1 引子 对于不太熟悉的股票和行业，可以通过与大型模型对话来获取进一步的信息。本文是一个示例，展示如何在短时间内，通过一系列问题初步了解股票的所属行业、行业周期、市场地位、优劣势及竞争对手等。这个套路可能对大多数股票都适用。 在与模型交流后，我请一位朋友帮忙看了一下，他提供了额外的见解，比如公司的核心优势、解决的痛点问题，还推荐了官网的介绍。整体感觉是：来自人的建议更有针对性，能够直击重点。但不是所有感兴趣股票我都能找到熟悉的朋友，而我也有很多问题，人家也没空一一解答。 综上，我觉得用大模型可以解决50-70%的问题，它可能是未来操作的重要环节，毕竟不能只买自己熟悉的领域，还是需要扩展一下能力范围。 2 讨论 Yan 我想了解一下赣锋锂业这支股票以及公司，能简单帮我介绍行业的吗？ 5 公司自称是“世界领先的锂生态企业”，业务贯穿锂产业链多个环节。赣锋锂业的业务可以从“上游 → 中游 → 下游 → 回收”几个环节来看，构成其所谓的“锂生态”布局。产品线丰富—不仅单一锂盐，还做金属锂、锂化合物、锂电池等。 根据英文维基资料，公司被认为是中国最大的锂盐生产商之一，在全球也排名靠前。 Yan ...

1 长线持股，也能很主动 很多人对“长线投资”的理解，是买完躺平一年，但实际市场从不会奖励这种佛系。 真正稳健的做法，是 长期逻辑 + 结构化调仓——底层逻辑不变，但仓位和成本永远在优化。 这篇文章想分享的是一套“长线、自动化、分股性”的方法论，既不折腾，也不被动挨打。 2 先决定持有什么 不是嘴上看好，是“条件式看好”。能长期持有超过一年的行业或公司，必须同时满足三个条件： 逻辑能站住脚：是结构性成长、或周期即将回升，而不是靠情绪炒作。 财务能兑现：ROE、现金流、负债结构都在可接受区间，不出现质变。 竞争格局能稳定：头部企业地位没被撼动，行业没有突然变成价格战泥潭。 只要这三件事不破，长期持有就是合理的。 这里可以结合： 人工判断 LLM 辅助分析（如新闻、研报） 财务数据过滤（ROE、现金流、杠杆） 长线不是“相信”，是“确认”。 3 操作方法 3.1 高波 / 低波：简单定义 3.1.1 高波品种 涨得猛、跌得狠、拉升与回撤都剧烈。主要行业：新能源、AI、半导体。 操作方法： 稳底仓 → 小额分批买 → 大波动做差 → 不追、不梭、不重仓赌方向。 3.1.2 低波品 ...

1 如何选股 选股时大家常常优先关注两个关键指标： PE（市盈率）大概告诉你这家公司“贵不贵”、是不是已经涨得有点离谱； ROE（净资产收益率）反映它赚钱的效率，是不是一家有经营能力的公司。 这两个能给到最基本的判断，但还不够。真正决定“能不能买、值不值得拿着”的，其实是它在市场中处于什么位置。比如：这支股票相比整个A股、相比同行，到底是表现稳定、赚钱能力强，还是只是听起来不错。 我的具体做法是：抓取 A 股 5000 多支股票，从 2023.01.01 到 2025.10.20 的数据，按年切成三段（23年跌，24年波动，24年涨），分别按年统计每支股票的：波动率、最大回撤、夏普比率、年内最高涨幅、期末涨幅。然后再看目标股票在整体分布中的位置，判断它是不是值得持有。 今天在做风险评估时，某只股票的最大回撤为20%，不确定这算大还是小，也不能拍脑袋定阈值。于是对所有股票进行统计，做完觉得有些收获，分享一下。 2 年度比较 2.1 波动率 波动率（Volatility）是把这段时间里每天的涨跌幅算标准差，标准差越大，说明走势越“跳”。 直方图展示了三年的波动率分布。因为波动率是长尾 ...

1 引入 在所有投资技巧里，止损可能是最关键的一个——无论做长线、短线、左侧还是右侧，只要进场，就得考虑怎么退出。它让你在行情不顺的时候保住筹码、留得青山在。 很多时候，我们不是“输得多”，而是“亏大钱”——明明赢的交易次数比亏的多，但只要有一两次没及时止损，亏损就会在下跌里一路放大，最后把前面赚来的利润全吞掉，甚至倒亏。 我一开始做的止损很简单，跌到成本价的 5%/10% 就卖掉，但往往执行不了。不同股票波动幅度不一样，有的一天波动 5% 是家常便饭，有的一个月波动不到 5%；有的我只想短线持有一个月，有的持有周期两年起；有的买在底部，有的难免追高，不可能全设成 5% 止损，实在太不符合常识了。 这次的新方法测出的最终效果跟自己的直觉非常相近，相当于终于把那“不可道”的直觉量化了，在这里分享给有缘人～ 2 原理 要计算合理的止损位，至少需要考虑以下几点： 股票本身的波动大小：波动越大，止损设置越宽。 我的成本价：止损通常是成本乘以一个百分比。 当前股票价格：如果当前价格高于成本很多，可将止损设置为成本价。 目标时间周期：长期看好的股票一般能接受更大的浮亏。 2.1 年化波动率 先 ...

我们常习惯给一只股票贴上“永久标签”（比如“这只就是成长股”）。实际上，股票的基本属性相对稳定，而股票在二级市场中的走势状态是动态变化的。 下面来看看两种典型情境： 趋势策略在震荡市中容易“左右挨打”：趋势策略的核心是“追涨杀跌”（突破买入、跌破卖出）。当股票进入横盘震荡时，策略往往在箱体上沿买入（误以为要突破），在箱体下沿卖出（误以为要破位）。结果是：本金在反复震荡中被持续磨损。 波段策略在趋势市中容易“卖飞”或“抄在半山腰”，波段策略（如网格、KDJ）的核心是“高抛低吸”。在单边上涨行情中，策略往往过早卖出，错过主升浪。在单边下跌行情中，又可能不断补仓，最终深度被套。 因此，本文讨论的核心不是“哪种策略更好”，而是如何根据当前状态选择并切换策略。比如：“涨着涨着走平了，就从趋势策略切换到波段策略”，本质上是为了保护利润、降低无效交易成本。 1 核心点 核心思想是：根据 持仓周期 + 市场趋势 + 波动率，动态选择不同的策略或策略组合。 这在量化交易中对应的是较为高级且核心的概念： 市场状态识别（Market Regime Detection） 市场状态切换（Regime Swi ...

本篇没啥主题，聊聊量化相关的书、用模型改代码、重构旧项目之类的。 推荐一本量化相关的书《Systematic Trading》 最近在看凌波的《量价时空》，觉得挺好，还买了两本，一本送朋友。他分别从：量、价、时、空四个角度分析，集成了量价关系，蜡烛图等常用技术。很多细节其实都能用程序实现，整体像是给了一套工具包，信息密度很大，但稍微有点散。 后来和 GPT5 聊这个，他给我推荐了 Robert Carver 的《Systematic Trading》。我看了介绍和第一章，有种“他乡遇故知”的感觉：他讲的和我最近从数据里看到的、操作体验很契合，加上作者文本力很强，就觉得很棒。 现在大多数的书相对来说偏向于归纳总结型，最大的问题是有知识没思考。看完似乎会了，但不知道该怎么用。偶尔在看盘时，联想到某个工具，但还未必用得对。 对作者的感觉是：始于技术，终于世界观。最喜欢他的一点是，他不是先提出自己的观点，再找证据证明自己的观点。他力求从正反两方面进行论证。书中包含了很多作者的真知灼见，绝不是那种为写而写的作品。 关于内容，目前看完第四章，他说的几乎每个大问题，都是我遇到过或者正在遇到的问题。比 ...

有些资产，看起来每天都很稳，涨得不快，却总在某一次下跌中把之前的收益一把抹掉； 有些资产，长期不动甚至让人怀疑人生，但一旦启动，往往在少数几天决定成败。 我们常用“波动大不大”来判断风险，但同样的波动率，带来的体验和结果可能完全不同。 真正的差别，往往不在“波动有多大”，而在于——收益是慢慢给你的，还是一次性拿走的。 偏度和峰度，正是用来回答这个问题的量化工具。 1 概述 偏度（Skewness） 和 峰度（Kurtosis） 是两个不同的统计指标，用来描述数据分布的不同特征： 指标 含义 判断标准 偏度 (Skewness) 分布的对称性（左右倾斜） > 0: 右偏；< 0: 左偏；≈ 0: 对称 峰度 (Kurtosis) 分布的尖锐程度（尾部厚度） > 0: 更尖锐，尾部更厚；< 0: 更平坦 2 偏度 偏度：描述 " 歪斜 " 程度 右偏 (正偏度)：长尾在右边，更容易出现大涨，即 Skewness > 0 左偏 (负偏度)：长尾在左边，更容易出现大跌，即 Skewness < 0 偏度的范围是 -∞ 到 ...

1 引入 前两天统计自己持仓时，惊讶地发现目前持仓的 60%以上都是 ETF，甚至都不记得自己是什么时候慢慢换过去的，吓了一跳。这些 ETF 基本都是听同事、同学、某个大 V 一说就买了，这种方式显然不是最优的。 于是查了一些数据，想看看全市场公募基金（包含货币型、债券型、股票型、混合型、ETF等所有类型基金）在近几年的整体变化情况。目前总规模约 36 万亿元（使用 akshare 的 fund_aum_trend_em 获取 2026年1月数据）。2025 年 8 月，A 股总市值首次突破 100 万亿元，我们可以对比来看基金的规模。 为什么这几年大家都更倾向于买基金？可能是：越来越多人接受了自己并没有那么专业、也不擅长选股，但又看好整体行情，与其执着于获取 Alpha，不如放弃选股，转而获取 Beta 收益。这背后，除了个人投资者的自我认知变化，或许也与A股市场机构化、‘去散户化’的长期趋势，以及基金投顾等‘代客理财’模式的兴起有关。 基金又分为主动和被动型。在同一主题下，不同基金经理的操作差异，带来的收益差别很大。以前沿科技相关 ETF 为例，去年收益从 -20% 到 +80% ...

1 引子 这是一个奇怪的脑洞：想到一种计算支撑位的量化方法。 早上和 AI 讨论如何识别阻力位和支撑位。它给我建议了几种方法，包括低点聚类、计算筹码密集区、斐波那契回调、均线以及最大回撤。这些方法与我对支撑的理解不太相符，而且都过于复杂，频繁处理多支股票数据比较耗费资源。 于是，我想到一个关于“平台”的逻辑。其中最简单的一种情况是：如果在某个区间震荡了一段时间后向上/向下突破，那么这个区间就可以作为支撑或阻力位。它应该是价格相对集中、波动较小的一段区间，具体可以通过中值和标准差来判断。 这是不是有点像布林带? 只不过布林带用的是均值和标准差。那么，是否可以通过稍作修改布林带的计算方法，简单地计算阻力和支撑位呢？ 2 支撑位 在不同行情中，比如横盘震荡、上升趋势或下行趋势中，支撑位都是价格止跌反弹的位置。在上升趋势中，支撑位通常是向上通道的下轨或最近一轮上涨的低点；在下行趋势中，支撑位可能是历史低点或先前平台的下沿，尽管在下跌过程中较难判断底部。在横盘震荡时，支撑位出现在历史K线中多次试探并止跌反弹的位置。无论是哪种，都需要：多次回踩未破后反弹。 它的本质是买方意愿 + 成本密度 + 心 ...

据私募排排网数据显示，截至 2025 年 8 月底，管理规模在 100 亿元以上的私募基金（“百亿私募”）数量增至 91 家。其中，量化私募 45 家，占比约 49.45%；主观私募 39 家，占比约 42.86%；混合型（主观＋量化）6 家，占比约 6.59%。在年内收益超过 20% 的 40 家百亿私募中，量化私募占据 31 席。 来源：财联社报道，私募排排网数据（cls.cn）。 量化私募一般是指采用量化投资方法的私募基金管理公司。量化投资：指利用数学模型、计算机技术和海量数据来发现投资规律、制定投资策略并执行交易的投资方式。它依赖数据、算法和程序，目的在于减少主观判断和情绪干扰。 量化与人工交易的对比如下表所示： 对比维度 人工交易 量化交易 决策方式 依赖经验、直觉、新闻、主观判断 预设规则或模型，由程序自动执行 执行一致性 易受情绪和偏差影响，操作不一致 稳定一致，按既定规则执行 情绪干扰 高：贪婪、恐惧、冲动 较低：程序不具备情绪，但模型假设可能隐含人为偏见 速度 慢，依赖人工下单 快，能在毫秒级别响应信号 回测 & 验证性 ...