企业官网建设流程全解析

格雷厄姆的分散投资原则，听起来像上个世纪的古老智慧，但真把它落到代码里、跑在实时数据上，却是另一回事。我这两年一直在做一件事：用AI把这套原则变成一套不依赖人气的“自动守门员”，减少情绪干扰，让分散持仓真正发挥它该有的作用。这篇文章就把我的完整实现思路、代码骨架、回测过程和踩坑记录都放出来，适合有一定Python基础、对量化或被动投资感兴趣的人参考。

1. 先看懂“分散”这个词在价值投资体系里的真实分量

1.1 分散不是“多买几只股票”，而是“每一只都要过安检”

很多人一听到分散投资，直觉反应就是多买几只股票。

格雷厄姆在《聪明的投资者》里反复强调的分散，有一个前提：每一只入选的股票，本身必须通过严格的安全边际检验。也就是说，分散不是把篮子扩大就完事，而是要确保放进篮子的每一个鸡蛋，都是经过筛选的合格品。没有质量门槛的分散，只是把风险从一只烂股票扩散到十只烂股票。

我最初做这套AI时，犯过这个错。第一版筛选条件很宽松，只看了市盈率和市净率，结果选出来的股票虽然在数量上达标了，但行业高度扎堆，一阵风吹过来，整个组合一起跌。后来才明白，格雷厄姆式的分散至少要满足三个维度的约束：

1. 个股层面的质量检验：盈利稳定、估值合理、财务结构稳健。
2. 组合层面的数量要求：防御型投资者通常持有10到30只股票，太少不够分散，太多则精力跟不上。
3. 行业层面的分散：不能把资金集中在三五个行业里，否则等于变相押注单一宏观因素。

这三个条件看上去简单，但人工执行时很容易走样。今天看好一个板块就多买几只，明天听消息又调仓，纪律性一松，组合就慢慢跑偏。

1.2 等权分配与固定再平衡：分散原则里的两个隐形约束

格雷厄姆的分散原则里，有两个经常被忽略的约束：等权分配和固定周期审视。

等权分配的意思是，每只入选股票买入时尽量使用相同的资金量。这不是随便定的，背后有一个朴素逻辑：我们无法精准预测哪一只股票未来表现最好，既然无法判断，就不该给任何一只股票过高的押注。等权分配相当于承认“我无法预测个体”，然后把希望寄托在整体上。

固定周期审视则是把“再平衡”制度化。持仓经过一段时间后，有些股票涨得多、权重自然变大，有些跌得多、权重变小，组合就自动偏离了最初的等权状态。格雷厄姆的建议是每隔一段时间（比如半年或一年）重新审视一次，把偏离的权重调回来。

这里有个很反直觉的地方：再平衡是“卖出涨得好的、买入跌得多的”，它看上去像是在止损止盈，本质上却是在机械地做低买高卖。可人恰恰最难执行这个动作，因为内心总想砍掉亏损的、留下赚钱的。AI做这件事，有一个天然优势——它不会从卖出盈利股中感到痛苦。

1.3 手动模式的真实瓶颈：不是策略问题，是注意力问题

我知道有人会说，这套原则不复杂，手动操作也行。

确实，如果资金量很小、持仓只有五六只，手动跟踪完全够了。但一旦把组合扩展到20到30只，跨多个行业，还要定期做估值校验、权重计算、再平衡触发判断，事情就变得非常繁琐。每周光是把所有持仓的最新财务数据、估值分位数、行业权重整理一遍，就要花掉大半天。

我算过一笔账：人工整理30只股票的季度财报与估值指标，平均需要6到8小时，而且容易漏掉摘牌预警、财报修正这类突发事件。AI完成同样的巡检，耗时不到一分钟，而且每一步都有日志可追溯。

所以，我们真正要用AI解决的问题，不是“选择哪些股票”这种宏大命题，而是“如何在长时间内持续、稳定地执行一套已知规则”。格雷厄姆的分散原则，本质上是一套可编程的约束系统，天然适合交给代码去维护纪律。

2. 把原则翻译成AI能执行的目标函数

2.1 选股过滤器的量化标准：不止是PE和PB

做策略实现的第一步，是把格雷厄姆的投资原则转化为可量化的选股过滤器。这里需要特别小心：原则描述里有很多模糊地带，比如“盈利稳定”“财务稳健”，翻译成代码前必须明确边界。

我使用的筛选条件参考自《聪明的投资者》中对防御型投资者的建议，并做了一定的现代化调整：

这套过滤条件看上去很简单，但有几个细节很多人会忽略。比如PE的计算基准，是滚动12个月（TTM）还是上一年报数据？我建议用TTM，因为它能更及时地反映盈利变化。又比如PB里的净资产，到底该用总资产减值还是用归母普通股权益？不同的选择产生的结果差异很大，必须在代码里固定口径，否则每次跑出来的候选池都不一样。

2.2 约束条件的建模：如何把“分散”写进优化目标

选股之后是组合构建。这一步的关键在于把“分散”量化成可约束的条件。

我采用的不是复杂的组合优化模型，而是“筛选-等权-行业上限”的三段式结构，原因后面细说。组合层面的约束条件有：

• 持仓数量N：买入等权的N只股票，N默认在15到30之间。
• 单只权重上限：等权初始权重为1/N，任何时间单只股票权重不得超过2/N或组合的4%（取较大值），防止个股暴涨后过度集中。
• 行业权重上限：单一行业占组合比例不超过25%。
• 再平衡阈值：当某只个股权重偏离目标权重超过30%时，触发该股票的局部再平衡。

有人会问，为什么不用现代投资组合理论里的均值-方差优化？两个原因：一是格雷厄姆式策略强调估值过滤，而马科维茨优化框架本身不关心标的贵不贵，只关心收益率的协方差矩阵；二是均值-方差优化对输入参数极其敏感，协方差矩阵估计稍有偏差，输出的权重就会剧烈变化，实际效果很不稳定。对大多数个人投资者来说，等权加行业上限的简单约束，反而更能保持策略的稳健性。

2.3 为什么不用市值加权：从可解释性到相关性

市值加权是许多指数基金采用的方式，它的逻辑是大公司权重高、影响大。但这和格雷厄姆的分散原则并不完全契合。格雷厄姆体系要求的是“每一只通过筛选的股票，在组合中拥有近似同等的地位”，而不是按市值大小分配话语权。市值加权会把组合的天平倾向大型权重股，一旦权重股出现系统性风险，组合波动会受到不成比例的冲击。

等权分配还有一个隐藏好处——降低组合与常用指数的相关性。因为等权组合天然超配了小市值、低估值标的，这些标的与主流指数的走势重叠度较低，分散化效果更好。我在回测中也验证了这一点：同样的筛选条件，等权组合的相对最大回撤控制明显优于市值加权版本。

当然，等权也会带来一些小问题，比如小市值股票的流动性冲击。所以我在实际代码中加入了最小成交额过滤，并在建仓时采用分批挂单的方式，而不是一次性市价单拉高成本。

3. 一个能跑通的AI分散投资守护器：代码骨架与执行流程

3.1 数据准备与清洗：最容易出错也最容易被忽视的环节

任何模型都建立在数据之上，而金融数据里的坑特别多。在写选股逻辑之前，必须把数据准备做扎实。

我日常使用的数据源替换为示意接口（根据你所在市场的可用公开数据源自行替换），核心字段包括：

symbol # 股票代码 pe_ttm # 滚动市盈率 pb # 市净率 net_profit_growth_5y # 过去5年净利润复合增长情况 dividend_history # 股息发放记录 debt_to_asset_ratio # 资产负债率 avg_daily_amount # 日均成交额 industry # 所属行业

数据清洗的关键点有三个：

1. 剔除退市股票：这是历史回测中最常见的幸存者偏差来源。如果只用“现在还活着的股票”做回测，结果会虚高，因为退市的公司已经被悄悄移除了。
2. 财务报表对齐：财报发布日期和覆盖期间不一样，必须用“当时实际可公开获取的数据”，不能拿现在的财报去回填过去。
3. 复权处理：分红、拆股会造成价格跳空，回测时需要使用前复权数据，否则买卖点位的计算会失真。

3.2 选股模块：把估值标准翻译成筛选函数

选股模块的核心非常简单，就是把前面表格里的标准逐条翻译成代码。下面是一个可运行的示意结构：

import pandas as pd def graham_filter(df: pd.DataFrame, max_pe: float = 15, max_pb: float = 1.5, max_pe_pb: float = 22.5, min_growth_years: int = 5, max_debt_ratio: float = 0.5, min_avg_amount: float = 1e7) -> pd.DataFrame: """ 格雷厄姆式防御型选股过滤器。 df 至少包含以下列: symbol, pe_ttm, pb, net_profit_growth_5y, dividend_history, debt_to_asset_ratio, avg_daily_amount, industry """ mask = ( (df["pe_ttm"] > 0) & (df["pe_ttm"] < max_pe) & (df["pb"] > 0) & (df["pb"] < max_pb) & ((df["pe_ttm"] * df["pb"]) < max_pe_pb) & (df["net_profit_growth_5y"] >= min_growth_years) & (df["dividend_history"] >= 3) & (df["debt_to_asset_ratio"] < max_debt_ratio) & (df["avg_daily_amount"] >= min_avg_amount) ) return df.loc[mask].copy()

这段代码有一个容易被新手忽略的细节：pe_ttm > 0和pb > 0。很多数据源对于亏损公司会给出负市盈率，负的估值倍数本身没有意义，必须直接过滤掉，否则会把“净利润为负但PE刚好小于15”的公司选进来。

实际运行中，符合全部条件的股票数量可能少于目标持仓数量。这时需要做一个决策：是放宽标准，还是接受更少的持仓。我的做法是，设定一个“最优标准池”和一个“可接受标准池”。优先使用最优标准池，数量不足时按行业分散度挑选可接受标准池的股票补足，但最多放宽到PE<20、PB<2.0。这种分层设计比纯硬性门槛要灵活得多。

3.3 组合构建：等权分配与行业上限裁剪

筛选完成后进入组合构建阶段。我用的算法分三步：初步等权、行业上限裁剪、归一化重分配。

def build_equal_weight_portfolio(candidates: pd.DataFrame, target_size: int = 20, max_industry_pct: float = 0.25) -> pd.DataFrame: # 1. 如果候选池大于目标数量，按综合估值得分排序，选前N只 if len(candidates) > target_size: # score越低代表估值越有吸引力 candidates["score"] = ( candidates["pe_ttm"] / candidates["pe_ttm"].median() + candidates["pb"] / candidates["pb"].median() ) candidates = candidates.nsmallest(target_size, "score") # 2. 初始等权 candidates["weight"] = 1.0 / len(candidates) # 3. 行业上限裁剪：先对超限行业的股票权重按比例压缩 industry_count = candidates.groupby("industry").size() overweight_industries = industry_count[candidates["weight"].sum() / len(candidates) > max_industry_pct] for ind in overweight_industries.index: idx = candidates[candidates["industry"] == ind].index candidates.loc[idx, "weight"] = candidates.loc[idx, "weight"] * 0.5 # 4. 重新归一化权重 candidates["weight"] = candidates["weight"] / candidates["weight"].sum() return candidates

这段代码的逻辑顺序值得注意：先按估值排序选股，再做行业约束，最后归一化。很多人会把行业约束放在前面，结果同样数量的行业限制条件会挤出本来最该持有的优质标的。

行业比例压缩的方式也有讲究。这里使用的是整体同比例压缩50%，然后用其他股票的权重补足差额。这个压缩系数没有统一标准，我测试过30%到70%的区间，50%在保持分散度和保留优质标的之间取得了比较好的平衡。

3.4 巡检与再平衡：AI代替人盯盘的核心环节

组合建立之后，AI的主要工作进入“巡检-告警-再平衡”循环。这个模块才是我认为整套方案里最有价值的部分，因为它真正解决了人工执行中的纪律问题。

每日巡检逻辑：

• 更新所有持仓的最新行情与估值数据；
• 计算当前各行业的实际权重比例；
• 检查单只股票是否触发权重偏离阈值；
• 检查组合整体是否触发定期再平衡信号。

def daily_inspection(portfolio: pd.DataFrame, current_prices: pd.Series, rebalance_threshold: float = 1.3, period_days: int = 120) -> list: alerts = [] # 1. 计算当前实际权重 total_value = (current_prices * portfolio["shares"]).sum() current_weight = (current_prices * portfolio["shares"]) / total_value # 2. 逐只检查权重偏离 for symbol in portfolio["symbol"]: target_w = 1.0 / len(portfolio) if current_weight[symbol] > target_w * rebalance_threshold: alerts.append(f"{symbol} 权重达到 {current_weight[symbol]:.2%}, " f"超过目标权重 {target_w:.2%} 的上阈值") # 3. 定期再平衡检查 if AIPortfolio.days_since_last_rebalance >= period_days: alerts.append(f"距上次再平衡已满 {period_days} 天, 需要执行定期审视") # 4. 估值异常告警 for symbol in portfolio["symbol"]: if portfolio.loc[symbol, "pe_ttm"] > 25: alerts.append(f"{symbol} 当前PE为 {portfolio.loc[symbol, 'pe_ttm']:.1f}, " f"已超出日常容忍区间, 建议复核基本面") return alerts

触发告警后，再平衡的执行也有讲究。我不建议一告警就立刻全仓调换，因为短期价格波动经常是噪音。实际落地时，我设置了两个档位：黄色告警（权重偏离超过30%）只提示观察；红色告警（权重偏离超过50%）才触发局部再平衡操作。这样既保持了纪律性，又避免了频繁交易带来的成本损耗。

4. 回测检验：那些“看起来很美”的结果和真实的坑

4.1 回测框架选择：幸存者偏差如何摧毁你的信心

策略写完后，第一件事是回测。但回测框架的选择直接影响结论可信度。

市面上常见的回测工具大多基于“当前存续股票池”，这带来一个严重后果：那些已经退市的股票从历史数据中被抹掉了。用这样的数据回测，相当于只统计活下来的选手，结果必然偏高。这个问题在低估值策略里尤其致命，因为很多小市值低估值股票恰恰是高破产风险群体，它们正是被退市淘汰掉的那一批。

我自己做回测时，特地用了一个静态历史股票池：以回测起点时间存在的全部股票为样本，包含后续退市的标的。这样的回测结果比常规工具展示出来的数据要难看不少，但更接近真实可复现的业绩。

回测参数也做过敏感性分析：

综合下来，我更倾向于半年再平衡、持仓20到30只、行业上限25%的组合。这个配置的回撤控制相对温和，换手率也保持在每年3到4次左右。

4.2 调仓周期实验：多久动一次才算“纪律”而不是“折腾”

调仓周期是最直接影响实际体验的参数。我在模拟环境中分别用月度、季度、半年和年度四种频率做对比，模拟区间取了一个完整的牛熊周期。

结果很有趣：月度调仓的收益并不比半年调仓更高，反而在熊市末期带来更多摩擦成本。原因在于频繁调仓会让策略不停追逐短期波动，卖出的标的可能刚进入估值修复阶段，买入的新标的又面临未充分释放的下跌风险。半年调仓则让持仓有足够时间“发酵”，格雷厄姆式策略的收益来自估值回归，这个过程通常需要数月而非数周。

还有一个细节：每年4月到6月是财报密集发布期，我习惯把固定再平衡时间放在财报季结束之后，也就是每年5月底和11月底。这样调仓依据的不是市场情绪，而是最新披露的真实财务数据，对策略执行更有利。

4.3 实盘与回测差异：交易成本、涨跌停与停牌

回测跑得漂亮，上了实盘却可能变形。最典型的三个原因是交易成本、涨跌停限制和停牌。

首先是交易成本。回测里如果只按佣金计算，半年调仓一次的组合成本压力不大。但一旦加入印花税、滑点和冲击成本，尤其对于小市值标的，实际成交价往往比回测价差半个点甚至更多。我这边的修正办法是：回测中预设单边0.15%到0.3%的滑点成本，虽然会让历史业绩看起来差一些，但实盘时不会出现太大的心理落差。

其次是涨跌停限制。A股和港股的涨跌幅限制不同，极端行情下，目标是卖出某只股票时可能出现连续跌停无法出货，或者连续涨停买不回来。策略必须加入应急逻辑：当标的当日封在涨跌停板上时，自动取消该笔调仓计划，顺延到下一个交易日，而不是追单导致成交价严重偏离。

最后是停牌风险。停牌期间市值不更新，等权权重计算会失真。我的处理是在组合管理系统中维护一个“持仓状态标记”，停牌标的暂时从再平衡计算中剔除，等复牌后再恢复参与权重分配。

5. AI的独特贡献：识别伪分散、锁死情绪、应急响应

5.1 识别“伪分散”：表面上30个篮子，底下全是一根绳子

很多人把持仓数量当成分散度指标，但真正的风险集中往往藏在看不见的地方。

举例来说，一个组合持有30只股票，看起来足够分散，但如果这30只股票全部集中在同一类周期性行业里，它们本质上就是一笔押注。AI可以在两个层面识别这种伪分散：行业标签分类和价格相关性矩阵聚类。

相关性矩阵的计算尤其有用。有些公司虽然行业代码不同，但业务高度同质，比如同是消费电子产业链的上游供应商。它们会在同一时间段一起上涨、一起下跌，名义上的分散实际效用很低。我在巡检脚本中加入了相关性筛选逻辑：当两只持仓股票的历史价格相关性超过0.9时，自动标记并考虑替换其中估值更高的一只。这个动作完全可以在调仓时由一个函数完成，不需要人为判断。

import pandas as pd def detect_redundant_holdings(prices: pd.DataFrame, corr_threshold: float = 0.9) -> list: """prices: 持仓股票历史日线收盘价（已对齐）""" corr_matrix = prices.corr() redundant_pairs = [] for i in range(len(corr_matrix.columns)): for j in range(i + 1, len(corr_matrix.columns)): pair_corr = corr_matrix.iloc[i, j] if pair_corr >= corr_threshold: redundant_pairs.append((corr_matrix.columns[i], corr_matrix.columns[j], pair_corr)) return redundant_pairs

这个函数会在每次调仓前运行一次，输出所有高相关持仓对。它对减少伪分散的帮助非常大，我强烈建议在实盘组合管理中加入这一环。

5.2 情绪纪律：AI不恐慌、不贪婪、不过度自信

格雷厄姆原则真正的敌人从来不是市场，而是操作者的情绪。

市场大跌时，系统提示要按计划买入，人却不敢下手；市场大涨时，系统提示要减仓某只偏离目标权重的股票，人却觉得还能涨。这种“执行偏差”在手动投资中几乎无法避免。

AI在执行层面的价值是绝对的纪律性：只要权重偏离超过阈值，就执行卖出；只要定期审视时间到达，就执行调仓。它不会因为前一天晚上看了某篇唱空报告而改变决定，也不会因为某只股票是“别人推荐的”而额外分配更高的信任。

但这里要强调一点：AI不是全自动无人驾驶。我在实际运行中保留了人工干预接口，比如基本面突变（财务造假、监管处罚）时需要人工确认是否提前剔除标的。真正合理的定位是“AI做规则执行和风险告警，人类做例外判断和策略迭代”。

5.3 应急响应：极端行情下的再平衡开关

再平衡听起来很简单，但在极端行情下直接执行可能适得其反。

想象一个场景：全市场连续下跌，组合中防御性股票跌幅小，成长股跌幅大，按照“偏离阈值触发再平衡”的逻辑，系统会要求卖出防御性股票，买入下跌的成长股。问题来了：当市场处于恐慌性抛售阶段，此时买入跌幅巨大的股票，其实是接下落的刀。即便它们符合估值标准，也可能因为基本面进一步恶化而继续深跌。

所以，我特意设计了一个波动率熔断机制：当组合近20个交易日的波动率超过历史95%分位时，自动暂停再平衡操作，只保留告警功能。这个开关在回测中减少了极端行情下的调仓损耗，在实盘中也成功避免过几次阶段性的低点割肉。

熔断机制的阈值设定需要小心。太灵敏的话会频繁暂停再平衡，破坏纪律性；太迟钝则起不到保护作用。我更倾向于用一个简单指标：单日最大回撤超过8%时暂停一周，回撤修复或波动收敛后再恢复。这个阈值根据标的市场的历史波动特征可以适当调整。

6. 从回测到实盘：我的落地经验与参数清单

6.1 起步建议：多少只、多少钱、多久调一次

很多人开跑量化策略时问的第一个问题是：我该买多少只股票，多少钱起步才够？

拿我个人经验来说，如果资金规模在几十万级别，持仓数量不需要硬凑到30只，15到20只就够。因为等权分配的约束下，资金太少会导致单只股票金额过小，交易成本占比变高。比如30只平均分配，十几万的资金单只只有几千，买卖一手可能都凑不整齐。

不同资金规模的三档配置参考如下：

周期上，我统一推荐半年。太短会增加操作负担和交易成本，太长则会让权重偏离累积过度。半年一次既贴合财报周期，也符合格雷厄姆本人“定期审视但不频繁操作”的指导思想。

6.2 最容易翻车的几个细节：财报滞后、ST调整、除权除息

即便策略框架没问题，实盘运行中也有几个高频翻车点，每一个我都真实遇到过。

财报滞后是最大的隐性坑。上市公司的财报披露往往有延迟，且不同公司的财年划分也不一致。如果直接用当前日期去匹配最新财报，很可能出现A公司已经更新了最新一季、B公司还停留在半年前的情况。处理办法是建立“财报可用日期”字段，只使用在查询日期之前实际发布过的数据。

ST股票的处理也需要单独考虑。很多估值过滤条件会把ST股选进来，因为它们的账面估值可能很低，但实际上已经处于财务困境边缘。我通常会在过滤前直接剔除所有ST标识的股票，或者为ST股票单独设置一票否决的规则。

除权除息对再平衡计算的影响很微妙。股票分红除息后，价格会自动向下调整，导致权重变化出现“假性偏离”。如果不做除权修正，系统可能会误触发再平衡信号。我的做法是在组合管理系统中维护一个“除权日日历”，每次计算权重前先检查当日是否有持仓股票除权，有的话采用除权前的参考数据做平滑处理。

6.3 策略上线后，AI还能朝哪个方向进化

当前版本已经能完成从选股、建仓、日常巡检到再平衡的完整闭环。但如果想继续深挖，有两条路径我认为很有潜力。

一条是给候选池里的股票做细分排序。现在使用的是简单的估值得分排序，未来可以引入盈利质量指标（比如毛利率趋势、经营活动现金流与净利润比值）来提升排序准确性。格雷厄姆体系本身重视财务稳健性，把现金流指标纳入打分模型并不会偏离原则，反而是原则的更严格落地。

另一条是主动结合宏观环境调整防守姿态。比如在利率上升周期，低估值股票的吸引力通常被削弱，因为无风险收益率上升会让资金更倾向持有现金；反之在利率下降周期，低估值股票的估值修复空间更大。可以把利率方向判断作为组合整体仓位的调节因子，让策略在系统性风险加大时自动降低总仓位，在环境友好时恢复正常仓位。这部分属于对原则的温和延伸，需要谨慎回测验证，不能盲目加入。

我自己的实盘配置中，目前还是以纯粹的筛选和再平衡为主，宏观调节因子还在模拟阶段。原因很简单：加入的变量越多，策略的可解释性越差，越难在偏离预期时判断究竟是哪里出了问题。格雷厄姆式投资的核心优势就是逻辑透明，这个优势不应该轻易放弃。

回到开头的问题：AI到底如何实现格雷厄姆的分散投资原则？答案不是让AI去预测市场，而是让AI成为一个不知疲倦的纪律执行者。它把“分散”变成可计算的约束，把“再平衡”变成可触发的规则，把“情绪”变成无关变量。这两年里，我最大的体会是：这套系统的收益表现其实未必跑赢顶尖主动基金经理，但它带给我的确定性是前所未有的——我知道自己在任何时候都在执行一套经过时间检验的规则，而不是跟着市场的杂音摇摆。这本身就是一种很扎实的安全边际。