@viviennaBTC: 这篇文章的核心论点补充了我之前“周期选股法”的一些基础. 我们共同的观点是: 真正的护城河不是 AI 模型,也不是名人投资者的 prompt,而是底层的"接线"(wiring)——你怎么把真实数据、纪律性的数学和 agent 串起来。 文…

X AI KOLs Timeline 新闻
investment-methodology ai-agents data-discipline hedge-fund layered-architecture cycle-stock-picking data-wiring

摘要

该文章比较了两种投资方法论，强调真正的护城河是底层数据接线而非AI模型，并展示了从真实数据到AI代理的四层工程栈与自上而下的周期选股框架的互补性。

这篇文章的核心论点补充了我之前“周期选股法”的一些基础. 我们共同的观点是: 真正的护城河不是 AI 模型,也不是名人投资者的 prompt,而是底层的"接线"(wiring)——你怎么把真实数据、纪律性的数学和 agent 串起来。 文章里对冲基金栈的方法论分为四层: L4 — AI Agents(台面上的表演) 就是大家在社交媒体上刷屏的那批 repo:virattt/ai-hedge-fund(14 个名人投资者人格 + 4 个量化分析师 + 风控 + 组合经理,共 19 个 agent)和更"成人版"的 TauricResearch/TradingAgents(用真实交易台角色取代名人,核心是 bull vs bear 的对抗式辩论)。作者明确说:这层是"剧场",是给人看的,模型从来不是护城河。 L3 — 读财报(只读变化的部分) 用 edgar-crawler 把 Risk Factors、MD&A 抽成干净 JSON,只读 year-over-year 真正变了的内容。 L2 — 法务/财务造假筛查(决定哪些值得读) 用 FinanceToolkit 跑 Beneish M-Score、Altman Z-Score、Piotroski F-Score、Sloan accruals 这四个学术界用几十年真实欺诈/破产案例校准出来的分数。 L1 — 真实数据(模型永远不许编数字) SEC EDGAR 免费开放所有美股公开公司的申报文件; Edgartools 把 10-K、8-K、Form 4、13F 解析成干净的 Python,而且自带 MCP server,可以直接挂进 Claude Code / Claude Desktop 当工具用,让 Claude 读真实文件而不是凭训练记忆"编出听起来对的数字”。(这一点我深有体会, 哪怕CC Opus 4.8这样顶级AI的数据幻觉也十分严重) 可以看出, 这篇文章是"怎么不出错地接线”,我的方法论是"接好之后该往哪个方向想"。前者解决 garbage in,后者解决 even with clean data, what's the right question。两者拼起来,缺一不可。 两套框架的对比 最有意思的地方是:两者都是分层架构,但叠的方向正好相反。 我的周期选股法是自上而下: 宏观环境(A 层)→ 权益四季周期(B 层)→ 个股选择(C 层)。 先用宏观 regime 给整个市场"开闸或关闸",再往下落到个股。 这篇文章自下而上: 真实数据(L1)→ 法务筛查(L2)→ 读 diff(L3)→ agent 写 memo(L4)。 先确保底层数据不被编造,再一层层往上把智能用在刀刃上。 一个是认识论框架(在什么宏观季节、该用什么逻辑选股), 一个是工程栈(怎么把数据、数学、模型接起来不出错)。 但它们在几个深层价值上高度一致: 1. 共同的核心信念:模型/直觉不是护城河,底层的纪律才是。 文章说"模型从来不是护城河,你接的数据才是”;我在方法论里反复强调分析诚实性、明确标注 look-ahead bias 和回测局限。本质是同一件事——对"听起来对但没有事实支撑的答案"保持敌意。 文章里那句"a flag whispers go look, it doesn't shout fraud",和我对 forensic 信号"是概率提示而非证据"的处理是同一种克制。 2. 我的 C 层,正好是这篇文章 L2 的归宿。 我的 Layer C 已经选择性地吸收了 Peter Lynch 的工具箱(六类公司映射四季、周期股 P/E 反转、PEG),但明确拒绝他反宏观的哲学。文章的 L2 那四个 forensic 分数(Beneish/Altman/Piotroski/Sloan)是纯个股质量/造假筛查,天然属于 C 层个股选择环节。 它们能在你"选出候选个股之后、深读财报之前"插一道自动闸门: 先用 accruals、F-Score 把候选池里"利润跑赢现金/基本面在恶化"的名字筛掉或标红,再人工深读。这跟我“careful distinction between buckets、用脚本批量处理"的工作习惯也对得上。 3. 我的 A 层,是 TradingAgents 那个"macro analyst / 多空辩论"想做却做不好的事。 这篇文章的 agent 层有个"news analyst on the macro",但它没有 regime-gating 的纪律——它读宏观,却不会因为宏观季节而改变整个选股逻辑的开关。 我的 A 层(借鉴陶川的宏观分析 + Oppenheimer 的《The Long Good Buy》对周期阶段的划分)恰恰提供了这个 agent 栈缺的东西: 一个决定"现在该不该选股、该选哪一类"的上层闸门。 换句话说,我的方法论可以当这套 agent 栈的"L5 / regime gate",压在 L4 之上。
查看原文
查看缓存全文

缓存时间: 2026/06/02 19:37

这篇文章的核心论点补充了我之前“周期选股法”的一些基础.

我们共同的观点是: 真正的护城河不是 AI 模型,也不是名人投资者的 prompt,而是底层的“接线“(wiring)——你怎么把真实数据、纪律性的数学和 agent 串起来。

文章里对冲基金栈的方法论分为四层:

L4 — AI Agents(台面上的表演) 就是大家在社交媒体上刷屏的那批 repo:virattt/ai-hedge-fund(14 个名人投资者人格 + 4 个量化分析师 + 风控 + 组合经理,共 19 个 agent)和更“成人版“的 TauricResearch/TradingAgents(用真实交易台角色取代名人,核心是 bull vs bear 的对抗式辩论)。作者明确说:这层是“剧场“,是给人看的,模型从来不是护城河。

L3 — 读财报(只读变化的部分) 用 edgar-crawler 把 Risk Factors、MD&A 抽成干净 JSON,只读 year-over-year 真正变了的内容。

L2 — 法务/财务造假筛查(决定哪些值得读) 用 FinanceToolkit 跑 Beneish M-Score、Altman Z-Score、Piotroski F-Score、Sloan accruals 这四个学术界用几十年真实欺诈/破产案例校准出来的分数。

L1 — 真实数据(模型永远不许编数字) SEC EDGAR 免费开放所有美股公开公司的申报文件; Edgartools 把 10-K、8-K、Form 4、13F 解析成干净的 Python,而且自带 MCP server,可以直接挂进 Claude Code / Claude Desktop 当工具用,让 Claude 读真实文件而不是凭训练记忆“编出听起来对的数字”。(这一点我深有体会, 哪怕CC Opus 4.8这样顶级AI的数据幻觉也十分严重)

可以看出, 这篇文章是“怎么不出错地接线”,我的方法论是“接好之后该往哪个方向想“。前者解决 garbage in,后者解决 even with clean data, what’s the right question。两者拼起来,缺一不可。

两套框架的对比

最有意思的地方是:两者都是分层架构,但叠的方向正好相反。

我的周期选股法是自上而下: 宏观环境(A 层)→ 权益四季周期(B 层)→ 个股选择(C 层)。 先用宏观 regime 给整个市场“开闸或关闸“,再往下落到个股。

这篇文章自下而上: 真实数据(L1)→ 法务筛查(L2)→ 读 diff(L3)→ agent 写 memo(L4)。 先确保底层数据不被编造,再一层层往上把智能用在刀刃上。

一个是认识论框架(在什么宏观季节、该用什么逻辑选股), 一个是工程栈(怎么把数据、数学、模型接起来不出错)。

但它们在几个深层价值上高度一致:

  1. 共同的核心信念:模型/直觉不是护城河,底层的纪律才是。 文章说“模型从来不是护城河,你接的数据才是”;我在方法论里反复强调分析诚实性、明确标注 look-ahead bias 和回测局限。本质是同一件事——对“听起来对但没有事实支撑的答案“保持敌意。 文章里那句“a flag whispers go look, it doesn’t shout fraud“,和我对 forensic 信号“是概率提示而非证据“的处理是同一种克制。

  2. 我的 C 层,正好是这篇文章 L2 的归宿。 我的 Layer C 已经选择性地吸收了 Peter Lynch 的工具箱(六类公司映射四季、周期股 P/E 反转、PEG),但明确拒绝他反宏观的哲学。文章的 L2 那四个 forensic 分数(Beneish/Altman/Piotroski/Sloan)是纯个股质量/造假筛查,天然属于 C 层个股选择环节。

它们能在你“选出候选个股之后、深读财报之前“插一道自动闸门:

先用 accruals、F-Score 把候选池里“利润跑赢现金/基本面在恶化“的名字筛掉或标红,再人工深读。这跟我“careful distinction between buckets、用脚本批量处理“的工作习惯也对得上。

  1. 我的 A 层,是 TradingAgents 那个“macro analyst / 多空辩论“想做却做不好的事。

这篇文章的 agent 层有个“news analyst on the macro“,但它没有 regime-gating 的纪律——它读宏观,却不会因为宏观季节而改变整个选股逻辑的开关。

我的 A 层(借鉴陶川的宏观分析 + Oppenheimer 的《The Long Good Buy》对周期阶段的划分)恰恰提供了这个 agent 栈缺的东西:

一个决定“现在该不该选股、该选哪一类“的上层闸门。

换句话说,我的方法论可以当这套 agent 栈的“L5 / regime gate“,压在 L4 之上。

相似文章

@HoodyLiu: 非常推荐读一下这篇硅谷长文：《AI 领域下一个最大的护城河》 作者是 Foundation Capital 合伙人、前麦肯锡咨询师 Jaya Gupta 文章给了两个视角： 作为创始人，该如何创造一家不会被抄的公司 作为打工人，该如何识别…

X AI KOLs Following

Foundation Capital合伙人Jaya Gupta撰文分析，认为AI领域最大的护城河并非技术本身，而是公司的组织形态与人员结构。文章为AI创业者提供了如何通过身份认同构建壁垒的建议，并指导求职者如何识别真正重视人才长期价值的公司。