回看8年前的资金面周报,我们到底需要怎样的市场数据?

最近我翻出了几份2018年的券商策略研报——天风证券刘晨明团队的「一周资金面及市场情绪监控」系列。距今将近八年,A股经历了2018年的熊市、2019年的反弹、2020年的疫情冲击、2021年的结构牛,再到之后漫长的调整。拿着这些当年的"实时数据"回头看,我有一些与当初截然不同的感受。 专业系统的流动性监控框架 这套框架涵盖15个指标,覆盖资金需求、资金供给、货币价格三个维度,从IPO抽血到北上资金、从SHIBOR到产业资本增减持,每周更新,每个指标给出A到E的评级,最终加权得出"股市流动性综合评级"。 从2018年3月的C级,到2018年8月的B级,再到2019年2月的B级——每一次评级背后都有清晰的逻辑支撑。3月是因为货币偏紧、产业资本持续减持;8月是因为央行开始降准、北上资金逆势流入;2019年初则叠加了社融超预期放量的信号。 这套体系的完整性和自洽性,放在今天依然值得学习。 这些数据,当时真的帮到人了吗? 如果我们开着倒视镜回看当时的报告以及当时的市场,会发现。 2018年是A股当时调整的起点,2018年初市场延续2017年蓝筹行情冲高,在春节特朗普签署对华301调查备忘录,引起中美贸易战的恐慌,A股应声大跌。当时的流动性报告评价长期是C,而2018年8月,报告给出B级评级,当时北上资金持续流入,货币政策转松,各项指标改善明显。但上证指数从那时起继续跌了将近半年,一直跌到2019年1月才见底。如果你在8月看到B级评级就认为"流动性改善,可以加仓",那接下来几个月的体验并不会太好。 这不是在批评报告本身——报告从未声称自己是择时工具。但问题是,大多数读报告的人,心里期待的恰恰是某种择时信号。 这是报告的功能与读者期待之间的结构性错位。 资金面数据的本质:一面记录过去的镜子 回头想想,这件事其实并不奇怪。 成交量、换手率、融资买入额——这些数据记录的是市场参与者已经完成的行为。北上资金本周净流入多少亿,说明的是外资上周买了什么,而不是下周会买什么。基金发行量高,说明的是现在情绪乐观,而乐观情绪恰恰是在市场已经涨了一段时间之后才产生的。 换句话说,资金面数据天生是同步的,在很多情况下甚至是滞后的。用它来预判方向,是对它能力边界的误读。 那么,它在哪里真的有用? 经过这番翻看和反思,我认为资金面数据的价值主要体现在两个地方。 第一,判断当前所处的宏观流动性环境。 DR007、SHIBOR、国债收益率的水位,决定了整个市场的定价环境。资金便宜的时候,市场可以容忍更高的估值;资金昂贵的时候,高估值股票的压力会系统性增大。这不是择时,是理解市场背景的基础底层,需要长期跟踪,而不是单周数据的涨跌。 第二,识别情绪的极端状态。 这是我认为资金面数据最有价值的地方,但它指向的不是"方向预判",而是"风险感知"。 当融资余额占流通市值的比例跌破某个历史低位,当新基金发行几乎停滞,当成交量萎缩至冰点,当产业资本开始大规模净增持——这些信号叠加在一起,说明的不是"明天会涨",而是"市场已经把悲观情绪定价得相当充分了"。反过来,当爆款基金频出、融资盘快速攀升、大宗交易折价率消失——这不是涨势结束的精确时点,但它提示你应该开始认真审视自己的持仓风险。 极值是提醒你调整心态的信号,而不是给你确定性答案的信号。 我们真正需要的,可能比我们想象的少 八年前,一份合格的资金面研报需要追踪15个指标、每周更新数十张图表。今天,信息的获取成本更低了,数据的种类更多了,但投资者面对数据时的困惑,似乎并没有减少。 这让我觉得,问题可能不在于数据的数量,而在于我们与数据的关系。 我们总是希望数据能告诉我们该怎么做。但数据能做到的,其实只是帮助我们更清楚地看到当下的状态。把"看清状态"当成"预判未来",是投资者面对数据时最常见、也最昂贵的一种误解。 真正有用的资金面框架,大概只需要三件事:持续感知货币环境的松紧,定期观察情绪指标是否走向极端,以及在极端信号出现时,保持足够的耐心等待基本面或政策面的共鸣。 剩下的那些图表,不看也罢。 本文基于对天风证券刘晨明团队2018-2019年「一周资金面及市场情绪监控」系列报告的阅读与反思。

July 14, 2026 · 1 min · Dan

精读 Anthropic Financial Services

精读 Anthropic Financial Services 一、进入项目:四层目录,各司其职 Anthropic 在 GitHub 上发布了一个叫 financial-services 的项目,随后出现了不少介绍它的文章,标题大多是"Anthropic 开源了金融 AI Agent"“10 个金融角色全覆盖"之类。但仔细看那些介绍,大多数停在截图和目录层面——这个项目有哪些文件夹,大概能做什么,就到此为止了。 这篇文章想做两件更具体的事:一是搞清楚这个项目里面到底有什么、怎么用;二是从它的文件里提炼出可以直接借鉴的方法——如果你有自己的专业工作流,怎么把它固化成像这个项目一样的 Skill 文件。 先把项目结构说清楚。整个 repo 有四个顶层目录: p m c s l a l c u a v p n a r g g e a a u i i e r r g d p n n t t e e t s t i n d - s / - c e - f p a r a l l - g r u - b e - g p u n m i l i t s n u l - f s g t c t / i / o - n o 3 s k 6 / b 5 o - o i k n s s / t a l l / 1 7 2 同 将 部 0 一 署 个 个 批 C 和 个 垂 合 插 l 校 金 直 作 件 a 验 融 领 伙 的 u 脚 工 域 伴 d 本 作 的 插 A e 流 技 件 P 插 能 ( I 部 件 和 L 署 命 S 部 到 令 E 署 企 库 G 模 业 、 板 S M & 3 P 6 5 G l 的 o b I a T l ) 安 装 工 具 根目录下的 .claude-plugin/marketplace.json 是整个 repo 的"目录页”,把所有可独立安装的插件(20 个)列在一起,作为一个 marketplace 源发布。 ...

May 24, 2026 · 15 min · Dan

判断一个视频是不是 AI 的方法,就是默认所有的视频都是 AI

判断一个视频是不是 AI 的方法,就是默认所有的视频都是 AI 我喜欢看动物世界。 或许是因为,动物之间的协作与竞争,和人类社会如出一辙——却又剥去了一切修饰,还原成最原始、最野生的社会关系。 你会看到母亲与孩子之间本能的依恋,看到不同物种之间出人意料的温馨友谊。偶尔也会看到一些动物科普,让我觉得这个世界比我以为的要有趣得多。 在某个你从未去过的地方,生活着你从未见过的物种,它们有着你想不到的自然习性。一切是那么的自然而然,那么的恰到好处。 前段时间,我看过一段让我屏息的视频:沙漠里,一只母猫与毒蛇之间的搏斗。 毒蛇趁母猫外出,攻击了它的幼崽。母猫归来,誓死护住剩余的孩子,与蛇正面交锋。 它凭借充满智慧的策略与蛇进行僵持,用比蛇更敏捷的反应一点点占据优势,消耗蛇的体能。等蛇的动作开始迟钝,它抓住时机,一击毙命。 整个过程不过两三分钟,我暗自为母猫鼓劲,希望它为它的孩子实现复仇。 正当我准备点赞,却看到下面这一行小字: 疑似使用 AI 生成。 今天,又是一段视频。 主角是走鹃——一种因为走得太快、翅膀近乎退化的鸟。视频里,它吃饱了没事干,主动去招惹郊狼玩耍。 说是玩耍,其实是勾引郊狼去抓他。 它用极快的步频、灵活的急转弯,以及偶尔腾空的绝技,把郊狼戏耍一番,洋洋得意。 我正打算把视频转发出去,又看到了那行小字: 疑似使用 AI 生成。 我有一种深深的失落。 不是被骗的恼火,而是一种更深的茫然——我知道当下的 AI 视频技术已经炉火纯青,足以以假乱真。面对那些陌生的物种、陌生的环境,我完全无法判断眼前这一切究竟是大自然的鬼斧神工,还是某个人类精心设计的幻觉。 我还有什么可以相信? 我开始想:未来,会不会再也没有真正扎根于森林与海洋的摄影师和记录者?所有人都转型成了导演、编剧。那些用古法拍摄纪录片的人,在这场技术变革里,正在慢慢变成上一个时代的老师傅——预算被削减,流量被侵蚀,存在感日渐式微。 我们享受着 AI 视频带来的惊喜与娱乐,却也在一点点透支视频这种媒介本身的信任。 除了自己的眼睛,除了直播,我越来越难以相信这个时代的任何一段视频。 或许,判断一个视频是不是 AI 的方法,就是默认所有的视频都是 AI。

April 14, 2026 · 1 min · Dan

Career-Ops:如何构建 AI 求职工具

GitHub 上有个新项目,2天斩获2万 star。 作者 Santiago 在找工作时,用它评估了 516 个岗位、生成了 631 份报告、最终投递 68 份,拿到了 Head of Applied AI 的 offer。 它吸引我的不只是结果,而是背后的两件事:他对求职流程的系统化思考,以及他用 Claude Code 构建多智能体协作的方式。 求职的系统化思考 找工作包含大量的重复劳动 Santiago 的核心洞察很朴素:求职中 70% 的工作是重复的分析劳动,而不是决策。读岗位描述、映射自己的技能、判断匹配度、改简历、填表单,这些动作每个岗位都要重复一遍。 他的数据也验证了这一点:631 份评估报告中,74% 的 offer 得分低于 4.0(满分 5.0)。也就是说,如果没有系统化筛选,大量时间会花在根本不合适的机会上。 评估框架先于行动 他设计了一套 10 维加权评分体系,其中角色匹配和技能匹配是最关键的指标——不匹配直接 pass。其余维度包括资历、薪酬、公司阶段等。 这个框架的价值在于:把"什么是好机会"从直觉判断,变成了可执行的结构化标准。 简历是论证,不是文档 他不是拿着一份简历到处投,而是基于每个岗位动态生成简历:从岗位描述中提取 15-20 个关键词,识别岗位属于 6 个工作方向中的哪一个,然后按相关性重排经历的优先级制。 ...

April 9, 2026 · 1 min · Dan

我们需要怎样的多agent

我们需要怎样的多 agent 最近我看到了一个十分有趣的多 agent 项目——三省六部制,首先用户是皇上,不论怎么讲,先过一把登基的瘾。它任命了一个太子,专门负责消息的分拣分发,平时和你闲聊,需要的时候就给下面派任务。下面有三省(中书·门下·尚书):负责需求规划,质量品控,任务调度。 最后还有执行六部(现在加了一个早朝官,变七部了),分别执行代码编写、bug 修复、数据处理,对任务进行了细致的划分,一个部门掌握一小摊。 先不管效果怎么样,如果早朝的时候,所有agent都先说一遍吾皇万岁万岁万万岁,那这个系统还是提供情绪价值的。相关的帖子下面,最有趣的评论莫过于,这套系统最大的问题就是容易导致token爆炸,国库空虚🤣。 在这个有趣的开源项目之外,我开始思考一个问题:人类的分工套用在agent上是不是合适的? 人类为什么进行分工 亚当·斯密在《国富论》开篇第一章便是论分工,他开宗明义地提到:劳动生产力最大的进步都是分工的结果。在亚当·斯密观察大头针工厂时,他发现当一个人试图完成所有工序,其效率远远低于一群各司其职的专人。当一个人专心完成一个工序时,经验的增长,判断力的提高,都进一步地提高生产力。 因此,当人类让 agent 深度参与自己的工作时,第一个想到的就是将全链条的工作进行切分。以市场调研为例,很多人设计的多 agent 工作流会包括:调研员(收集信息)、分析师(整理洞察)、策略师(给建议)、文案(写提案)——因为在正常人类社会中,这些本就由不同工种各自完成。 这个直觉很自然。但 AI 的"分工",真的和人类的分工是一回事吗? AI 分工面临的独特问题 拆分越多,丢失越多 人类分工时,交接的是信息——一份文件、一个结论、一条指令。但 AI 在完成任务的过程中,积累的不只是信息,还有感知:在收集素材过程中形成的判断、在反复尝试中建立的路径感知。这些东西很难打包交接。 还是以市场调研为例。调研员 agent 在收集信息的过程中,会注意到某个数据的异常、某个用户反馈的微妙差异——这些构成了它对这个市场的"感知"。但当它把一份调研报告交给下一个分析师 agent 时,报告里有数据,没有这些感知。分析师拿到的是结论,不是过程;是表格,不是直觉。当一个多 agent 流水线把任务拆开,上一个节点往往只将最终产出交给下一个节点,而上下文信息在交接中被稀释掉了。拆得越细,丢失的越多。 上下文够大之后 多 agent 架构最初流行,有一个很实际的工程原因:早期模型的上下文窗口很小,一个 agent 根本装不下一条完整链路所需的信息,只能拆开来各管一段。 但现在的模型,上下文窗口已经足够大,能力也足够强,一个 agent 完全可以从头到尾完成整条链路上的工作。那些因为"装不下"而拆分的理由,正在逐渐失效。 不过,上下文边界并没有消失,只是变得更隐蔽。当 agent 发现自己接近上下文边界,它甚至会开始"恐慌"——着急把任务结束,以免撞上限制。OpenClaw 创始人 Peter Steinberger 在采访中提到,他会跟 agent 说"take it slow,慢慢来"。如果不这么说,agent 会在 thinking 里念叨"哦,我的上下文快接近上限了,所以我需要……“然后仓皇收尾。“慢慢来”,成了他工作流里神奇的提示词工程的一部分。 角色隔离是值得主动设计的 当然,有一种拆分是值得的:构建者与评估者的分离。 agent 在完成自己的任务之后,往往会自信地说"我干得不错”。这时候,就需要另一个带有空白上下文的 agent 来审视它——由于没有过去构建时的路径依赖,它更容易发现问题,也更容易提出结构化的意见。 这不是模拟人类的"质检部门",而是利用了 AI 的一个特性:全新的上下文,意味着全新的眼光。 专家实践:Peter 的「轻管理」方案 我不想泛泛地讨论理论。Anthropic、LangChain 的博客里有很多类似的分析,最近关于 Harness Engineering 的讨论也受到了关注。让我们看看真正在用多 agent 工作流做出现象级应用的人是怎么做的。 ...

March 30, 2026 · 1 min · Dan

Hello World

Hello World 归去来兮 姜文在《邪不压正》里借人物之口说:「正经人谁写日记呀?写出来的哪能叫心里话?」 或许因为这句台词,潜意识里自己也觉得写日记下贱,所以很长一段时间里,我几乎停止了用文字表达自己。 我记得我高中的时候其实很喜欢写日记,那个时候想到什么写什么,有些同学苦于没有素材完成每日日记的作业,我学鲁迅论这个,论那个,看到什么都想论一论,都想谈一谈。后来,大学之后,文字就彻底变成了工具——课堂笔记、题型手册、知识框架,逐步养成了把知识体系化的习惯:在脑海里画一张思维导图,把论点、论据全部结构化。高效,清晰,但从来没有整理成文章。 后来,我的爱人问我:为什么写日记就下贱,为什么表达自己要被负面的指责。 这让我重新审视这句台词,重新思考写作本身。 真正让我开始动笔的,是因为我接触了 Daniel Miessler 的博客。他写 AI,写生活,写自己对世界的理解。他把写作作为一项重要的技能。 在他的启发下,我开始写一些东西,发在小红书和微信公众号上。有流量,有反馈,但真正让我觉得值得的,是我在书写的过程中,重新梳理自己的逻辑,想方设法的把它以幽默、缜密的方式表达出来。我写的支支吾吾,发现某些自以为想清楚的东西,其实只是一堆散乱的素材。把它们倒出来、整理成文章的过程,我对自己所讨论的议题有了更清楚的认识。 知识外化,这是我写作带给我最大的收获。 流量是一只猫 做小红书的过程里,我也品尝过被流量牵着走的滋味。 有一两篇文章获得了关注,粉丝慢慢积累。我开始盯着后台,看今天又涨了几个。后来,可能因为我的网感欠佳,可能因为停更过,可能因为平台希望我花钱买流量——总之,最近的文章反馈不错,曝光却越来越少。 我特别喜欢的一位雕塑手绘博主遇到了同样的困惑。他把小红书的流量比作一只猫: 你不搭理它,它主动来蹭你。你追着要抱它,它高昂着尾巴走开。 我喜欢这个比喻。同时也引起我的思考: 如果写作的根本动力是知识外化,那粉丝与否、曝光多少、点赞数量,就不应该是我坐下来写字的理由。 不被算法管的地方——这不就是博客? 你好,世界 这是这个博客最开始的地方,这是我的博客和互联网说Hello world的地方。 我有很多想写的东西,关于 AI, 关于投资。 过去,如果你想研究一个领域,需要大量时间做基础功课。现在,这些基础功课 AI 能替你快速完成。人可以把更多精力放在底层逻辑的探索上、更高效方法论的构建上。 那些转瞬即逝的领域知识,不再是绊住你前进的石头——在 AI 的帮助下,它们成了了解这个世界的垫脚石。 我想把这个探索的过程写下来。 Daniel Miessler 的博客最早写于 1999 年,他关于人生与世界观的分享,让我受益良多。 我希望我也能像他一样,写很多年,写很多东西。为了我,或许也为了这个世界。 你好,世界。

March 17, 2026 · 1 min · Dan