这次我们复盘的对象不是某个开源项目而是一笔投资决策的完整生命周期在市场恐慌导致的暴跌阶段买入资产持有并跟踪一年再借助大模型做组合调仓。标题里的 Year follow-up on buying pandemic stock dip and AI reallocation 翻译过来就是“疫情暴跌抄底一周年复盘与 AI 调仓”。整个主题可以拆成三层来看策略怎么定义、回测怎么验证、AI 怎么辅助调仓。如果你自己会做投资组合管理这篇文章能给你一套可执行的复盘框架如果你是做量化回测的技术同学文中的 Python 代码可以直接改造成自己的回测脚本如果你想把大模型接进投研流程第 6 节的 Prompt 设计和输出解析可以当模板用。需要提前说明的是这篇文章不是投资建议也不会给出“买入某资产一年后赚了多少”这种结论因为买入方式、标的选择、仓位管理不同结果差异会非常大。文章提供的是验证方法和分析工具让你用自己的数据得出自己的结论。先说我对这个主题的核心判断暴跌买入这件事难点从来不是“敢不敢买”而是“怎么买、买多少、什么时候再平衡”。一年回头看真正决定组合结果的往往是仓位管理而不是最初的买入点。AI 在这里能做的事情同样有限它不能预测市场但可以把估值分位、宏观文本、组合风险这些信息压成结构化判断减少人工分析时的遗漏。1. 核心能力速览先把整套复盘流程的关键信息列出来方便你快速判断要不要继续往下看。能力项说明策略主题疫情冲击后的暴跌买入一年周期持有与调仓复盘分析工具Python pandas 行情数据接口 大模型 API主要能力回撤计算、分批买入回测、绩效指标、AI 调仓建议生成数据需求指数或个股日线行情、估值分位数据、宏观新闻与舆情文本硬件要求普通笔记本即可CPU 足够不需要 GPU启动方式Jupyter Notebook 或 Python 脚本无复杂部署API 能力大模型分析环节使用 API行情数据接口按具体数据源调整批量任务支持批量回测多只资产、批量生成调仓分析文本高风险环节数据口径、复权处理、Prompt 输出解析、AI 幻觉适合读者个人投资者、量化初学者、想接入大模型辅助投研的开发者这套流程不需要 GPU不需要 Docker一个 Python 环境加一个合规的行情数据源就能跑起来。硬件基本没有门槛真正的门槛在数据质量和策略规则是否足够清晰。2. 为什么把观察周期定在一周年一周年复盘的核心目的是把一次买入决策放到足够长的时间窗口里去检验。疫情冲击带来的市场下跌不是一天完成的修复过程也不是。如果把观察窗口定在三个月你看到的可能只是恐慌情绪的延续或者一次技术性反弹很容易得出错误结论。一年刚好覆盖了从恐慌、修复到情绪重新升温的过程能比较完整地评价“买入决策”本身是否正确。这个周期适合回答四个问题从买入点到一年后资产价格是否修复到买入成本之上。修复过程中的最大浮亏是多少是否超出了心理承受范围。分批买入和一次性买入的结果差异有多大。持有到中间如果做一次调仓哪些调整被证明是有效的。需要特别说明的是本文不预设“当时买入就一定赚钱”的结论。市场存在长期不修复甚至继续下行的可能也存在修复速度远超预期的路径。一周年复盘的价值恰恰是把这些不同路径摊开来看而不是用一个结果倒推一个原因。3. 数据准备与观察口径3.1 行情数据回测至少需要日线级别的数据字段日期、开盘价、最高价、最低价、收盘价、成交量。最关键的是复权处理。标的存在分红、送转的情况下不复权数据会让历史价格不连续直接导致收益计算失真。更稳妥的做法是使用前复权或后复权数据并在分析日志里记录采用的是哪种口径。如果后续要切换到其他数据源口径不一致会造成结论无法对比。3.2 估值分位数据暴跌不等于便宜。判断一次下跌是否值得介入需要看估值处于历史什么位置。常见做法是计算当前市盈率或市净率在过去 5 到 10 年的百分位。比如估值分位低于 30% 才进入候选区间。这个阈值必须可以配置因为不同行业、不同市场适用的区间差异很大用一套固定参数跑所有资产是回测里最常见的过度拟合来源之一。3.3 文本数据AI 调仓环节会用到公开市场信息例如宏观数据发布、行业新闻、公司公告摘要。文本来源要注意版权和数据合规只能使用你有权限访问的公开数据。任何抓取脚本都要遵守目标网站的访问条款不能绕过访问限制。更合理的做法是直接使用有授权的新闻数据服务把文本获取和解析的工作外包给数据服务商。3.4 数据目录结构建议把原始数据、中间结果和最终输出分开管理project/ ├── data/ │ ├── raw/ # 原始行情数据 │ ├── processed/ # 清洗后的数据 │ └── meta/ # 估值分位等辅助数据 ├── notebooks/ # Jupyter 分析脚本 ├── outputs/ │ ├── equity/ # 净值曲线 │ └── reports/ # 调仓报告 └── config.yaml # 策略参数数据版本管理是很多人忽略的点。一年以后回看时你需要的不仅是当时的净值结果还包括当时用的数据源、复权方式、参数阈值。没有这些留痕复盘就只能停留在“赚了还是亏了”的层面。4. 策略框架先定义“抄底”再谈收益很多人把“抄底”理解成一次性的买入动作但可回测的策略必须把动作拆成可执行的规则。规则越明确一年后的复盘越容易归因。4.1 触发条件触发条件至少需要两个维度之一价格回撤资产价格从阶段高点回撤超过阈值例如 20%。估值分位当前估值进入历史低位区间例如低于过去 5 年 30% 分位。两个条件同时满足时信号的可靠性通常更强但同时满足的机会也会变少。这个取舍需要在回测里用不同参数对比而不是拍脑袋决定。建议先跑一组网格参数观察不同阈值下的交易次数、最大回撤和期末收益再根据你自己的持仓偏好选择。4.2 建仓方式建议优先测试分批买入而不是一次性买入。一次性买入对择时要求极高在恐慌期很容易买在半山腰分批买入等于用时间换确定性但问题在于如果市场直接反弹后面的批次会买在高位拉低整体收益。这两种路径没有绝对优劣只有适不适合当前的波动环境。回测的任务不是证明哪一种更好而是告诉你在某一段历史行情里两种方式各自付出了多少波动代价。4.3 调仓规则调仓要提前定义不能凭感觉。常见规则有两种固定周期再平衡例如每季度把组合拉回目标比例。阈值再平衡例如某类资产占比偏离目标超过 5 个百分点时触发调整。对一年维度的复盘来说固定周期规则更容易执行也更便于归因。每次调仓都记录触发原因、操作比例和事后的结果积累几次之后就能形成属于你自己的“调仓行为准则”。4.4 两种抄底风格对比维度一次性重仓分批定投式下跌加仓择时要求高低最大浮亏可能很深相对平滑对资金的要求前期完成建仓需要保留后续弹药心理压力大较小主要风险买在半山腰市场快速反弹导致成本偏高5. 回测与复盘流程5.1 计算回撤序列回撤是“抄底”策略最基础的输入。它表示当前价格距离历史高点的百分比。import pandas as pd import numpy as np def calc_drawdown(close: pd.Series) - pd.Series: 计算价格距历史高点的回撤序列返回负值例如 -0.20 表示回撤 20%。 rolling_max close.cummax() drawdown close / rolling_max - 1.0 return drawdown这个函数可以直接打印出来观察某段时间内是否出现过回撤超过阈值的情况持续时间有多长最大回撤发生在哪一天。这些信息是判断策略参数是否合理的起点。5.2 分批买入回测示例下面是一个教学用的简化回测函数。它把资金分成若干批在回撤触发后、回撤继续扩大的日子里分批买入并统计最终的持仓市值。需要注意这是一个简化版本没有考虑手续费、滑点、现金利息也没有处理同一轮下跌中“是否应该只买一次”的问题。def backtest_staged_buy( prices: pd.Series, cash: float, trigger: float -0.20, stages: int 4, ): 简化版分批下跌加仓回测。 参数说明 - prices: 日线收盘价序列索引为日期 - cash: 初始资金 - trigger: 触发加仓的回撤阈值默认 -20% - stages: 计划买入批次数 dd calc_drawdown(prices) budget_per_stage cash / stages position 0.0 buy_dates [] for i in range(len(prices)): # 回撤触发且回撤仍在扩大则买入一批 if dd.iloc[i] trigger and len(buy_dates) stages: if i 0 and dd.iloc[i] dd.iloc[i - 1]: position budget_per_stage / prices.iloc[i] buy_dates.append(prices.index[i]) # 期末市值剩余现金 持仓市值 remaining_cash cash - budget_per_stage * len(buy_dates) final_value remaining_cash position * prices.iloc[-1] return buy_dates, final_value真实回测需要在买入环节加入手续费、印花税和滑点假设否则结果会偏乐观。回测的价值不是让你相信历史收益而是理解策略在不同行情阶段的体验。5.3 绩效指标一年复盘至少要记录这几项指标总收益率、最大回撤、年化波动率、修复时间、相对买入持有基准的超额收益。def summary_metrics(close: pd.Series): dd calc_drawdown(close) total_return close.iloc[-1] / close.iloc[0] - 1.0 max_drawdown dd.min() annual_vol close.pct_change().std() * np.sqrt(252) return { total_return: round(total_return, 4), max_drawdown: round(max_drawdown, 4), annual_vol: round(annual_vol, 4), }判断策略是否值得继续跟踪不能只看总收益率还要看最大回撤和修复时间。一个收益率高但回撤极深的策略在真实持有过程中很可能拿不住最终执行出来的结果和回测相距甚远。5.4 与基准对比每次复盘都要和“买入持有”基准做对比。基准可以是不加择时、从同一时间点一次性买入并持有的净值曲线。对比的目的是回答一个问题额外的择时和分批操作是否真的带来了超额收益还是只是把波动变得好看了。如果两者的期末净值接近但分批操作投入了大量精力那这个策略的实际价值就要重新评估。6. AI 调仓辅助6.1 AI 在调仓流程中的边界AI 辅助调仓的目标不是取代决策而是把散落的信息聚合成结构化分析。它可以完成的事情包括归纳组合当前的持仓集中度和风险暴露。解读宏观新闻和行业信息中与持仓相关的部分。生成风险提示清单和调仓方向建议。把历史复盘结果整理成一段可保存的说明。它不应该直接决定买卖也不能给出具体时点承诺。原因很直接大模型会产生幻觉特别是在生成具体数字的时候。AI 输出的每个关键数字都需要人工核对这是把 AI 接入投研流程不可省略的步骤。6.2 调仓分析 Prompt 模板以下代码使用 OpenAI 兼容接口格式实际使用时需要替换成自己的 API 地址、模型名和密钥。import json import openai client openai.OpenAI( api_keyyour-api-key, # 替换为实际密钥 base_urlyour-endpoint-url # 按实际服务商地址调整 ) def generate_reallocation_suggestion( portfolio_summary: str, market_context: str, risk_constraints: str, ) - dict: prompt f 你是一个组合管理研究助手。请基于输入信息生成调仓建议草稿。 组合现状 {portfolio_summary} 近期市场与宏观信息 {market_context} 组合约束 {risk_constraints} 输出要求 1. 先列出组合当前的结构性风险不超过 5 条。 2. 给出调仓方向只描述方向不承诺具体收益。 3. 列出最重要的数据缺口和不确定因素。 4. 最后输出 JSON 结构 {{ risks: [风险1, 风险2], direction: 调仓方向描述, unknowns: [数据缺口1, 数据缺口2] }} 注意分析仅供研究参考不构成投资建议。 response client.chat.completions.create( modelyour-model-name, # 按实际可用模型调整 messages[{role: user, content: prompt}], temperature0.2, ) content response.choices[0].message.content # 尝试解析 JSON 输出失败时返回原始文本便于排查 try: return json.loads(content) except json.JSONDecodeError: return {raw_output: content}温度参数设为 0.2 是为了让输出更稳定。如果模型频繁跑偏可以进一步要求它“不要输出任何多余文字只输出 JSON”并在解析时做容错处理。6.3 解析输出与保存记录解析后的结果建议直接写入复盘记录文件格式如下{ date: 2021-03-15, risks: [科技板块占比超过 40%行业集中度偏高], direction: 适当降低高波动资产占比保留现金等待确定性机会, unknowns: [最新季报数据尚未覆盖, 宏观政策变化未纳入上下文] }每次调仓分析都留存一份这样的记录加上当时的行情数据快照和策略参数一年后就可以回看 AI 的分析在哪些场景下是对的、哪些场景下是缺失的。这种“分析留痕”比单次调仓结果更有价值。6.4 人工复核清单每次生成调仓建议后至少做三件事核对模型输出的数字与原始数据是否一致。检查建议是否违反组合约束例如最低仓位、单一行业上限。把建议内容回填到组合里做一次“假设调仓”的净值模拟再判断是否值得执行。AI 输出在形式上可能非常专业但它不掌握你的资金体量、现金流计划和真实风险承受能力。调仓决策必须保留人的最终判断权。7. 一周年复盘中值得观察的现象这一节从方法论角度总结复盘时值得关注的规律。不同标的、不同入场时间会得到不同结论但有一些共性问题值得注意。第一暴跌买入的分化来源主要是仓位管理而不是买入点。同样的触发条件分批买入和一次性买入的净值路径差别很大。一年后回看真正拉开差距的往往是后续批次是否留出了现金流以及市场继续下跌时是否还有能力加仓。第二一次性买入的浮亏深度会直接影响持有纪律。回撤越深中间放弃的概率越大。策略本身可能有效但如果持有者因为承受不住波动而中途卖出实际收益就会和回测结果差很多。复盘时要重点记录净值曲线上的“心理压力区间”判断这个区间是否超出自己的能力范围。第三市场修复速度无法预测。有的资产走的是快速修复路径有的需要很长时间磨底。一周年复盘时会出现“同一策略在不同资产上结果差异很大”的情况这并不代表策略失效而是标的基本面和修复路径不同。对这一点要有预期不要因为某一个标的的结果不好就否定整个框架。第四AI 分析能降低信息遗漏但不能消除判断误差。当多个模型给出的调仓方向不一致时通常说明当前数据不足以支撑确定性结论此时更稳妥的做法是降低调仓频率而不是频繁操作。如果 AI 输出的内容与公开数据明显矛盾优先检查输入文本是否完整、模型知识是否过时。8. 常见问题与排查方法排错时建议按“数据 - 策略 - AI 分析”的顺序来。先确认数据口径没问题再检查策略规则是否符合预期最后才怀疑模型输出。问题现象可能原因排查方式解决方案回测收益异常偏高未做复权处理、忽略手续费和滑点检查价格字段和成交假设使用复权数据加入交易成本一年内没有产生买入信号回撤阈值设置过深或数据历史不够长打印回撤序列分布并观察极值调整触发阈值延长数据窗口AI 输出无法解析成 JSON模型返回了额外文本或格式错误打印原始返回内容在 Prompt 中限制输出格式并做容错解析调仓建议与组合约束冲突Prompt 中缺少约束条件检查输入是否包含风险约束在 Prompt 中强制加入约束清单净值曲线和行情对不上数据源字段口径不一致抽样核对收盘价和成交量统一数据源记录数据版本AI 生成的具体数字有误模型幻觉或上下文缺失与源数据交叉验证关键数字由代码直接计算不让模型猜测行情接口调用失败网络限制、权限或接口变更检查返回状态码和错误信息切换备用数据源配置重试和降级9. 风险边界与合规提醒这篇文章的性质 暴跌买入一年复盘：策略回测与AI调仓辅助
这次我们复盘的对象不是某个开源项目而是一笔投资决策的完整生命周期在市场恐慌导致的暴跌阶段买入资产持有并跟踪一年再借助大模型做组合调仓。标题里的 Year follow-up on buying pandemic stock dip and AI reallocation 翻译过来就是“疫情暴跌抄底一周年复盘与 AI 调仓”。整个主题可以拆成三层来看策略怎么定义、回测怎么验证、AI 怎么辅助调仓。如果你自己会做投资组合管理这篇文章能给你一套可执行的复盘框架如果你是做量化回测的技术同学文中的 Python 代码可以直接改造成自己的回测脚本如果你想把大模型接进投研流程第 6 节的 Prompt 设计和输出解析可以当模板用。需要提前说明的是这篇文章不是投资建议也不会给出“买入某资产一年后赚了多少”这种结论因为买入方式、标的选择、仓位管理不同结果差异会非常大。文章提供的是验证方法和分析工具让你用自己的数据得出自己的结论。先说我对这个主题的核心判断暴跌买入这件事难点从来不是“敢不敢买”而是“怎么买、买多少、什么时候再平衡”。一年回头看真正决定组合结果的往往是仓位管理而不是最初的买入点。AI 在这里能做的事情同样有限它不能预测市场但可以把估值分位、宏观文本、组合风险这些信息压成结构化判断减少人工分析时的遗漏。1. 核心能力速览先把整套复盘流程的关键信息列出来方便你快速判断要不要继续往下看。能力项说明策略主题疫情冲击后的暴跌买入一年周期持有与调仓复盘分析工具Python pandas 行情数据接口 大模型 API主要能力回撤计算、分批买入回测、绩效指标、AI 调仓建议生成数据需求指数或个股日线行情、估值分位数据、宏观新闻与舆情文本硬件要求普通笔记本即可CPU 足够不需要 GPU启动方式Jupyter Notebook 或 Python 脚本无复杂部署API 能力大模型分析环节使用 API行情数据接口按具体数据源调整批量任务支持批量回测多只资产、批量生成调仓分析文本高风险环节数据口径、复权处理、Prompt 输出解析、AI 幻觉适合读者个人投资者、量化初学者、想接入大模型辅助投研的开发者这套流程不需要 GPU不需要 Docker一个 Python 环境加一个合规的行情数据源就能跑起来。硬件基本没有门槛真正的门槛在数据质量和策略规则是否足够清晰。2. 为什么把观察周期定在一周年一周年复盘的核心目的是把一次买入决策放到足够长的时间窗口里去检验。疫情冲击带来的市场下跌不是一天完成的修复过程也不是。如果把观察窗口定在三个月你看到的可能只是恐慌情绪的延续或者一次技术性反弹很容易得出错误结论。一年刚好覆盖了从恐慌、修复到情绪重新升温的过程能比较完整地评价“买入决策”本身是否正确。这个周期适合回答四个问题从买入点到一年后资产价格是否修复到买入成本之上。修复过程中的最大浮亏是多少是否超出了心理承受范围。分批买入和一次性买入的结果差异有多大。持有到中间如果做一次调仓哪些调整被证明是有效的。需要特别说明的是本文不预设“当时买入就一定赚钱”的结论。市场存在长期不修复甚至继续下行的可能也存在修复速度远超预期的路径。一周年复盘的价值恰恰是把这些不同路径摊开来看而不是用一个结果倒推一个原因。3. 数据准备与观察口径3.1 行情数据回测至少需要日线级别的数据字段日期、开盘价、最高价、最低价、收盘价、成交量。最关键的是复权处理。标的存在分红、送转的情况下不复权数据会让历史价格不连续直接导致收益计算失真。更稳妥的做法是使用前复权或后复权数据并在分析日志里记录采用的是哪种口径。如果后续要切换到其他数据源口径不一致会造成结论无法对比。3.2 估值分位数据暴跌不等于便宜。判断一次下跌是否值得介入需要看估值处于历史什么位置。常见做法是计算当前市盈率或市净率在过去 5 到 10 年的百分位。比如估值分位低于 30% 才进入候选区间。这个阈值必须可以配置因为不同行业、不同市场适用的区间差异很大用一套固定参数跑所有资产是回测里最常见的过度拟合来源之一。3.3 文本数据AI 调仓环节会用到公开市场信息例如宏观数据发布、行业新闻、公司公告摘要。文本来源要注意版权和数据合规只能使用你有权限访问的公开数据。任何抓取脚本都要遵守目标网站的访问条款不能绕过访问限制。更合理的做法是直接使用有授权的新闻数据服务把文本获取和解析的工作外包给数据服务商。3.4 数据目录结构建议把原始数据、中间结果和最终输出分开管理project/ ├── data/ │ ├── raw/ # 原始行情数据 │ ├── processed/ # 清洗后的数据 │ └── meta/ # 估值分位等辅助数据 ├── notebooks/ # Jupyter 分析脚本 ├── outputs/ │ ├── equity/ # 净值曲线 │ └── reports/ # 调仓报告 └── config.yaml # 策略参数数据版本管理是很多人忽略的点。一年以后回看时你需要的不仅是当时的净值结果还包括当时用的数据源、复权方式、参数阈值。没有这些留痕复盘就只能停留在“赚了还是亏了”的层面。4. 策略框架先定义“抄底”再谈收益很多人把“抄底”理解成一次性的买入动作但可回测的策略必须把动作拆成可执行的规则。规则越明确一年后的复盘越容易归因。4.1 触发条件触发条件至少需要两个维度之一价格回撤资产价格从阶段高点回撤超过阈值例如 20%。估值分位当前估值进入历史低位区间例如低于过去 5 年 30% 分位。两个条件同时满足时信号的可靠性通常更强但同时满足的机会也会变少。这个取舍需要在回测里用不同参数对比而不是拍脑袋决定。建议先跑一组网格参数观察不同阈值下的交易次数、最大回撤和期末收益再根据你自己的持仓偏好选择。4.2 建仓方式建议优先测试分批买入而不是一次性买入。一次性买入对择时要求极高在恐慌期很容易买在半山腰分批买入等于用时间换确定性但问题在于如果市场直接反弹后面的批次会买在高位拉低整体收益。这两种路径没有绝对优劣只有适不适合当前的波动环境。回测的任务不是证明哪一种更好而是告诉你在某一段历史行情里两种方式各自付出了多少波动代价。4.3 调仓规则调仓要提前定义不能凭感觉。常见规则有两种固定周期再平衡例如每季度把组合拉回目标比例。阈值再平衡例如某类资产占比偏离目标超过 5 个百分点时触发调整。对一年维度的复盘来说固定周期规则更容易执行也更便于归因。每次调仓都记录触发原因、操作比例和事后的结果积累几次之后就能形成属于你自己的“调仓行为准则”。4.4 两种抄底风格对比维度一次性重仓分批定投式下跌加仓择时要求高低最大浮亏可能很深相对平滑对资金的要求前期完成建仓需要保留后续弹药心理压力大较小主要风险买在半山腰市场快速反弹导致成本偏高5. 回测与复盘流程5.1 计算回撤序列回撤是“抄底”策略最基础的输入。它表示当前价格距离历史高点的百分比。import pandas as pd import numpy as np def calc_drawdown(close: pd.Series) - pd.Series: 计算价格距历史高点的回撤序列返回负值例如 -0.20 表示回撤 20%。 rolling_max close.cummax() drawdown close / rolling_max - 1.0 return drawdown这个函数可以直接打印出来观察某段时间内是否出现过回撤超过阈值的情况持续时间有多长最大回撤发生在哪一天。这些信息是判断策略参数是否合理的起点。5.2 分批买入回测示例下面是一个教学用的简化回测函数。它把资金分成若干批在回撤触发后、回撤继续扩大的日子里分批买入并统计最终的持仓市值。需要注意这是一个简化版本没有考虑手续费、滑点、现金利息也没有处理同一轮下跌中“是否应该只买一次”的问题。def backtest_staged_buy( prices: pd.Series, cash: float, trigger: float -0.20, stages: int 4, ): 简化版分批下跌加仓回测。 参数说明 - prices: 日线收盘价序列索引为日期 - cash: 初始资金 - trigger: 触发加仓的回撤阈值默认 -20% - stages: 计划买入批次数 dd calc_drawdown(prices) budget_per_stage cash / stages position 0.0 buy_dates [] for i in range(len(prices)): # 回撤触发且回撤仍在扩大则买入一批 if dd.iloc[i] trigger and len(buy_dates) stages: if i 0 and dd.iloc[i] dd.iloc[i - 1]: position budget_per_stage / prices.iloc[i] buy_dates.append(prices.index[i]) # 期末市值剩余现金 持仓市值 remaining_cash cash - budget_per_stage * len(buy_dates) final_value remaining_cash position * prices.iloc[-1] return buy_dates, final_value真实回测需要在买入环节加入手续费、印花税和滑点假设否则结果会偏乐观。回测的价值不是让你相信历史收益而是理解策略在不同行情阶段的体验。5.3 绩效指标一年复盘至少要记录这几项指标总收益率、最大回撤、年化波动率、修复时间、相对买入持有基准的超额收益。def summary_metrics(close: pd.Series): dd calc_drawdown(close) total_return close.iloc[-1] / close.iloc[0] - 1.0 max_drawdown dd.min() annual_vol close.pct_change().std() * np.sqrt(252) return { total_return: round(total_return, 4), max_drawdown: round(max_drawdown, 4), annual_vol: round(annual_vol, 4), }判断策略是否值得继续跟踪不能只看总收益率还要看最大回撤和修复时间。一个收益率高但回撤极深的策略在真实持有过程中很可能拿不住最终执行出来的结果和回测相距甚远。5.4 与基准对比每次复盘都要和“买入持有”基准做对比。基准可以是不加择时、从同一时间点一次性买入并持有的净值曲线。对比的目的是回答一个问题额外的择时和分批操作是否真的带来了超额收益还是只是把波动变得好看了。如果两者的期末净值接近但分批操作投入了大量精力那这个策略的实际价值就要重新评估。6. AI 调仓辅助6.1 AI 在调仓流程中的边界AI 辅助调仓的目标不是取代决策而是把散落的信息聚合成结构化分析。它可以完成的事情包括归纳组合当前的持仓集中度和风险暴露。解读宏观新闻和行业信息中与持仓相关的部分。生成风险提示清单和调仓方向建议。把历史复盘结果整理成一段可保存的说明。它不应该直接决定买卖也不能给出具体时点承诺。原因很直接大模型会产生幻觉特别是在生成具体数字的时候。AI 输出的每个关键数字都需要人工核对这是把 AI 接入投研流程不可省略的步骤。6.2 调仓分析 Prompt 模板以下代码使用 OpenAI 兼容接口格式实际使用时需要替换成自己的 API 地址、模型名和密钥。import json import openai client openai.OpenAI( api_keyyour-api-key, # 替换为实际密钥 base_urlyour-endpoint-url # 按实际服务商地址调整 ) def generate_reallocation_suggestion( portfolio_summary: str, market_context: str, risk_constraints: str, ) - dict: prompt f 你是一个组合管理研究助手。请基于输入信息生成调仓建议草稿。 组合现状 {portfolio_summary} 近期市场与宏观信息 {market_context} 组合约束 {risk_constraints} 输出要求 1. 先列出组合当前的结构性风险不超过 5 条。 2. 给出调仓方向只描述方向不承诺具体收益。 3. 列出最重要的数据缺口和不确定因素。 4. 最后输出 JSON 结构 {{ risks: [风险1, 风险2], direction: 调仓方向描述, unknowns: [数据缺口1, 数据缺口2] }} 注意分析仅供研究参考不构成投资建议。 response client.chat.completions.create( modelyour-model-name, # 按实际可用模型调整 messages[{role: user, content: prompt}], temperature0.2, ) content response.choices[0].message.content # 尝试解析 JSON 输出失败时返回原始文本便于排查 try: return json.loads(content) except json.JSONDecodeError: return {raw_output: content}温度参数设为 0.2 是为了让输出更稳定。如果模型频繁跑偏可以进一步要求它“不要输出任何多余文字只输出 JSON”并在解析时做容错处理。6.3 解析输出与保存记录解析后的结果建议直接写入复盘记录文件格式如下{ date: 2021-03-15, risks: [科技板块占比超过 40%行业集中度偏高], direction: 适当降低高波动资产占比保留现金等待确定性机会, unknowns: [最新季报数据尚未覆盖, 宏观政策变化未纳入上下文] }每次调仓分析都留存一份这样的记录加上当时的行情数据快照和策略参数一年后就可以回看 AI 的分析在哪些场景下是对的、哪些场景下是缺失的。这种“分析留痕”比单次调仓结果更有价值。6.4 人工复核清单每次生成调仓建议后至少做三件事核对模型输出的数字与原始数据是否一致。检查建议是否违反组合约束例如最低仓位、单一行业上限。把建议内容回填到组合里做一次“假设调仓”的净值模拟再判断是否值得执行。AI 输出在形式上可能非常专业但它不掌握你的资金体量、现金流计划和真实风险承受能力。调仓决策必须保留人的最终判断权。7. 一周年复盘中值得观察的现象这一节从方法论角度总结复盘时值得关注的规律。不同标的、不同入场时间会得到不同结论但有一些共性问题值得注意。第一暴跌买入的分化来源主要是仓位管理而不是买入点。同样的触发条件分批买入和一次性买入的净值路径差别很大。一年后回看真正拉开差距的往往是后续批次是否留出了现金流以及市场继续下跌时是否还有能力加仓。第二一次性买入的浮亏深度会直接影响持有纪律。回撤越深中间放弃的概率越大。策略本身可能有效但如果持有者因为承受不住波动而中途卖出实际收益就会和回测结果差很多。复盘时要重点记录净值曲线上的“心理压力区间”判断这个区间是否超出自己的能力范围。第三市场修复速度无法预测。有的资产走的是快速修复路径有的需要很长时间磨底。一周年复盘时会出现“同一策略在不同资产上结果差异很大”的情况这并不代表策略失效而是标的基本面和修复路径不同。对这一点要有预期不要因为某一个标的的结果不好就否定整个框架。第四AI 分析能降低信息遗漏但不能消除判断误差。当多个模型给出的调仓方向不一致时通常说明当前数据不足以支撑确定性结论此时更稳妥的做法是降低调仓频率而不是频繁操作。如果 AI 输出的内容与公开数据明显矛盾优先检查输入文本是否完整、模型知识是否过时。8. 常见问题与排查方法排错时建议按“数据 - 策略 - AI 分析”的顺序来。先确认数据口径没问题再检查策略规则是否符合预期最后才怀疑模型输出。问题现象可能原因排查方式解决方案回测收益异常偏高未做复权处理、忽略手续费和滑点检查价格字段和成交假设使用复权数据加入交易成本一年内没有产生买入信号回撤阈值设置过深或数据历史不够长打印回撤序列分布并观察极值调整触发阈值延长数据窗口AI 输出无法解析成 JSON模型返回了额外文本或格式错误打印原始返回内容在 Prompt 中限制输出格式并做容错解析调仓建议与组合约束冲突Prompt 中缺少约束条件检查输入是否包含风险约束在 Prompt 中强制加入约束清单净值曲线和行情对不上数据源字段口径不一致抽样核对收盘价和成交量统一数据源记录数据版本AI 生成的具体数字有误模型幻觉或上下文缺失与源数据交叉验证关键数字由代码直接计算不让模型猜测行情接口调用失败网络限制、权限或接口变更检查返回状态码和错误信息切换备用数据源配置重试和降级9. 风险边界与合规提醒这篇文章的性质