139 lines
5.9 KiB
Markdown
139 lines
5.9 KiB
Markdown
# 股票投资原则 — 引导项目走向正确方向的元原则
|
||
|
||
> 本文档是项目的"宪法"。所有设计决策、策略开发和 Agent 行为都必须对齐这些原则。
|
||
> 当直觉与原则冲突时，服从原则。
|
||
>
|
||
> 本文档是通用认知框架（`docs/FOUNDATIONS.md`）在股票投资领域的具体应用。
|
||
> 阅读本文之前，建议先理解 FOUNDATIONS.md 中的元层思维。
|
||
|
||
---
|
||
|
||
## 一、关于市场本身的认知
|
||
|
||
### 原则 1：市场是复杂适应系统，不是物理定律
|
||
|
||
股票价格由无数参与者的买卖行为决定，参与者在学习、适应、进化。这意味着：
|
||
|
||
- **任何策略的有效性都是暂时的。** 今天赚钱的策略明天可能失效，不是因为策略错了，而是因为太多人发现了它。
|
||
- 我们的目标不是"找到一个永远有效的策略"，而是"建立一套能持续发现临时有效策略的方法论"。
|
||
- 策略失效时，不抱怨市场，而是回到方法论检查哪里出了问题。
|
||
|
||
### 原则 2：我们赚的每一分钱都来自别人的错误
|
||
|
||
超额收益 = 你的判断正确 × 市场定价错误。在 4000+ 只 A 股中，每天有百万级的活跃交易者在买卖。
|
||
|
||
- 如果你不能清晰说出"为什么市场错了而我对了"，就不要交易。
|
||
- 推论：买股票前，必须有一句话解释你的信息优势或视角差异。说不出 = 不是机会 = 不买。
|
||
|
||
---
|
||
|
||
## 二、关于回测的科学伦理
|
||
|
||
### 原则 3：回测的黄金法则 — 样本外验证
|
||
|
||
单次回测 = 讲故事，不是科学。正确的做法是**时间序列交叉验证**：
|
||
|
||
> 用历史数据的前段（如 2019-2022）优化策略参数，用后段（如 2023-2025）检验。优化和验证永远不能看同一批数据。
|
||
|
||
- Agent 每次输出回测结果时，必须明确标注哪些时间段是样本内（训练），哪些是样本外（检验）。
|
||
- 如果有人（包括你自己）给你看一个回测曲线但没有区分样本内/样本外，那个曲线是垃圾。
|
||
|
||
### 原则 4：过拟合是最大的敌人
|
||
|
||
给你 1200 个交易日的历史数据，你可以拟合出任何一条你想要的曲线。
|
||
|
||
- 参数越多，过拟合风险指数级上升：
|
||
- 1 个参数（如单均线） → 几乎不过拟合
|
||
- 2-3 个参数（如均线交叉 + 成交量过滤） → 可控
|
||
- 5+ 个参数（多因子加权） → 99%在过拟合，必须严格样本外验证
|
||
- 推论：永远从最简策略开始。最简版本通过了，才考虑加复杂度。
|
||
|
||
### 原则 5：你其实没有那么多数据
|
||
|
||
5 年日线 ≈ 1200 个交易日。但如果一个策略只触发了 15 次交易，你的实际样本量是 15，不是 1200。
|
||
|
||
- 用 15 个样本得出"胜率 60%"——统计学上毫无意义。
|
||
- Agent 输出回测结果时，必须报告**实际交易次数**，交易次数 < 30 的结果标注"样本不足，结论仅供参考"。
|
||
|
||
---
|
||
|
||
## 三、关于策略设计
|
||
|
||
### 原则 6：简单优于复杂（奥卡姆剃刀）
|
||
|
||
均线金叉策略（1 个规则）和深度学习模型（1000 万参数）相比，前者在实盘中更不容易翻车。
|
||
|
||
| 策略复杂度 | 过拟合风险 | 实盘翻车概率 | 适合阶段 |
|
||
|-----------|-----------|-------------|----------|
|
||
| 单规则（均线、突破） | 极低 | 低 | 入门 |
|
||
| 2-3 因子组合 | 低 | 中低 | 进阶 |
|
||
| 5+ 因子打分 | 高 | 高 | 需严格样本外验证 |
|
||
| 机器学习 | 极高 | 极高 | 不适合个人投资者 |
|
||
|
||
### 原则 7：仓位管理 > 选股 > 择时
|
||
|
||
学术研究表明，资产配置（投多少钱）解释了约 90% 的收益方差。但散户 90% 的精力花在"明天买哪只"上。
|
||
|
||
- 5 万本金时，满仓一只还是分三只，这个决策的影响远大于选的是茅台还是五粮液。
|
||
- Agent 每次推荐策略或选股时，必须在选股结论之前先给出仓位建议。
|
||
- 选股评分不能替代仓位决策。
|
||
|
||
---
|
||
|
||
## 四、关于心理与行为
|
||
|
||
### 原则 8：策略必须适合你自己，而不是理论上最优
|
||
|
||
5 万本金时：
|
||
- 策略要求持有 10 只股票 → 你做不到 → 别选这个策略
|
||
- 策略最大回撤 30%（¥15,000）→ 你心理承受上限 10%（¥5,000）→ 你会提前止损，破坏策略
|
||
|
||
- Agent 展示每个策略时，必须附加一个"用户适配度"维度的评估。
|
||
- 每个策略的评估必须包含：单笔最大亏损（RMB）和心理冲击等级。
|
||
|
||
### 原则 9：区分"运气"和"能力"
|
||
|
||
| 场景 | 是运气还是能力？ |
|
||
|------|-----------------|
|
||
| 第一次交易赚了 10% | 大概率运气 |
|
||
| 前 3 个月都在盈利 | 大概率运气 + 牛市 |
|
||
| 持续 2 年跑赢指数 | 可能有能力 |
|
||
| 单次交易亏了 20% | 正常，不是能力差 |
|
||
| 连续 10 次交易亏损后不失控 | 这才是真正的能力 |
|
||
|
||
- 不要用前 3 个月的结果评价自己或任何策略。
|
||
- 给自己至少 1 年学习期。前 6 个月的目标不是赚钱，是学会不犯致命错误。
|
||
|
||
---
|
||
|
||
## 五、关于这个项目的定位
|
||
|
||
### 原则 10：项目是实验室，不是印钞机
|
||
|
||
这个系统的核心价值是**加速你的学习循环**：提问 → 假设 → 回测 → 修正 → 再提问。
|
||
|
||
它不应该成为"每天打开看推荐然后买入"的工具——那会让你跳过思考，变成被动使用者。
|
||
|
||
- 每当你准备基于项目的输出做一笔交易，你必须能口头解释：
|
||
1. 为什么这笔交易会赚钱？
|
||
2. 我用什么数据验证过这个判断？
|
||
3. 如果亏了，止损在哪？
|
||
- 三个答案任何一个说不出来，不交易。
|
||
|
||
---
|
||
|
||
## 附录 A：Agent 行为约束
|
||
|
||
以下需要更新到 AGENTS.md 作为 Agent 的强制行为标准（见 AGENTS.md 的 Agent Behavioral Constraints 章节）。
|
||
|
||
## 附录 B：用户自查清单
|
||
|
||
每次看项目输出时，问自己三个问题：
|
||
1. 我看懂这个推荐背后的逻辑了吗？——看不懂，暂停，不买。
|
||
2. 我愿意持有这个判断到止损触发吗？——不愿意，不买。
|
||
3. 这笔交易如果全亏了，对我的生活有影响吗？——有影响，不买。
|
||
|
||
---
|
||
|
||
*最后更新：2026-07-01*
|