pynbj1001 交易思维框架 - Trading Mindset Skill
核心理念
贝叶斯思维 + 三门问题 = 职业交易员的最高修养
| 思维模型 | 交易应用 |
|---|---|
| 三门问题换门 | 基本面变化 → 果断换仓 |
| 贝叶斯更新 | 新信息 → 重新计算概率 |
| 沉没成本 | 忘记买入价，只看未来期望 |
| 期望值决策 | 不追求确定性，追求赔率×胜率 |
核心框架
1. 持仓检查清单（三门问题检测）
对每个持仓股票问：
□ 基本面逻辑是否仍然有效？
□ 行业/政策/竞争格局是否发生根本变化？
□ 当初买入的假设条件还成立吗？
□ 市场是否已经帮我"开了门"（排除错误选项）？
□ 换仓的期望值是否比持有更高？
决策规则：
- 如果 3 个以上"否" → 考虑换门（调仓）
- 如果基本面逻辑失效 → 立即执行"换门"
2. 买入前评估（贝叶斯先验）
1. 初始假设：这家公司为什么值这个钱？
2. 先验概率：历史上类似情况的胜率是多少？
3. 需要验证：哪些信号出现时说明假设错误？
4. 期望值计算：涨的空间 vs 跌的空间 × 概率
3. 卖出决策（沉没成本清零）
该卖的信号：
- 买入逻辑已被证伪
- 基本面恶化（政策、技术、竞争）
- 出现了更好的机会（换门期望值更高）
- 达到预期目标位
不该卖的情况：
- 只是因为下跌恐惧（情绪而非逻辑）
- 短期波动但长期逻辑完好
- 试图"摊平"成本（沉没成本陷阱）
4. 期望值计算公式
期望值 = (上涨空间 × 上涨概率) + (下跌空间 × 下跌概率)
示例：
- 涨 50% 概率 40% → 20%
- 跌 20% 概率 60% → -12%
- 期望值 = 20% - 12% = +8% → 值得买
使用方法
评估单只股票
# 交互式评估引导
python3 /root/.openclaw/workspace/skills/trading-mindset/scripts/evaluate_stock.py --interactive
# 快速评估
python3 /root/.openclaw/workspace/skills/trading-mindset/scripts/evaluate_stock.py --stock "股票代码/名称" --check-type all
持仓组合复盘
# 全面复盘所有持仓
python3 /root/.openclaw/workspace/skills/trading-mindset/scripts/portfolio_review.py --holdings "股票1,股票2,股票3"
买入决策
# 买入前概率评估
python3 /root/.openclaw/workspace/skills/trading-mindset/scripts/buy_decision.py --stock "股票代码" --thesis "你的买入逻辑"
宏观事件评估（新增）
# 交互式宏观事件分析
python3 /root/.openclaw/workspace/skills/trading-mindset/scripts/evaluate_macro.py --interactive
# 快速评估特定事件
python3 /root/.openclaw/workspace/skills/trading-mindset/scripts/evaluate_macro.py --event "美联储利率"
输出格式
股票评估报告
## 📊 股票评估报告 - [股票名称/代码]
### 一、当前状态
- 买入价格：¥XX
- 当前价格：¥YY
- 盈亏：+ZZ%
### 二、三门检测
| 问题 | 状态 | 说明 |
|------|------|------|
| 基本面逻辑是否有效？ | ⚠️ | [原因] |
| 行业/政策/竞争有变化？ | ✅ | [无重大变化] |
| 买入假设还成立？ | ⚠️ | [部分失效] |
| 市场是否"开门"提示？ | ✅ | [信号1, 信号2] |
| 换门期望值更高？ | ❌ | [当前期望值 < 持有] |
### 三、决策建议
🟢 **持有** / 🔴 **卖出** / 🟡 **观察**
### 四、期望值计算
- 上涨空间：+X%
- 下跌空间：-Y%
- 上涨概率：P%
- 下跌概率：(100-P)%
- **期望值**：Z%
### 五、行动项
- [ ] 行动1
- [ ] 行动2
思维模型详解
三门问题（换门思维）
核心：主持人帮你排除错误选项后，换门胜率翻倍（1/3 → 2/3）
交易映射：
- 主持人 = 市场
- 打开的门 = 基本面恶化、政策变化、竞争加剧
- 换门 = 止损/调仓
应用场景：
- 持有的"低估值"股票突然行业逻辑变了
- 当初的"成长股"增速放缓
- 买入时的"护城河"被侵蚀
贝叶斯更新（概率思维）
核心：根据新信息不断更新概率判断
交易映射：
- 先验概率 = 买入前的历史胜率统计
- 似然函数 = 新信息（财报、政策、竞争）
- 后验概率 = 更新后的持仓信心
应用场景：
- 每季度财报发布后更新预期
- 政策出台后重新计算行业概率
- 竞争对手动态变化时调整仓位
沉没成本清零
核心：忘记买入价，只看未来期望
交易映射：
- 沉没成本 = 买入价、浮亏、已投入时间
- 未来期望 = 未来涨跌幅 × 概率
应用场景：
- 是否该割肉？→ 不看亏多少，看未来期望值
- 是否该换股？→ 不看持仓多久，看哪个期望值更高
经典案例
案例1：低估值陷阱
买入：PE 8倍，觉得"便宜"
持有：行业政策突变，逻辑失效
结果：越跌越觉得"便宜"，最终深套
三门思维：
- 市场已经帮你开了"3号门"（行业变化）
- 死守"1号门"= 和概率作对
- 换到"2号门"= 拥抱新概率
案例2：成长股幻灭
买入：预期利润增长 30%
实际：增长 10%，逻辑证伪
结果：还在等"原来的自己"
贝叶斯更新：
- 先验：30% 增长概率 70%
- 新信号：实际 10%
- 后验：修正预期，重新计算估值
纪律铁律
- 不因亏钱而卖 → 只因逻辑失效而卖
- 不因赚钱而傲 → 只因期望值变化而调仓
- 市场开门时立刻行动 → 不要等"奇迹"
- 换门零成本思维 → 手续费 vs 2/3 胜率
- 错了立刻认 → 付出代价最小
依赖
pip install pandas numpy -i https://pypi.tuna.tsinghua.edu.cn/simple