量化工具辅助价值筛选

第一步：用数据缩小范围

A 股 5000+ 只股票，手动翻报表不现实。我用 FinBuddy 的量化工具做初筛：

• PE < 15（不贵）
• ROE > 15%（赚钱效率高）
• 连续 3 年盈利（不是一次性的）
• 负债率 < 60%（别借太多钱）

# Backtrader 价值筛选策略
class ValueScreener(bt.Strategy):
    params = (
        ("pe_threshold", 15),
        ("roe_min", 15),
        ("profit_years", 3),
        ("debt_ratio_max", 0.6),
    )

    def next(self):
        if self.data.pe < self.p.pe_threshold:
            if self.data.roe > self.p.roe_min:
                if self.data.debt_ratio < self.p.debt_ratio_max:
                    if self.data.profit_streak >= self.p.profit_years:
                        self.buy()

筛完大概剩 50-80 只。然后逐个看财报、看行业、看管理层。量化帮我省了 90% 的时间，但最终决策还是人做的。这也是为什么 FinBuddy 既有量化筛选功能，又有认知偏差检查——筛出来的公司还得过一遍心理关。

回测的坑：年化 40% 实盘亏 15%

这个坑我在投资日志里详细写了。简单说：回测好看不代表实盘能跑。过拟合 + 没算滑点 + 未来函数偷看，三座大山。

后来加了 walk-forward 分析和蒙特卡洛模拟，回测收益砍了一半，但至少诚实了。现在我对回测结果的态度是：回测说能赚 20%，我预期 10%，实际可能 5%。这样心态好很多。回测过拟合本质上也是一种确认偏误——你越想证明策略有效，就越容易忽略反例。

AI Agent 辅助研究

FinBuddy 的 AI Agent 可以帮我做这些事：

• 自动拉取财报数据，生成财务摘要
• 对比同行业公司的关键指标
• 根据我的筛选条件自动出初筛报告
• 合规风控检查（检测高风险关键词）

但 AI 的分析结论我从不直接用。它出的报告只是参考，最终判断还是得自己来。AI 容易过度自信，而且它的"分析"本质上是模式匹配，不是真正的理解。