[BSSD]Deep Learning炒股和写小说差不多 - 未名空间MITBBS历史存档

[BSSD]Deep Learning炒股和写小说差不多# Stock

C*52016-09-02 07:09

1 楼

我所知道的本质上差不多。用的都是一种叫Long-Short Term Memory(LSTM)的神经网络
。写小说无非是学习了一堆哈里波特然后“预测”下一个字，句是啥。然后用输出的字
当输入，迭代就能写出洋洋洒洒一大段。同样的炒股也是学习一堆历史股价数据，然后
试着预测下一个或者下面好多时间点的股价。
如果有空的话我真的可以train个model试一试，但是效果不见得好。Deep Learning入
门并不难，但是要做好需要很多经验，要靠个人修行体会。

m*n2016-09-02 07:09

2 楼

真可以这样，用个写作机写，自动更新，起点岂不是成大神了?

【在 C*****5 的大作中提到】

: 我所知道的本质上差不多。用的都是一种叫Long-Short Term Memory(LSTM)的神经网络
: 。写小说无非是学习了一堆哈里波特然后“预测”下一个字，句是啥。然后用输出的字
: 当输入，迭代就能写出洋洋洒洒一大段。同样的炒股也是学习一堆历史股价数据，然后
: 试着预测下一个或者下面好多时间点的股价。
: 如果有空的话我真的可以train个model试一试，但是效果不见得好。Deep Learning入
: 门并不难，但是要做好需要很多经验，要靠个人修行体会。

C*52016-09-02 07:09

3 楼

问题是学习的效果并不如你想象的好。写着写着就成胡言乱语了。

【在 m*******n 的大作中提到】

: 真可以这样，用个写作机写，自动更新，起点岂不是成大神了?

m*n2016-09-02 07:09

4 楼

小白读者只要多更就高潮，不能deserve更多了。

【在 C*****5 的大作中提到】

: 问题是学习的效果并不如你想象的好。写着写着就成胡言乱语了。

r*e2016-09-02 07:09

5 楼

你先得找股市的feature才有可能learn，问一下股市是多少维的？
[在 CRH1235 (江左没狼) 的大作中提到：]
:我所知道的本质上差不多。用的都是一种叫Long-Short Term Memory(LSTM)的神经网
络。写小说无非是学习了一堆哈里波特然后“预测”下一个字，句是啥。然后用输出的
字当输入，迭代就能写出洋洋洒洒一大段。同样的炒股也是学习一堆历史股价数据，然
后试着预测下一个或者下面好多时间点的股价。
:如果有空的话我真的可以train个model试一试，但是效果不见得好。Deep Learning入
:门并不难，但是要做好需要很多经验，要靠个人修行体会。

l*72016-09-02 07:09

6 楼

一个最基本的问题：为什么需要机器来读写小说？优势在哪？假设一大堆股市序列人都
学不懂，为什么指望机器能为你创造“奇迹”，帮你读懂而且书写？这种期待、并见证
奇迹的目标客观么？

m*n2016-09-02 07:09

7 楼

我记得哪贴过几篇机器生成的，读着还不错，但看得出人工润色过。
为什么需要机器来读写？这个，老邢最需要了，这样就有终极器人了，且不会被真人ID
骂了。

【在 l********7 的大作中提到】

: 一个最基本的问题：为什么需要机器来读写小说？优势在哪？假设一大堆股市序列人都
: 学不懂，为什么指望机器能为你创造“奇迹”，帮你读懂而且书写？这种期待、并见证
: 奇迹的目标客观么？

C*52016-09-02 07:09

8 楼

Deep learning的好处是不需要人工提取feature。
最简单的用收盘价就可以学习了，那input就是个一维（ｎｘ１）的vector（ｎ是时间
），当然这样效果不一定好。讲究点的可以把开盘，收盘，高点，低点，成交量等等一
起当输入，这样输入就是（ｎｘ５）的二位matrix。还有其他的也可以加进去，输入就
是（ｎｘｍ），但是还是二维的。

【在 r*****e 的大作中提到】

: 你先得找股市的feature才有可能learn，问一下股市是多少维的？
: [在 CRH1235 (江左没狼) 的大作中提到：]
: :我所知道的本质上差不多。用的都是一种叫Long-Short Term Memory(LSTM)的神经网
: 络。写小说无非是学习了一堆哈里波特然后“预测”下一个字，句是啥。然后用输出的
: 字当输入，迭代就能写出洋洋洒洒一大段。同样的炒股也是学习一堆历史股价数据，然
: 后试着预测下一个或者下面好多时间点的股价。
: :如果有空的话我真的可以train个model试一试，但是效果不见得好。Deep Learning入
: :门并不难，但是要做好需要很多经验，要靠个人修行体会。

C*52016-09-02 07:09

9 楼

这个简单，打个比方，用前１００分钟的数据作ｉｎｐｕｔ，用第１０１分钟的股价做
ｔａｒｇｅｔ，就可以ｔｒａｉｎ一个根据前１００分钟预测第１０１天股价的ｍｏｄ
ｅｌ。
美股有那么历史成交纪录，用１００分钟的ｓｌｉｄｄｉｎｇ　ｗｉｎｄｏｗ，训练数
据是海量的。而且用第２到第１００分钟的已知股价＋第１０１分钟的预测股价做输入
就可以预测第１０２分钟的股价，这样迭代下去你可以预测地球爆炸那天的股价，当然
越到后面越不靠谱。

【在 l********7 的大作中提到】

: 一个最基本的问题：为什么需要机器来读写小说？优势在哪？假设一大堆股市序列人都
: 学不懂，为什么指望机器能为你创造“奇迹”，帮你读懂而且书写？这种期待、并见证
: 奇迹的目标客观么？

r*e2016-09-02 07:09

10 楼

这是我最不喜欢有人搞dnn的地方，什么feature也不提取，learn出来的是一坨屎
比如语音识别，不用feature learn的狗屁不是，用恰当的feature就用不上几个layer
的dnn了，一般的machine learning就行了
我不否认machine learning的用处，但现在满大街的dnn，扯淡的多
[在 CRH1235 (江左没狼) 的大作中提到：]
:Deep learning的好处是不需要人工提取feature。
:最简单的用收盘价就可以学习了，那input就是个一维（ｎｘ１）的vector（ｎ是时间
:），当然这样效果不一定好。讲究点的可以把开盘，收盘，高点，低点，成交量等等
一起当输入，这样输入就是（ｎｘ５）的二位matrix。还有其他的也可以加进去，输入
就是（ｎｘｍ），但是还是二维的。

C*52016-09-02 07:09

11 楼

根据我的体会，传统ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ的人对ｄｅｅｐ　ｌｅａｒｎ
ｉｎｇ深恶痛绝，毕竟多年修炼的ｆｅａｔｕｒｅ　ｅｎｇｉｎｅｅｒｉｎｇ大法
不稀罕了。一个对ｄｏｍａｉｎ完全不了解的人可以很快捣鼓出性能差不多的ｍｏｄｅ
ｌ。
不过ｄｅｅｐ　ｌｅａｒｎｉｎｇ的ｍｏｄｅｌ计算比较大，传统Ｍａｃｈｉｎｅ　ｌ
ｅａｒｎｉｎｇ用嵌入式系统就能算得用ｄｅｅｐ　ｌｅａｒｎｉｎｇ要送到云里去算
。不过正因为这样咱才要买ｎｖｄａ啊。

layer

【在 r*****e 的大作中提到】

: 这是我最不喜欢有人搞dnn的地方，什么feature也不提取，learn出来的是一坨屎
: 比如语音识别，不用feature learn的狗屁不是，用恰当的feature就用不上几个layer
: 的dnn了，一般的machine learning就行了
: 我不否认machine learning的用处，但现在满大街的dnn，扯淡的多
: [在 CRH1235 (江左没狼) 的大作中提到：]
: :Deep learning的好处是不需要人工提取feature。
: :最简单的用收盘价就可以学习了，那input就是个一维（ｎｘ１）的vector（ｎ是时间
: :），当然这样效果不一定好。讲究点的可以把开盘，收盘，高点，低点，成交量等等
: 一起当输入，这样输入就是（ｎｘ５）的二位matrix。还有其他的也可以加进去，输入
: 就是（ｎｘｍ），但是还是二维的。

r*e2016-09-02 07:09

12 楼

呵呵，大概如此吧
[在 CRH1235 (江左没狼) 的大作中提到：]
:根据我的体会，传统ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ的人对ｄｅｅｐ　ｌｅａｒ
ｎｉｎｇ深恶痛绝，毕竟多年修炼的ｆｅａｔｕｒｅ　ｅｎｇｉｎｅｅｒｉｎｇ大法不
得不稀罕了。一个对ｄｏｍａｉｎ完全不了解的人可以很快捣鼓出性能差不多的ｍｏｄ
ｅｌ。
:不过ｄｅｅｐ　ｌｅａｒｎｉｎｇ的ｍｏｄｅｌ计算比较大，传统Ｍａｃｈｉｎｅ
ｌｅａｒｎｉｎｇ用嵌入式系统就能算得用ｄｅｅｐ　ｌｅａｒｎｉｎｇ要送到云里去
算。不过正因为这样咱才要买ｎｖｄａ啊。
:layer

y*n2016-09-02 07:09

13 楼

股价（包括高低价和成交量）都是结果。你拿一大堆结果去预测下一个结果是没有答案
的。不管是人，还是NN，都没用。
你除非拿经济新闻的参数当input，或许还靠谱些。不过结果肯定和语音和围棋象棋不
一样，因为其他投资者的贪婪或恐慌的情绪很难预测。这种训练出来的算法还是没人敢
用，因为将来的新闻相当有一部分是过去没有发生过的新事物，所以NN算出来的预算是
没用价值的。

C*52016-09-02 07:09

14 楼

也许吧。不过试试才知道。股价在某种程度上还是能预测的吧，要不然街上那么多矿工
是干吗的？

【在 y********n 的大作中提到】

: 股价（包括高低价和成交量）都是结果。你拿一大堆结果去预测下一个结果是没有答案
: 的。不管是人，还是NN，都没用。
: 你除非拿经济新闻的参数当input，或许还靠谱些。不过结果肯定和语音和围棋象棋不
: 一样，因为其他投资者的贪婪或恐慌的情绪很难预测。这种训练出来的算法还是没人敢
: 用，因为将来的新闻相当有一部分是过去没有发生过的新事物，所以NN算出来的预算是
: 没用价值的。

C*52016-09-02 07:09

15 楼

语音的用CNN + RNN组合效果挺好的。识别率可以到99%。

layer

【在 r*****e 的大作中提到】

: 这是我最不喜欢有人搞dnn的地方，什么feature也不提取，learn出来的是一坨屎
: 比如语音识别，不用feature learn的狗屁不是，用恰当的feature就用不上几个layer
: 的dnn了，一般的machine learning就行了
: 我不否认machine learning的用处，但现在满大街的dnn，扯淡的多
: [在 CRH1235 (江左没狼) 的大作中提到：]
: :Deep learning的好处是不需要人工提取feature。
: :最简单的用收盘价就可以学习了，那input就是个一维（ｎｘ１）的vector（ｎ是时间
: :），当然这样效果不一定好。讲究点的可以把开盘，收盘，高点，低点，成交量等等
: 一起当输入，这样输入就是（ｎｘ５）的二位matrix。还有其他的也可以加进去，输入
: 就是（ｎｘｍ），但是还是二维的。

l*n2016-09-02 07:09

16 楼

是啊，真的要做好估计可以写篇论文或申请个专利了：）
刚开始学，感觉black box效果不会好，需要经验和优化，比如说
1. sigmoid （logistic） function 用在股价数据（连续）是否合适？
2. 怎么搭architecture效果更好
3. 怎么tune parameters, 要不要weight decay?
建好模型，data 倒是好多，历史数据，相关股票的信息，把政治因素突发事件考虑进
去都有可能（以前也加过息啊，竞选过总统啊，把那段时间的数据拿来learn一下不就
行了）

【在 C*****5 的大作中提到】

: 我所知道的本质上差不多。用的都是一种叫Long-Short Term Memory(LSTM)的神经网络
: 。写小说无非是学习了一堆哈里波特然后“预测”下一个字，句是啥。然后用输出的字
: 当输入，迭代就能写出洋洋洒洒一大段。同样的炒股也是学习一堆历史股价数据，然后
: 试着预测下一个或者下面好多时间点的股价。
: 如果有空的话我真的可以train个model试一试，但是效果不见得好。Deep Learning入
: 门并不难，但是要做好需要很多经验，要靠个人修行体会。

l*72016-09-02 07:09

17 楼

我理解你对DNN的热情，呵呵。嗯，时间序列的预测都是这类temporal embedding的做
法，具体怎么构建高维矢量，五花八门。
虽然我没做过股票的数据，不知道具体做股价序列预测有多靠谱；但是，我的要点不是
反对DNN可以用来做black－box建模，而是想说，对于高维随机矢量的时间序列建模，
（严格来说）没任何客观证据，表明DNN就是远远超越其他建模技术的银枪银弹。DNN唯
一抓住了大家眼球的，是似乎模拟了人脑神经网络的一种“神奇”技术，而事实远不是
这样。本质上，一个训练好的DNN，就是一个（deterministic）的函数映射，所以更客
观的名称是“人工神经网络”（ANN，Artificial NN），或者更客观点，function
approximator；而如何训练出这样一个最优化的函数映射，来一般性地表达时间序列动
力演化的“所有”模式，就是这类序列学习问题的关键难点（generalization）。凭良
心说，把人脑神经网络简化到这样，能在多大意义上真正“模拟”了人脑的智能呢？也
许可以说，在某些问题上，ANN模仿了人脑的某一个非常狭窄的方面的智能。
如果你用ANN建模，并且多和其他建模技术对比，这里特指时间序列的预测，你可以自
己客观地评判，是否DNN有绝对的优势。据我做论文（图形时间序列和文本序列建模）
的经验，ANN作为一类非线性模型，并不绝对地优于其他“时间”序列模型（比如线性
、贝叶斯动力模型、HMM等等）。所以，在这个意义上，DNN不是银枪银弹，站在商业投
资和应用开发角度，一股（没）脑地强调一项单一的技术（虽然DNN的确很酷），是一
个不客观的hype行为。
我只希望提供个人的经验和观点，可能有很多局限。

【在 C*****5 的大作中提到】

: 这个简单，打个比方，用前１００分钟的数据作ｉｎｐｕｔ，用第１０１分钟的股价做
: ｔａｒｇｅｔ，就可以ｔｒａｉｎ一个根据前１００分钟预测第１０１天股价的ｍｏｄ
: ｅｌ。
: 美股有那么历史成交纪录，用１００分钟的ｓｌｉｄｄｉｎｇ　ｗｉｎｄｏｗ，训练数
: 据是海量的。而且用第２到第１００分钟的已知股价＋第１０１分钟的预测股价做输入
: 就可以预测第１０２分钟的股价，这样迭代下去你可以预测地球爆炸那天的股价，当然
: 越到后面越不靠谱。

l*72016-09-02 07:09

18 楼

传统machine learning里，一个很重要的方向就是NN，而且NN的基本原理就是和特征自
动提取相吻合的。这个在Hinton最早的一篇文章和书里就重点阐述了。

【在 C*****5 的大作中提到】

: 根据我的体会，传统ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ的人对ｄｅｅｐ　ｌｅａｒｎ
: ｉｎｇ深恶痛绝，毕竟多年修炼的ｆｅａｔｕｒｅ　ｅｎｇｉｎｅｅｒｉｎｇ大法
: 不稀罕了。一个对ｄｏｍａｉｎ完全不了解的人可以很快捣鼓出性能差不多的ｍｏｄｅ
: ｌ。
: 不过ｄｅｅｐ　ｌｅａｒｎｉｎｇ的ｍｏｄｅｌ计算比较大，传统Ｍａｃｈｉｎｅ　ｌ
: ｅａｒｎｉｎｇ用嵌入式系统就能算得用ｄｅｅｐ　ｌｅａｒｎｉｎｇ要送到云里去算
: 。不过正因为这样咱才要买ｎｖｄａ啊。
:
: layer

l*72016-09-02 07:09

19 楼

作为佐证DNN（这里你提到的LSTM－RNN）不是写小说的唯一银弹，甚至最简单的Markov
－chain Model都可能写出好玩的“小说”，这个是很古老的了，比如可以参见：
Kernighan & Pike“he Practice of Programming”

【在 C*****5 的大作中提到】

: 我所知道的本质上差不多。用的都是一种叫Long-Short Term Memory(LSTM)的神经网络
: 。写小说无非是学习了一堆哈里波特然后“预测”下一个字，句是啥。然后用输出的字
: 当输入，迭代就能写出洋洋洒洒一大段。同样的炒股也是学习一堆历史股价数据，然后
: 试着预测下一个或者下面好多时间点的股价。
: 如果有空的话我真的可以train个model试一试，但是效果不见得好。Deep Learning入
: 门并不难，但是要做好需要很多经验，要靠个人修行体会。

C*52016-09-02 07:09

20 楼

莱布妮子是行家啊。我是关公门口耍牙签了。以后还望不吝赐教啊。

Markov

【在 l********7 的大作中提到】

: 作为佐证DNN（这里你提到的LSTM－RNN）不是写小说的唯一银弹，甚至最简单的Markov
: －chain Model都可能写出好玩的“小说”，这个是很古老的了，比如可以参见：
: Kernighan & Pike“he Practice of Programming”

y*d2016-09-02 07:09

21 楼

四维，我现在的理解是思维

: 你先得找股市的feature才有可能learn，问一下股市是多少维的？

: [在 CRH1235 (江左没狼) 的大作中提到：]

: :我所知道的本质上差不多。用的都是一种叫Long-Short Term Memory(LSTM)的
神经网

: 络。写小说无非是学习了一堆哈里波特然后“预测”下一个字，句是啥。然后用
输出的

: 字当输入，迭代就能写出洋洋洒洒一大段。同样的炒股也是学习一堆历史股价数
据，然

: 后试着预测下一个或者下面好多时间点的股价。

: :如果有空的话我真的可以train个model试一试，但是效果不见得好。Deep
Learning入

: :门并不难，但是要做好需要很多经验，要靠个人修行体会。

【在 r*****e 的大作中提到】

: 呵呵，大概如此吧
: [在 CRH1235 (江左没狼) 的大作中提到：]
: :根据我的体会，传统ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ的人对ｄｅｅｐ　ｌｅａｒ
: ｎｉｎｇ深恶痛绝，毕竟多年修炼的ｆｅａｔｕｒｅ　ｅｎｇｉｎｅｅｒｉｎｇ大法不
: 得不稀罕了。一个对ｄｏｍａｉｎ完全不了解的人可以很快捣鼓出性能差不多的ｍｏｄ
: ｅｌ。
: :不过ｄｅｅｐ　ｌｅａｒｎｉｎｇ的ｍｏｄｅｌ计算比较大，传统Ｍａｃｈｉｎｅ
: ｌｅａｒｎｉｎｇ用嵌入式系统就能算得用ｄｅｅｐ　ｌｅａｒｎｉｎｇ要送到云里去
: 算。不过正因为这样咱才要买ｎｖｄａ啊。
: :layer

m*r2016-09-02 07:09

22 楼

莱布妮子，这个昵称好，很配江左没狼啊。：）

【在 C*****5 的大作中提到】

: 莱布妮子是行家啊。我是关公门口耍牙签了。以后还望不吝赐教啊。
:
: Markov

c*t2016-09-02 07:09

23 楼

你说得很对，dnn对处理随机时间序列没帮助，楼主没有搞清股票信号是怎样的一种信
号，和dnn是什么特性

【在 l********7 的大作中提到】

: 我理解你对DNN的热情，呵呵。嗯，时间序列的预测都是这类temporal embedding的做
: 法，具体怎么构建高维矢量，五花八门。
: 虽然我没做过股票的数据，不知道具体做股价序列预测有多靠谱；但是，我的要点不是
: 反对DNN可以用来做black－box建模，而是想说，对于高维随机矢量的时间序列建模，
: （严格来说）没任何客观证据，表明DNN就是远远超越其他建模技术的银枪银弹。DNN唯
: 一抓住了大家眼球的，是似乎模拟了人脑神经网络的一种“神奇”技术，而事实远不是
: 这样。本质上，一个训练好的DNN，就是一个（deterministic）的函数映射，所以更客
: 观的名称是“人工神经网络”（ANN，Artificial NN），或者更客观点，function
: approximator；而如何训练出这样一个最优化的函数映射，来一般性地表达时间序列动
: 力演化的“所有”模式，就是这类序列学习问题的关键难点（generalization）。凭良

l*72016-09-02 07:09

24 楼

不要这么说，只要有兴趣交流讨论，无所谓行家、专家。有经验的人肯定有自己的局限
，更广一点，凡是个人都有自己的局限，总可以通过讨论交流获得不同视角的价值。
垃圾和无价值的类型，在我看来，只有一种，就是把脑子夹得像closed bucket一样，
除了威胁和耍大棒、还有装神弄鬼，毫无和人沟通的基本逻辑能力，本版这类的目前我
只看到一位：哪位盛产亿万的鸡精，呵呵。

【在 C*****5 的大作中提到】

: 莱布妮子是行家啊。我是关公门口耍牙签了。以后还望不吝赐教啊。
:
: Markov

C*52016-09-02 07:09

25 楼

总结的很好。

【在 l********7 的大作中提到】

: 不要这么说，只要有兴趣交流讨论，无所谓行家、专家。有经验的人肯定有自己的局限
: ，更广一点，凡是个人都有自己的局限，总可以通过讨论交流获得不同视角的价值。
: 垃圾和无价值的类型，在我看来，只有一种，就是把脑子夹得像closed bucket一样，
: 除了威胁和耍大棒、还有装神弄鬼，毫无和人沟通的基本逻辑能力，本版这类的目前我
: 只看到一位：哪位盛产亿万的鸡精，呵呵。

F*s2016-09-02 07:09

26 楼

虽然你说的评语很适合你，“毫无和人沟通的基本逻辑能力”，你的这些语言在任何聚
会里都会被人冷落，不过这次不跟你计较，因为你已经毁掉了自己的思考能力，说的都
是别人的话，做的都是别人让你做的事，却声称自己是一个无政府主义者。你本该学会
在上帝面前Humble的。不过你见人就反政府，反着反着反到我头上来了，看来是觉得我
跟政府走得太近了。
----------
发信人: leibniz137 (莱布尼兹), 信区: Stock
标题: Re: 市场布局通胀，迎接加息到来
发信站: BBS 未名空间站 (Sun Aug 21 18:47:55 2016, 美东)
我是个人财富和准无政府主义者

【在 l********7 的大作中提到】

: 不要这么说，只要有兴趣交流讨论，无所谓行家、专家。有经验的人肯定有自己的局限
: ，更广一点，凡是个人都有自己的局限，总可以通过讨论交流获得不同视角的价值。
: 垃圾和无价值的类型，在我看来，只有一种，就是把脑子夹得像closed bucket一样，
: 除了威胁和耍大棒、还有装神弄鬼，毫无和人沟通的基本逻辑能力，本版这类的目前我
: 只看到一位：哪位盛产亿万的鸡精，呵呵。

l*72016-09-02 07:09

27 楼

正好鸡精来了，我也顺便给你佐证和分析下为什么说，这个jerk毫无和人沟通的基本逻
辑能力。
＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃

分析：鸡精用的这个“因为”，没有基本的逻辑和事实依据，除了臆想，呵呵
：说的都是别人的话，做的都是别人让你做的事，
分析：正常人肯定看不懂这句话的，思维跳跃太大。“别人”是谁，估计这个鸡冻脑子
全是鸡冻。
分析：我厌恶鸡精这种jerk，因为我讨厌任何一个不会理性和人交流，只会装大神、拿
政府和“法律”来威胁他人的蠢货，所以推论出我认为鸡精“跟政府走得太近了”？这
种推论缺乏基本逻辑联系，又一样，除了自己的臆想。
＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃

【在 F****s 的大作中提到】

: 虽然你说的评语很适合你，“毫无和人沟通的基本逻辑能力”，你的这些语言在任何聚
: 会里都会被人冷落，不过这次不跟你计较，因为你已经毁掉了自己的思考能力，说的都
: 是别人的话，做的都是别人让你做的事，却声称自己是一个无政府主义者。你本该学会
: 在上帝面前Humble的。不过你见人就反政府，反着反着反到我头上来了，看来是觉得我
: 跟政府走得太近了。
: ----------
: 发信人: leibniz137 (莱布尼兹), 信区: Stock
: 标题: Re: 市场布局通胀，迎接加息到来
: 发信站: BBS 未名空间站 (Sun Aug 21 18:47:55 2016, 美东)
: 我是个人财富和准无政府主义者

l*72016-09-02 07:09

28 楼

娱乐🐎，少废话，有种你就给大伙爆我的猛料，否则少意淫，早点滚蛋。

【在 F****s 的大作中提到】

: 虽然你说的评语很适合你，“毫无和人沟通的基本逻辑能力”，你的这些语言在任何聚
: 会里都会被人冷落，不过这次不跟你计较，因为你已经毁掉了自己的思考能力，说的都
: 是别人的话，做的都是别人让你做的事，却声称自己是一个无政府主义者。你本该学会
: 在上帝面前Humble的。不过你见人就反政府，反着反着反到我头上来了，看来是觉得我
: 跟政府走得太近了。
: ----------
: 发信人: leibniz137 (莱布尼兹), 信区: Stock
: 标题: Re: 市场布局通胀，迎接加息到来
: 发信站: BBS 未名空间站 (Sun Aug 21 18:47:55 2016, 美东)
: 我是个人财富和准无政府主义者