训练营跨越三月至四月的多轮行情：地缘冲突推升油气与贵金属关注度，AI 算力、电力和 CPO 反复获得资金回流，创新药、商业航天与资源品又在不同阶段接力。行情没有按单一题材线性推进，成员因此把复盘重点从“猜中哪只股票”转向“怎样识别市场状态”。
分享采用同一种检验方法：先展示当时的判断和实际操作，再把结果放回板块、资金、预期与纪律中复盘。这个过程没有消灭主观判断，而是要求每个判断留下可验证的痕迹。
训练过程形成了一个具体闭环：盘中观察市场，盘后复盘交易，写下次日预案，重放买卖点，再用同伴反馈检查判断与执行之间的偏差。
板块 · 市场主线
消息解释行情，承接决定交易
同一条新闻可以触发高开、分歧或回流。训练营把“市场正在讨论什么”与“资金愿意在哪里持续成交”分开观察。
议题 01
判断主线，要同时看叙事、广度、高度和承接
讨论。三月的油气行情带着清晰的地缘叙事，但明牌利好也更容易成为兑现窗口；AI 算力与电力则通过数据中心、电网、储能等分支形成多次回流。进入四月后，创新药、商业航天、CPO 和资源品并行轮动，市场的注意力进一步分散。
- 结论
- 主线不是传播最广的消息，而是能持续形成板块梯队、核心高度与成交承接的方向。
- 原因
- 消息只解决“为什么关注”，资金结构才解决“谁在买、能买多久、分歧后是否有人接”。
- 例子
- 油气在高开后迅速分歧，说明外围利好并未自动转化为可持续的场内合力；算力、电力和 CPO 的多次回流，则体现了产业叙事与场内资金之间的反复连接。
- 边界
- 广度与高度是观察框架，不是机械信号。不同市场阶段存在高度压制，单日涨停数量也不能独立证明题材持续性。
议题 02
情绪周期仍有用，但不能包办趋势行情
讨论。分享者把题材拆成启动、发酵、高潮、分歧和退潮，并观察资金从龙头向中军、弹性票和跟风股扩散，再在退潮时逆向收缩。这个框架帮助成员解释“买在分歧、卖在一致”，也暴露出它对 CPO、贵金属等趋势行情的解释不足。
- 结论
- 情绪周期适合识别风险收益位置；当行情由产业景气与机构资金推动时，趋势结构必须进入判断。
- 原因
- 纯情绪题材更依赖接力与流动性溢价，趋势题材则可能经历多轮分歧而不立刻退潮。
- 例子
- 板块高潮时后排普涨并不等于继续加仓，退潮时补涨也未必安全；但趋势核心沿均线运行时，单次分歧又不能直接等同于逻辑结束。
- 边界
- 周期名称不会自动产生买卖点。必须结合指数、板块强度、核心标的承接和资金传导验证。
板块 · 模式迭代
把判断写成预案，才有资格复盘
训练营多次追问同一个问题：如果明天的走势不符合你的判断，你准备做什么？
议题 03
先形成最小可执行模式，再增加规则
讨论。“最难被证伪”“看好主线”“买强势股”都能表达偏好，却不能直接指导行动。复盘指出，一个模式至少要写明观察对象、触发条件、买入动作、退出条件和记录方式；否则成功可能来自运气，失败也无法定位原因。
- 结论
- 模式的第一版不必复杂，但必须能重复执行并接受市场反馈。
- 原因
- 只有行动条件固定，结果差异才可能指向规则问题，而不是事后补叙事。
- 例子
- “选择成交活跃的强势板块，在分歧时买入有辨识度的核心，次日按预期与承接处理”仍然粗糙，但已经比“选最不容易被证伪的逻辑”更接近可检验模式。
- 边界
- 把规则写下来不等于把市场简化为公式。参数只约束行动，不能替代对市场状态的解释。
议题 04
选股规则必须服从模式，不存在统一市值门槛
讨论。材料中至少出现了九类做法：龙头连板、趋势容量、价值投机、主线核心滚动做 T、绩优股回调修复、弹性标的套利、主升趋势、固定日期事件埋伏，以及板块效应配合涨停基因潜伏。它们使用不同的收益来源，也给出不同甚至相反的选股条件。
- 结论
- 先说清交易模式，再讨论市值、持仓时间、买点和止损；脱离模式比较规则没有意义。
- 原因
- 情绪套利需要股性、辨识度与资金弹性，趋势容量更看重流动性、产业景气与机构承接，两者的风险来源不同。
- 例子
- 一份复盘建议短线优先小盘并设置 200 亿元以下过滤；另一份趋势模式则一般不做小市值，偏好 300 亿元以上。两条规则指向不同模式，不构成同一框架内的矛盾。
- 边界
- 市值只是过滤条件，不能独立产生收益。无论采用哪一类模式，仍需检查板块地位、成交承接、交易成本与退出前提。
短线复盘最重要的不是证明上一笔“做对了”，而是让下一次出现同类机会时，决策比上一次更清楚。
议题 05
预期不是口号，而是盘中决策和事后校准的共同基准
讨论。成员提出“最小可能证伪”的原则，但也担心逻辑长期无法证伪，最终演变成被动持有。讨论把解决方案落在书面预期：买入前记录次日应出现的走势、板块反馈与承接；盘中根据偏差采取动作；盘后再判断原预期为何失效。
- 结论
- 预期同时服务于执行和学习：盘中减少临时起意，盘后修正主观模型。
- 原因
- 没有事前记录，交易者很容易用结果重写当时的理由，失去真正的反馈。
- 例子
- 即使一次卖出后股价继续上涨，只要卖出符合既定模式，仍然可以把“卖飞”作为改进样本，而不是立即否定纪律。
- 边界
- 预期不是单一涨跌目标。时间、价格、板块强度、成交承接与突发事件都可能改变应对。
板块 · 市场结构
先辨认定价权，再选择交易语言
场外变量与场内资金都能推动股价，但它们产生信号的方式不同，适配的持仓周期也不同。
议题 06
定价权在场外，还是在场内？
讨论。油气、贵金属、碳酸锂等方向更容易受大宗价格、国际局势和产业供需影响；短线情绪票则更多由场内资金、板块联动与盘口反馈定价。把场外逻辑硬套成日内买卖点，或者只用盘口解释宏观资产，都容易形成认知失调。
- 结论
- 先判断定价权来源，再确定信息源、盯盘强度、持仓周期和退出规则。
- 原因
- 场外驱动可能跨越交易时段，场内强势信号也未必能改变全球商品或大盘股的核心定价。
- 例子
- 大宗映射更适合跟踪宏观趋势、供需与事件窗口；场内核心则要观察资金流向、梯队完整性、分时承接和情绪转折。
- 边界
- 两类定价并非互斥。算电协同、CPO 等方向既有产业逻辑，也有场内情绪，关键是识别当下哪一端在主导边际变化。
议题 07
二阶思维不是猜主力，而是建立交易对手假设
讨论。一阶信息描述“利好、高开、资金流入”；二阶判断继续追问：持筹者为什么卖，新增资金为什么买，谁承担回撤，谁会在下一时点接盘。这个追问把个股重新放回板块地位与市场结构。
- 结论
- 每一笔交易都应回答“准备赚谁的钱”，并用成交与板块反馈检验这个假设。
- 原因
- 当利好已经被充分交易，高开可能对应兑现；当板块分歧但核心持续承接，回落反而可能提供更好的风险收益。
- 例子
- 光通信板块午后集体走强时，讨论不止停留在“涨了”，还观察资金从退潮板块流出、机构与游资共同买入以及核心票的板块地位。
- 边界
- “如果我是主力”只是一种假设工具。若盘口、成交和后续反馈不支持，就必须放弃，而不能把想象当证据。
板块 · 纪律与错误复盘
错误不是标签，要拆成可修改的动作
“追高”“拿不住”“止损晚”都只是结果描述。训练营继续拆解触发它们的情绪、标的选择和预案缺口。
议题 08
利好高开不等于买点，一致也可能是兑现
讨论。中国海油案例中，周末油价上涨强化了油气叙事，周一高开却没有带来持续收益。复盘将错误拆成三层：忽略前期涨幅与价格已反映的信息，没有继续追问持筹者会否借利好兑现，也没有在买入前设定承接标准。
- 结论
- 事件驱动交易要先判断利好是否已经计价，再观察一致后的承接，而不是把新闻强度直接换算成上涨空间。
- 原因
- 当参与者形成同一预期，新增买盘减少，已有持筹者反而获得集中兑现窗口。
- 例子
- 周末发酵、周一大幅高开属于典型的一致时点；若标的缺少场内主导资金，抢跑行为会放大回落。
- 边界
- 高开不是天然卖点。弱转强、换手承接和板块扩散仍可能支持交易，但需要新的盘面证据。
议题 09
卖出纪律要约束情绪，也要保留情境
讨论。固定止盈线便于执行，却可能忽略标的差异；完全“看情况”又容易让情绪接管决策。分享把卖出拆成时间、价格、情绪、板块和交易前提五组信号，并强调小资金可以利用流动性优势减少拖延。
- 结论
- 卖出纪律应当标准化判断流程，而不是强迫所有股票使用同一百分比。
- 原因
- 趋势修复、事件兑现、情绪接力和套利交易的持有逻辑不同，退出触发器也应不同。
- 例子
- 主线不破、逻辑未坏、缩量回调时，机械止损可能丢失核心筹码；均线结构转空、承接消失时，坚持等到固定亏损线又会放大损失。
- 边界
- 情境化不等于临场随意。关键条件仍需在买入前写入预案，并在盘后检查执行偏差。
板块 · 量化、主观与金融 AI
把能力放在正确的位置，而不是争论谁取代谁
讨论没有把量化简化成“机器更快”，也没有把主观判断包装成不可验证的直觉，而是拆开预测、执行、研究与风险管理。
议题 10
量化的基本结构：预测与执行
讨论。分享把量化工作概括为两条线：一条通过因子、模型和组合形成预测；另一条处理下单、拆单、时点、交易成本和盘口执行。不同市场、资金规模与频率决定两条线的权重，也决定策略容量。
- 结论
- 量化不等于某个模型，而是一套从研究假设、数据检验到交易执行和风险约束的系统。
- 原因
- 同一预测在不同执行方式下可能产生不同成本；同一策略在资金扩大后，也可能因冲击成本和容量限制失效。
- 例子
- 个人研究可以侧重预测与择时，机构还要处理拆单、报单效率、合规和大资金容量；策略规模上升后，原本有效的小盘或高频机会可能迅速衰减。
- 边界
- 回测曲线不能独立证明有效性。样本外表现、交易成本、数据质量、拥挤度和市场制度都必须进入检验。
议题 11
主观与量化的分工：解释异常，约束行动
讨论。对于“如何识别量化痕迹、避免被量化收割”，会上给出的直接回答是：量化策略和因子并不统一，很难通过一套通用痕迹识别；个人交易者首先要把自己的模式做清楚。进一步的讨论才转向协作：主观完成问题定义、标的聚类与异常解释，量化完成筛选、执行和风险约束。
- 结论
- 先完善自己的交易模式，再使用量化检验和执行；不要把“量化”想象成单一交易对手。
- 原因
- 主观擅长处理语境和结构变化，量化擅长处理一致性、规模和重复执行；两者的缺点恰好对应对方的优势。
- 例子
- 主观先把化工、算力或创新药按产业逻辑与市场状态分类，再对每类标的分别设置可测试的选股、时点和退出规则，比让单一模型在全市场无差别搜索更容易解释。
- 边界
- “半量化”要防止人工挂单未撤、程序再次下单而触发自成交或对倒风险；讨论同时提醒，这类协作存在明确的合规边界。
议题 12
金融 AI 的价值：压缩搜索与编码时间，扩大可检验范围
讨论。会上区分了两类因子研究：一类先看样本表现，不追求经济逻辑；另一类从宏观、金融和产业逻辑出发组合因子。Agent 加速了前一类搜索，也使早期因子优势在更多机构采用后迅速衰减；金融逻辑仍然决定因子能否保持稳定。
- 结论
- AI 可以降低公开信息搜索和代码生成成本，形成“散户机构化”的研究条件；差异仍来自问题选择与领域逻辑。
- 原因
- 当相同 Agent 被广泛使用，容易发现的经验因子会快速拥挤和衰减；带有金融解释的因子更容易检查其适用条件。
- 例子
- AI 可以辅助写程序、搜索关联标的和枚举因子，但完整的产业拓扑仍需要实地调研、专家信息和对公司生态位的核验。
- 边界
- 会上对“AI 无法分析情绪”的表述更适合视为当前能力边界，而不是永久结论；工具扩散也会同步削弱先发优势。