1 引子 行情好的时候更容易赚钱，有时候等待一波行情可能需要十年。我最近开始开发股票分析相关工具。现在是个不错的时间点，也有足够的动力，加上关注这方面的人越来越多。 七月中参加一个股票相关的大数据比赛，在之后的学习会上，我想分享自己在建模比赛中的收获，又觉得所用的方法过于单一。然后开始系统地阅读相关论文，并试用 GitHub 上高星级的股票工具，最终决定自己动手做工具，一两周后，我完成了一个版本并开源，同时写了简要介绍。没想到，收到了很多老友的反馈，好像中年人都在玩这个。 在开发过程中，我也在操作自己的账户，产生了很多疑问，关注了一些公众号和 UP 主，听他们的实盘分析，同时读一些经典书籍，涉及长线短线、背后逻辑和具体方法等。为了每次分享都能增添一些亮眼的内容，不断寻找更前沿的方向。在与朋友的讨论中，一次次的质疑，反驳，也激发出更多的思路和激情。 于是继续更新，将更多的理解融入工具中。制作工具时添加的每个功能都旨在解决具体问题，不因他人有此功能而盲目跟风。接下来介绍的是我对这些数据的理解，也是当前版本的新增的功能。 先对工具做个简要介绍：XYStock 开源工具支持对 A 股市场全部股 ...

1 摘要 用 AI 辅助做股票相关决策，原理很简单：首先获取你关注的股票相关数据，然后提取一些特征，结合用户的需求交给 AI。AI 会充当投资经理的角色，进行分析和决策。用户说“我不懂资产负债表、利润表、蜡烛图、筹码分布，也不会看财报研报……”。而有一定能力的大模型，基本具备普通投资经理的素质，可以帮你解释和决策。 这东西没什么门槛，谁都能做，关键在于工具是否好用，比如：抓取哪些信息、如何处理、怎样交给大模型，以及如何呈现出来，怎么做又省时又省钱。 最近，我开发了一个股票辅助决策工具 XYStock，并已在 GitHub 上开源。我和朋友们使用后都感觉不错，下面就来介绍一下。 项目地址：https://github.com/xieyan0811/xystock 2 引言 最近股票市场非常活跃。前几周，我在分享会上分析了 TradingAgents 的论文和源码，第二周小伙伴又分析了其他中文的开源股票辅助工具。我们把“星”数较高的都试了一遍。各有千秋，确实有很多让人眼前一亮的功能，但还没找到一个完全够用的工具。喜欢 A 工具的某个功能，又喜欢 B 工具的另一个功能，但不能对单支股票逐个使 ...

引入 之前我们讨论过一些偏基础的金融库，比如 stockstats 可以很快帮我们把常见指标算出来。在实战中，很快会发现“有指标”还远远不够。很多时候需要的是更复杂的信息结构，比如趋势方向、支撑位和阻力位的位置关系，信号之间的组合判断，以及最基本也最容易被忽略的回测验证。 今天来看看一些较为高阶的 Python 金融库。许多库都被称为“技术分析库”，但它们的目标其实各不相同。像 TTI 和 pandas-ta 恰好是两种走向几乎完全相反的代表。它们正好位于交易系统中的两个不同层次，一个侧重于结构和决策的雏形，另一个侧重于高阶信息的提取和配置。 ## 分析 如果粗略分一下层次，大概可以理解成两层： 更底层的是“特征层”，主要工作是把价格序列加工成可以使用的结构化信息，比如各种技术指标、趋势信息、支撑阻力等，这一层尽量客观，尽量少做判断。 再上一层是“策略层”，开始引入规则，比如什么时候算买点、什么时候该卖出，这一层不可避免会掺杂人的主观选择。 在这个框架下看，TTI 更靠近策略，pandas-ta 更靠近特征。它们的差异，本质上是封装程度的差异。 TTI ...

没有压力会怎样？ 人无压力轻飘飘，井无压力不出油，是这样吗？我比较认同的一种说法是：人在强压下容易偷懒，只要有机会就会躺平；而在安全无压的环境里，则会释放出好奇的天性。 在自己身上很明显：我只有在很放松的情况下才能深度思考。有时候被卡了几周的难题，会在一两天内完全解决，偏向研究和创造；但有压力的时候也能有效地完成任务，对一些完全可控的事，压力就是增效器。 大概可以将状态拆分为三种： 无压：容易发散思维，思考有弹性，适合研究、创作、哲学性问题。 中压：效率最高，适合执行型任务。比如说，截止日期、交付、考试等，确实是增效器。 强压：人变成“生存模式”，目标只有一个：尽快结束痛苦。在这个阶段最容易偷懒、躺平、敷衍以及走捷径。 绘画、旅行也是，自古以来只有衣食无忧者才能去做。很难想象一家老小都饿着，画家还能从容地去体验，因为压迫和紧张感，战斗或逃跑的本能，大概会占据多数注意力。 张雪峰说，很多专业需要有家底才能考虑，家境普通的就老老实实读个工科，先保证从容生存。想想也是，从心理压力的角度来看，对于一个有家庭、社会压力和责任感的人来说，如果不先解决生存问题，很难有心力去尝试成功率很低的事儿。 ...

1 引言 最近回测策略时发现一些有意思的事。刷到个视频，说散户拿不住牛股，震荡几下就跑了，大肉都没吃着。其实数据也印证了这一点：股票一旦起飞，真能拿住的人非常少。无论基本面、技术面还是消息面，中间都有太多下车点。这篇就聊聊，为什么我们总是卖飞，以及能怎么改。 ## 2 实操复盘 以下是这波大牛市里，我买过的最好的一支股票，问题是在它涨的过程中我一直卖，还没涨起来就卖掉了大部分。我的操作如图： 红色是买入点，绿色是卖出点，蓝色是仓位。可以看到从 24 年初我就开始买，在将近一年的横盘微跌中一直加仓；7 月开始涨，我就开始卖，涨了还没三分之一，我已经卖掉大半了——典型卖飞。这种情况下收益是 61%（不计本金）。 3 最好的操作 这种情况下最赚钱的策略是持有。假设我在第一次操作时就把用在这支股票上的所有资金买入，并在最后一次操作时全部卖出，相当于一直满仓，这种情况下的收益是 258%。 但实话说，谁也没有后眼。一支从来没买过的股票，也不会一开始就满仓。只是想说明：最大的损失并不是选错股，而是没拿住好股。 4 回测规则交易 你也可以说，可能就是我目光短浅，心理素质不行……于是我测了 MAC ...

引入 最近有一种说法：A 股里能赚钱的，大多都是账户在 100 万以上的。钱少的人亏的人比例明显更高。小资金在操作上，天然就带着几个坑。今天就聊聊小资金和大资金的差别，容易踩的坑以及应对方法。 分析 小资金亏损多，不仅是人的问题，而是几个现实问题交织在一起：资金少、心理压力大、操作体系不够完整。 结构性约束 钱少就意味着仓位集中，一只票踩雷就很痛。 买不起优质高价股，只能买便宜的票，结果波动大，容易被套。 交易成本对小资金来说特别明显，哪怕赢了，也可能被手续费蚕食不少。 账户小的钱，一旦亏损就很难翻身：比如，50 元到 100 元，需要赚 100%，从 100 元跌回 50 元，只需亏 50%，本金折损后想回到原来的水平，难度更大。” 心理阈值低 账户小，盈亏感受强烈：涨一点就急着跑（拿不住慢慢涨的趋势），跌一点就死扛（扛不住大跌）。 目标收益总想高点，常常盯着暴涨的妖股，追求快感型收益。 等待机会很难做到，总觉得不动就亏，结果就频繁操作，风险反而更高。 这些心理反应，很多并不是性格问题，而是经验不足带来的认知空白。 心理压力 → 情绪反应 → 并不是每个人都适合高波动 → 各自 ...

最近在做策略池，有一个小小的发现，觉得还挺有意思：在股票交易中，学习得越多，反而越难做决策。当使用多个策略来监测同一支股票，不同策略给出的行为建议常常不一致，甚至互相冲突——一个让买一个让卖。 比如： 上涨途中突然回调，KDJ 提示超卖，但均线结构却给了卖出信号，这到底是买还是卖？ 刚买就跌了 5% 没破支撑，是不是要加仓？但纪律又告诉你要止损？ 技术面超卖、情绪冰点、动能向下，却又可能超跌反弹，这到底怎么判？ 多数书只讲单条规则，很少讲“规则互相打架时怎么办”。现实比书复杂得多。在本篇文章中，我们将分析造成这种现象的原因，并探讨解决这些冲突的方法。 1 价值仓 vs 技术仓：先分清你到底在做哪一种 很多混乱，其实来源于——用价值逻辑做技术仓，用技术手段处理价值仓。 这两个体系完全不同。 价值仓（长期逻辑）： 判断的是“公司未来值不值得拥有” 趋势大方向不坏，就能拿 下跌是机会，可以摊成本（前提是长期逻辑没坏） 不需要 RSI/KDJ 这种短线指标 技术仓（规则交易）： 判断的是“信号对不对” 入场、出场、止损、止盈都按规则执行 不摊成本、不讲感情 完全看价格行为，与公司本 ...

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 ...

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 ...

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 ...