leek (@leek_chn) profile picture
Joined September 2024
Photo by leek (@leek_chn)
eqn.news/api#catalog 方程式大善人,之前十几个群组太麻烦了,自己写的监控信号不够好,噪音多,自己优化一通效果还是不够好,最后一看,可以愉快的加入bark了。
31
145
8
882
101,953
交易者应该养成4个习惯: 入场前先确定止损。 不因为亏损而随意加仓。 不在震荡行情里强求趋势利润。 不做计划之外的交易。 能控制自己的人,才有资格谈控制账户。
24
4
41
1,582
恐慌中要建仓 迟疑中要淡定 上涨中要安静 主升浪中要宁静 人声鼎沸时要卖出 周而复始 循环往复 大道至简 这才是真正的买卖高手 衡量一下还有哪几步没做到位
11
39
1
193
9,771
leek retweeted
今晚别刷Netflix了。 去看这个SpaceX AI工程师1小时的课程。 这是我见过最清晰、端到端讲透GrokBot到底该怎么真正用起来的课。 从单agent开始,一路到loop、graph、多智能体协作、verification和agent-friendly架构。 不管你是从没认真跑过agent,还是已经天天在用GrokBot,看完都会把很多“原来如此”的点一次打通。 真正核心就这几层: 1. 99%的人只用1个agent,没用loop和graph,只发挥了1%实力 2. 真正的新stack是Chief of Staff + PM + 20+ workers全自主团队 3. 怎么用高质量skills让agent像真工程师一样干活(pstack) 4. 怎么把代码和架构改成agent-friendly(Dune、contract、CI) 5. 怎么用verification让自己真正敢把活交给它们,而不是一直盯着 大多数人花好几个月才拼出的全景图,这节课直接给你画完。 把时间空出来,这可能是你这个月最值的一堂课。
138
460
24
2,598
229,960
暴跌时怎么自己判断是不是底:VIX、Put/Call、Gamma、空头、资金流放在一起看 费城半导体指数从6月22日的高点跌了26%,CNN恐惧贪婪指数10月23日只有21,AAII散户看空比例升到45.8%。可10月23日VIX只收19.45,股票期权Put/Call只有0.67,标普500还有57%的成分股站在200日均线上方。情绪已经很恐慌,指数层面的投降却还没出现。$SOXX $QQQ $SPY $NVDA $MU 这就是暴跌时最容易犯错的地方:只看一个指标,就喊见底或者喊崩盘。下面把五类数据拆开,每一类写清楚去哪个网站看、看哪个数、多少算极端。 一、VIX:恐慌有没有扩散到整个指数 去哪看:Cboe官网VIX页面,或者任何行情软件搜VIX、VIX3M、VXN。 看哪个数:VIX是标普500未来约30天的隐含波动率,VXN对应纳斯达克100。再看VIX除以VIX3M,大于1说明短期恐慌已经比三个月预期更贵,期限结构倒挂。 多少算极端:VIX长期均值大约在19到20之间。30以上算明显紧张,40以上属于极端。9月20日我写过,Cboe统计过,当VIX收盘超过40以后,S&P 500未来一年平均回报大约+33%;超过35约+28%;超过30约+23%。但同一篇里我也提醒过,2008年VIX第一次突破40以后市场还能继续跌,2020年最终冲过80。 现在的位置:10月23日VIX 19.45,VIX3M 20.48,比值约0.95,没有倒挂。今年3月那轮下跌,VIX收盘最高也只有31.05。VXN同日28.30,比VIX高出接近9个点。10月24日我写过,不能简单用VIX不到20,就判断市场没有风险;如果VXN开始下降,但 $SOXX 仍然持续创新低,不能直接当成底部确认。 二、Put/Call:先分清是哪一个比值 去哪看:Cboe Daily Market Statistics,每个交易日收盘后更新,第二天看到前一天的数。 看哪个数:Total、Index、Equity三个口径差别很大。指数期权以机构对冲为主,Index比值长期在1左右很正常;股票期权以散户买Call为主,Equity比值平时只有0.5到0.6。判断散户情绪,主要看Equity。 多少算极端:Equity Put/Call升到0.8到1.0以上,历史上多出现在急跌末段;跌到0.5以下说明追涨情绪过热。这个区间请当参考,不当买卖信号。 现在的位置:10月23日Total 0.93,Index 1.10,Equity 0.67。按第三方统计,0.67已经高于过去一年86%的交易日,但离0.8到1.0还有距离。8月底我写过:Options Flow + OI变化 + IV + 股价位置 + 成交量一起看。期权不是水晶球。 三、Gamma:下跌会不会被做市商放大 去哪看:SqueezeMetrics的免费页面可以看GEX和DIX;SpotGamma、Unusual Whales有更细的分行权价数据,部分功能收费。 看哪个数:净Gamma是正还是负,以及指数离Gamma翻转位置有多远。净Gamma为负时,做市商下跌中卖、上涨中买,波动会被放大;回到正Gamma之后,波动通常会被压住。 多少算极端:Gamma没有统一的极端阈值,看方向和距离更有用。SqueezeMetrics把DIX高于45%当作暗池买盘偏强的参考,这个阈值来自他们自己的研究,只能当辅助。 怎么用:10月16日期权到期前我写过,$QQQ 期权链模型的净Gamma约为负65亿美元每1%变动。同一篇我也写了,公开持仓量无法直接证明做市商真实仓位方向,这些都属于模型估算。所以Gamma只回答一个问题:现在的下跌会不会跌得更快,它回答不了底在哪里。 四、空头兴趣:有没有燃料,有没有点火 去哪看:FINRA和Nasdaq的Short Interest是官方数据,每月公布两次,滞后一周多;Fintel、ORTEX、IBorrowDesk看借券费和可借数量,更接近实时。 看哪个数:Short % of Float、Days to Cover、Borrow Fee。空头占流通盘超过10%算偏高,超过20%属于拥挤;Days to Cover超过5天,回补需要的时间就很长。 一个常见坑:8月底我写过,Short Sale Volume ≠ Short Interest。每天空头成交量高,不等于净空头仓位同样多。 和判底的关系:底部附近常见的组合是空头仓位已经很重,价格却不再创新低。9月我写过,空头多只是燃料,价格开始涨才是点火。10月16日我也写过,连续跌了这么多天,华尔街居然连一轮像样的空头回补都没有出现。没有回补,就说明这轮下跌更多是多头自己在撤。 五、资金流和情绪:钱有没有回来 去哪看:ETF.com看ETF资金流,重点看 $SOXX $SMH 是持续流出还是开始回流;AAII每周四公布散户情绪调查;CNN Fear & Greed看综合情绪;NAAIM看专业经理人仓位;Barchart或StockCharts看标普500站上200日均线的股票比例。 多少算极端: AAII看空比例历史均值31.5%,超过50%算极端,2009年3月曾到70%以上。 CNN Fear & Greed低于25是极度恐惧,低于10很少见。 标普500站上200日均线的比例跌到20%以下,属于普跌式出清。 现在的位置:AAII看空45.8%,接近但没到50%;Fear & Greed 21,在极度恐惧区;NAAIM经理人仓位反而升到87.7;200日均线以上的比例还有57%。散户害怕,专业资金仓位不低,多数股票也没被砸穿。 8月底那篇资金流向的帖子里我写过:这是一天的反弹,还是资金已经连续几周开始往这个方向搬家?判底也是同一个问题,只是方向反过来。 把五类数据放在一起 可以把它变成一张清单: VIX是否冲上30以上,或者VIX/VIX3M大于1; Equity Put/Call是否升到0.8以上; Gamma是否从负转正,指数是否收复翻转位置; 空头仓位是否高企,同时价格停止创新低; ETF资金是否从流出转为连续流入,AAII看空是否超过50%后开始回落。 满足一两条,只能算超跌;四五条同时出现,才接近历史上那种投降式底部。按10月23日的数据,只有情绪这一项到了极端,波动率、期权、广度都还没到位。恐慌集中在半导体,指数还没有交出筹码。 10月18日我写过,涨得猛烈和真正见底是两回事。真正让我重新提高仓位的,不是一根大阳线,而是市场开始持续证明:此前的抛售压力正在减弱,新增买盘能够承接卖盘。10月16日那篇里我也写过:我宁愿错过最低点,也不愿在真正便宜的价格到来之前,就提前打光所有子弹。 建议收藏,下次暴跌把这五类数据对一遍。 底部猜不出来,钱回来了才算数。
17
66
1
293
23,919
孙宇晨的这个采访反响强烈,但是这个视频最大的Alpha其实是主持人。你难道不好奇,是谁让孙哥瞬间变了一个人,收起薄肌黄毛的嬉皮笑脸,这么严肃认真地输出? 他叫金明 William Joy,圈内叫他仙道。很低调,连 X 账号都没有。但他绝对是一个T0级的人类,我觉得能放到一起对标的大概只有谷爱凌了。他的履历第一眼看离谱到像编的: - 现役自由潜水国家队,世界冠军,两项世界纪录,59 项国家纪录,打破了欧美33年开赛以来对自由潜水所有世界纪录的垄断 - 本科进哈佛学数学计算机,学生时代创业,入驻Harvard Innovation Lab,拿哈佛真理基金投资 - 极链科技创始人,27 岁拿到包括阿里在内的 10 亿元投资 - 湖畔大学四期,最年轻的创一代学员 - 从 2010 年持有特斯拉至今,加拿大持有 Tesla 最早的自然人 - 投资人,掌舵908HOLDING家办,前几天Token2049 Coinbase 全球交易赛获得第三,亚洲第一,为中国队拿到唯一的奖牌 仙道今年7月在本末社群的香港活动上做过一个精彩的压轴演讲,我推荐X上的大家如果没有看过,一定不要错过。覆盖面涉及到投资、卡牌、健康抗衰biohacking、美学、人生哲学、运气、社会责任,信息密度极高。在这个一天薄肌黄毛复读机的时代,已经很少能看到这么有深度+inspiring的内容了。 孙哥对话的视频,我只是2倍速看了一遍而已,仙道的这个视频,我1.5倍速看了两遍,甚至还在不断回去看细节。不要看AI总结,这个视频值得你的时间,看完你会来谢我。
孙宇晨最新深度采访完整版:看空BTC,看空纳指,观望ETH,看好AI应用,不玩A股... 严肃分享了很多市场观点和交易仓位,值得一看 看空BTC。认为比特币面对AI和量子计算的威胁很难全身而退,市场低估了这类风险对 BTC 的潜在冲击。抗量子升级只能救"愿意自救的人",硬分叉冻结老币在比特币的去中心化下几乎不可能达成共识。但是他的BTC是底仓,在过去一年的下跌中并没有减仓。 ETH目前仅2成仓位观望。 在去年 3600–4000 减了八九成的ETH(去年 11–12 月,减持逻辑是 4800 那个"只靠 Tom Lee 续命"的二顶),截至目前仍然没有买回。ETH减仓期间,他增配了美股。 纳指中线"微微看空",看空但还没做空。认为资金抱团太严重,硬件股被炒成软件股,AI 循环融资一出事全出事。美债是所有资金的"母级",现在被权益"子级"吸血,利率必须高才接得到钱,高到一定程度钱又会倒流。芯片短期不排除过剩,像 2000 年的光纤。 AI板块最看好应用。尤其 AI 健康管理(数据采集→挖掘→决策,不用等生病才去医院)。最不看好存储、光模块。一个锚:单一企业市值上限≈美债的一半,所以英伟达顶多再翻 4 倍,而应用层能翻 4 倍以上的机会太多了。明年后年主题会分化。 人民币会走强,美债危机被过度担忧。只要美国还握着 AI(芯片、存储、模型)的终极控制权,美债就不缺买家,"孙悟空跳不出如来佛的手掌心"。 基本没有A股仓位,但会做一些研究。对于A股光模块行情,他的解释是,这一方向能够连接美国AI投资需求,同时中国企业已有一定制造与产业布局,因此容易形成资金集中。所有老登类资产(白酒等)都不看好,新登类资产积极拥抱。 Hyperliquid是本轮周期里重要的新发展。认为美股永续合约为整个行业打开了新的产品空间,DEX 能否挤掉 CEX 取决于美国监管给不给 Uniswap 式豁免。 RWA 空间非常大。波场11月也要大力推美股上链,逻辑同 USDT:给第三世界一个配置美元资产的入口。 推荐书单:安·兰德《源泉》、王小波《黄金时代》、孙学 @justinsuntron @sunyuchentron
157
1,570
124
6,518
671,821
第二期视频一定要看完,最后涉及到的均线的空头排列基本让我重新塑造了一个新的均线体系。 wall-street-skill.com/kline-…
37
46
3
298
48,862
牛逼哥,学了一手随机k线复盘的思路
ICT+PA流动性策略,黄金随机K线复盘(6) 继续用流动性+趋势的方法复盘 寻找趋势的起点,拿超大波段和趋势
117
59
319
54,101
按照孙哥的说法,下一波就是核电经济,如下是 10 只和核电相关产业的股票! 1. $OKLO 通过将反应堆直接放置在数据中心园区旁边,实现 24/7 现场发电,有效构建 AI 经济所需的“本地核电站”。 2. $BE 燃料电池现场电力解决方案,帮助数据中心绕过电网,为 AI 集群提供专用能源,产品积压订单同比激增 250% 至 60 亿美元。 3. $CEG作为 AI 时代的核能基础负荷支柱,与 $MSFT 签订 20 年购电协议,与三哩岛重启挂钩,提供 24/7 无碳电力。 4. $VST AI 的混合动力引擎,结合核能、天然气和储能,与 $META 签订 20 年协议,覆盖三个核电站的 2600 多兆瓦。 5. $GEV 工业供应商,重塑美国电网,提供涡轮机、变压器和硬件,每一轮 AI 驱动的升级周期都依赖这些,积压订单达 1630 亿美元。 6. $VRT AI 计算的基础设施守门人,掌控冷却和电力系统, $NVDA级集群无法运行,第一季度积压订单同比上涨 80% 至约 125 亿美元。 7. $EOSE 针对电网压力下的长时储能解决方案,帮助公用事业公司平滑波动,因为 AI 需求已超过供应。 8. $NEE AI 建设中的清洁能源分支,拥有全国最大的可再生能源开发管道,直接定位于数据中心负载增长。 9. $LEU 美国唯一的 HALEU 燃料来源,使其成为为未来 AI 园区所需模块化反应堆提供动力的关键, backed by ~30 亿美元 DOE 合同。 10. $UUUU 通过将核燃料转变为 AI 时代国家安全资产,保障国内铀供应链。 这里面未来一定会有 10 倍,百倍的标地诞生,如果可以的话,现在大家可以找一些开始埋伏了! 这个帖子是 5 月份写的,现在过去了大概五个月时间。 已经被大家关注的到的有 OKLO、BE、VST 。 剩下的都各有千秋,按照老黄的说法,所有的 AI 基建第一步都是能源,例如 GEV 来说基本上属于是所有核电的基建提供者,再例如说LEU 提供的是唯一的 HALEU。 这些都有机会跑出去,建议都加入自选…… 下一期我来详细分享一下他们之间的侧重点和区别……
按照孙哥的说法,下一波就是核电经济,如下是 10 只和核电相关产业的股票! 1. $OKLO 通过将反应堆直接放置在数据中心园区旁边,实现 24/7 现场发电,有效构建 AI 经济所需的“本地核电站”。 2. $BE 燃料电池现场电力解决方案,帮助数据中心绕过电网,为 AI 集群提供专用能源,产品积压订单同比激增 250% 至 60 亿美元。 3. $CEG 作为 AI 时代的核能基础负荷支柱,与 $MSFT 签订 20 年购电协议,与三哩岛重启挂钩,提供 24/7 无碳电力。 4. $VST AI 的混合动力引擎,结合核能、天然气和储能,与 $META 签订 20 年协议,覆盖三个核电站的 2600 多兆瓦。 5. $GEV 工业供应商,重塑美国电网,提供涡轮机、变压器和硬件,每一轮 AI 驱动的升级周期都依赖这些,积压订单达 1630 亿美元。 6. $VRT AI 计算的基础设施守门人,掌控冷却和电力系统, $NVDA 级集群无法运行,第一季度积压订单同比上涨 80% 至约 125 亿美元。 7. $EOSE 针对电网压力下的长时储能解决方案,帮助公用事业公司平滑波动,因为 AI 需求已超过供应。 8. $NEE AI 建设中的清洁能源分支,拥有全国最大的可再生能源开发管道,直接定位于数据中心负载增长。 9. $LEU 美国唯一的 HALEU 燃料来源,使其成为为未来 AI 园区所需模块化反应堆提供动力的关键, backed by ~30 亿美元 DOE 合同。 10. $UUUU 通过将核燃料转变为 AI 时代国家安全资产,保障国内铀供应链。 这里面未来一定会有 10 倍,百倍的标地诞生,如果可以的话,现在大家可以找一些开始埋伏了!
42
61
2
221
27,725
leek retweeted
生物医药与AI最近很火热,想到了前阵子写的新药研发7步曲。那按照这7步曲来对应一些公司标的: 1️⃣找候选药物: Schrödinger $SDGR 、Evotec 2️⃣临床前验证:在人体试验前做安全性、毒理等验证 Charles River $CRL、昭衍新药 3️⃣准备人体试验申请:临床 CRO 等药代模型、剂量预测、申报数据和资料支持 Certara $CERT 4️⃣~6️⃣ I、II、III 期人体试验 Medpace、IQVIA $IQV、ICON $ICLR、泰格医药 7️⃣ 上市申报 Certara、Veeva(VEEV) 同步生产线:RDM 药明体系、Lonza(LONN,瑞士上市)、Thermo Fisher $TMO
11
12
1
60
9,312
AI Drug Discovery Is Becoming a Bottleneck Trade I get excited when an industry starts going through a real regime change. AI drug discovery (“AIDD”) increasingly looks like one of those moments. Two things are happening: 1/ Upstream: the frontier AI labs are piling in. 2/ Downstream: The supply chain is clearly moving. Supply-chain checks suggest the upstream picks-and-shovels of discovery and early preclinical R&D are starting to feel the increase in experimental volume. DNA → protein → assays → sequencing → automation → preclinical testing Names across that stack include $TWST , @GenScript , $ILMN , $TXG , lab-automation vendors and CROs. $TWST expects triple-digit percentage growth in AI-enabled drug-discovery orders in FY26, and another year of triple-digit order growth in FY27. @GenScript's AIDD business doubled YoY in 1H26. Its current platform advertises industrial-scale validation of 4,000+ designs/day, with integrated sequence-to-data workflows. Our channel checks suggest the ramp is moving even faster: roughly 8,000 designs/day currently, with a path toward ~16,000/day by YE26. --- Why does AI drive more wet-lab demand? 1/ AI makes hypothesis generation almost free → way more shots on goal. The bottleneck is moving from expert-driven design to biological validation. 2/ AI models need continuous experimental feedback — and both good and bad data are useful. Traditionally, only the highest-conviction A+ candidates might get pushed into expensive validation. With AI, even the B/C candidates can be valuable because failed experiments generate training data. @GenScript has said its sequence-to-binding workflow can return data in 4–7 days, and that faster cycle times matter because AI models depend on continuous experimental feedback. @Anthropic is a clean example. @claudeai designed 1,320 protein binders. @adaptyvbio converted those digital sequences into DNA, expressed the proteins and tested binding. Only 354 actually bound. And the 966 failures are not wasted. They are useful negative labels: what does not express, what does not bind, what has poor affinity. Those results help train the next model iteration. 3/ Wet labs are no longer just making drugs. They are making training data. $TWST / @GenScript increasingly look like biological data foundries. $TWST explicitly talks about generating model-ready data from AI-designed sequences. In some workflows, the customer may care less about receiving the physical protein than about getting structured experimental results back into the model. Traditional drug discovery asks: “Does candidate X work?” AI drug discovery also asks: “What can this experiment teach the model?” --- TAM of AIDD If AI is simply a better R&D tool, the relevant spending pool is the $300–400B of annual global pharma R&D. If AI meaningfully increases the number of viable drug programs, the opportunity is larger because it expands downstream demand for DNA synthesis, protein production, assays, and preclinical work. Near term, we can also size demand from AI-company spending. If Anthropic reaches $80B of ARR in 2026 and spends just 1% on AIDD, that alone would imply ~$800M of annual investment. --- Trade setup This is a trade that could have long legs. It’s hard to really stop working until PhaseI/II results (2028+) It smells a lot like the bottleneck trade we just saw in semis: GPUs → HBM → networking → power/cooling. In biology, It basically follows the drug discovery process downstream: AI models → designs → DNA/protein → assays → preclinical capacity. After the upstream picks-and-shovels, animal testing could become the next bottleneck. Monkey prices are already near prior highs and CRO capacity is tight. AIDD pushing more candidates into preclinical development would only add demand. ?? But clinical trials are still the bottleneck? This is the biggest pushback I keep coming back to. No matter how fast discovery becomes, drugs still need to go through preclinical → Phase I → Phase II → Phase III → approval. You still need patients, time and capital. But that doesn’t mean the bottleneck trade won’t work. More viable candidates — especially with higher success rates — still means more demand throughout the development process. And who knows: clinical trials themselves may eventually be optimized by AI. ?? What breaks the trade? Near term, the picks-and-shovels trade breaks if experimental budgets stop growing, AI-generated designs don’t translate into useful wet-lab hits, or capacity catches up too quickly. Longer term, the thesis breaks if AI drugs look great in discovery / Phase I but fail at normal rates in Phase II/III. That is why Phase II matters so much. ?? Milestones Late 2026–2027: first Isomorphic-designed drugs enter human trials; more AI-native programs move into IND-enabling work / tox. 2028–2030: clinical trial results start telling us whether AI-designed drugs actually perform better than conventional drugs. Calling all the "bottleneck bros". :) @jukan05 @zephyr_z9 @aleabitoreddit @ParadisLabs +++ More comprehensive analysis: robonomics.substack.com/p/ai…
97
393
108
1,956
757,087
大多数人还把生物科技当赌场,机会就在这儿。 AI把找药从十年瞎猜,收成了一道数据题。 没有比治病更大的实际问题。 上一波钱进了镐和铲子,芯片、内存、数据中心。 下一波该进用这些算力干活的人。 我宁愿早进去,也不想后面追。 1. $CRSP ,大概54美元。 第一款获批的CRISPR疗法已经在手上。 Casgevy用来治镰状细胞病。 体内基因编辑,有机会一针碰到心脏病。 两个关键催化剂,2026年底前会落地。 2. $SDGR ,大概29美元。 做的是物理加AI的模拟软件,药厂拿它在数字里设计分子。 上季度意外盈利。 新的Bunsen,是用来找药的AI联合科学家。 3. $TEM ,大概85美元。 靠海量多模态临床数据,做AI诊断和精准癌症护理。 收入同比增长22%。 收购Personalis之后,癌症MRD检测也拿进来了。 4. $ABSI ,大概9.6美元。 生成式AI从零设计抗体。 ABS-201对着脱发和子宫内膜异位症。 一期数据是阳性的。 AMD和Oracle是合作方,二期已经启动。 5. $RXRX ,大概3.9美元。 AI映射了超过1万亿个细胞,找药比大药厂更快,也更便宜。 Genentech和Sanofi是伙伴。 Genentech已经从它这儿推进了一个神经科学靶点。
5
51
2
110
13,288
新周期,就要用和之前不一样的视角去看待这个市场。
17
11
4
138
24,000
leek retweeted
关注美股医药板块的可以看看,人工智能药物发现领域duan大美女最新的研究,值得一看。
AI Drug Discovery Is Becoming a Bottleneck Trade I get excited when an industry starts going through a real regime change. AI drug discovery (“AIDD”) increasingly looks like one of those moments. Two things are happening: 1/ Upstream: the frontier AI labs are piling in. 2/ Downstream: The supply chain is clearly moving. Supply-chain checks suggest the upstream picks-and-shovels of discovery and early preclinical R&D are starting to feel the increase in experimental volume. DNA → protein → assays → sequencing → automation → preclinical testing Names across that stack include $TWST , @GenScript , $ILMN , $TXG , lab-automation vendors and CROs. $TWST expects triple-digit percentage growth in AI-enabled drug-discovery orders in FY26, and another year of triple-digit order growth in FY27. @GenScript's AIDD business doubled YoY in 1H26. Its current platform advertises industrial-scale validation of 4,000+ designs/day, with integrated sequence-to-data workflows. Our channel checks suggest the ramp is moving even faster: roughly 8,000 designs/day currently, with a path toward ~16,000/day by YE26. --- Why does AI drive more wet-lab demand? 1/ AI makes hypothesis generation almost free → way more shots on goal. The bottleneck is moving from expert-driven design to biological validation. 2/ AI models need continuous experimental feedback — and both good and bad data are useful. Traditionally, only the highest-conviction A+ candidates might get pushed into expensive validation. With AI, even the B/C candidates can be valuable because failed experiments generate training data. @GenScript has said its sequence-to-binding workflow can return data in 4–7 days, and that faster cycle times matter because AI models depend on continuous experimental feedback. @Anthropic is a clean example. @claudeai designed 1,320 protein binders. @adaptyvbio converted those digital sequences into DNA, expressed the proteins and tested binding. Only 354 actually bound. And the 966 failures are not wasted. They are useful negative labels: what does not express, what does not bind, what has poor affinity. Those results help train the next model iteration. 3/ Wet labs are no longer just making drugs. They are making training data. $TWST / @GenScript increasingly look like biological data foundries. $TWST explicitly talks about generating model-ready data from AI-designed sequences. In some workflows, the customer may care less about receiving the physical protein than about getting structured experimental results back into the model. Traditional drug discovery asks: “Does candidate X work?” AI drug discovery also asks: “What can this experiment teach the model?” --- TAM of AIDD If AI is simply a better R&D tool, the relevant spending pool is the $300–400B of annual global pharma R&D. If AI meaningfully increases the number of viable drug programs, the opportunity is larger because it expands downstream demand for DNA synthesis, protein production, assays, and preclinical work. Near term, we can also size demand from AI-company spending. If Anthropic reaches $80B of ARR in 2026 and spends just 1% on AIDD, that alone would imply ~$800M of annual investment. --- Trade setup This is a trade that could have long legs. It’s hard to really stop working until PhaseI/II results (2028+) It smells a lot like the bottleneck trade we just saw in semis: GPUs → HBM → networking → power/cooling. In biology, It basically follows the drug discovery process downstream: AI models → designs → DNA/protein → assays → preclinical capacity. After the upstream picks-and-shovels, animal testing could become the next bottleneck. Monkey prices are already near prior highs and CRO capacity is tight. AIDD pushing more candidates into preclinical development would only add demand. ?? But clinical trials are still the bottleneck? This is the biggest pushback I keep coming back to. No matter how fast discovery becomes, drugs still need to go through preclinical → Phase I → Phase II → Phase III → approval. You still need patients, time and capital. But that doesn’t mean the bottleneck trade won’t work. More viable candidates — especially with higher success rates — still means more demand throughout the development process. And who knows: clinical trials themselves may eventually be optimized by AI. ?? What breaks the trade? Near term, the picks-and-shovels trade breaks if experimental budgets stop growing, AI-generated designs don’t translate into useful wet-lab hits, or capacity catches up too quickly. Longer term, the thesis breaks if AI drugs look great in discovery / Phase I but fail at normal rates in Phase II/III. That is why Phase II matters so much. ?? Milestones Late 2026–2027: first Isomorphic-designed drugs enter human trials; more AI-native programs move into IND-enabling work / tox. 2028–2030: clinical trial results start telling us whether AI-designed drugs actually perform better than conventional drugs. Calling all the "bottleneck bros". :) @jukan05 @zephyr_z9 @aleabitoreddit @ParadisLabs +++ More comprehensive analysis: robonomics.substack.com/p/ai…
6
22
189
67,281
炒币时会看合约持仓、资金费率和清算分布,做美股,我也会多看一眼期权敞口,以及做市商对冲可能带来的影响。 拿我89买的INTC看了下回放:8月的时候价格一直在跌,而上面110的格子却亮起来了好多;代表做市商可能在这个地方埋伏对冲了大量的仓位;到了9/17果然摸到110了,这些K线上都看不到。而从做市商的GEX Heatmap上就可以很清楚的看到,配合当时的期权敞口分布再看这段走势,就变得十分清晰,现在Heatmap上最亮的节点是在130,后、面继续跟踪它的变化,再和价格反应对照。 数据来自 @Nightwatch_AI 的,做美股合约、期权的建议直接关注,基本每天都有复盘视频可以学习👍
31
32
1
196
34,002
Leopold 的完整更新持仓,包括最新新增头寸 顶级层: • SanDisk $SNDK [多头,28.0%] • Micron $MU [多头,27.5%] 第二层: • Bloom Energy $BE [多头,9.4%] • Taiwan Semiconductor $TSM [多头,6.2%] • Nebius $NBIS [多头,6.1%] 第三层(每项约2-4%): • CoreWeave $CRWV [多头] • Core Scientific $CORZ [多头] • STMicroelectronics $STM [多头] • Applied Digital $APLD [多头] • Riot Platforms $RIOT [多头] • SharonAI Holdings $SHAZ [多头] • IREN $IREN [多头] • Taiyo Yuden [多头] 高风险层(每项约0-0.9%): • CleanSpark $CLSK [多头] • Keel Infrastructure $KEEL [多头] • Solaris Energy Infrastructure $SEI [多头] • WhiteFiber $WYFI [多头] • Bitdeer Technologies $BTDR [多头] • T1 Energy $TE [多头] • Hive Digital Technologies $HIVE [多头] • Babcock & Wilcox $BW [多头] • ProPetro Holding $PUMP [多头] • Vishay Intertechnology $VSH [多头] • Cerebras Systems $CBRS [多头] • Bloom Energy $BE [看涨期权,$44.1M] • Taiwan Semiconductor $TSM [看涨期权,$23.9M] • Infosys $INFY [看跌期权,$5.2M] 新期权押注(9月10-11日,保费约$315M): • AMD $AMD [看涨期权] • Bloom Energy $BE [看涨期权] • CoreWeave $CRWV [看涨期权] • SK Hynix [看涨期权] • SanDisk $SNDK [看涨期权] • Intel $INTC [看涨期权] • Roundhill Memory ETF $DRAM [看涨期权] 私有公司: • Anthropic ~$5B • Fluidstack $830M • Source Foundry $500M • MatX $500M • Physical Intelligence $1B 完全退出: • Nvidia $NVDA [看跌期权] - 完全平仓 • Oracle $ORCL [看跌期权] - 完全平仓 • Broadcom $AVGO [看跌期权] - 完全平仓 • AMD $AMD [看跌期权] - 完全平仓 • Micron $MU [看跌期权] - 完全平仓 • Taiwan Semiconductor $TSM [看跌期权] - 完全平仓 • ASML $ASML [看跌期权] - 完全平仓 • Intel $INTC [看跌期权] - 完全平仓 • Corning $GLW [看跌期权] - 完全平仓 总结:所有半导体对冲头寸已清空。他重新回到了这些内存和计算标的的新看涨期权上。头寸基于其2026年第二季度13F报告,该报告发生在Citadel抛售之前、私人投资报告以及CNBC/FT关于新期权活动的报道
3
25
1
92
19,364
leek retweeted
明天 HOOD Summit 就要开始了,受 @0xminion 老师的启发,简单聊聊我对 Robinhood 上的两个 Launchpad @longdotxyz 和 @ponsdotfamily 的一些粗浅见解。 先说结论:流动性才是 Launchpad 最大的护城河,更深的流动性会让 bundling/控盘变贵,也意味着这些拥有深度流动性的资产更能扛极端波动。Launchpad 下一阶段的竞争,是谁能把原本属于 MEV/套利/做市/细分板块的流动性留住,并把它们变成自身不可复制的资产。LONG 和 PONS 正在采用两种完全不同的方式来致力于做到这一点。 LONG:内化模型,流动性收在自己的产品体系里 1)Fee 转化成池子里的卖墙(Sell Wall/Floor)和金库里的股票 普通 Launchpad 的 Fee 一般是进创作者钱包或拿来做平台币回购,后续的池子里的交易基本就跟这笔钱没关系了。LONG 则把同一笔成交所产生的 Fee 拆分进入两个不同的容器——池子和金库。 池子是干活的库存。 robinhood:0x2e8c31162b855a2ffa90f6f8634643ad6f111e18 /NVDA 这种币股配对盘,买 meme 就是在往池子里塞股票;股票再涨,同一数量 token 能换到的美元也会跟着变厚。 更关键的是手续费侧的更新。LONG 上线初期创作者拿的 Fee 约 1%,币和股票两边都能领,带来的一个缺陷是热门盘容易变成开发者砸盘的单点故障。7 月 26–27 日起,之后新发的配对盘改了默认的 Fee 结构:大约是成交额的 0.1% 量级给创作者、一部分 v4 Hook 会在卖出时买回(手动销毁,计划自动化)、更大的一部分直接锁进 LP。此前,官方还试过贴着现价的 NVDA 加卖墙,现价下方 10–20% 的可吃深度明显变厚,另外还计划把 v4 LP NFT 转进不可变合约。 金库是不干活的储备。Community Vault 把费用里的股票侧费用打到独立地址,不参与换汇,暴跌时不会因为有人卖 meme 就被抽走;meme 那一侧则锁一部分、烧一部分。池子负责让砸盘变贵,金库负责留一笔不跟盘口一起变动的 NVDA/一篮子股票。 这部分的「费用内化」不是让钱进 LONG 公司账户,而是让这个市场自己的地板和社区名下的股票储备随成交变厚。 2)板块职能由自家产品矩阵顶上 除了 robinhood:0x2e8c31162b855a2ffa90f6f8634643ad6f111e18/NVDA、 $MOO/MU 这种常规币股配对盘,指数仓、LongX 3x 杠杆包装等都是 LONG 的产品矩阵,叙事独立、社区独立,但报价资产、复利路径、费用入口都在同一套产品面上。新盘还可以给旗舰金库送股票腿(LONG 500:新股票配对盘的股票费用里切一部分进 robinhood:0x2e8c31162b855a2ffa90f6f8634643ad6f111e18 金库,另切一部分买回销毁新币,LP 复利继续转)。 3)No vamp 复制一个 Bonding Curve 很容易,但复制「已经锁在现价附近的那批 NVDA + 成为这个股票的链上默认盘口」却很难。官方如果再发一个更低费率的工厂吸自己,等于拆自己的库存和路由权。利益绑在一起,就没有动力对自己生态抽血。 PONS:外化模型,专注发行 + 流量入口,职能下放垂直团队 1)只做最大的那一层:发行机器 + 订单流 Pons 已经证明流量入口可以做到很大:链上最大的发行机器之一,单日费用规模一度达到 $6M 以上级别,远超同期市场上的其他 Launchpad。价值捕获路径极垂直:1% Hook 费 → 70% 创作者 / 30% 协议 → 协议份里约 80% 用于回购销毁 robinhood:0x39dbed3a2bd333467115de45665cc57f813c4571 。 下一步如果把做市、Hook 设计、AI 管盘、推理资本、跨股票路由全做进官方产品,会变成和每个垂直团队抢叙事、抢 Token。因此,将这些职能外置才是最理性的:Pons 自己作为发行底层继续收租,垂直板块让已经跑出来的生态伙伴基于自己的发行底层在做一层。 2)生态垂直团队充当独立事业部 基于上一点的分析,Pons 生态中其实已经有好几个垂直团队可以充当他的职能臂,且每一个都能对上一个已经在 Pons 上跑且有自己 Token 的模块: v4 hook 规则市场(防狙击、动态费、arb recapture)→ @Hookrfun $HOOKR AI swarm 锁 bundle、双边做市 → @Moshdottrade $BUN 跨股票 LP、吃波动和错价 → @shroom_network $SHROOM Agent 发行 + 可交易推理额度 → @orbiodotso $ORBIO 职能臂都是独立协议,自己管理自己的金库、销毁、用户和估值叙事逻辑,它们可以各自都长到 100M 以上级别,但不会稀释 Pons 的估值叙事逻辑。Pons 只负责提供槽位和成交,不把它们收成官方产品线。 最终谁会胜出? 按照 @0xminion 老师的说法,两个平台两种模型应该是 Both win,逻辑在于: 内化赢在资产负债表。 LONG 把股票深度、金库、板块币、杠杆包装做成同一套账,复制成本随平台 TVL 的上升而上升。 缺点是:所有创新都要自己做,速度慢;没有明确的平台币,二级市场很难按照发行机器 + 链上股票流动性中枢的叙事逻辑给 LONG 单独定价。这里额外多说一句个人的看法,LONG 大概率是不会发行平台币了, robinhood:0x2e8c31162b855a2ffa90f6f8634643ad6f111e18 就是平台币的角色,这个角度也需要一些时间让市场达成充分共识,一旦市场反应过来了, robinhood:0x2e8c31162b855a2ffa90f6f8634643ad6f111e18 应该也很难像现在这么便宜了。 外化赢在分工和估值切分。 Pons 继续做最大流量入口, robinhood:0x39dbed3a2bd333467115de45665cc57f813c4571 吃总闸门费用;Hook/AI 做市/推理资本市场/跨票路由各自有独立股权故事。 缺点是:伙伴做大了可以换入口,比如 Mosh 自己说过他们的机制能挂在任何 Launchpad 上;协调成本高;Pons 官方一旦自研同类 Hook,就是对伙伴的隐性 Vamp。 所以最终谁会胜出,相信大家自己心里都有答案。最后强烈推荐大家关注 @0xminion 老师,总是走在最前沿的高认知研究员 & Trader,每次看他的推文都受益良多,以上很多内容都是我看他的推文受到的启发,然后结合自己的理解写的,如果有理解不对/不足之处,欢迎老师们多多指教。 cc @Natan_benish @MEADGod
One launchpad internalize liquidity as moat + its sector/function advisory arms. One launchpad externalize liquidity as moat to ecosystem partner + form independent sector/functional partner branches. Both wins I guess
23
27
3
79
34,093
新股蜜雪冰城,差增长空间去验证不满足六门槛,所以股票价格一直跌 cbrs不满足六门槛,股价表现不好。
老铺黄金上市之前就满足了六门槛的条件,正好赶上黄金上涨周期,股价也一直涨。
56
5
64
30,727