交易学习系列一｜Stocker OS：我的个人交易系统

我肯定是一个炒股小白。

可能是像我这样的人到了一定年纪，必然会被交易的世界所吸引。面对一个复杂问题，我习惯先梳理信息如何进入、判断如何形成、行动如何发生，以及经验如何回到下一轮决策里。股票市场把这条链路中的每一个问题都放大了：数据持续变化，信息真假混杂，市场情绪难以捉摸，政策面、资金面、供需面、情绪面、基本面……好像这的确是一个概率的赌博游戏。

在看了很多投研和股票交易相关的 skills、量化分析工具等，我尝试自己搭建了一套工具系统。

Stocker OS：https://stockeros.junyiyan.com/（本系统涉及个人数据和规则部分未部署发布）

这是一套围绕 AI 产业链构建的个人投资操作系统，用来组织数据、研究、规则、组合、执行和复盘。它目前仍处于早期验证阶段，没有被证明的交易优势，也没有获得自动处理真实资金的权限。

本文简要介绍本系统的一些构建思考，以此记录我怎样理解交易这件事。

1. 从预测价格转向决策管理

初学投资时，人很自然地会把注意力放在标的上。新闻、研报、K 线和社交媒体每天都在暗示同一个问题：接下来什么会涨？

我对 AI 模型和应用的实践经验有助于理解技术与产品趋势，却不能直接转化为投资收益。从产业理解到股票回报，中间还隔着公司映射、竞争格局、利润兑现、市场预期和估值。

熟悉一个行业甚至会带来额外风险。理解得越深入，越容易产生一种“我知道它未来会发生什么”的控制感，进而低估价格已经计入的预期。能力圈的价值应当体现在研究效率和问题质量上，不能被当作扩大仓位的许可证。

Stocker OS 把目标放在决策质量上。系统需要保存当时看到了什么、相信什么、市场可能相信什么、哪些证据会推翻判断，以及愿意用多少损失表达这个判断。未来仍然无法确定，但每次承担的风险应该拥有清晰的来源。

2. 交易决策是一条自进化的因果链

人们谈到交易系统时，经常想到指标、买点和止损线。我对它的理解更接近一条完整的因果链：

市场事实 → 研究解释 → 决策信号 → 组合约束 → 人工确认 → 交易或放弃 → 结果归因 → 规则修订

其中任何一段缺失，系统都会在压力下退化。

研究缺少原始证据，结论会变成叙事；有研究却没有组合约束，强烈观点会自然膨胀成过大仓位；买入前没有写好失效条件，持仓下跌后就会不断寻找新理由；只记录成交，不记录等待、拒绝和错过，复盘得到的样本会严重失真；规则可以被临场情绪随时覆盖，它也就失去了约束作用。

因此，最高交易规则 RULES.md 是 Stocker OS 的核心。它规定账户边界、证据纪律、仓位限制、买卖门槛、模型权限与规则修改流程。Dashboard、后台 Agent、模拟盘和手工真实账户账本都要服从同一份规则。系统出现冲突时，事实来源和风险规则的优先级高于任何模型生成的结论。

我希望通过这种设计把大量临场选择提前。盘中看到一只股票快速上涨时，不需要再依靠意志力决定是否追入，因为系统已经定义了过热状态、证据要求和买入门。持仓下跌时，也可以先检查原投资逻辑是否被破坏、风险预算是否超限，再处理情绪。

好的纪律不依赖人在每个时刻都足够理性。它会让危险动作需要更多步骤，让保守动作成为默认选项。

3. Stocker OS 如何运转

为了让这条决策链能够持续运行，我把系统拆成了六层：

  flowchart LR
    A["数据层<br/>行情、财务、公告、资讯"] --> B["解释层<br/>公司、产业链与事件"]
    B --> C["信号层<br/>证据、反证与状态"]
    C --> D["组合层<br/>仓位、现金与风险暴露"]
    D --> E["执行层<br/>人工确认与成交记录"]
    E --> F["复盘层<br/>归因、实验与规则版本"]
    F -->|"验证后的修改提案"| C

数据层负责保存可追溯的事实，同时标注来源、时间和新鲜度。模型无法修复错误的数据，只会让错误获得更流畅的解释，所以这一层还要处理财报实际可见日期、复权与未复权价格、交易成本、停牌和涨跌停等具体约束。

数据进入解释层后，会被放回公司与产业链之中。海外云厂商提高资本开支，只有沿着芯片、存储、服务器、网络、数据中心等环节找到真实传导路径，才能进一步讨论 A 股公司是否受益。行业事件提高研究优先级，收入和利润的兑现仍需公司证据支持。

我的研究范围覆盖完整的 AI 产业链，也会跟踪港股、美股、韩股和未上市公司的关键产业信息。实际可以买入的候选范围要小得多，目前只包括账户权限允许、流动性合适且通过前置研究的沪深主板公司。海外公司和双创龙头可以成为产业、估值或情绪的参照，但不会因此变成当前账户的交易指令。

信号层把研究判断保存成有期限的状态。系统当前会使用 WATCH、WAIT、NO_CHASE、WATCH_BUY_SETUP、RESEARCH_ONLY 等信号。WATCH_BUY_SETUP 只表示可以进入买入前检查，距离真实买入仍然隔着决策备忘录、估值复核、风险预算、组合检查和人工确认。随着证据变化，一条信号可以被增强、削弱、证伪或关闭，系统由此保存一个观点的变化历史。

组合层解决单个判断放入账户后的问题。不同公司可能共享同一种风险，几只 AI 硬件股也可能同时暴露在海外资本开支、半导体周期和市场风险偏好之下。名字数量增加不一定带来真正的分散。单票仓位、产业集中度、波动、流动性、现金比例与最大可承受损失，都要在这里一起计算。

执行层保留人的最终决定。后台可以刷新数据、生成研究、维护模拟盘和发送提醒，但系统不连接券商，也不读取账户或提交订单。真实交易由我在外部独立完成，再把成交事实手工写入本地追加式账本。账户承担的是我的损失，决策权也应当始终留在我手里。

最后一层负责复盘。交易结束后，盈亏只是结果的一部分。系统还要区分研究质量、执行质量与结果质量，判断收益来自公司兑现、估值变化、市场整体上涨、趋势或运气，也要区分亏损来自事实错误、估值错误、仓位错误、执行偏差或不可预见的事件。只有完成归因，结果才可能成为有效反馈。

4. AI 的角色是扩大检查范围

Stocker OS 使用了不同模型和多个研究角色。

多个模型给出相同结论，并不等于获得了多个独立证据。它们可能依赖相似的公开资料，也可能共享相近的推理偏差。将这些意见简单计票，只会制造一种看似客观的共识。

我更看重职责分离。市场与量价、基本面与估值、资讯与公告、政策、产业链、资金拥挤以及股东供给风险分别形成证据，再由多方和空方构造彼此最强的论点。研究经理负责指出冲突与缺口，组合层负责检查仓位和相关性。不同角色的意义在于增加反证覆盖，让系统更难忽略不利信息。

模型调用本身也分层。行情计算、规则阈值和组合约束优先使用确定性脚本；本地小模型处理资讯去重、聚类和实体映射；分析模型参与日常研究和多空论证；更强的推理模型只用于低频投委会、真实交易前复核和规则修改审查。

这套安排来自我对 AI 的基本判断：它擅长扩展阅读范围、整理上下文和暴露遗漏，也擅长把不完整的信息组织成令人信服的叙述。模型的语言能力越强，证据与权限边界就越重要。

所以，所有模型输出都只是带来源的候选判断。公司公告、财报和原始数据仍然拥有更高的事实地位；账户权限、风险预算与买入门不会被一段精彩分析覆盖；模型生成的内容只有写入规定的决策文件后，才会成为系统记录的一部分。

5. 先验证系统的下限

Stocker OS 已经有数据采集、资讯处理、研究角色、决策信号、Dashboard、Telegram 提醒、模拟盘、历史回测和规则实验，但这些基础设施只能说明系统开始运转。

当前阶段是 H0 历史稳健性验证。历史策略需要同时经受真实交易制度、交易成本、不利成本、不同起始日期、跨年度表现、近期样本外稳定性和最大回撤的检验。到目前为止，候选规则仍未同时通过全部门槛，因此系统没有进入前向影子验证，也不具备实盘资格。

过去的实验已经留下了一些很有价值的失败。某些风险过滤减少了回撤，同时造成长期过度空仓；某些恢复机制试图解决错过反弹的问题，实际却扩大了组合损失；一些策略在基准成本下表现尚可，增加佣金和滑点后迅速失效；还有一些策略在弱市场中看起来优秀，遇到强势基准年份便持续落后。

这些结果暴露了策略的真实结构。如果只挑选最好的一条收益曲线，它们都会被隐藏。

系统为真实资金设置了逐级晋升的路径：

H0 历史稳健性
→ S1 前向影子记录
→ S2 模拟盘稳健性
→ S3 小额实盘试运行
→ S4 扩大资金

历史回测只负责提供初步安全垫。之后还要冻结同一规则版本，记录足够长的前向样本，保留所有行动与未行动信号，检验扣除费用后的期望、回撤、运行稳定性和规则遵守率。即使进入小额实盘，每一笔订单仍然需要人工确认。

这条路径刻意设计得很慢。对一个刚开始建立投资体系的人来说，先弄清楚系统会怎样伤害自己，比急着证明它会赚钱更重要。

风险纪律也沿着相同思路设计。每笔真实交易都需要决策备忘录、证据、反证、失效条件、仓位上限与复核日期。仓位由单笔风险预算、止损距离、流动性、组合相关性和集中度共同决定。对某家公司再有信心，也不能跳过这些约束。

买入之前，我需要知道判断错误时大致会发生什么，以及账户能否承受这个结果。市场出现跳空、停牌和流动性消失时，理想止损价未必能够成交，风险预算还要为这些现实留下余地。

6. 系统最终训练的是人

Stocker OS 有一套规则进化流程，但“进化”不能等同于看到亏损后调整参数。

市场反馈非常嘈杂。一次盈利可能来自运气，一次亏损也可能发生在合理决策之后。系统如果不断追逐最近的结果，最后只会得到一套擅长解释历史的规则。

因此，每次规则修改都要从一个可以被证伪的假设开始，提前登记唯一变量、验证区间与失败条件。旧版本保持冻结，历史回放和前向模拟盘使用分离的样本，失败、等待、拒绝交易和数据故障都要保留下来。模型可以审查修改提案，最终批准权仍然属于我。

这套纪律同样适用于人的认知。我的行业经验、市场观点和投资风格都只是待验证的假设。当前设定的质量成长、中期持有和 AI 产业链能力圈，需要经过真实决策、持有体验和复盘数据逐步校准。几笔交易无法证明我适合某种风格，也不应该推动系统突然转向短线或更激进的仓位。

从这个角度看，Stocker OS 最终积累的是一份关于自己的数据：我在哪类问题上有判断优势，在哪类行情中容易失控，什么样的仓位会影响情绪，哪些机会值得长期跟踪，哪些钱应当主动放弃。

Dashboard、Agent、模型和自动化都只是外部结构。它们把人的判断过程暴露出来，让模糊的感觉留下证据，让行动留下上下文，让错误能够被重新检查。系统真正要训练的仍然是账户背后的那个人。

小结

我不期待 Stocker OS 消除市场的不确定性。市场中永远存在无法提前知道的变化，任何方法也都会经历失效。

我希望它提供一种更稳定的反馈方式：兴奋时降低行动权限，恐惧时重新检查事实，自信时主动寻找反证，犯错后区分判断、执行与运气。在一轮轮真实记录中，我可以逐渐知道自己依靠什么赚钱，又会因为什么亏钱。

这个项目仍处在很早的阶段。它已经形成基本架构，也积累了一批失败实验，距离被验证的交易系统还有很长的路。这段距离本身就是我要记录的内容。

未来回看这篇文章时，我希望它只代表一个起点：一个刚进入市场的人，尝试用自己熟悉的系统工程方式，学习怎样对判断负责，怎样对风险保持诚实。

如果这套系统最终有价值，它应该让我在错误发生时仍然留在场内，在机会出现时仍有能力行动，并让每一次承担过的风险都成为下一次决策的依据。