、裁军后的退伍军人转业等。像我国这样的超大规模的现代化国家，改革开放后地区差异进一步显著，如果没有中央财政大量去搞财政转移支付和各种补贴，那么东西的公共服务差异就会越来越大，乃至于中西部地方政府发不出工资，没办法维持政府职能。如果中央没钱，甚至要向地方借钱，那也就谈不上宏观调控的能力。

正如时任财政部部长的刘仲藜所言：当时的理论界对我讲，财政是国家行政能力、国家办事的能力，你没有财力普及义务教育、救灾等，那就是空话。

以中央财政债务依存度［债务收入/(中央财政本级支出 + 中央财政债务支出)］而论，到 1993年我国已经达到 59. 63% 的国际罕见水平。这意味着当年中央财政本级支出中的一半以上，要依赖于举债或借款收入来解决。

搞到这个程度，地方政府再不妥协的话大家不如直接散伙，也别搞什么搭伙吃饭了

2.分税制改革：1994-1998

一方面，改革开放后的财政包干制度确实激发了地方搞活精力的积极性，但另一方面来“两个比重”的降低也带来了严重的财政危机，“放权让利”的改革不可持续，我国正酝酿着全新的财税体制。

随着 1992 年 10 月中共十四大正式确立社会主义市场经济体制的改革目标，1993年 11 月召开的中共十四届三中全会通过了《关于建立社会主义市场经济体制若干问题的决定》。于是，以建立适应社会主义市场经济的财税体制为着眼点，从 1994 年起，财税体制改革踏上了制度创新之路(项怀诚，1994)。

简单来说，94年的分税制改革将税收分成三类：中央税（如关税）、地方税（如营业税）、共享税（如增值税）。其中最重要的税种就是增值税，占全国税收收入的1/4，改革前增值税（产品税）是最大的地方税，改革之后变成了共享税，中央拿走75%，留给地方25%。改革由此建立中央税收和地方税收体系，分设中央税务机构和地方税务机构，实行中央对地方税收返还和转移支付制度，初步建立了分税制财政管理体制基本框架。

此外，分税制改革还彻底取消向中央银行的透支或借款，财政上的赤字全部以举借国债方式弥补，从制度上斩断财政赤字与通货膨胀之间的必然联系。

分税制改革我现在理解的实质就是中央将财权进一步上收，也是90年代推行的根本性和最成功的改革之一。改革后中央占全国预算收入的比重从改革前的22%一跃变成55%，并长期稳定在这一水平；国家预算收入占GDP的比重也从改革前的11%逐渐增加到了20%以上。改革大大增强了中央政府的宏观调控能力，为之后应付一系列重大冲击（1997年亚洲金融危机、2008年全球金融危机和汶川地震等）奠定了基础，也保障了一系列重大改革（如国企改革和国防现代化建设）和国家重点建设项目的顺利实施。可以说，1994 年的财税体制改革，为我国初步搭建起了适应社会主义市场经济体制的财税体制及其运行机制的基本框架，也从根本上改变了地方政府发展经济的模式（为未来的房地产经济也埋下了因果）。1994 年分税制改革显著增强了中央政府的财力，但地方政府的事权与财权并未做出调整导致事权财权失衡，财政收支问题凸显。分税制改革后，解决这一问题的手段一共有两种，一是财政转移支付，二就是未来轰轰烈烈的房地产经济，这个未来有机会讲。

这么大财权的上收，期间中央政府和地方的博弈也是腥风血雨的。 “只要中央做了决策，地方不就只有照办的份儿吗？”有这种观念很正常，一方面，经过分税制改革后多年的发展，今天的中央政府确实要比20世纪80年代末和90年代初更加强势；另一方面，公众所接触的信息和看到的现象，大都已经是博弈后的结果，而缺少社会阅历的学生容易把博弈结果错当成博弈过程。其实即使在今天，中央重大政策出台的背后，也要经过很多轮的征求意见、协商、修改，否则很难落地。成功的政策背后是成功的协商和妥协，而不是机械的命令与执行，所以理解利益冲突，理解协调和解决机制，是理解政策的基础。

所以，之前群里的神友发过一张很傻逼的图：

为什么这张图很弱智呢？因为分税制改革之后地方财权上交，地方要是财政真能做到自给才见鬼了

只能说上面的那张图是非常典型的断章取义和糊弄外行人，我极其厌恶这种行为。

3.税费改革与构建公共财政体制框架：1998-2003

分税制改革固然基本解决了“两个比重”降低的难题，极大的提高了我国进行宏观调控和应对危机的能力，但94年分税制改革的仍然只是当时纳入预算视野的政府收支，游离于体制之外的政府收支小金库则并没有纳入改革的范畴。而且1994 年财税体制改革所着眼的，也主要是以税收制度为代表的财政收入一翼的制度变革。至于另一翼———财政支出的调整，虽有涉及，但并未作为重点同步进行。与此同时，既得利益的掣肘加之财政增收的动因，也在一定程度上束缚了改革的手脚，使得一些做法带有明显的过渡性或变通性色彩。

由此，上世纪90年代后期，以规范政府收支行为及其机制为主旨的“税费改革”以及财政支出管理制度的改革，先后进入财税体制改革的重心地带并由此将改革带上了财税体制整体框架的重新构造之路———构建公共财政体制框架。

1998年3月，当时的共和国朱总理在主持国务院工作之后举行的首次记者招待会上直言不讳：““目前存在的一个问题是费大于税。很多政府机关在国家规定以外征收各种费用，使老百姓不堪负担，民怨沸腾，对此必须整顿和改革。”以此为契机，中国开始了“税费改革”的大幕。

在全国性的税费改革正式启动之前，实际上各个地方政府也做过很多的有益探索，例如“费改税”，通过将五花八门的各种收费改为统一征税的办法来减轻企业和居民的负担（征收程序化标准化）。后来在实践中探索得出，地方政府收费的种种弊端并非出在收费本身，而是大量的项目既未经过人民代表大会的审议，又基本不纳入预算，而是由各部门、各地区自立规章，作为自收自支的财源，或归入预算外收入，或进入制度外收入，直接装入各部门、各地区的“小金库”。

因而，它实质是一种非规范性的政府收入来源。“费改税”的目的，显然不是要将本来意义的政府收费统统改为征税，而是以此为途径，将非规范性的政府收入纳入规范化轨道。于是，“费改税”开始跳出“对应调整”的套路而同包括税收在内的整个政府收入盘子的安排挂起钩来。也正是在这样的背景之下，“费改税”一词为“税费改革”所取代，进而被赋予了规范政府收入行为及其机制的特殊意义。

在“税费改革”日渐深入并逐步取得成效的同时，财政支出一翼的改革也在紧锣密鼓地进行中。先后进入改革视野的有:财政支出结构由专注于生产建设领域逐步扩展至整个公共服务领域的优化调整;推行以规范预算编制和分类方法、全面反映政府收支状况为主要着眼点的“部门预算制度”;实行由财政(国库)部门集中收纳包括预算内外收入在内的所有政府性收入，且由国库单一账户集中支付政府部门所有财政性支出的“国库集中收付制度”;推进将政府部门的各项直接支出逐步纳入向社会公开竞价购买轨道的“政府采购制度”。

所以，这一阶段的财税改革就是支出段和收入端同时标准规范，是更为深入的动刀子改革。

学术界乃至于决策层也发现，如此覆盖规模广大的改革，要涵盖所有财税体制改革事项的概念，似乎除了学术界所采用的“公共财政”之外别无他词可用。由此，在赋予公共财政中国特色意义的基础上，以 1998 年 12 月 15 日举行的全国财政工作会议为契机，决策层做出了一个具有划时代意义的重要决定:构建公共财政基本框架。

三、总结

必然要明确的是，社会科学常常渴望发现一套“放之四海而皆准”的方法和规律，但这种心态往往是幼稚的。不能低估经济的复杂性，也不要高估理论框架和科学工具的质量。经济学不存在什么八纮一宇四海皆准的学说，有的只有对症下药。

我始终坚信在这个世界可以同时存在多种并行不悖的理论体系与价值体系，这些上层建筑分别可以去解释各自对应的经济基础，我们每个人所看到的世界实际上都是真实的世界。朱门酒肉臭是真实的，路有冻死骨也是真实的；脱贫攻坚乡村复兴是真实的，贫富差距地方债务也是真实的；宏大叙事伟大复兴是真实的，小民尊严和时代之山也是真实的。

中国，乃至这个世界实际上远比我们想象的要庞大得多，你方唱罢我登场姹紫嫣红的现实世界暗面是深不可测的庞然阴影，至少我自认为还没有开始躺平，放弃对于世界更优解的追求，那么自然要去不断的去探求测度这个世界运行的方法工具。

下一篇系列专题文章预计为：城投与地方债：从分税制改革到房地产经济的逻辑解读

参见

[1]OpenStax. (2022)宏观经济学/14.货币与银行业. LibreTexts GLOBAL.

[2]兰小欢. (2021)置身事内：中国政府与经济发展. 上海人民出版社.

[3]高培勇.中国财税改革40年:基本轨迹、基本经验和基本规律[J].经济研究,2018,53(03):4-20.

[4]曾康华,徐薇.新一轮财税体制改革的历史起点、问题及设想——1994年以来我国财税体制改革回顾与展望[J].财政监督,2024,(16):5-12.

前言

在之前的博客里，我曾对当时最为流行的两个 AI 对话网页项目 ——ChatGPT-Next-web 与 Lobechat 进行了总结。诚然，这两个项目在部署方面极为便捷（能够一键通过 Vercel 启动或借助 Docker 进行部署），无需担忧托管问题，且社区教程文档丰富详实。市面上还有诸如 Chatbox 这般成熟的闭源 AI 对话工具……但终究各有各的缺点：

Next-web 和 Lobechat 终究只是纯前端工具，Nextweb 简洁美观，却在自定义程度上有所欠缺，功能也相对简单；Lobechat 则显得过于臃肿，卡顿现象频发，并且官方近来在商业化进程方面较为激进，还删去了 WebRTC 的同步功能。Chatbox 虽强大，但也存在各种小问题，其同步方式也较为原始。

那么，有没有一款全平台支持，页面好看美观，自定义程度高，社区支持完善的AI对话开源项目呢？

答案是肯定的，它就是我们的——OpenWebUI！

伟大，无需多言。

优点：

• 全平台支持（web也是全平台，同步也方便）
• 页面仿ChatGPT原版设计，好看简洁美观
• 自定义程度高（自定义模型、Tool、Function）
• 社区完善，支持各类插件提示词一键导入

缺点：

• 最大的缺点就是部署在本地对于vps的性能和空间的要求相对较高，剩余内存>2G，硬盘空间>10G
• 似乎不能编辑对话记录

部署教程

1.准备工作

• 一台安装了Docker Compose的VPS
• 推荐安装1Panel或者宝塔面板，方便编辑Docker Compose文件和设置反代

2.开始

• 使用SSH连接到服务器
• 创建一个文件夹，用于存放docker compose文件

mkdir openwebui
cd openwebui
# 创建docker-compose.yml文件
touch docker-compose.yml

实际上这些动作直接用1panel等面板也都是一样的，总之创建一个文件夹然后创建docker-compose.yml并编辑即可。

• docker-compose.yml的文件内容如下：

services:
  open-webui:
    image: ghcr.io/open-webui/open-webui:${WEBUI_DOCKER_TAG-main}
    container_name: open-webui
    volumes:
      - ./data:/app/backend/data
    ports:
      - 8080:8080
    environment:
      - 'WEBUI_SECRET_KEY=123456789'
      # openai 配置
      - 'OPENAI_API_BASE_URL=https://api.openai.com/v1'
      - 'OPENAI_API_KEY=sk-xxxx'
      # 启用openai画图
      - 'ENABLE_IMAGE_GENERATION=true'
      - 'IMAGE_GENERATION_ENGINE=openai'
      # 开启注册登录功能
      - 'WEBUI_AUTH=true'
      - 'ENABLE_SIGNUP=true'
      - 'DEFAULT_USER_ROLE=pending' # 由于我自己没有分享需求，所以注册用户直接选择pending，需要管理员手动激活
      # 模型白名单
      - 'ENABLE_MODEL_FILTER=true'
      - 'MODEL_FILTER_LIST=gpt-3.5-turbo;gpt-4o'
      - 'WEBUI_NAME=OiChat'
      # 默认模型
      - 'DEFAULT_MODELS=gpt-4o' 
    restart: unless-stopped

• 文件修改完保存即可，然后启动服务 (确保在 docker-compose.yml 所在目录下执行)：

docker-compose up -d

之后服务器会自动拉取镜像并启动docker服务，镜像比较大（2个g左右，小水管会比较痛苦），等服务启动后就可以访问了

• 访问 Open-WebUI 服务，地址为：http://你的服务器IP:8080

3.反向代理

1p直接新建网站-反向代理-代理 http://127.0.0.1:8080,然后绑定一下域名证书开启SSL即可（不开也行），宝塔也差不多一个路子。

4.后续更新

# 进入之前创建的文件夹
cd openwebui

# 拉取最新镜像
docker-compose pull

# 重启
docker compose up -d

一、消解悬而未决之事带来的焦虑感

我们经常会对一件悬而未决的事情感到焦虑，这实际上是再正常不过的生理本能，悬而未决意味着风险，意味着可能有不确定性带来的损失，我们的本能自然会驱使着大脑尝试寻找解决办法——如果自己的能力阅历找不到，则会直接导致潜在的焦虑烦躁。

但生活中往往不如意者十之八九，这个世界不可能专门按照某一个人划定的秩序去运转，计划刚有雏形的时候不可能指望决策者和参与者马上敲定，事情不可能有了开头就立马有结局。

我能想到的解决方案：

• 做事之前就想想自己的损失底线在哪，风险和相对的利润空间是否匹配？多做一些预案，尽人事之后方能听天命。
• 不理会自己介入不了的事情，最多只是等待一个结果（从源头减少需要考量的事情）
• 提高自己的洞察力与预判能力（能够根据手上现有的信息和过去的经验，对未来做一个相对可控可信的预判，压缩未来决策和执行过程中的不确定性和与之相伴的风险成本）

如何提高自己的洞察力和预判能力又是一门深奥的学科了。终归需要博学而笃志，切问而近思，权力来源于信息，不断提高自己手上信息的深度和广度，然后多做一些预判的训练，及时修正自己的认知框架，洞察力自然会逐渐提高。

洞察力实际上代表着我们拟合世界的能力，洞察力越强，对于未来的拟合能力越强，一些判断也会越接近事情未来真实的走向。

二、时间窗口与周期性

Weekly通讯第六期里讲了一个奥弗顿窗口的概念，大意是一个政治议题是否能被大众接受存在一个时间的窗口期，可能你这个时候不推动的话未来很长一段时间就都不会有这样的机会了。不仅仅是政治议题，基本上所有的社会活动均有其窗口期。继续把视角拉长，历史和现在实际上表现为大周期叠加小周期，大窗口叠加小窗口。产业趋势叠加资本周期，使得任何产业都有其周期性规律，传统资源产业是如此，科技产业亦非例外。大周期实际上是一个存在连续性的整体。所以，在判断一个产业当前的发展周期，首先必然是要拉长时间维度，对其过去的产业周期做一个定调，再来根据现有表现做出最新的周期判断。

全中国乃至全世界有潜力的小孩太多了，都知道自己有天赋有潜力，但现在是下行周期，世界实际上没有那么多把潜力兑换成实力，把实力兑换成成就，把成就兑换成钱的空间。现在很多场景就是处在零和博弈的困境下面，这个是目前基本没有办法去解决的，我们作为芸芸众生的一份子除了直接开躺外没有办法跳出这个循环。

此外，就像我之前一直讲的，世界是一个巨大的混沌模型，开展宏观一点的演算还可以抓住几个关键变量去搞判断，而短期内变量就太多太复杂，一般人很难去拟合出一个真的符合未来走向的结果。

三、从结婚不需要户口本看未来社会的原子化趋势

8月13日有一条新闻，《婚姻登记条例（修订草案征求意见稿）》在民政部网站全文公布并公开向社会征求意见，结婚登记和离婚登记都不再需要户口簿。

这种变化与我国传统家庭结构的演变历程密切相关。我国传统社会的家庭结构最初是 “宗族式” 社会，皇权不下乡，基层社会治理依靠乡绅和宗族自治。后来工业化、城镇化浪潮冲破了传统的乡野文化，传统社会结构和社群纽带不断被削弱，随着工作方式的灵活化和流动性增加，人们不再局限于一个固定的社群或地点生活和工作，大量新市民组成了更小的家庭，也就是我们现在一般认知中的 “Family”（father and mother, I love you，天然的最小单位就是三个人，加上父母就是七人）。

在高速现代化和独生子女政策的加持下，随着人们生活水平的提高和医疗条件的改善，老人的寿命延长，此阶段的家庭结构主要表现为“1+2+4”的特征，即一个孩子，两位大人，四个老人，相信这也是绝大多数独生子女家庭最熟悉的结构。

那么，现在乃至于未来呢？结婚不需要户口本又代表一种什么样的趋势呢？

户口本起源于改革开放前的城乡户籍制度，在家庭设计中本质上是承认“上一辈一家之主的权力”。在传统的家庭结构中，户口本的所有者（父母）天然且正当的被赋予了决定子女未来户口迁移，乃至于同意是否结婚、和谁结婚的权力。尽管在现实操作中这一权力会被社会道德、亲朋关系乃至于子女本身所抑制，但终究是一种制度性的权力分配。这一分配模式伴随着千禧年后中国的进一步工业化城市化已经愈发显得不合时宜，将个体的命运过度与原生家庭的决策紧密捆绑，这本质上不符合现代化的发展方向。

从社会学理论框架审视，户口本及其背后代表的户籍制度，不仅仅是家庭结构和社会权力分配的体现，更是宏观社会结构与变迁的缩影。功能主义理论认为户籍制度如社会机器中的关键框架，维持社会秩序稳定，通过城乡价值输送来配置资源，在计划经济背景下有效控制人口规模，保障工农现代化的劳动力需求配置。但在改革开放资源由市场配置，那么城乡二元分化的户籍制度就形成了系统性的社会不平等。城市居民与农村居民在教育、医疗、就业机会等方面的显著差异，实质上是对社会资源的不公平分配。

从经济基础角度，城市化进程中的人口流动也导致跨地域的家庭分离，高房价高生活成本使得年轻一代难以负担大家庭的生活开支等因素使得子女同父母分开的经济社会因素已经成熟。而现在结婚不需要户口本，代表着中国从顶层制度设计上剥夺了户口本户主对于子女婚姻的决定权，这从制度方面推动了更小家庭结构的产生（从 “1+2+4” 过渡到 “1+2” 乃至于 “0+2”）。

经济基础与上层建筑共同作用，未来社会小家庭、无家庭化和个体原子化已成为大势所趋。对户口本和背后户籍制度权力结构的松绑反映的是中国现代化进程中经济与社会结构的转型，也是对个体主义的一种制度性回应。未来劳动力乃至性资源的配置如何设计，如何改革都需要进一步在实践中得到检验。

摘录

• 男儿立志出乡关，学不成名死不还。埋骨何须桑梓地，人生无处不青山。 向教员致敬
• 为什么长期项目胜过短期项目： （1）这个世界上，大多数人都在玩短期游戏。如果你玩长期游戏，你会因此获得优势。 （2）这是因为，如果你做其他人正在做的事情，回报应该跟其他人差不多，只能保证你获得平均结果，除非你很幸运。 （3）要想获得高于其他人的回报，你要么做不同的事情，要么以不同的方式做事。 （4）选择很少人玩的长期游戏，你更容易获得高于其他人的回报。这不是因为它更简单，事实上它更困难，但是你每天都投入去做困难的事情，会使得明天变得更容易。 （5）长期游戏最困难的地方是第一步。你必须愿意承受当前的痛苦，才能让明天变得更容易一点。 （6）在长期游戏中，你每天只能创造出一点微小的优势，它不明显但不意味着不存在。 （7）你不能在所有事情上都进行长期游戏。你需要选择对你来说重要的事情，做一个长期规划，然后长期投入。
• 王传福多年前关于造车的一句话给了我很大的勇气。 他说很多企业因为不了解，会把技术想象到令人畏惧的高度，这种畏惧正是对手给后来者营造了一种产业恐吓。他们不断地告诉你做不成，投入很大，研发很难，直到你放弃。其实你解决不了的不是因为你没有能力，而是你缺乏勇气。 来源于雷军的年度演讲
• 以太坊创始人之一的 Vitalik Buterin 在2017年曾经提出，区块链存在三难困境：无法同时实现去中心化、可扩展性和安全性。

原来都是在vps上用docker部署的RSSHUB，这两天突然发现居然Vercel也能部署RSSHUB，太神奇了。

虽然不像其他能vercel一键部署的项目那样，但实际操作流程也很简单：

一、正式部署流程

1.Fork这个仓库： https://github.com/DIYgod/RSSHub

如果像其他项目，Fork之后直接去Vercel导入即可，但是RSSHub的master分支是没办法直接部署的，bug一直都没修，所以我们必须要切换到legacy分支。

2.将仓库切换到legacy分支

Fork仓库后，在自己账号里被fork的仓库中打开“Setting”设置，于“General”的“Default branch”中将默认的分支从master选为legacy即可。

“Switch default branch to another branch”

3.Vercel部署

部署流程就跟其他的项目没啥差别，去Vercel导入后一路点点点就行。

完成后记得绑定一个自己的域名，Vercel自带的域名国内是没办法直连的。

二、信源选取

毕竟我使用RSS的目的就是主动的获取信息而非平台的算法推送，主打的就是一手高质量信源和多合一信息聚合带来的便利。

以下列表是我截止到2024年8月18日订阅的几乎全部RSS信源，其中微信公众号大部分仍未完成迁移，B站订阅反爬限制严格没办法。这一套下来每天接收到的RSS推送大概一共200-400条，需要看一遍的大概60-80条，信息密度还行。

• 大模型
  • 贯一智能科技
  • 鹤啸九天
  • 机器之心、量子位、新智元三大ai“顶刊”、极客公园
• 技术
  • 极客湾
  • 阮一峰的网络日志
  • 少数派
• 金融信息
  • 财联社
  • 东方财富网—策略报告
  • 国家金融与发展实验室
  • 港股研究社
  • 海豚投研
  • 镜像娱乐
  • 美股研究社
  • 远川研究所
  • 36氪-产品观察
• 微信订阅号(RSS)
  • 甲子光年
  • 清华大学国际与地区研究院
  • 晚点LatePost
  • 新潮沉思录
• 新闻
  • 联合早报-东南亚、国际、中港台
  • 半岛电视台
  • 格隆汇

这篇小作文也勉强可以算是我迟来的20岁生日感想吧，距离我写下《十八岁-未济与求索》的生日感想不过区区两年，心态、见识却变化了太多。

1517年的深秋，马丁·路德终于做好了最后的思想准备，将《九十五条论纲》贴在了德国维滕堡城堡教堂的大门上，轰轰烈烈的宗教改革运动就此开始，曾经不可一世的教会教皇逐渐会意识到世俗的权力必定会高于上帝，或者说上帝忠实的代理——教权。

伴随着宗教改革启蒙运动的大潮，中世纪末教权走向全面瓦解，其背后的基督教意识形态也不可避免的走向解体，科学理性和道德理性先后从基督教意识形态母体中剥离开来，在后期的实践中走向了分离。从伽利略到牛爵爷再到半统数学教科书的符号江山欧拉，以科学为核心的思维被从基督教体系中分离出来，形成了以数学和物理学为核心的科学理性体系。

由此，恺撒的物当归给恺撒，上帝的物当归给上帝，凡人的权柄也当握在凡人手中，科学和理性成为现代价值观的基础，在信用的基础上逐渐演化出现代社会的庞大结构。信用贴现机制让我们得以通过投资亦或者是消费部门的杠杆来将未来的收益（增长）转移到当期（当下），利用带有预期正面收益的资产作为抵押物，分享预期的未来收益，虚空制造当期的额货币供应量，最终在本期经济循环中消费了未来的收益。

这就是构建在数理逻辑上的现代信用社会的绝妙之处，繁杂的金融工具创造了近乎无限的财富。我们围绕着市场形成了一整套的民族国家的政治观念与资本主义法权观念，围绕其建立高效率的社会组织体系，并创建一整套以自由民主平等政治为核心的价值理念，而这个过程并不需要道德理性，只需要基于各方利益精算的政治经济哲学。

这套体系看似完美无缺，也难怪福山老师会在苏联解体之后写出《历史的终结》。

在福山老师看来，将各个层级和各个板块的权力制衡做到极致，所有的政治角色没有任何一个尼采哲学意义上的超人存在，这便是人类终极的乌托邦与理想国，代表着人类在政治哲学上的演化已经走到了尽头。

当然，后面发生的事我们也都知道了。

从中华帝国的皇帝再到高居于白宫的总统，从来都不存在所谓的昭昭天命，秩序本身的建立者正在推动毁灭这一秩序和虚假的天命，曾经的反叛者居然在在所谓的普世价值观下形成的秩序中扮演者受益者和捍卫者的角色。

市场经济和资本主义模式的优势之一就在于其自发的会产生一套激励模式，但这并非是鸟语花香的和平竞争，而是一旦失败就万劫不复的生死竞速。尤其是在当前世界增量严重不足，而存量的争夺也愈发急切的情况下，和平共存的空间越来越少，你死我活的竞争越来越多。

危机会被当下的零和博弈激化，但从更长远的历史走向来看，危机也是一种必然。

多年以后，我们该如何定义2020年这个特殊的时间节点，如何定义从2020年开始的，全球矛盾显著激化的这一段特殊时期呢？

一个可能合适的形容词便是“大争之世”。

瘟疫大流行固然吓人，但其好处是让很大一部分人明白了一个道理——每个人都不天然是这个世界的一部分，世界不认识大多数人。祖逖在南下的惶恐中终于认识到了这个残酷的事实，才最终明白剑与火的回应是这个世界唯一看得懂的表情，暴力是这个世界永恒的底色。鲜花向来都停止不了战争，只能作为停战之后的装饰品慰藉人心。

从古老的边疆区到北方的大城，幸存者们仓皇而行，残酷的屠灭已经从童年开始。从文明最北边的白令海峡到最南边的好望角，所谓的承平日久和世界村更像是建立在信用贴现工具和第三世界丧失话语权下的一种虚假繁荣，是一代年轻人已经被大麻和廉价色情所谋杀后的幻想。

历史的终结，让世界无路可去。最好的制度，让人抱残守缺。政治正确，让天下离心离德。披着自由主义皮的世界市场实际上是在分享着跨国公司主导的全球化之下的赃物转移。

我在纪念十八岁生日的博文中如此写到：

易经以乾坤两卦开始，最后一卦却是 “未济”。

何为 “未济”？孔夫子作的《序卦传》说，“物不可穷也，故受之以未济终焉。” 易经六十四卦到了既济这一卦，乾坤或几乎息矣。矛盾似乎消失，斗争已然停止 —— 但是唯物辩证法告诉我们，矛盾永远不会消失，“物不可穷”，因此既济之后还会有未济，事物矛盾的变化没有穷尽。

世界瞬息万变，矛盾亘古不变。

在唯物史观视角下，矛盾贯穿于历史的场合之中，旧有的矛盾消失了，新的矛盾业已产生，历史的发展正是在接连不断的矛盾的被解决之中波浪化地前进。于是乎，我们，我们之前的我们和我们之后的我们，都被视作了一条绵延不绝的历史展开的一个过程，一个片段。

在这里，不会有"历史的终结"，甚至都不能被视作辉格史观下的高歌猛进，乐观主义的坦途。因为它有低潮，有倒退，有曲折，甚至有可能崩溃。中国的发展道路，总是在巨大的张力下行进，作为替代资本主义的现代性的第二条道路，不可能是坦途和一帆风顺。

我们常常感叹历史总是在重复，祖逖以剑与火在北方建功立业，终究保的是皇帝的太平；李闯将闯王在陕西中原出生入死，不会妨碍江南的士绅糜烂涂地。历史终归不是非黑即白的，这一抹精致的灰夹杂着太多的妥协与人性的复杂。千百年后，我们还会赞叹闻鸡起舞，击楫中流的英雄豪气。我们也会感叹六朝何事，只成门户私计。可我们不也一样觉得名士风流，古今绝唱吗？我们不好指责什么，只能希望，享受英雄遗泽的人们不要太早辜负了这一切努力。

二十年前的我们是孤独的，那时能支撑下来的只有伟人丰厚的文化经济遗产与锐意改革之后凝聚的共识，只有已经逝去的和将要逝去的，只有在荒原上的夜行本身。新的纪元大概是已经要到来了，但向前看只有一片混沌。当时的我们并不知道这份混沌究竟会通向何处，更不知道这样的混沌会持续多长时间，抵抗这种混沌只是一种本能，我们甚至不知道这种本能是从哪里继承而来的。在这片混沌前似乎之前所有的上层建筑都是废纸，唯有混沌本身才是真正的应许之地。

在《前进，达瓦里希》让北方帝国的遗老唏嘘不已的时候，我们只是凭借本能知道，这个东西讲的并不是什么苏联。

二十年后的我们依然孤独，但这种孤独和二十年前是不一样的，这是一种自我选择自我扬弃后的孤独，是黑夜中不断加快的脚步，是兴亡载覆峥嵘之后的启航，是亘古一片月之下的万化兴衰——是终会看到麋鹿角解，鲜花满枝。

一、不要随意的做出预言和定论

很多营销号和所谓的经济学家经常喜欢渲染一个或者多个时间节点，来营造一种史诗感来彰显自己的专业，提纯粉丝和造神，通常这种我看到一个屏蔽一个，实在是污染互联网。

归根结底，经济学和其他所有的社会科学一样都是一种归纳性的学问，舆论场上很多人却总喜欢把经济学/金融学当成是什么有前瞻性的预言类学问，实在是荒谬至极。它都预言了，还能叫科学吗？

实际上经济学家看不懂才是常态，大家都是在对过往知识数据的归纳基础上尽力拟合出现实世界未来的走向，这只是未来无限可能性中的其中一条。

偏偏又有许多所谓的经济学学者会迎合媒体的要求，发表一些毫无根据的预言和判断，才强化了这种偏见。于是好好的一门归纳总结的正经社会学科，被整成了神神叨叨的命理学了。

对于我自己来讲，我极其的厌恶所谓的神棍式“预言”，我们没办法准确的预知世界的走向，只能不断地逼近去拟合，就好像是我们永远没办法知道圆周率准确是多少，但我们可以不断的求圆周率的后小数位一直逼近到极限。

但是他妈的现实世界太复杂变量太多了，混沌模型导致我们只能懵懵懂懂的揣测大致的走向，更具体的拟合谁都不好说

二、从赌王之子看努力的回报预期

星竞威武集团于 2024 年 7 月 26 日在美国纳斯达克交易所正式敲钟上市，成为“中国电竞第一股”。其董事长兼联席 CEO 为何猷君，何猷君出生于 1995 年，被纳斯达克副主席称为“亚洲最年轻的纳斯达克上市公司创始人”。

当然，我在这里不是想继续复读鸡汤或者嘲讽人家是赌王之子的，而是想探讨一下不同人群的激励机制和“回报预期”。

我们经常能听到各种富二代的励志故事，例如xx凌晨还泡在哈佛图书馆……是否有可能，对于他们来讲成功的路径是相对清晰的，回报也是相对可以被测定且有人替他们兜底？

我们都知道权威来源于认可，权力来源于信息。这种贵族阶层可以掌握更高质量的信息，因此在投资决策中自然相较于普通人居于优势地位，所以他们努力奋斗的回报预期也相对明朗——毕竟从小就受到的商业教育会告诉他这样做大概率会赚钱，哪怕亏了家里人也可以兜底。而更为底层的普通人则没有这个教育环境和信息，他们的回报预期就更可能是“考上这所大学未来就xx”，自然没办法做出更长远的规划。

我想了想还是不能这么讲，毕竟世界上多的是混吃混喝等死的富二代和鱼跃龙门的普通人，只能作为一种参考观点。

三、奥弗顿窗口

奥弗顿窗口（Overton Window）是一个政治学概念，由美国政策分析师约瑟夫·P·奥弗顿（Joseph P. Overton）提出。大意是在特定的时间段内存在一个公众能够接受的政治思想、政策提议或社会变革的范围窗口。在这个窗口内的观点被视为主流或至少是可以讨论的，而窗口外的观点则被认为是极端的、非主流的，很难在公共讨论或政治议程中获得认真考虑。

奥弗顿窗口不是固定不变的，它可以随着时间、政治环境的变化、舆论领袖的言论、媒体的报道以及突发事件等因素逐渐移动。当公众对某个议题的态度发生变化时，原本被视为极端的观点可能逐渐被接纳，进入可接受的讨论范围，反之亦然。

简单来说，奥弗顿窗口定义了公众认知中“可接受”的政治观念谱，从极为自由到极为保守

最近的例子就是前几年经济形势还好，那么左派lgbt的相关议题政策就比较多；但疫情后世界经济进入困境，大家集体右转，保守势力重新掌权，那么这个阶段就可以被视为左翼议题窗口期已经过去。

四、为死亡定价

经济是一个抽象的概念，或许是一个真实的抽象，但终究是一个抽象，是一系列思想、概念和统计数据的集合，它们通常聚合了真实的人和事物，以及实际的生产和再生产网络。

我经常感叹道资本主义好就好在它可以为万物“定价”，一切都是可以被量化定价去衡量的——当然也包括生命。社会统计数据告诉我们全世界包括富裕国家在内，因忽视和缺乏治疗而死亡的人数以百万计，而许多现代官僚机构在分配资源时，也会习惯性地权衡生命与死亡的概率和成本。世界各地每天都有工人为了替雇主节省开支而置身于致命风险之中。当我们评估药物开发、工作场所安全措施的成本，分配医院床位，或衡量污染减排的价值时，我们实际上是在为生命的价值定价。

是的，虽然我们很可能会直接回避“为生命定价”，但是我们庞大的生产结构不会自己骗自己，将出生和死亡纳入经济计算是不可避免的。

尽管对特定人类生命的价值进行评估是不可能的，但经济学家已经发展出评估‘统计生命’价值的技术；即衡量人们为了降低死亡或疾病风险愿意付出多少。

在美国，定期调查发现，工人愿意接受约 1,000 美元的减薪，以将工作场所的死亡概率降低万分之一。根据经济学家的逻辑，这意味着在一个拥有 10,000 名员工的大公司中，员工们愿意支付 1,000 万美元来挽救一条生命。这就是所谓的统计生命价值（VSL）的由来。1,000 万美元的数值被美国卫生与公众服务部（HHS）、美国环境保护署和美国交通部所接受。世界银行在其成本效益分析中使用 380 万美元的 VSL。OECD则对欧洲人应用 360 万美元的VSL。在中国，我跳大神地认为VSL应该在300-700万（rmb）左右。

注意，VSL存在极大的局限性，它并非任何人在拥有无限预算时愿意支付以挽救生命的金额，也不是我们实际从有限资源中支付的数额。它是一种从低成本选择中推导出的集体衡量标准。由于缺乏更好的替代方案，VSL 估算仍被使用，其优点在于简单且平等。

言论

• 谁能掌握过去的定义权，谁就能掌握现在的解释权，谁就能对未来施加影响。
• 团结，是需要代价的
• 我们之所以强大，并不是因为在现有规则下不存在阴影，而是我们永远不能让阴影行走于阳光之下
• 自上而下的能力非标且难以复制，被认为是资管行业的稀缺资源，其背后常常是经年累月的经验以及不断的自我否定。沉迷于赛道之中会对世界上正在发生的变化变得迟钝，那不妨站得更高一些。可以在自己的投资框架中引入越来越多的宏观因子和慢变量，逐渐形成重行业选择的投资风格。
• 政治的艺术在于妥协，妥协的基础在于互相威胁。成功的政策背后是成功的协商和妥协，而不是机械的命令与执行。所以理解利益冲突，理解协调和解决机制，是理解政策的基础。
• 巴黎真的不愧是巴黎。哪怕它扒手遍地，河流大肠杆菌超标，小巷深处藏着住街的带狗猛男，桥洞中人才济济土方凶猛，但永远有一个如梦如幻的倩影潜伏在所有人的心中，能在恰当的时候给所有的瑕疵及时带上滤镜。