暴跌买入一年复盘：策略回测与AI调仓辅助

这次我们复盘的对象不是某个开源项目，而是一笔投资决策的完整生命周期：在市场恐慌导致的暴跌阶段买入资产，持有并跟踪一年，再借助大模型做组合调仓。标题里的 "Year follow-up on buying pandemic stock dip and AI reallocation" 翻译过来就是“疫情暴跌抄底一周年复盘与 AI 调仓”。整个主题可以拆成三层来看：策略怎么定义、回测怎么验证、AI 怎么辅助调仓。

如果你自己会做投资组合管理，这篇文章能给你一套可执行的复盘框架；如果你是做量化回测的技术同学，文中的 Python 代码可以直接改造成自己的回测脚本；如果你想把大模型接进投研流程，第 6 节的 Prompt 设计和输出解析可以当模板用。需要提前说明的是，这篇文章不是投资建议，也不会给出“买入某资产一年后赚了多少”这种结论，因为买入方式、标的选择、仓位管理不同，结果差异会非常大。文章提供的是验证方法和分析工具，让你用自己的数据得出自己的结论。

先说我对这个主题的核心判断：暴跌买入这件事，难点从来不是“敢不敢买”，而是“怎么买、买多少、什么时候再平衡”。一年回头看，真正决定组合结果的往往是仓位管理，而不是最初的买入点。AI 在这里能做的事情同样有限：它不能预测市场，但可以把估值分位、宏观文本、组合风险这些信息压成结构化判断，减少人工分析时的遗漏。

1. 核心能力速览

先把整套复盘流程的关键信息列出来，方便你快速判断要不要继续往下看。

这套流程不需要 GPU，不需要 Docker，一个 Python 环境加一个合规的行情数据源就能跑起来。硬件基本没有门槛，真正的门槛在数据质量和策略规则是否足够清晰。

2. 为什么把观察周期定在一周年

一周年复盘的核心目的，是把一次买入决策放到足够长的时间窗口里去检验。疫情冲击带来的市场下跌不是一天完成的，修复过程也不是。如果把观察窗口定在三个月，你看到的可能只是恐慌情绪的延续或者一次技术性反弹，很容易得出错误结论。一年刚好覆盖了从恐慌、修复到情绪重新升温的过程，能比较完整地评价“买入决策”本身是否正确。

这个周期适合回答四个问题：

• 从买入点到一年后，资产价格是否修复到买入成本之上。
• 修复过程中的最大浮亏是多少，是否超出了心理承受范围。
• 分批买入和一次性买入的结果差异有多大。
• 持有到中间，如果做一次调仓，哪些调整被证明是有效的。

需要特别说明的是，本文不预设“当时买入就一定赚钱”的结论。市场存在长期不修复甚至继续下行的可能，也存在修复速度远超预期的路径。一周年复盘的价值，恰恰是把这些不同路径摊开来看，而不是用一个结果倒推一个原因。

3. 数据准备与观察口径

3.1 行情数据

回测至少需要日线级别的数据字段：日期、开盘价、最高价、最低价、收盘价、成交量。最关键的是复权处理。标的存在分红、送转的情况下，不复权数据会让历史价格不连续，直接导致收益计算失真。更稳妥的做法是使用前复权或后复权数据，并在分析日志里记录采用的是哪种口径。如果后续要切换到其他数据源，口径不一致会造成结论无法对比。

3.2 估值分位数据

暴跌不等于便宜。判断一次下跌是否值得介入，需要看估值处于历史什么位置。常见做法是计算当前市盈率或市净率在过去 5 到 10 年的百分位。比如，估值分位低于 30% 才进入候选区间。这个阈值必须可以配置，因为不同行业、不同市场适用的区间差异很大，用一套固定参数跑所有资产是回测里最常见的过度拟合来源之一。

3.3 文本数据

AI 调仓环节会用到公开市场信息，例如宏观数据发布、行业新闻、公司公告摘要。文本来源要注意版权和数据合规，只能使用你有权限访问的公开数据。任何抓取脚本都要遵守目标网站的访问条款，不能绕过访问限制。更合理的做法是直接使用有授权的新闻数据服务，把文本获取和解析的工作外包给数据服务商。

3.4 数据目录结构

建议把原始数据、中间结果和最终输出分开管理：

project/ ├── data/ │ ├── raw/ # 原始行情数据 │ ├── processed/ # 清洗后的数据 │ └── meta/ # 估值分位等辅助数据 ├── notebooks/ # Jupyter 分析脚本 ├── outputs/ │ ├── equity/ # 净值曲线 │ └── reports/ # 调仓报告 └── config.yaml # 策略参数

数据版本管理是很多人忽略的点。一年以后回看时，你需要的不仅是当时的净值结果，还包括当时用的数据源、复权方式、参数阈值。没有这些留痕，复盘就只能停留在“赚了还是亏了”的层面。

4. 策略框架：先定义“抄底”，再谈收益

很多人把“抄底”理解成一次性的买入动作，但可回测的策略必须把动作拆成可执行的规则。规则越明确，一年后的复盘越容易归因。

4.1 触发条件

触发条件至少需要两个维度之一：

• 价格回撤：资产价格从阶段高点回撤超过阈值，例如 20%。
• 估值分位：当前估值进入历史低位区间，例如低于过去 5 年 30% 分位。

两个条件同时满足时，信号的可靠性通常更强，但同时满足的机会也会变少。这个取舍需要在回测里用不同参数对比，而不是拍脑袋决定。建议先跑一组网格参数，观察不同阈值下的交易次数、最大回撤和期末收益，再根据你自己的持仓偏好选择。

4.2 建仓方式

建议优先测试分批买入，而不是一次性买入。一次性买入对择时要求极高，在恐慌期很容易买在半山腰；分批买入等于用时间换确定性，但问题在于如果市场直接反弹，后面的批次会买在高位，拉低整体收益。这两种路径没有绝对优劣，只有适不适合当前的波动环境。回测的任务不是证明哪一种更好，而是告诉你在某一段历史行情里，两种方式各自付出了多少波动代价。

4.3 调仓规则

调仓要提前定义，不能凭感觉。常见规则有两种：

• 固定周期再平衡：例如每季度把组合拉回目标比例。
• 阈值再平衡：例如某类资产占比偏离目标超过 5 个百分点时触发调整。

对一年维度的复盘来说，固定周期规则更容易执行，也更便于归因。每次调仓都记录触发原因、操作比例和事后的结果，积累几次之后就能形成属于你自己的“调仓行为准则”。

4.4 两种抄底风格对比

5. 回测与复盘流程

5.1 计算回撤序列

回撤是“抄底”策略最基础的输入。它表示当前价格距离历史高点的百分比。

import pandas as pd import numpy as np def calc_drawdown(close: pd.Series) -> pd.Series: """计算价格距历史高点的回撤序列，返回负值，例如 -0.20 表示回撤 20%。""" rolling_max = close.cummax() drawdown = close / rolling_max - 1.0 return drawdown

这个函数可以直接打印出来观察：某段时间内是否出现过回撤超过阈值的情况，持续时间有多长，最大回撤发生在哪一天。这些信息是判断策略参数是否合理的起点。

5.2 分批买入回测示例

下面是一个教学用的简化回测函数。它把资金分成若干批，在回撤触发后、回撤继续扩大的日子里分批买入，并统计最终的持仓市值。需要注意，这是一个简化版本，没有考虑手续费、滑点、现金利息，也没有处理同一轮下跌中“是否应该只买一次”的问题。

def backtest_staged_buy( prices: pd.Series, cash: float, trigger: float = -0.20, stages: int = 4, ): """ 简化版分批下跌加仓回测。 参数说明： - prices: 日线收盘价序列，索引为日期 - cash: 初始资金 - trigger: 触发加仓的回撤阈值，默认 -20% - stages: 计划买入批次数 """ dd = calc_drawdown(prices) budget_per_stage = cash / stages position = 0.0 buy_dates = [] for i in range(len(prices)): # 回撤触发，且回撤仍在扩大，则买入一批 if dd.iloc[i] <= trigger and len(buy_dates) < stages: if i > 0 and dd.iloc[i] < dd.iloc[i - 1]: position += budget_per_stage / prices.iloc[i] buy_dates.append(prices.index[i]) # 期末市值：剩余现金 + 持仓市值 remaining_cash = cash - budget_per_stage * len(buy_dates) final_value = remaining_cash + position * prices.iloc[-1] return buy_dates, final_value

真实回测需要在买入环节加入手续费、印花税和滑点假设，否则结果会偏乐观。回测的价值不是让你相信历史收益，而是理解策略在不同行情阶段的体验。

5.3 绩效指标

一年复盘至少要记录这几项指标：总收益率、最大回撤、年化波动率、修复时间、相对买入持有基准的超额收益。

def summary_metrics(close: pd.Series): dd = calc_drawdown(close) total_return = close.iloc[-1] / close.iloc[0] - 1.0 max_drawdown = dd.min() annual_vol = close.pct_change().std() * np.sqrt(252) return { "total_return": round(total_return, 4), "max_drawdown": round(max_drawdown, 4), "annual_vol": round(annual_vol, 4), }

判断策略是否值得继续跟踪，不能只看总收益率，还要看最大回撤和修复时间。一个收益率高但回撤极深的策略，在真实持有过程中很可能拿不住，最终执行出来的结果和回测相距甚远。

5.4 与基准对比

每次复盘都要和“买入持有”基准做对比。基准可以是不加择时、从同一时间点一次性买入并持有的净值曲线。对比的目的是回答一个问题：额外的择时和分批操作，是否真的带来了超额收益，还是只是把波动变得好看了。如果两者的期末净值接近，但分批操作投入了大量精力，那这个策略的实际价值就要重新评估。

6. AI 调仓辅助

6.1 AI 在调仓流程中的边界

AI 辅助调仓的目标不是取代决策，而是把散落的信息聚合成结构化分析。它可以完成的事情包括：

• 归纳组合当前的持仓集中度和风险暴露。
• 解读宏观新闻和行业信息中与持仓相关的部分。
• 生成风险提示清单和调仓方向建议。
• 把历史复盘结果整理成一段可保存的说明。

它不应该直接决定买卖，也不能给出具体时点承诺。原因很直接：大模型会产生幻觉，特别是在生成具体数字的时候。AI 输出的每个关键数字都需要人工核对，这是把 AI 接入投研流程不可省略的步骤。

6.2 调仓分析 Prompt 模板

以下代码使用 OpenAI 兼容接口格式，实际使用时需要替换成自己的 API 地址、模型名和密钥。

import json import openai client = openai.OpenAI( api_key="your-api-key", # 替换为实际密钥 base_url="your-endpoint-url" # 按实际服务商地址调整 ) def generate_reallocation_suggestion( portfolio_summary: str, market_context: str, risk_constraints: str, ) -> dict: prompt = f""" 你是一个组合管理研究助手。请基于输入信息生成调仓建议草稿。 组合现状： {portfolio_summary} 近期市场与宏观信息： {market_context} 组合约束： {risk_constraints} 输出要求： 1. 先列出组合当前的结构性风险，不超过 5 条。 2. 给出调仓方向，只描述方向，不承诺具体收益。 3. 列出最重要的数据缺口和不确定因素。 4. 最后输出 JSON 结构： {{ "risks": ["风险1", "风险2"], "direction": "调仓方向描述", "unknowns": ["数据缺口1", "数据缺口2"] }} 注意：分析仅供研究参考，不构成投资建议。 """ response = client.chat.completions.create( model="your-model-name", # 按实际可用模型调整 messages=[{"role": "user", "content": prompt}], temperature=0.2, ) content = response.choices[0].message.content # 尝试解析 JSON 输出，失败时返回原始文本便于排查 try: return json.loads(content) except json.JSONDecodeError: return {"raw_output": content}

温度参数设为 0.2 是为了让输出更稳定。如果模型频繁跑偏，可以进一步要求它“不要输出任何多余文字，只输出 JSON”，并在解析时做容错处理。

6.3 解析输出与保存记录

解析后的结果建议直接写入复盘记录文件，格式如下：

{ "date": "2021-03-15", "risks": ["科技板块占比超过 40%，行业集中度偏高"], "direction": "适当降低高波动资产占比，保留现金等待确定性机会", "unknowns": ["最新季报数据尚未覆盖", "宏观政策变化未纳入上下文"] }

每次调仓分析都留存一份这样的记录，加上当时的行情数据快照和策略参数，一年后就可以回看 AI 的分析在哪些场景下是对的、哪些场景下是缺失的。这种“分析留痕”比单次调仓结果更有价值。

6.4 人工复核清单

每次生成调仓建议后，至少做三件事：

• 核对模型输出的数字与原始数据是否一致。
• 检查建议是否违反组合约束，例如最低仓位、单一行业上限。
• 把建议内容回填到组合里做一次“假设调仓”的净值模拟，再判断是否值得执行。

AI 输出在形式上可能非常专业，但它不掌握你的资金体量、现金流计划和真实风险承受能力。调仓决策必须保留人的最终判断权。

7. 一周年复盘中值得观察的现象

这一节从方法论角度总结复盘时值得关注的规律。不同标的、不同入场时间会得到不同结论，但有一些共性问题值得注意。

第一，暴跌买入的分化来源主要是仓位管理，而不是买入点。同样的触发条件，分批买入和一次性买入的净值路径差别很大。一年后回看，真正拉开差距的往往是后续批次是否留出了现金流，以及市场继续下跌时是否还有能力加仓。

第二，一次性买入的浮亏深度会直接影响持有纪律。回撤越深，中间放弃的概率越大。策略本身可能有效，但如果持有者因为承受不住波动而中途卖出，实际收益就会和回测结果差很多。复盘时要重点记录净值曲线上的“心理压力区间”，判断这个区间是否超出自己的能力范围。

第三，市场修复速度无法预测。有的资产走的是快速修复路径，有的需要很长时间磨底。一周年复盘时会出现“同一策略在不同资产上结果差异很大”的情况，这并不代表策略失效，而是标的基本面和修复路径不同。对这一点要有预期，不要因为某一个标的的结果不好就否定整个框架。

第四，AI 分析能降低信息遗漏，但不能消除判断误差。当多个模型给出的调仓方向不一致时，通常说明当前数据不足以支撑确定性结论，此时更稳妥的做法是降低调仓频率，而不是频繁操作。如果 AI 输出的内容与公开数据明显矛盾，优先检查输入文本是否完整、模型知识是否过时。

8. 常见问题与排查方法

排错时建议按“数据 -> 策略 -> AI 分析”的顺序来。先确认数据口径没问题，再检查策略规则是否符合预期，最后才怀疑模型输出。

9. 风险边界与合规提醒

这篇文章的性质