个人投资研究手册
我的收藏
收藏与已读状态独立,中英文共享;这里显示当前浏览器保存的收藏。
还没有收藏。打开文章后,点击标题下方的“收藏”。
- 投资、交易与量化研究:先看懂全貌
- 投资之前,先写清楚你的目标与边界
- 先把生活的钱留出来:家庭资产、负债与应急资金
- 低风险不等于无风险:现金、存款、货币基金与短债
- 长期主义、复利与主动研究的机会成本
- 第一次研究:把一个投资想法写成一页记录
- 买一只股票,究竟买到了什么
- 指数、ETF 与基准:如何找到公平的比较对象
- 从报价到成交:理解交易过程与实施成本
- 投资收益怎么算:从单期收益到复利
- 风险不只是波动:回撤、亏损与流动性
- 波动率怎么理解和计算:从标准差到年化
- 分红、拆股与复权:为什么价格图会误导你
- 以美股为例,怎样把研究方法迁移到其他市场
- 事实、解释与预测:建立证据意识
- 概率、基础概率与不确定性:怎样避免过度确信
- 跑赢基准就是 Alpha 吗:收益、风险与运气
- 个人投资者可能拥有哪些优势,怎样证明
- 价值、质量、动量:认识因子而不迷信因子
- 从机会清单到研究立项:决定什么值得研究
- 把 AI 当研究助手:提问、核对与保留证据
- 如何研究一家公司:从问题到持续跟踪
- 专业投研团队如何工作:角色、流程与研究交付
- 去哪里找可信资料:财报、公告与信息来源
- 商业模式与护城河:公司怎样赚钱
- 行业、竞争与宏观:找到影响公司的关键变量
- 财务报表入门:利润、资产负债与股东权益
- 利润为什么不等于现金:读懂现金流
- 财务比率如何用于研究:盈利、资本回报与偿债能力
- 财务质量与会计口径:漂亮数字背后有什么
- 管理层与资本配置:公司如何使用你的钱
- 估值不是看价格高低:理解常见估值倍数
- 现金流折现:理解价值背后的假设
- 价格已经相信了什么:预期差与反向估值
- 情景分析与安全边际:给不确定性留位置
- 写一份真正能帮助决策的投资研究报告
- 财报之后怎样更新判断:跟踪、证伪与退出
- 量化究竟是什么:把判断变成可检验的规则
- 专业量化团队如何工作:从假设到受控运行
- 数据的时间:发生、公布、获取与修订
- 股票池与历史数据:别只研究活到今天的赢家
- 量化研究需要哪些数学:按任务建立学习路线
- 做投资研究需要哪些数据、工具和算力
- 看懂数据里的不确定性:样本、分布与相关
- 统计显著性与投资价值:怎样判断结果是否只是偶然
- 从指标到信号:写清窗口、时点与规则
- 不写代码,也能写清楚一套策略规则
- 让 AI 帮你实现策略:怎样检查规则和结果
- 回测如何运转:从信号到交易再到账户
- 夏普比率怎么用:同时理解索提诺与卡玛比率
- 怎样读回测报告:收益、风险与比较基准
- 未来函数与数据泄漏:回测为何会提前知道答案
- 过拟合与多次试验:为什么总能找到漂亮曲线
- 样本外与滚动验证:分清开发、检验与前瞻观察
- 成本、换手与容量:纸面收益能留下多少
- 稳健性与收益来源:策略到底靠什么赚钱
- 接受、修改还是放弃:完成量化研究结论
- 因子投资怎样开始:从公司特征到可计算信号
- 怎样检验因子:IC、分组收益与时间稳定性
- 行业、市值与因子暴露:中性化究竟改变了什么
- 多因子怎样组合:先处理重复信息,再比较增量价值
- 从因子排名到研究组合:持仓、约束、换手与成本
- 完成一项因子研究:独立取材、复现与失效复查
- 资产配置与组合约束:先决定承受什么
- 高风险投资能拿多少钱:从损失承受能力倒推额度
- 分散化与相关性:多买几只不一定更安全
- 策略资金如何分配:验证阶段、风险预算与扩容
- 多个策略一起亏怎么办:合并敞口与风险预算
- 每笔交易用多少钱:资金占用、预计损失与仓位计算
- 连续亏损与仓位调整:固定风险、加仓和马丁格尔
- 杠杆与保证金:买得起不代表亏得起
- 压力测试与损失预算:市场同时变坏时能承受多少
- 账户回撤怎样应对:降风险、暂停与恢复条件
- 投资账户的资金流:投入、提取与再投入
- 再平衡:如何处理涨跌后的组合变化
- 账户到底赚了多少:现金流、时间加权与资金加权
- 组合收益来自哪里:基准、主动风险与归因
- 从模拟到持续监控:何时暂停,何时复查
- 怎样组合多个策略:统一比较与简单配置
- 多策略如何落到账户:合并执行、验证与停用
- 损失厌恶与处置效应:为什么舍不得认错
- 过度自信与结果偏差:赚钱不等于做对
- 确认偏误、锚定与故事:如何寻找反对证据
- FOMO、社交比较与信息噪声:管理注意力
- 回撤中的决策:预案、冷静期与规则更新
- 决策日志与复盘:把经验变成可检查的改进
- 如何用 CoTrading 组织研究和复核结果
- 综合实战一:完成并复查一家公司的研究
- 综合实战二:验证一个可能没有 Alpha 的策略
- 让研究可以复查和接手:保存、版本与复现
- 机器学习值得使用吗:与简单方法公平比较
- 学完以后与专业人士差在哪里:建立自己的能力边界
- 建立自己的研究系统:节奏、知识与长期改进