七成翻倍AI股回撤超20%，现在用AI炒股，一定要先问自己三个问题

关注

原创最新推荐文章于 2026-11-08 12:08:08 发布 160 阅读 AI 写同款· GEO 优化 ›

AI在量化交易中的真实应用：从预测价格到管理交易过程量化交易中的AI并非万能预言机，其核心价值在于将不可控的市场行为转化为可度量、可迭代、可干预的工程化流程。从金融时间序列建模到订单流结构分析，AI真正发挥作用的场景是交易过程管理——包括动态仓位调控、实时风险传导识别与订单簿微观结构解析。这类应用不依赖价格预测的‘确定性’，而是基于市场状态感知、特征漂移检测和可解释性决策等关键技术，显著提升策略鲁棒性与实盘稳定性。本文聚焦Finance领域中已验证落地的AI模块设计逻辑、四条不可妥协的系统铁律及12个实操关键节点，为Python入门者、策略瓶颈期从业者与警惕阅读详情

写在前面：我在编程行业待了八年多，其中一半时间在做量化相关的活儿——数据、因子、回测、风控。这篇不荐股，不给点位，只讲一套我自己在用的、可以落到代码和 prompt 上的流程。

一、先把那组数字摆出来

2026年7月10日收盘，证券时报·数据宝做了一次统计：在年内最大涨幅曾经翻倍的那批 AI 高弹性个股（市场上戏称”小登股”）里，有 88 只最新收盘价较年内高点回撤超过 20%，占比超过七成。其中不乏一年内最大涨幅超过 760%、股价创下历史新高之后又跌掉四成的标的。

基金端的数字更直观。Wind 的口径是：2026 年上半年全市场有 241 只权益基金收益率翻倍，创下史上最强半年度；到 7 月末，其中 239 只的年内累计收益率已经跌回 100% 以下。主动权益那一侧，6 月底还有 203 只翻倍基，7 月 24 日只剩 8 只，缩水 96%。这批基金 7 月的平均收益率是 -32.68%，单只产品最大回撤 47.68%。

海外同期也没好到哪去：三星电子、美光科技一个月内自高位最大回撤均超 30%，SK 海力士、闪迪、村田制作所回撤超 40%，费城半导体指数从 6 月 22 日的历史高位回撤超 20%，技术上进了熊市。

但故事没有停在这里。

8 月，同一批资产又涨回来了。截至 8 月 18 日，科创综指月内涨 15.65%，科创 50 涨 9.47%，创业板指涨 10.81%，全部跑赢沪深 300。跌得最狠的方向弹得最猛——Wind 光通信概念指数月内涨 35.62%，收复了 7 月一半以上的跌幅；个别光模块龙头月内涨超 70%，基本把 7 月的坑填平了。

添加图片注释，不超过 140 字（可选）

所以这轮行情真正的题目，从来不是”AI 该不该买”。

是：同一批资产在四周内先给你 -30%、再给你 +35%，你凭什么在最难受的那两周里做出不后悔的决定？

后悔的人分两种。一种是在 7 月中旬割在地板上的，一种是 7 月初还在加杠杆的。这两种人事后复盘时会说完全相反的话，但他们犯的是同一个错——所有的判断都发生在事后，没有一个发生在事前。

如果时间倒回 6 月底、7 月初，有人在你耳边问三个问题，大概率你不会做出那些决定。这三个问题不复杂，麻烦的是它们都需要真算，而不是拍脑袋。这恰恰是 AI 工具能帮上忙的地方。

本文方法以claude操作为例，考虑到国内订阅claude确实有点困难，可以参考一下这里：claudemax.shop

二、三个问题

我把它们写在自己的 Claude Project 说明里，每次要动仓位就先跑一遍：

这段涨幅里，多少是盈利给的，多少是估值给的？
如果它明天跌 30%，我这笔仓位还活着吗？
什么证据出现，我会承认自己错了？

顺序不能换。第一个问题决定”这是什么”，第二个决定”我能拿多少”，第三个决定”我什么时候走”。跳过任何一个，剩下的两个都会失效。

下面逐个说，每个都配上我实际在用的 Claude 用法。

三、问题一：这段涨幅里，多少是盈利给的，多少是估值给的？

3.1 为什么这个问题排第一

股价涨幅可以严格拆成两部分：

ln(P₁/P₀) = ln(EPS₁/EPS₀) + ln(PE₁/PE₀) 总涨幅 = 盈利贡献 + 估值贡献

这是个恒等式，不是模型，没有假设，不需要预测。

同样是股价涨到 3 倍，成分可以完全不同：

添加图片注释，不超过 140 字（可选）

A 类标的（盈利驱动）的下跌需要”业绩证伪”这种级别的事件；C 类标的（估值驱动）只需要市场情绪转向、贴现率上行、或者一句”资本开支回报率存疑”，估值中枢下移 40%，盈利一分钱不少，股价照样跌四成。

2026 年 7 月发生的，绝大部分是 C 类的故事。当时的背景数据是：5 月中旬人工智能板块整体市盈率约 55.83 倍，总市值 15.3 万亿元；年内涨幅超 100% 的 AI 概念股中，相当一部分动态市盈率远超行业平均，甚至有亏损公司享受着极高的市净率。同时全 A 前 5% 成交个股的成交额占比一度触及 51.11% 的历史极值——所有人挤在同一条船上。

触发下跌的不是基本面反转。6 月 FOMC 释放偏鹰信号、杠杆资金拥挤、加上市场开始重新审视 AI 资本开支的回报率。海外这边的数据当时已经在提示：某超大科技公司二季度营收同比增 24%、云业务增 82%，但资本开支上调到 1950–2050 亿美元区间，当季 449 亿的资本开支超过了 391 亿的经营现金流，自由现金流数十年来首次转负。业绩很好，股价照跌。

国金证券后来复盘时说的一句话我很认同：历史上抱团行情的首次大跌，往往源于外生扰动，而不是基本面逻辑反转。

这就是问题一的价值：它不预测下跌，它告诉你下跌需要多大的理由。如果你持有的是一只 87% 涨幅来自估值扩张的票，那么”什么都没发生”就足以让它跌 30%。

3.2 Claude 实操：让它当计算器，不要让它当算命先生

反面示范（我见过太多人这么问）：

“帮我分析一下 XX 股票现在能不能买”

这个提问方式有三个致命问题：模型会顺着你的语气给结论；它的训练数据有截止日期，不知道最新价格；它没有你的持仓、成本和风险偏好，给出的”建议”必然是通用废话。

正面做法：把它当成一个”结构化 + 写代码”的工具。

第一步，明确要求联网取数并交叉验证：

你现在的任务不是给投资建议，是做数据归因。标的：<代码/名称> 区间：2025-01-01 至今请联网检索并整理下列数据，每一项都标注来源和口径日期： 1. 区间起点和终点的收盘价（前复权） 2. 区间起点和终点的 TTM 每股收益 3. 对应的 TTM 市盈率 4. 若期间有过股本变动/送转，请指出并说明复权处理要求： - 如果某项数据检索不到，直接写"未获取"，不要用估计值填充 - 不同来源数据不一致时，把差异列出来，不要自己选一个 - 不要给出任何"该股是否值得买入"的判断

最后那条约束不是客套。模型在没有明确边界时，会自动往”给个结论”的方向滑，因为那看起来更”有用”。你要主动把这个出口关掉。

第二步，让它写归因代码而不是直接算：

基于上面确认的数据，写一段 Python，输入是一张包含 date / close / eps_ttm 三列的 DataFrame，输出： 1. 区间总对数收益 2. 盈利贡献与估值贡献的绝对值和占比 3. 按季度滚动的贡献拆解，画成堆叠面积图 4. 一个敏感性表：PE 分别下移 10/20/30/40% 时的股价影响不要用示例数据跑，把数据加载写成从 CSV 读入。

为什么要它写代码而不是直接给数字？因为代码可以被审查、被复用、被喂进新数据。模型算错一次你可能发现不了，代码错了跑一遍就露馅。这是我从工程习惯里带过来的偏执，但在这件事上它救过我好几次。

Claude 在这一步的实际优势是：它可以直接在对话里执行代码、生成图表文件，你不用在 IDE 和聊天窗口之间来回倒腾。数据源那边如果接了 MCP 连接器（比如你自己的数据库、Google Drive 里的持仓表），它可以直接读，不用你手动复制粘贴。

第三步，一句话结论自己下。模型给你的是分子分母，判断是你的事。

四、问题二：如果它明天跌 30%，我这笔仓位还活着吗？

4.1 大多数人从来没算过这笔账

“我能承受 20% 的回撤”——几乎所有人都这么说。但这句话在数学上是不完整的，因为它没说这个 20% 是怎么来的。

我做了一个很简单的蒙特卡洛：假设一只年化波动率 70% 的标的（这个数量级接近 2026 年上半年 AI 高弹性品种的实际水平），漂移项设为 0（即不假设涨跌方向），跑 20000 条路径 × 252 个交易日，看不同仓位权重下组合的一年内最大回撤分布。

添加图片注释，不超过 140 字（可选）

结论跟具体是哪只股票完全无关：

单票仓位	一年内最大回撤（中位数）	95 分位
10%	8%	13%
20%	15%	23%
40%	27%	39%
60%	39%	54%
100%	58%	82%

读一下第三行：40% 的仓位押在一只这种波动率的票上，一年内经历 20% 以上的组合回撤是中位数事件。不是黑天鹅，不是意外，是”一半的世界线里都会发生”的常态。

7 月那批基金里，回撤 40%+ 的产品是极致持仓的结果——这个数字不是运气不好，是仓位结构的必然输出。反过来看，少数几只提前把股票仓位从 90%+ 降到 80% 左右的产品，在同一段行情里年内收益仍能保住接近 100%，靠的也不是择时神通，是仓位本身的缓冲。

你能不能拿住，在你买入的那一刻就已经被仓位决定了，跟你的意志力关系不大。

4.2 Claude 实操：让它给你造一个”事前的痛苦体验”

我的 prompt 大致是这样（可以直接抄）：

帮我写一个组合回撤模拟脚本，用于事前压力测试，不用于预测。输入参数： - positions: [{name, weight, annual_vol, beta_to_sector}] - 板块年化波动率 sigma_sector - cash_weight - 是否使用杠杆 leverage (默认 1.0) 要求： 1. 用几何布朗运动生成路径，个股收益 = beta*板块因子 + 特质项 2. 漂移项设为 0（不预设方向），路径数 ≥ 20000，长度 252 3. 输出：组合最大回撤的 5/25/50/75/95 分位数 4. 输出：出现 -20% / -30% / -40% 回撤的概率 5. 输出：假设我在回撤达到 X% 时被迫止损，最终收益分布如何变化 6. 画一张箱线图，横轴是不同的仓位方案代码要能直接跑，参数写在顶部，我自己改。

第 5 条是关键，也是最多人漏掉的一条。它把”心理承受力”变成了可量化的东西：如果你会在 -25% 的时候扛不住卖掉，那你的策略实际上是”带止损的做多”，而不是”长期持有”，这两者的收益分布完全不同。让模型把这个分布画出来，你会对自己诚实很多。

跑完之后，我通常还会追加一句：

现在反过来求解：如果我希望一年内最大回撤的 75 分位不超过 20%，在上述参数下，单票权重的上限是多少？给出数值解和求解过程。

这一句话，就把”我觉得我能承受 20%“翻译成了一个具体的仓位数字。这个数字往往比人的直觉小得多——通常小 30%~50%。

4.3 一个更简单的替代方案

如果懒得跑模拟，用波动率目标法拍个数也行：

目标仓位 = 目标组合波动率 / 标的年化波动率

比如你希望组合年化波动率控制在 15%，标的年化波动率 70%，那么单票权重上限约 21%。粗糙，但比拍脑袋强一个量级。这个式子可以让 Claude 帮你写成一个每周自动更新的小脚本，输入是最近 60 个交易日的收益率序列。

添加图片注释，不超过 140 字（可选）

五、问题三：什么证据出现，我会承认自己错了？

5.1 事前写下来，才叫证伪条件

7 月下跌的时候，市场上出现了两种叙事：一种说”泡沫破了”，一种说”黄金坑”。两种说法在当时都无法证伪，因为它们都不包含具体的、可验证的、有时间戳的条件。

事后我们知道，当时基本面这一侧确实没塌：算力租赁报价还在上行，大模型企业年化营收保持环比增长，不少核心标的一季度净利润同比增长 20% 以上甚至翻倍。到 8 月中报密集披露期，电子和通信在所有行业里利润增长预测中位数排前五，AI 硬件上游的有色资源品在披露率超 10% 的行业里排第一。硬科技从”超跌反弹”往”景气验证”转的那个拐点，是被中报数据推过去的。

但这些都是事后才清晰的。事前你唯一能做的，是把”如果 A 发生，我认错”写下来，并且让 A 是一个可以被数据回答的问题。

坏的证伪条件长这样：

❌ “如果行业景气度恶化我就走”
❌ “如果它跌破关键支撑位”
❌ “如果 AI 泡沫破了”

好的证伪条件长这样：

✅ “如果连续两个季度，公司营收环比增速低于 X%，我减仓一半”
✅ “如果北美四大云厂商中有两家在同一季度下调全年资本开支指引，我清仓”
✅ “如果该公司应收账款周转天数连续两季超过 Y 天，且经营现金流连续两季为负，我清仓”
✅ “如果我的持仓集中度（前三大合计）超过 60%，无论看多与否，强制减到 50%”

区别在于：好的条件有数据源、阈值、频率、动作四个要素，任何一个缺失，它在真正下跌的时候都会被你的情绪重新解释。

5.2 Claude 实操：让它扮演空头，然后把结论变成清单

这一步我一定用”红队”的方式做，因为人对自己的多头逻辑有天然的盲区。

角色设定：你是一家对冲基金的空头分析师，你的奖金取决于能不能找出下面这个多头逻辑的漏洞。 <粘贴我自己写的持仓逻辑，300-500 字> 请完成： 1. 列出这个逻辑成立所依赖的全部隐含假设（包括我没写出来的） 2. 对每个假设，指出它可能在什么条件下失效 3. 对每个失效条件，给出一个可以用公开数据定期验证的指标：数据源 / 具体字段 / 阈值 / 检查频率 4. 按"最可能先发生"排序约束： - 不要安慰我，不要在结尾加"当然多头也有道理" - 如果某个失效条件无法用公开数据验证，明确标注"不可验证"，不要编一个看起来很像的指标

最后那条约束同样重要。模型在被要求”给出指标”时，有一定概率生成看起来专业但实际上并不存在或无法获取的字段。你必须显式地给它一个”承认做不到”的出口，否则它会填空。

拿到结果后，把它压缩成一张清单存下来。我用的格式很土，就是一个 YAML：

position: 光模块龙头 A thesis_date: 2026-06-28 cost_basis: xxx max_weight: 0.18 # 来自问题二的求解结果 attribution: # 来自问题一 earnings_contrib: 0.42 valuation_contrib: 0.58 falsification: - id: capex_cut desc: 北美两家及以上云厂商同季下调全年资本开支指引 source: 各公司季报电话会 freq: 季度 action: 清仓 - id: margin_squeeze desc: 毛利率连续两季环比下滑超 3pct source: 定期报告 freq: 季度 action: 减半 - id: crowding desc: 全A前5%成交个股成交占比 > 48% source: 交易所日度数据 freq: 周度 action: 减仓至 max_weight 的 60% - id: valuation desc: 板块 PE(TTM) 分位数 > 95%（近5年） source: 自建数据库 freq: 周度 action: 停止加仓

然后每周把这个文件丢给 Claude，让它对照最新数据逐条判定”触发 / 未触发 / 数据不足”。如果你把数据源接成了 MCP 连接器，这一步可以完全自动；不接的话，手动喂 CSV 也就五分钟。

这套东西的全部价值，在于它是 6 月 28 日写的，不是 7 月 15 日写的。 7 月 15 日你写不出来——那个时候你写的每一个字都会被账户里的浮亏牵着走。

六、三个反模式，我自己都踩过

反模式一：把模型当行情终端。任何大模型都有知识截止日期，它对”当前价格”“最新市盈率”的记忆是不可靠的，而且它未必会主动告诉你这一点。凡是涉及现价、现值、最新公告的，要么让它联网检索并要求标注来源日期，要么你自己喂数据。我的硬规则是：任何进入决策的数字，必须能追溯到一个我看过的原始出处。

反模式二：单轮对话就下结论。 “帮我分析下这只票”然后拿着输出去下单，这是最危险的用法。模型的输出质量高度依赖于你给的约束和上下文。把三个问题拆成三段独立的、带明确产出物（归因表、模拟脚本、证伪清单）的任务，比一个大而全的提问好十倍。

反模式三：让模型替你承担责任。这个最隐蔽。当你潜意识里希望”有个东西告诉我该怎么做”的时候，你会不自觉地在 prompt 里泄露自己的倾向，然后模型会礼貌地回应你的倾向。检验方法很简单：把同一个问题，用完全相反的立场问一遍。如果两次得到的都是支持性回答，那说明你问的方式有问题，不是模型有问题。

七、一个可以直接抄的周度流程

我现在的实际节奏，加起来每周不到一小时：

频率	动作	用到的能力
建仓前（一次性）	跑问题一的归因，确认盈利/估值成分	联网检索 + 代码执行
建仓前（一次性）	跑问题二的蒙特卡洛，求解仓位上限	代码执行
建仓前（一次性）	红队 prompt 生成证伪清单，存成 YAML	长文本推理
每周	对照清单逐条判定，输出”触发/未触发/数据不足”	连接器 + 结构化输出
每季度	财报出来后重跑归因，看成分是否漂移	联网检索 + 代码执行
触发时	按清单执行动作，不重新论证	无需模型

最后一行是整套流程里唯一重要的一行。前面所有的工作，都是为了让”触发时不重新论证”这件事在心理上可行。

八、回到 2026 年 9 月

写这篇的时候是 9 月初。7 月的坑填得差不多了，中报把景气度证伪的担忧压了下去，卖方策略的口径普遍从”超跌反弹”转向”可以更积极一些”，但同时也在提醒：科技板块内部的分化会加剧，资金更青睐业绩能落地兑现的标的，成交量能否维持是关键。全市场成交额从峰值的 4 万亿附近回落到 2 万亿一线，观望情绪并没有完全消散。

外部还有一个变量：据报道 Anthropic 计划在 10 月上市，市场对其 IPO 估值的预期一度被谈到 2 万亿美元级别，若成行将是史上规模最大的 IPO 之一，年化营收运行率预期在 2026 年底达到千亿美元量级。目前美股缺乏可直接对标的上市同类前沿模型公司，定价锚不好找。这件事对硬科技情绪来说是一个双向期权——定价超预期会强化叙事，不及预期同样会传导回来。

我不知道接下来三个月会怎么走，这篇文章也不打算猜。

我只知道一件事：下一次那种让人手心出汗的行情来临时，决定你结果的，不是你当时有多聪明，而是你在它来临之前，有没有认真回答过那三个问题。

工具在这里的作用，不是替你回答，是让”认真回答”这件事从”需要一个下午 + 一个 Excel + 一点数学”，变成”半小时 + 三段 prompt”。门槛降下来了，做与不做的差别就全在你自己身上。

收录于