Vibe-Trading 行为金融技能过反应与无反应、情绪周期与去偏差的定量化实战指南【免费下载链接】Vibe-TradingVibe-Trading: Your Personal Trading Agent项目地址: https://gitcode.com/GitHub_Trending/vi/Vibe-Trading本文以 Vibe-Trading 仓库中的行为金融技能文档 SKILL.md 为主体完整讲解该技能如何将行为金融学理论转化为可计算的信号与风控规则从过反应/无反应双效应的量化信号到认知偏差检测清单、情绪周期指标、处置效应CGO与复合情绪评分的实现再到动量策略的行为学优化与反向交易触发条件。读完本文你可以理解这套“行为金融分析技能”的完整方法论知道它在多智能体情绪团队中如何被load_skill加载调用并能直接复用其信号定义、参数阈值与报告输出格式。一、技能定位把行为金融理论变成可执行的交易规则行为金融技能skill 名称behavioral-finance分类analysis的核心假设是市场参与者系统性地偏离理性决策而这些偏差可以被预测、被利用。该技能将这一假设落地为三类可执行产出动量/反转策略的行为学解释与参数优化例如 A 股动量窗口为何比美股更短市场情绪极端时的反向contrarian信号组合构建中的去偏差机制以及专门针对散户主导的中国 A 股市场的行为模式捕获。原文档列出的适用场景与当前仓库中的实际用法是互相印证的在 swarm 多智能体预设 sentiment_intelligence_team.yaml 中social_analyst社会情绪分析师与signal_synthesizer信号合成器两个 agent 的系统提示词都显式声明Use load_skill(behavioral-finance)并将其挂载在skills: [behavioral-finance, ...]列表中social_alpha_team.yaml 中的reddit_analyst同样用该技能来识别“极端散户情绪”extreme retail并做反向判断。从源码结构看该技能正是这些情绪类 agent 的“方法论骨架”。关于加载机制技能文档本身就是产品实现的一部分——agent 通过 load_skill_tool.py 读取 SKILL.md短文档一次返回全文超长文档先返回“骨架”标题树各节大小再按节拉取。behavioral-finance 这类中等长度的技能通常一次加载即可获得全文因此下文可以完整复述其内容。二、核心概念无反应产生动量过反应产生反转这是原文档“Core Concepts”的主体两条效应分别对应可交易的两个方向。2.1 无反应Underreaction→ 动量效应机制是锚定偏差 保守主义投资者锚定在旧信息上对新信息更新不足业绩超预期后股价是逐步消化而非一次性定价。原文档给出的 A 股证据与量化信号如下Mechanism: anchoring bias conservatism Investors anchor on old information and update insufficiently to new information After an earnings beat, the stock price digests it gradually rather than all at once China A-share evidence: - Earnings-guidance beats still produce 3-5% excess return over the following 20 days - After analyst rating upgrades, momentum often persists for 1-3 months Quant signal: SUE (standardized unexpected earnings) 2σ - buy and hold for 60 days Top 10% 20-day return - continue holding for 20 days (China A-share momentum cycles are shorter)落地要点SUE标准化意外盈利超过 2 倍标准差时买入并持有 60 天或者取 20 日收益率排名前 10% 的股票再持有 20 天——注意原文特别强调“A 股动量周期更短”因此持有窗口不是美股常用的 12 个月。2.2 过反应Overreaction→ 反转效应机制是代表性启发 可得性偏差投资者把近期趋势过度外推、忽视均值回归恐慌/亢奋推动反应超出基本面支撑。原文档给出的证据与信号Mechanism: representativeness heuristic availability bias Investors extrapolate recent trends too aggressively and ignore mean reversion Panic / euphoria drives reactions beyond what fundamentals support China A-share evidence: - Rebounds after consecutive limit-downs (after 3 limit-downs, the average 20-day rebound is 8%) - Big annual losers often earn 5-10% excess return the next year Quant signal: Bottom 10% of 250-day return - buy and hold for 250 days RSI(5) 10 - short-term rebound signal (5-10 days)即可交易规则为250 日收益率倒数 10% 的股票买入持有 250 天年度大输家的次年超额 5-10%短线层面用 RSI(5) 10 捕捉跌停潮后的 5-10 天反弹。2.3 关键区分表动量与反转的边界原文档用一张三维度表格划清了两种效应的适用边界这是防止策略混用的核心维度无反应动量过反应反转时间尺度1-12 个月1 周 或 12 个月信息类型明确事件业绩/公告模糊信息情绪/趋势A 股最佳窗口20-60 天5-10 天短/ 1 年长这张表直接回答了“为什么动量信号在 A 股要缩短窗口”的问题A 股中模糊信息驱动的过反应发生在 5-10 天尺度明确事件驱动的无反应动量发生在 20-60 天尺度两者不能共用一个持有期。三、认知偏差清单个体偏差与群体偏差的量化检测原文档将偏差清单分为“个体决策偏差”与“群体行为偏差”两张表每行都给出量化检测指标与去偏差策略可直接作为回测因子或风控规则。3.1 个体决策偏差偏差表现量化检测去偏差策略损失厌恶持有亏损股、过早卖出盈利股持仓期亏损头寸比盈利头寸长 2-3 倍预设止损线并机械执行过度自信过度交易、持仓集中月度换手 100%单票权重 30%限制每月交易次数锚定效应锚定买入价/历史高点买入价附近异常放量用相对估值而非绝对价格确认偏差只关注支持现有观点的信息信息单一来源忽视利空强制阅读对立观点近因偏差过度加权近期事件近期盈亏对仓位影响过大拉长评估窗口≥60 天框架效应同一信息不同表述导致不同决策收益率表述与绝对盈亏表述下的决策差异统一在收益率空间评估3.2 群体行为偏差含 A 股特征偏差表现A 股特征量化指标羊群效应集体追涨杀跌板块轮动极快3-5 天板块内股票相关性 0.8信息瀑布忽视私有信息跟随公开信号龙头股涨停后板块跟风龙头涨停次日板块收益注意力效应买入吸引注意的股票涨停/消息股换手暴增异常换手 3 倍均值在仓库的实际调用场景中群体偏差清单并非停留在纸面social_analyst的分析框架第 5 条明确要求输出“Behavioral flags —— chase rallies价涨量增; herding板块资金流; anchoring整数关口成交量聚集”与上表的检测指标一一对应最终汇入signal_synthesizer的反转判断。四、投资者情绪周期七阶段模型与五个量化情绪指标原文档给出情绪循环的完整链条以及每个阶段对应的位置含义Fear - Caution - Optimism - Excitement - Euphoria - Denial - Panic - Fear | | | | | | | Bottom Recovery Mid-uptrend Pre-top Top Early selloff Pre-bottom配套的五个可量化情绪指标均为 A 股可得数据且都带极端阈值封闭式基金折价折价 15% → 极端恐惧 → 买入信号两融余额增速月增速 20% → 亢奋 → 降仓新开户数周新增 2 倍均值 → 市场过热换手率全 A 日换手 3% → 亢奋 0.5% → 极度低迷涨停家数 100 只 → 亢奋 10 只 → 弱势。需要注意的是原文档 Notes 部分的提醒两融余额是 T1 发布、新开户数为周频因此这些指标不适合日内交易只能用于日频/周频的组合层面调节。五、分析框架四个可实现的量化模块这是原文档“Analysis Framework”的四个小节也是整篇技能文档中最接近“可直接实现”的部分。5.1 处置效应Disposition Effect信号CGO 指标原理投资者倾向于卖出盈利股、持有亏损股。盈利头寸大规模离场后抛压减轻深度套牢者也可能因“躺平”而停止抛售。A 股应用基于筹码结构中的盈利比例四象限Profit ratio 90% and shrinking volume - winners are reluctant to sell - may continue rising Profit ratio 90% and expanding volume - winners are exiting - topping signal Profit ratio 10% and shrinking volume - low willingness to cut losses - bottom stabilization Profit ratio 10% and expanding volume - panic selling - short-term oversold量化实现上用capital_gain_overhangCGO近似“获利盘抛压”capital_gain_overhang (current_price - avg_cost) / avg_cost 其中 avg_cost 用 60 日 VWAP 近似 CGO 0.2 - 浮盈巨大警惕处置效应抛压 CGO -0.3 - 深度套牢抛压反而可能减轻实现提示来自原文档 Dependencies该计算只依赖 pandas/numpy/scipy60 日 VWAP 即Σ(价×量)/Σ量的 60 日滚动任何日频行情源都可以算。5.2 复合情绪指标五因子加权评分0-100原文档给出的 Python 伪代码完整保留了权重设计与分档规则这是情绪周期模型的可执行版本# Multi-dimensional sentiment score (0-100, 50 neutral) sentiment_components { turnover_ratio: normalize(all_a_turnover, historical_percentile), # weight 25% margin_growth: normalize(monthly_margin_growth, historical_percentile), # weight 25% new_high_ratio: normalize(new_high_ratio, historical_percentile), # weight 20% limit_up_count: normalize(limit_up_count, historical_percentile), # weight 15% fund_discount: normalize(closed_end_fund_discount, historical_percentile), # weight 15% (inverse) } sentiment_score weighted_sum(components) # 80: extreme greed - cut exposure below 60% # 60-80: optimistic - maintain normal exposure # 40-60: neutral - keep exposure unchanged # 20-40: pessimistic - add gradually # 20: extreme fear - increase exposure above 80%要点五个分量全部用历史分位数归一化而非绝对值其中封闭式基金折价是反向计分折价越大 越恐惧 分数越低最终分数分五档映射到仓位暴露。值得注意的是仓库中signal_synthesizer的融合权重news 25% / social 35% / flow 40%见 sentiment_intelligence_team.yaml是另一层“多来源”加权与本节的“单来源多指标”加权是互补的两级结构。5.3 动量策略的行为学优化三项传统 12 个月动量在 A 股不稳定原文档给出三个优化方向Optimization 1: Separate sentiment momentum from fundamental momentum Sentiment momentum 无基本面支撑的近期上涨 - 短线反转 Fundamental momentum 与盈利修正一致的上涨 - 可持续 Trade: 买入“强基本面动量 弱情绪动量”的股票 Optimization 2: Attention-weighted momentum 高注意力散户票反转更快 Indicator: 异常换手 3 倍均值时动量持有期减半 Example: 常规动量篮子持有 60 天高注意力票只持有 30 天 Optimization 3: Combine cross-sectional and time-series momentum 截面动量相对强度收益排名前 20% 时序动量绝对趋势价格 MA60 两者同时满足 - 强信号只满足一个 - 半仓这三项优化把第二、三节的概念真正接回了策略参数优化 2 的“异常换手 3 倍”与群体偏差表中的注意力效应检测是同一个阈值优化 3 的双动量过滤则与 2.3 节“明确事件 vs 模糊信息”的区分同构。5.4 反向交易信号极端恐惧/贪婪触发清单反向信号采用“至少满足 3 项”的投票机制避免单一指标误触发Extreme-fear buy conditions (at least 3 items): □ Shanghai Composite RSI(5) 15 □ All-A daily turnover 0.5% □ Weekly margin-financing decline 5% □ Limit-up count 10 and limit-down count 50 □ Closed-end fund discount 15% Extreme-greed sell conditions (at least 3 items): □ Shanghai Composite RSI(5) 90 □ All-A daily turnover 3% □ Weekly margin-financing growth 10% □ Limit-up count 150 □ Weekly increase in new account openings 100%注意恐惧侧 5 项与贪婪侧 5 项并非严格对称恐惧侧包含“跌停家数 50”贪婪侧包含“新开户周增 100%”使用时不要机械镜像。六、输出格式行为金融分析报告的标准结构原文档定义了一份四段式报告模板这是技能产出的“验收标准” Market Sentiment Diagnosis Date: 2026-03-28 Sentiment score: 72/100 (optimistic bias) Current phase: transition from optimism to excitement Behavioral-Bias Signals Overreaction detection: 127 stocks rose 15% in the past 5 days - 65% probability of short-term reversal Disposition effect: winner-clearing ratio is low (35%) - overhead selling pressure remains Herding effect: sector correlation 0.85 - severe follow-the-leader behavior, divergence likely soon Strategy Recommendations Momentum strategy: shorten holding period from 60 days to 30 days (market attention is elevated) Contrarian signal: not triggered (sentiment is not yet extreme) Position suggestion: maintain 70% exposure, and prioritize names with strong fundamental momentum weak sentiment momentum Debiasing Checklist □ Are you overconfident because of recent profits? - check position concentration □ Are you anchored to your entry price? - re-evaluate using current PE/PB □ Are you ignoring bearish information? - force yourself to read bearish research reports该模板的四个段落恰好对应前文四个模块诊断情绪分阶段→ 偏差信号过反应/处置效应/羊群→ 策略建议持有期、反向信号、仓位→ 去偏差自查。在仓库里signal_synthesizer的 Required outputscomposite dashboard、historical percentile、reversal call、positioning、time window、limitations与此结构语义一致可以推断 swarm 预设是在这份报告骨架之上加成了多来源融合维度。七、工程约束与使用注意事项Notes 全解原文档 Notes 列出 6 条硬约束是防止误用的边界条件完整保留如下A 股散户占比高行为偏差信号比美股更显著但板块轮动更快因此动量窗口应当更短情绪指标滞后两融 T1 发布、新开户为周频不适合日内交易结构变化2019 年后外资与量化参与度上升传统行为金融信号的有效性可能减弱因子共线性处置效应因子与动量因子相关系数约 0.3-0.5构建多因子组合时需控制共线过拟合风险行为学叙事事后解释力太强必须做样本外验证极端情绪稀缺极端恐惧/贪婪一年只出现 2-3 次反向策略容量有限不能承担主力仓位。依赖方面技能声明的环境依赖仅为pip install pandas numpy scipy即所有信号计算都可以用这三个库加任意日频行情/两融数据源完成无需额外组件。八、小结这份 SKILL.md 的价值在于把行为金融学从“解释框架”压缩成了带阈值的可执行规则集无反应/过反应各有明确信号SUE2σ 持有 60 天、250 日收益倒数 10% 持有 250 天认知偏差各有量化检测列板块相关性 0.8、异常换手 3 倍情绪周期有五个分位数指标和一个 0-100 加权评分反向信号有五选三投票输出还有固定的四段式报告。结合仓库中 sentiment_intelligence_team.yaml 与 social_alpha_team.yaml 两个 swarm 预设可以看到该技能在多智能体情绪分析流水线中承担“行为学方法论层”的角色而 load_skill_tool.py 则保证 agent 在会话中按需、按需分页地把这份方法论载入上下文执行。【免费下载链接】Vibe-TradingVibe-Trading: Your Personal Trading Agent项目地址: https://gitcode.com/GitHub_Trending/vi/Vibe-Trading创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
