疫情初期“抄底”一年后复盘我如何用数据判断加仓时机并把部分仓位转向 AI如果只看表面很容易误以为“逢低买入”就是“跌了敢买”四个字。过去一年里这个策略让我在疫情引发的市场波动中完成了两轮关键操作一是在恐慌情绪最重的阶段分批买入一批优质资产二是在估值修复之后把一部分仓位重新配置到 AI 相关标的上。这篇文章不是荐股也不是晒收益。我更想把这一整年的决策过程拆开当时看到了什么信号用了哪些数据指标做判断买完之后怎么跟踪为什么要做 AI 方向的调仓以及哪些环节如果再走一遍我会做得不一样。如果你正在做个人资产配置或者对“如何用系统化而非情绪化的方式应对市场波动”这个话题感兴趣这篇文章应该能给你一个可复用的思考框架。1. 这一年里真正被验证的判断是什么先给结论市场恐慌时真正值得买的不是“跌得最多的”而是“跌下来之后依然赚钱能力最强的”。2020 年 3 月前后全球市场出现了一轮非常极端的流动性冲击。几乎所有资产都在跌而且下跌速度很快。这时候最考验人的不是分析能力而是决策框架。你面前有几千只股票每只都在跌买哪个买多少是一次性买满还是分批买如果以“跌幅最大”作为买入标准你大概率会买到一堆基本面已经恶化的公司。股价跌 50% 不意味着便宜也可能意味着市场在提前反映盈利下滑。反过来一些优质公司在危机中展现出很强的抗风险能力——资产负债表健康、现金流稳定、产品需求没有消失只是被推迟。这类公司才是“逢低买入”真正应该瞄准的对象。我当时的筛选逻辑其实很朴素先圈出那些在过去几年里 ROE 稳定、负债率不高、现金流充沛的公司再等它们因为系统性风险被错杀。当一只原本估值很难便宜下来的优质股因为大盘恐慌跌到历史估值区间下限这就是值得认真考虑的位置。一年后回看这个策略最核心的收获不是某只股票赚了多少而是验证了一件事系统性下跌往往会把好公司和坏公司一起砸下来但好公司会先爬回去。你要做的就是在泥沙俱下的时候用规则而不是情绪去分辨它们。2. 当时那批“抄底”标的是怎么选出来的我在那轮操作中重点跟踪过几类公司它们分布在完全不同的行业但有一个共同特征都是各自领域的龙头而且现金创造能力非常强。科技硬件里的 NVIDIA半导体行业在疫情初期受到供应链和需求不确定性的双重冲击但 GPU 的长期需求逻辑没有变化。微软则属于另一种典型云业务已经形成规模效应疫情反而加速了企业数字化转型Azure 的增速在后来的几个季度持续走高。苹果的情况比较特殊它既是硬件公司又具备服务业务的收入韧性iPhone 的换机周期可能推迟但不会消失。消费类里我关注的是可口可乐、麦当劳、家得宝和强生。这类公司的产品需求弹性很小无论经济怎么波动人们还是要喝饮料、吃快餐、买日用品家得宝甚至因为居家时间变长而受益。它们的共同特点是短期业绩承压但长期盈利能力没有被破坏。市场恐慌给了一个用更低价格买入这些稳健现金流公司的窗口。支付领域的 Visa 也值得多说一句。疫情初期线下消费停滞支付交易量下滑股价跟着大跌。但仔细想支付是基础设施当经济恢复、人们重新开始消费交易量会回来。Visa 的商业模式是轻资产、高毛利的网络型生意这种公司在危机后恢复的速度通常比市场预期的快。这一轮筛选有一个很重要的原则不买自己看不懂的公司。当时市场上还有很多题材股、概念股跌得很惨但如果你说不清楚它靠什么赚钱、客户是谁、竞争壁垒在哪里那它跌再多也和你没关系。3. 买入节奏为什么不是一把梭而是分批建仓确定买入标的后下一个问题是节奏。一次性把仓位打满需要极大的信心和风险承受力而如果一直等“最低点”大概率会错过反弹。分批建仓是折中方案它承认自己无法预测短期走势但相信长期方向。我的做法是整个买入过程大约持续了一个多月。每次市场再创新低时买入一部分而不是在单日大跌后一次性买完。这样做的原因有两点第一下跌趋势中的“便宜”可能更便宜分批能摊薄成本第二手里始终保留弹药如果出现更极端的情况还有能力应对心态上会从容很多。另一个关键动作是设置纪律。在买入之前就写好计划每个标的最多买多少仓位、分几次买、什么情况下停止买入。市场波动越大临时决策的质量越差。提前写下来的计划能帮你对抗恐慌。这里也要提醒一点分散持仓并不等于分散风险。如果你买的十个股票全部集中在同一个行业一旦行业逻辑变化整个组合都会出问题。我当时刻意把仓位分布在科技、消费、支付、医疗等关联度较低的板块目的就是避免“一荣俱荣、一损俱损”。4. 用数据而非感觉做持有期的跟踪买入之后最难的不是拿住而是判断什么时候该继续拿、什么时候该调整。我的跟踪方式不是每天看股价而是按季度观察几个核心指标。首先是财务数据的变化。危机中最怕的是基本面恶化所以要盯住营收、毛利率、经营现金流这些指标有没有出现结构性变化。如果一家公司在疫情后恢复了增长那么股价修复只是时间问题如果恢复乏力即使股价反弹也要考虑换仓。其次是估值水位。当股价快速上涨后需要重新判断它是否已经透支了未来几年的业绩增长。有些公司在一年后回到甚至超过了疫情前的高点但继续上涨的空间可能已经有限而另一些公司的估值仍然合理甚至还有提升空间。第三个指标是仓位集中度。随着一些股票涨得多、另一些涨得少组合里的权重会慢慢失衡。这不是坏事但需要定期再平衡——把涨得过多、占比过高的部分适当减仓加到那些还没被充分定价的标的上。这个过程说起来简单做起来很需要纪律。减仓一只正在上涨的股票心理上比加仓一只下跌的股票更难。5. 为什么要在一年后把部分仓位调整到 AI 方向一年后的调仓本质上基于一个判断疫情后的复苏红利已经大部分兑现而 AI 相关产业正从一个预期驱动的主题慢慢变成真实业绩驱动的方向。这里需要先厘清一个概念差异。AI 不是一个单一行业而是一条产业链。上游是芯片和算力基础设施中游是大模型和云计算平台下游是各类应用和服务。我当时判断产业链上最先兑现业绩的很可能是上游基础设施因为无论哪一家公司的模型做大都需要更多的 GPU、更多的数据中心、更多的算力支持。而 NVIDIA 恰好在这个位置它不仅在游戏显卡上有基本盘在数据中心业务上的增长潜力也已经显现。微软的逻辑类似。它拥有 Azure 云平台同时通过投资和产品合作深度参与 AI 生态。对微软来说AI 不是讲故事而是真真切切地转化为云服务订单量的增长。调仓并不是把原来的持仓全部卖光而是在保留核心底仓的前提下把一部分已经涨高、继续上行空间有限的仓位置换到 AI 产业链里确定性更高的标的上。这个动作的逻辑是组合需要不断适应市场环境的变化而不是买完之后就永远不动。6. 一个量化分析的简化例子比较涨幅、估值与仓位为了让决策更系统化我当时用了一个很简单的 Excel 模型后来逐步迁移到了 Python 脚本里。核心思路是把每只候选股票的关键指标放在一张表里买入价格、当前价格、涨幅、买入时的估值、当前估值、仓位占比。然后针对调仓候选额外比较它与目标标的的预期增速差异。先定义一个简单的数据类来描述持仓# 文件路径portfolio_analysis.py from dataclasses import dataclass dataclass class Position: name: str shares: int buy_price: float current_price: float pe_at_buy: float pe_now: float expected_growth_rate: float # 预期未来三年净利润复合增速 property def market_value(self) - float: return self.shares * self.current_price property def return_rate(self) - float: return self.current_price / self.buy_price - 1 def PEG(self) - float: # PEG 当前市盈率 / 预期增速用于判断估值与成长的匹配度 return self.pe_now / (self.expected_growth_rate * 100)这个类很简陋但足够用来做一次横向对比。每只股票都对应一个 PEG 值PEG 越低说明当前估值相对其成长性越不贵。调仓的核心逻辑就是把 PEG 高、涨幅大的标的逐步置换到 PEG 低、成长空间大的标的上。实际使用时的排序代码大致如下# 文件路径portfolio_analysis.py positions [ Position(NVIDIA, 100, 45.0, 120.0, 35, 60, 0.25), Position(Microsoft, 50, 140.0, 230.0, 25, 35, 0.18), Position(Apple, 60, 55.0, 120.0, 18, 28, 0.12), Position(HomeDepot, 30, 150.0, 280.0, 18, 24, 0.10), Position(Johnson, 20, 120.0, 150.0, 20, 22, 0.08), ] # 按 PEG 排序 sorted_positions sorted(positions, keylambda p: p.PEG()) for pos in sorted_positions: print(f{pos.name:10s} 涨幅{pos.return_rate:6.2%} PEG{pos.PEG():.2f})在终端运行python3 portfolio_analysis.py输出示例NVIDIA 涨幅166.67% PEG2.40 Microsoft 涨幅64.29% PEG1.94 Apple 涨幅118.18% PEG2.33 HomeDepot 涨幅86.67% PEG2.40 Johnson 涨幅25.00% PEG2.75这个结果只是演示用数字不代表真实情况。但分析方法是有参考价值的当目标标的的 PEG 明显低于组合里其他标的时一次调仓就有了量化依据而不是凭感觉决定。7. 调仓的对手盘风险与仓位管理调仓最大的风险不是选错标的而是节奏上的失误。比如你觉得某个 AI 标的未来会涨于是快速卖掉原来的持仓一次性买入结果 AI 板块短期回调你既丢失了原持仓的上涨又在高位接盘。我的做法是给调仓设置一个过渡期而不是一次性完成。整个 AI 仓位调整大概用了两三周时间每次卖出原持仓后分两次到三次买入新标的。这样即使某一次买在高位整体成本也不会被拉得太高。仓位管理上还有一个原则值得分享任何单一标的的仓位不要超过总资产的某个比例。这不是怕错过机会而是防止判断错误时伤及本金。AI 方向即使确定性再高也仍然存在技术路线变化、估值泡沫、政策监管等不确定因素。把仓位控制在一定范围之内意味着即使看错了损失也可控。从材料来看很多人在调仓时最容易犯的错是“熊市拿不住牛市拿不住”两个极端。熊市里因为恐慌卖掉了错杀的好资产牛市里因为贪婪拿着已经极度高估的仓位不动。这两种情况都源于同一个问题没有设定明确的买、卖、调仓条件。条件应该在操作之前写清楚而不是等到情绪上头时再临时拍板。8. 建模与复盘把一年的决策压缩成可复用的规则把复盘写下来比赚钱本身更有长期价值。我会在年底做一次系统的“投资日志”梳理这一年做过哪些买入、卖出、调仓决定当时的判断依据是什么最后的实际结果是怎样的。哪几次决策做得好?当时捕捉到了什么信号哪几次做得不好是分析问题还是执行问题这些复盘会直接影响下一年的策略。如果要用更技术化的方式来复盘可以构建一个简单的回测框架。核心思路是定义一组交易规则然后把这组规则应用到历史数据上看看如果从始至终按规则操作实际收益和最大回撤会是什么样。下面是回测框架的基本结构用 Python 示例说明# 文件路径backtest_framework.py class SimpleBacktest: def __init__(self, initial_cash100000): self.cash initial_cash self.positions {} self.history [] def buy(self, symbol, price, shares): cost price * shares if cost self.cash: self.cash - cost self.positions[symbol] self.positions.get(symbol, 0) shares self.history.append((BUY, symbol, price, shares)) def sell(self, symbol, price, shares): if self.positions.get(symbol, 0) shares: self.cash price * shares self.positions[symbol] - shares self.history.append((SELL, symbol, price, shares)) def market_value(self, prices): total self.cash for symbol, shares in self.positions.items(): total shares * prices.get(symbol, 0) return total这只是最简单的骨架实际使用时需要接入行情数据、定义信号条件、加入手续费和滑点模型。但它的意义在于你的策略可以被打败也可以被证明是低效的但如果不先把它写下来你甚至连“被打败”的机会都没有。更重要的是回测会让你对策略的优缺点有更清晰的认识。一个在回测中表现出色的策略在实际运行时可能因为执行偏差、情绪干扰而走样一个在回测中表现平庸的策略反而可能因为“你不容易违背规则”而获得更好的实际结果。规则越简单越容易坚持越复杂的策略需要承受的中间波动越大中途放弃的概率也越高。9. 常见错误与避坑指南这一年里我也踩过一些坑这里把它们单独列出来比直接给结论更有参考价值。第一个坑是把“便宜”当成买入理由。很多股票在下跌后看起来市盈率很低但如果盈利本身在快速下滑分母变小市盈率反而会越跌越高。看估值一定要结合盈利趋势不能只看单一指标。第二个坑是过度自信。买入之后涨了容易觉得自己判断力超群于是加大仓位、放宽买入标准。但一次正确的判断可能是运气几次正确也可能是趋势环境好。真正需要警惕的是在压力测试中能活下来的仓位比例而不是某一笔交易赚了多少。第三个坑是忽略流动性。有些股票或者基金在极端行情下会面临交易不活跃的问题想买买不进、想卖卖不出。实际操作中尽量选择日均成交额足够大的品种尤其是在做调仓的时候。第四个坑是把调仓和“割肉”混淆。调仓是有计划地用新的定价逻辑替换旧持仓而割肉是情绪崩溃后的非理性卖出。两者在操作形式上很像但决策质量完全不同。如果你能说清楚卖出后的钱要去哪里、估值依据和仓位规划是什么这就是调仓如果只是不想看到亏损那就是割肉。10. 最佳实践个人资产重配置的四条建议结合这一年的操作和复盘我把经验总结为四条可以复用的建议如果你也在考虑做类似的仓位调整可以参考。第一先定框架再选标的。不要从“哪只股票会涨”开始思考而是从“我能承受多大波动、预期持有多长时间、需要怎样的资产组合”开始。框架决定选股和调仓的边界。第二把注意力放在盈利能力上而不是股价波动上。短期股价受情绪、资金面、消息面影响长期趋势则由盈利增长驱动。你买的是公司未来现金流的折现不是每天的涨跌。第三调仓要有条件触发。比如“当某标的 PEG 高于 2.5 且仓位占比超过 15% 时考虑减仓”“当新方向的核心标的基本面确认改善时分批建仓”。条件越明确越不容易被市场情绪带偏。第四定期再平衡。无论牛市还是熊市每隔半年或者一年都应该检查一次组合结构行业分布是否均衡、单一个股是否超重、整体估值是否合理。再平衡不是预测市场而是让组合始终处于你能够承受的风险区间内。从 AI 方向的调仓来说更稳妥的做法不是一次性重仓押注某一个细分环节而是把算力基础设施、云平台、应用生态三个层面都纳入观察范围优先配置那些业绩已经兑现、估值相对合理的标的。如果某个环节的估值已经明显透支未来业绩即使产业趋势是对的也可以用时间来消化高估值不必急着追进去。这轮操作已经过去一年了。回头看最让我觉得有复利价值的不是那些具体买入卖出价格而是整套决策和复盘的方法。市场永远都有变化但一套能够帮助你在变化中保持理性的框架才是长期真正值得持有的资产。