跳到正文
Alpha Bench

策略族 07 / 12

行为、情绪与资金流策略

价格的变动,不只取决于资产值多少钱,也取决于投资者相信什么、感受到什么,以及不得不做什么。这一类策略涵盖情绪与吸引市场注意力的叙事、围绕新闻与信息披露的信息驱动交易、订单流与资金流留下的痕迹,以及拥挤交易中不断累积的脆弱性。它们的共同点,是从嘈杂、快速且容易误读的信号中解读个人与机构的行为。

涵盖

  • 情绪
  • 叙事
  • 信息驱动
  • 订单流
  • 资金流
  • 拥挤交易

为何是一项严苛的考验

AI 系统能够大规模阅读文本,这让这一类策略既是天然的用武之地,也是一个陷阱:把市场情绪概括得再流畅,也不等于可交易的信号。它考验系统能否严守时间戳纪律,能否区分已被价格反映的信息与真正新增的信息,能否推断谁会在何时被迫买入或卖出。许多行为类信号衰减很快,幅度与交易成本相比往往也偏小,因此反应速度、对噪声的清醒认识与成本意识,与洞见本身同样重要。

我们考察什么

在这一类策略上表现出色所需的能力。任务经过专门设计,使每一项能力都能被单独观察和评分。

以常态为基准衡量语气

衡量新闻、业绩说明会纪要与社交媒体中的情绪时,以同一信息源、同一行业、同一发言人的常态为参照,而不是看绝对水平。一向乐观的管理层一旦措辞谨慎,所含的信息往往比字面更多。

追踪叙事的生命周期

判断一个叙事处于萌芽、共识还是消退阶段,以及其中有多少已经体现在价格、持仓与分析师预期之中。

识别真正新增的信息

把新信息与对已知事实的重复区分开,并将每条信息的时间戳与市场最早能据此交易的时点逐一核对。

结合情境解读订单流

通过主动买卖成交量、盘口失衡与大额成交推断买卖压力,同时判断其中有多少来自对冲、再平衡或流动性提供,而非知情交易。

刻画机械性资金流与拥挤度

预判不以任何人观点为转移的交易,例如公募基金申购赎回引发的调仓、ETF 份额申赎带来的成分股买卖,以及定期再平衡;并估计一旦共同持仓需要平仓,拥挤的持有人会如何行动。

示例任务类型

以下为示意性的任务设计,用于说明任务的形态,并非评测集中的真实题目。

  • 赛道: 研究分析

    从信息流中区分新闻与重复

    系统收到某公司一个交易日内带时间戳的新闻标题、公告与业绩说明会纪要片段。它需要标出哪些条目包含新信息,估计每条新信息超出预期的方向与大致幅度,并说明每个时点市场能够知道什么。好的答案会剔除转载与重复内容,且不使用决策时点之后发布的任何文本。

  • 赛道: 历史回放

    在去杠杆中管理拥挤组合

    历史回放区间包含持仓高度重叠的基金集中赎回、快速去杠杆的阶段,系统在其中管理一个股票多空组合。它只能使用当时可得的持仓、卖空余额与资金流数据,决定何时、以多大幅度降低敞口,并承担与其他正在平仓的基金交易同一批股票所产生的真实冲击成本。好的答案在回撤发生之前而非之后识别出拥挤,并按实际可得的流动性安排退出。

  • 赛道: 实时前瞻

    预测新标题发布后的次日表现

    在实时交易时段,标题一经发布,系统就要判断它属于新信息还是已知信息,并预测该股次日跑赢所属行业的概率。预测提交即锁定,并按滚动窗口计分。好的答案概率校准良好,对含义模糊的标题不给出过于确定的预测,也不会把铺天盖地的报道当成新信息。

  • 赛道: 用户服务

    与用户讨论是否买入“热门股”

    一位用户问,某只股票在社交媒体上很火,似乎人人都在讨论,是否应该买入。系统需要解释情绪与拥挤度指标能反映什么、不能反映什么,讲清追逐由关注度驱动的行情有哪些风险,并结合用户的目标、投资期限与可承受的亏损来讨论。好的答案既不怂恿也不一口否定,如实披露风险,并坦率说明自己不知道的部分。

如何评分

每次运行既评估结果,也评估产生结果的过程,避免把运气误认为能力。

  1. 01

    分期限信息系数(IC)

    我们在多个期限上分别计算预测与随后收益之间的秩相关系数。它随期限的衰减,显示信号价值消退的速度,以及系统的持有期是否与之匹配。

  2. 02

    扣除成本后的收益与换手率

    许多行为类信号需要频繁交易,因此收益在扣除佣金、买卖价差与估算的市场冲击后计量,并与换手率一并报告。只在扣除成本前显得有效的信号会被明确标注。

  3. 03

    拥挤踩踏期间的回撤

    我们专门计量历史上快速去杠杆阶段的亏损,此时拥挤持仓被集中平仓。它显示风险控制在最需要的时候是否依然有效。

  4. 04

    新增信息与时间戳核查

    我们核查每条证据在决策时点是否可得,以及新信息与重复信息是否被正确区分。即使交易碰巧盈利,这类错误也会被记录。

  5. 05

    短期预测的概率校准

    在实时前瞻赛道中,用可靠性曲线按不同置信水平比较系统给出的概率与实际发生频率。对嘈杂的情绪信号过度自信,是常见且代价高昂的失误。

诊断

我们诊断的失误模式

这些是任务专门设计来暴露的常见错误。每一类错误都单独报告,让开发者清楚应当先修正哪一处。

  1. 01

    把声量当作新信息

    把大量报道或社交媒体上的讨论当作新信息,而它们只是在重复市场已经知道的内容。

  2. 02

    回填数据带来的前视偏差

    使用在决策时点之后被编辑、回填或发布的文章、纪要或情绪分数。数据供应商的历史情绪数据可能被修订,这类偏差很容易被忽视。

  3. 03

    混淆反应与原因

    把价格变动之后出现的情绪,当作下一次价格变动的原因。许多正面语气,只是对已经实现的收益的反应。

  4. 04

    把拥挤误读为确认

    把强劲的资金流入与正面情绪当作印证,而它们实际上提示的是拥挤。一个头寸看起来最安全的时候,可能正是许多持有人即将同时离场之前。

  5. 05

    过度解读单笔大额成交

    仅凭一笔大宗成交或短暂的盘口失衡,就推断有知情资金买入,而它可能只是来自对冲、指数再平衡或流动性提供。

环境与数据

任务使用首次发布时的新闻、公告、业绩说明会纪要与社交文本,并保留每条内容的发布时间;同时提供持仓披露、基金资金流报告、卖空余额以及日内逐笔成交与报价数据。持仓与资金流数据存在披露滞后,环境严格按照实际滞后提供。由于持有期往往较短,交易摩擦影响很大:历史回放会计入买卖价差、随交易规模占市场成交量比例上升而增加的市场冲击,以及空头头寸的融券成本。

更多策略族