两种个人量化工具

工具的第一行需求，不应该是“我要加哪些指标”，而应该是“我到底要做什么判断”。

估值研究可能回答：当前价格相对估计价值有没有安全边际？价格已经隐含了多高的未来增长？周期企业处于景气高点还是低点，低 PE 是否反而意味着周期风险？

短线工作流回答的是另一组问题：市场情绪处于什么阶段？哪个题材还在持续？谁有领涨辨识度？候选股的风险公告、成交活跃度和入场条件是否满足？

两套工具的观察周期和输出不同。估值工具通常围绕假设、价值区间和长期验证；短线工具围绕当日数据、候选清单和执行前检查。先确定观察周期、输出形式和决策边界，再决定收集哪些数据。

如果从行业开始搭建估值模型，先选一个自己真正理解的行业，用三至五项关键输入做 baseline。baseline 指“先能运行、能解释的基准版本”。先保证数据、假设和计算一致，再增加变量。金融、成熟消费、成长科技和周期企业的价值驱动不同，不能一套模型机械套用全部公司。

正向估值从财务信息和未来现金流假设出发，算出一组价值估计。工具可以把合理上限和合理下限画出来，再把合理下限打七折作为安全边际示例。

但“低于估计价值”不等于自动安全。安全边际依赖模型假设，假设错了，折价也不能提供真正保护。页面至少要同时展示：

• 营收增速；
• 利润率；
• 再投资需求；
• 折现率；
• 终值假设；
• 数据日期和缺口。

这样你看到的不是一个神秘的“合理价格”，而是一组可以被质疑和更新的条件。模型计划接入季报、重大事件、新闻和政策影响时，要标成开发目标，不能把尚未验证的能力写成已经完成。

行业模型也要分开。比如金融企业要关注盈利、资产质量、资本和负债结构；成长科技可能更关注研发、成长空间和商业化进展。这里的指标只是设计方向，具体输入仍需按行业定义和数据质量验证。

反向估值固定一部分条件，再根据当前价格反解某个经营假设。比如给定价格、股本、折现率和其他条件，求出使模型价值等于当前价格的隐含营收增长率。

这个结果的准确含义是：“在这些条件下，价格对应的隐含增长是多少。”它不是直接观测到的市场共识，更不是低估或高估的自动证明。

可以从营收增长、回报、利润率和稳态终值利差等维度展开，再把隐含回报与资本成本比较，把利润率与企业历史特征比较，把终值相关指标与基准比较。分享中的示例曾出现 1,344 元价格、下一年隐含增长低于 1%、隐含利润率约 47% 对历史基准约 68% 等数字。因为缺少完整公式、折现率、股本和指标定义，这些数字只能作为展示模型输出的例子，不能据此下结论。

如果工具把结果分成“极度低估、低估、合理、高估、极度高估”五档，还要展示加权资本成本等敏感参数变化。若“置信度”只是敏感性稳定分数，就不能把它写成经过统计校准的概率。一个颜色标签不能替代假设、敏感性和证据。

如果想修正盈利预测，不能直接把某个阶段观察到的偏差变成固定折扣。分享中提到下一年预测平均高估约 8%、第三年约 20%，但缺少样本、预测发布时间、幸存者处理和误差定义，所以只能作为待核查的研究假设。

正确的验证顺序是：保存每个历史时点真正可见的预测版本；对齐之后公布的实际值；分别定义营收、盈利、绝对误差和相对误差；再把调整系数放到后续样本检验。接近零或为负的盈利，百分比误差可能失真，要另设规则。

反向估值综合信号也要按因子研究验收。一个示例范围是沪深 300、2016—2025 年、月频约 112 期，比较持有一年、三年和五年；分享结果称三年阶段较好、平均 IC 约 0.076，并观察到利润率单因子、分组结果和 2019—2025 年区间存在差异。

这些数字不能脱离口径使用。至少要检查：

1. 每个历史时点用的是当时指数成分，还是今天的成分回看过去；
2. 财报和预测是否按真实披露时间进入模型；
3. 末端是否有完整的一年、三年或五年收益标签；
4. 月频长持有期的收益标签重叠后，显著性是否仍可靠；
5. IC 是 Pearson、Spearman 还是其他定义，如何平均；
6. 分组权重、调仓、成本和基准是否事先固定。

“三年较好”最多是某个实验设定下的待复现观察，不是普遍的三年价值回归规律。

估值可以帮助判断长期价格假设，技术信号可以帮助观察短期节奏，但两者要分别验证。长期低估不意味着马上止跌，短期反弹也不意味着估值假设正确。

一个稳妥的 AI 使用方式，是把已经计算好的估值与技术结果作为上下文，让 AI 负责解释和整理，而不是让它凭一句自然语言替你决定结论。工具界面可以分成四栏：

• 程序计算结果；
• 外部事实和原始链接；
• AI 解释；
• 尚未验证的推断。

如果让 AI 生成策略代码，最低验收包括：买卖规则和文字一致；输入字段确实存在；信号与成交时点没有穿越；交易成本和市场约束可以配置；小样本能手算核对。先预览和修改，再进入回测，不要把“代码生成成功”当成“策略验证通过”。

让模型根据市场环境自行选择因子或策略，是更复杂的研究方向。需要保存每个历史时点的选择和理由，再做样本外评估，不能只看解释是否听起来合理。

短线工具的第一步不是挑股票，而是判断当前环境是否适合执行这套研究规则。页面可以把大盘、成交量、领涨股票、题材持续性和风险公告放在同一条流程里。

例如，跌停数量超过 10 只可以作为某个个人规则的风险阈值。但要先定义统计范围、是否包含风险警示股、观察时间和当日变化方式。跌停少，也不能自动证明环境适合交易。

板块和个股可以记录：题材依据、首次出现时间、连续出现天数、涨停数量、连板高度、封板强度、资金、成交活跃度、代表股、风险公告和历史领涨地位。板块至少持续两天再进入下一步，是一个需要验证的流程门槛，不是普遍有效的交易定律。

把人工判断做成候选表，比把它藏在一个“综合分数”里更容易复核。对“辨识度”“梯队完整”“动能衰竭”等暂时无法客观编码的词，要保留人工标签、判断时间和具体理由。

公告风险模块可以让 AI 做初筛，但每条判断都应保留原公告链接、发布时间、证据句和不确定性。“没有识别出利空”不等于“没有风险”。

人气是双向信号：它可能代表资金集中，也可能代表拥挤交易。一个研究流程可以分别观察板块中连板位置较高的代表和成交额较大的代表，再比较纯情绪题材与有业绩支撑行业是否需要不同规则。

“热启动”示例是在板块出现多只一字板后，约 9:25 根据封单数量与质量筛选可能成交的标的。它更适合被写成题材联动的短线交易假设，而不是无风险套利。另一种示例是关注曾有二连板、具备领涨地位的股票，等待下跌动能减弱和较长下影线，再用五分钟线观察止跌。规则不够精确时，它仍然是半主观方法。

持有约五六天时，入场位置尤其重要。可以事先比较不同挂单规则，记录成交率、未成交后的机会成本、成交后的最大不利波动和最终净结果。允许买入偏高一至三个百分点只能作为个人计划中的待测容忍度，不是通用阈值；A 股的 T+1、涨跌停、排队和成交条件也必须写进模拟。

如果一段时间的规则成功率下降，可以把“暂停”写成预先定义的风控动作，同时说明统计窗口、恢复条件和是否包含费用。不要用事后最优点证明方法有效。

同一家公司可能先被归入电力，后来又被归入算力或绿色能源。如果回测时只使用今天的板块标签，就把未来认识带回过去，结果会失真。

更稳妥的设计是保存每天的题材成员、标签来源、首次可见时间、题材强度和个股信号。一个股票可以同时属于多个题材，但要提前规定权重是否归一化、多个题材的贡献怎样合并，以及重复贡献如何去重。

每日候选只能使用当时已经知道的标签，并按下一可交易时点执行。如果没有历史题材数据，先做前向记录和模拟；静态标签探索可以帮助理解结构，但不能冒充时点一致的历史回测。不要为了得到完整时间线而补造旧标签。

当工具从个人页面升级成每日流程，可以拆成一组有状态的节点：获取情绪表，读取板块强度，生成候选，查风险公告，计算五分钟信号，形成次日计划，最后人工确认。

每一步都要显示未开始、运行中、成功、缺数据或失败，并保存输入和输出。这样出错时能知道是数据没来、规则没通过，还是 AI 解释需要人工复核。

如果已有后端，不必为了“节点式”外观强行迁移。可以先把模块暴露为 API，再由确定性工作流或 Agent 编排。自动化升级前要测试数据时效、重复任务、超时、行情中断、拒单、部分成交和停机恢复。计算信号和提交真实订单要分开控制。

演示页面完整，不代表交易链路成熟。交易接入尚未完成时，手动挂单就是系统状态的一部分，不能把它包装成自动执行。

个人分享中的收益数字，首先要问清楚时间区间、资产规模、是否计入现金流、完整成交、费用、滑点和最大回撤。分享中曾提到某些月份约 50% 的增长，也提到其他月份约 20%，但缺少这些关键口径，因此不能把数字当作系统效果证明。

即使数字真实，也要考虑行情环境、样本长度、选择性展示和个人执行差异。顺风行情可能放大阶段性结果；没有完整交易记录，就无法判断结果来自规则、仓位、偶然事件还是未披露的主观判断。

阅读一个结果时，至少要求：收益曲线和回撤；交易明细；成本口径；基准；数据截止时间；失败案例；样本外或前向记录。没有这些信息时，最有价值的结论不是“应该复制”，而是“还需要补哪些证据”。技术基础、财务知识和 AI 编程能力也会影响原型能否落地，不能推断别人只用同样工具就能得到同样结果。