继续完善分析框架。 做了以下几件事： 1、以Bcycle的算法为基础，构建了一个基于J线统计的预测方法 2、以Cplan的算法为基础，构建了一个以相关度为参考的预测方法 3、将以上两者的结论作为SKILL分析的一部分依据，为当前持仓作短期和长期的调整指引 Agent太好用了w Token的用量也来到了40+%，期间用了一点点DeepSeek的Token，所以大概已经用了半年份的Token 通过一段 […]

借助Hermes Agent补齐了一块短板。 最近集中做了一件事：构建一个够得上合格线的由Agent驱动的整体分析框架。 框架主要分为3个部分： catfish-research 主要进行宏观基本面的判断 catfish-analy 负责进行单个目标的分析，包括股票、指数、债券、商品等。 catfish-holding 核心，对当前的持有目标进行综合评价   之前保存的财报、K线终于有用 […]

目前可用的国内安装方法，主要解决获取问题。系统是Debian 13   获取Hermes主体： 1git clone https://gitcode.com/GitHub_Trending/he/hermes-agent.git ~/.hermes/hermes-agent 包管理uv，用清华的源： 1export UV_INDEX_URL=https://pypi.tuna.tsing […]

新时代来了，哇酷哇酷起来了w 半年没有更新，但还是做了一些事情。   因为虾类智能体的火热，很多事情和以前大不相同了。   试了一个月MiniMax的虾，MaxClaw，让它做了以下事情： 1、每天从财政部官网获取国债收益率，分析国债收益率曲线 2、周期性获取Bcycle的目标，分析并选股 3、每天总结24小时内影响市场的宏观事件 4、每周对持有目标进行分析和复盘，给出建议 不 […]

将Cplan和Bplan的结论连接起来的功能诞生了 用AI生成的速度真的超级快，如果过去的话大概要写好久，现在只要将想法告诉AI，所讲即所得，伟大的时代w 算法原理很简单：以Cplan的调整单位d为基础，比如下跌50%，则反弹后为1/0.5=100%，第一次投入后反弹一个调整单位1/d的盈利为A，通过计算可得出每下跌一个单位买入的量X，在反弹到上一档后，盈利不低于第一次买入反弹的盈利A。AI总结为 […]

试行国债网格后的结论：不适用 一方面数据量很大，计算时间非常长，以树莓派的算力已经无法在交易时间以外同时完成其他计算和网格计算。另一方面目前的方法不太适合做区间段内的网格，如果超出就无效了，所以需要找出比较稳定的波段，在这个波段下进行网格是比较合适的，也就是要用新方法。 所以把1m级别的网格计算停了，保留了120m的计算。还使用日级别的周期来生成网格。 另一个更新： 因为日和周的买卖区间不太均匀， […]

发现了一个算法的BUG 在网格交易过程中发现，1m级别波动下，一次买卖交易后，至90%位置跌幅的次数变多了。 原因是这样：假设从距离90%跌幅位置4次的位置开始买入，当买入第三次后，涨幅超过了最低涨幅，那么下跌位置将回到0，当下跌继续，超过最低下跌幅度时，会重新计算到90%跌幅位置的买入次数，这样前面的两次买入就游离于算法之外了。 看来是时候重新审视一下Cplan算法了。 与问答AI交流，梳理了一 […]

实际运行了1m和120m的网格交易，也许对国债来说，固定价差的网格交易更合适？ 具体做法如下：当1m的网格到了合适的位置后，先买入2个单位，然后以买入位置为基准上下划定4个固定网格，这样最多是上下4个网格的波动，120m的网格使用固定价差作为网格单位，上下限总长度为日级的一个网格。因为买入位置都在4格以内，从概率上讲90%以上的概率买入次数不会超过4次，如果超过了就拿着不动，进入下一个日级、周级网 […]

继续微小更新。 一、回收FLAG，解决了树莓派死机的问题。找到了死机的原因，一是树莓派的内存耗尽了，通过优化内存回收的方式解决；另一个是树莓派温度过高，增加了一个常驻后台运行的动态测温算法，15分钟一次，根据当前温度动态生成最高温度和最低温度，当温度高于阈值的时候就休息，冷却到低于最低温度的时候再继续进行计算，高低温度差不低于平均温度附近8摄氏度。 因为解决了死机问题，用两个周末扫完了所有的历史数 […]

微小更新。 将所有指数放在一起了，因为有一些指数的存在时间短，所以新增一个“次级指数”的分类；因为目标类型比较多，增加了一个自动选择的方法，选出适合买入的各种日周期、周周期目标，动态形成两个recommend卡片，当日和周周期都适合买入的时候会入选。因为股票类卡片的波动和风险都比较大，所以只有期望值高于当前指数期望的1.5倍时才会入选。 将所有合适目标整合到一起有一个好处，就是能够更直观地比较各类 […]