陌生ETF持有不安 → 操作变形 → 卖飞复盘

> 日期：2026-07-23 > 触发事件：截面策略选出Top 10中包含香港证券ETF、证券ETF等陌生品种，因不了解其估值/底部/盈利能力而在下跌中减仓甚至清仓，之后反弹卖飞

---

一、根因诊断：不是心理问题，是信息不对称问题

你的不安不是心理素质差。它是一个信息饥饿问题：

公式：不安 = 不确定性 × 仓位大小 × 价格方向对你不利

当不确定性是"完全不了解"时，任何一次向下震动都会被大脑解读为"未知的风险正在兑现"，触发本能的逃跑反应（减仓/清仓）。这不是你意志不坚定，这是人类大脑在信息真空下的默认生存策略。

操作变形的因果链

策略选出陌生ETF（如香港证券）
  → 买入（因为系统说买）
  → 缺乏该品种的估值锚/历史参照系
  → 价格下跌（4个月前经历大跌）
  → 大脑："这个东西我不了解，它会不会跌到0？"
  → 恐慌减仓 → 清仓
  → 价格反弹 → 卖飞
  → 后悔 → 下次遇到陌生品种更不敢拿

你说的完全正确：这种操作变形"小概率躲过一次风险，大概率摧毁长期盈利能力和系统迭代"。因为：

• 系统是基于统计优势做决策的——你干预10次，可能对2次错8次，但那2次"对"的记忆会强化你的干预冲动
• 每次手动干预都让你无法得到"如果严格执行会怎样"的真实反馈，系统永远无法迭代
• 知行合一的本质不是"强迫自己信"，而是"先把'知'补齐到足以让'行'不痛苦"

---

二、现有系统的缺陷诊断

我仔细读了截面选基的估值相关代码，找到了三个核心缺陷：

缺陷1：ETF→指数映射太粗糙，大量行业ETF被错误锚定

现状（valuation_fetcher.py 第71-133行）：

问题本质：ETF_TO_INDEX_TS_CODE 中大量行业ETF被粗略映射到创业板指或沪深300，导致估值分位完全不准。例如证券ETF的PE波动范围和沪深300截然不同——证券PE在20-60之间波动，沪深300在10-18之间。用沪深300的分位去看证券，会产生严重误判。

缺陷2：预期收益率使用的是硬编码线性公式，不是真实回测数据

现状（engine.py 第556-580行）：

@staticmethod
def _pe_pct_to_1y_return(pe_pct):
    # 硬编码：PE分位<10% → 预期+20%，分位>90% → 预期-20%
    # 这是一个拍脑袋的线性外推，不是从历史数据回测出来的
    if p < 0.10: return round(0.25 - p * 0.5, 3)
    elif p < 0.25: return round(0.20 - (p - 0.10) * 0.53, 3)
    ...

严重问题：

• 这个公式对所有指数（沪深300、创业板、证券、半导体、恒生指数）通用——但不同指数的"低估→反弹"规律完全不同
• 创业板指在PE 50-80%分位时历史上未来1年仍平均+18~39%收益（valuation_factor.py注释中已经提到），但这个公式给的是+5%到-2%，严重低估
• 证券、煤炭这种强周期行业，PE低的时候往往是顶部（盈利最好），PE高的时候反而可能是底部（亏损）——用PE分位看周期股是经典错误
• 你最需要的那个数字（"持有1年预期收益X%"）现在是假的，没有经过真实回测

缺陷3：展示的信息维度不够，缺少"持有信心"关键数据

当前截面页面展示列：

• PE_TTM（锚定指数的PE）
• PE分位（锚定指数的分位）
• 锚定指数PE分位
• 锚定预期1年收益（假数据，见缺陷2）

缺失的关键列：

• ❌ ETF自身的PE/PB（而非仅锚定指数的）
• ❌ ETF自身PE的历史百分位
• ❌ 未来6个月/1年/2年的真实回测预期收益
• ❌ 未来持有期的历史胜率
• ❌ 历史最差情况（最大亏损幅度）
• ❌ 该品种的历史最大回撤
• ❌ 当前估值分位对应的"见底概率"或"安全垫厚度"
• ❌ 这个指数从历史上类似估值水平恢复到中位数需要多久
• ❌ 数据可信度标签（如"基于15年历史数据" vs "映射近似，仅供参考"）

---

三、正确的估值锚定方案

原则：每个ETF必须有精确的底层指数映射

三层数据优先级：

完整映射表（需要修正的部分）

这是基于我对tushare可获取的指数代码和ETF底层指数的整理：

A股宽基（当前基本正确，微调）

A股行业/主题（大量需要修正）

港股/跨境（需要大幅改进）

美股/全球（部分已有，需扩展）

不可用PE估值的品种（用其他估值指标）

---

四、真实预期收益率模型设计

目标

在截面页面上，为每个ETF展示：

> 当前估值处于历史X%分位 → 历史上类似估值水平下： > - 持有6个月平均收益：+X%（胜率Y%） > - 持有1年平均收益：+X%（胜率Y%） > - 持有2年平均收益：+X%（胜率Y%） > - 中途最大回撤平均：-X% > - 历史最差情况：-X%

技术方案

核心工具已存在：valuation_backtester.py 已经实现了完整的估值→未来收益分桶回测框架，支持6个时间窗口（1月/3月/6月/1年/2年/3年），每个分桶统计平均收益、中位收益、胜率、最大回撤、最差/最好情况。

需要做的事：

• 批量回测所有ETF锚定指数：对valuation_fetcher.py中所有可获取PE的指数，用ValuationBacktester跑一次全历史回测，将结果缓存到本地数据库
• 替换硬编码公式：engine.py的_pe_pct_to_1y_return方法改为查询回测缓存，返回真实统计数据
• 定期更新：每周截面跑完后自动刷新回测数据（增量更新即可）
• 对周期行业特殊处理：证券、煤炭、有色等强周期行业，PE分位的含义与成长股完全相反（低PE=盈利高点=可能见顶），需要额外加入PB分位或周期位置指标

数据存储方案

新增表或文件缓存：

# 每个指数的回测结果缓存
valuation_backtest_cache/{index_code}.json
{
  "index_code": "399975.SZ",
  "index_name": "证券公司",
  "backtest_start": "2015-01-01",
  "backtest_end": "2026-07-23",
  "current_pe": 25.3,
  "current_pe_pct": 0.23,
  "buckets": {
    "252": [  # 1年
      {"bucket": "0~10%", "pe_range": [15,20], "avg_ret": 35.2, "win_rate": 78, "worst": -12, "best": 85, "avg_maxdd": -18},
      {"bucket": "10~20%", "pe_range": [20,25], "avg_ret": 22.5, "win_rate": 65, "worst": -18, "best": 60, "avg_maxdd": -22},
      ...
    ],
    "126": [...],  # 6个月
    "504": [...]   # 2年
  },
  "current_assessment": {
    "6m": {"avg_ret": 18.5, "win_rate": 62, "worst": -15},
    "1y": {"avg_ret": 24.3, "win_rate": 68, "worst": -20},
    "2y": {"avg_ret": 41.2, "win_rate": 75, "worst": -18}
  }
}

---

五、Web界面新增列设计

截面页面的表格应新增以下列：

颜色和视觉强化

• 1年预期收益>+15%且胜率>65%：整行加浅绿色背景（强买入信号，给你"拿住"的信心）
• 1年预期收益-5%~+10%：正常白色
• 1年预期收益<-10%且胜率<40%：整行加浅红色背景（警示）
• 点击ETF行展开时，增加一个"估值详情"面板，展示完整的分桶表和估值-收益散点图

---

六、优先级行动项清单

按解决问题的紧迫程度排序，P0最高，P2最低：

🔴 P0：立即可做（消除当前不安）

• P0-1：修正ETF→指数映射表

- 目标：把所有行业主题ETF从"创业板/沪深300近似"修正为真实跟踪指数 - 范围：证券、银行、医药、消费、白酒、军工、煤炭、传媒等已有tushare数据的指数 - 涉及文件：valuation_fetcher.py 的 ETF_TO_INDEX_TS_CODE 和 A_INDEX_TS_CODE_MAP - 预期效果：这些ETF的PE分位从"错的"变成"对的"

• P0-2：批量回测所有可获取PE的指数

- 目标：对所有tushare可获取的指数（000300、399006、000905、399975证券、399986银行、000933医药、000932消费、399997白酒、399967军工、399998煤炭、399971传媒、000016上证50、000852中证1000、000688科创50、SPY、QQQ等），运行ValuationBacktester跑2015年至今的估值-收益回测 - 输出：每个指数一个JSON缓存文件 - 预期效果：获得真实的"当前估值→未来收益"统计数据

• P0-3：给当前Top10中的陌生品种逐个生成"持有信心卡"

- 目标：针对本次让你不安的品种（香港证券ETF、证券ETF等），先用现有工具生成单个品种的估值回测报告，打印出来看 - 方法：运行 valuation_backtester.py 的 print_report() 针对399975.SZ（证券公司） - 预期效果：即使Web页面还没改好，你也能看到具体数字——"证券ETF当前PE分位23%，历史上这个分位持有1年平均+24%，胜率68%，最差-20%"——有了这个数字，你就不会慌了

🟡 P1：系统增强（1-2周内完成）

• P1-1：扩展tushare行业指数覆盖面

- 目标：确认tushare是否覆盖以下指数的PE数据——半导体(H30184)、人工智能(931071)、机器人(930712)、光伏(931151)、新能源车(930997)、创新药(931152)、5G(931079)、游戏(930722)、稀土(930598)、钢铁(930606)、有色(000819)、化工等 - 方法：写脚本逐个调用 stock_today_client.index_dailybasic() 测试 - 对tushare不覆盖的指数，寻找替代数据源（中证指数官网、东方财富、akshare等）

• P1-2：港股估值数据源扩展

- 目标：恒生科技(HSTECH)、恒生互联网、恒生医疗、香港证券业的PE数据 - 数据源选项：恒生指数官网、akshare的 stock_hk_index_daily_em、东方财富港股指数估值 - 优先级：先解决恒生科技和香港证券（最常出现在Top10中的港股品种）

• P1-3：替换硬编码预期收益为真实回测数据

- 目标：修改engine.py的_enrich_pe_valuation()方法，从回测缓存读取真实预期收益 - 涉及文件：engine.py、新增valuation_backtest_cache.py管理缓存 - 输出列：exp_ret_6m、exp_ret_1y、exp_ret_2y、win_rate_1y、worst_1y

• P1-4：截面Web页面增加估值列

- 目标：在表格中新增"自身PE"、"PE分位"、"1年预期收益"、"胜率"、"最差"、"置信度"列 - 涉及文件：unified_server.py 约8337-8500行的表格渲染逻辑 - 点击展开时展示完整估值详情面板

• P1-5：周期行业PE的特殊处理

- 目标：证券、煤炭、有色、钢铁等强周期行业，单纯看PE分位会误导（低PE可能是周期顶部） - 方案： 1. 增加PB分位作为补充参考 2. 对周期行业标记"周期股"标签 3. 在周期股的预期收益计算中，用PB分位替代PE分位，或使用"PE+PB复合分位" 4. 在展示中加注："⚠️ 证券为强周期行业，PE低位≠低估，请结合PB分位判断"

🟢 P2：体验优化（后续迭代）

• P2-1：全球股指估值数据源扩展

- 日经225(N225)：从yfinance或日经官网获取PE历史 - 德国DAX：从yahoo finance/STOXX获取 - 印度NIFTY50：从NSE India获取 - 沙特Tadawul：从Tadawul官网获取 - 优先级：日经 > 德国 > 印度 > 沙特（按出现在Top10的频率）

• P2-2：非PE品种的估值指标

- 黄金ETF：实际利率模型（10Y TIPS收益率与黄金负相关） - 国债ETF：到期收益率+期限利差 - REITs：分派率DSY

• P2-3：估值详情页增强

- 点击ETF名称跳转到该品种的专属估值回测页面（类似现有/valuation/chart但针对单个ETF） - 展示PE历史走势图+当前位置标注 - 展示估值-未来收益散点图+当前点标记 - 展示历史上类似估值点之后的走势叠加图

• P2-4：推送消息增加估值信心摘要

- 每次推送Top10时，在每个品种后面附加一行： `` 📊 证券ETF PE 25.3 (23%分位) 1年预期+24% 胜率68% 历史最差-20% ` - 预期效果：你在周一早上看到推送时，不只是看到"买XX 10%"，而是同时看到"为什么买、持有预期如何"，减少"陌生感"

• P2-5：陌生品种预警

- 在截面页面上对"历史持仓记录中从未持有过"或"持仓不足3次"的品种加一个🆕标签 - 点击标签展示该品种的快速研究摘要（行业属性、历史表现、估值特征、与现有持仓相关性） - 这帮助你提前做功课，而不是买了之后才开始研究

---

七、心理层面的即时应对策略

在代码改完之前（需要一些时间），下次遇到陌生品种被选入Top10时，用这个流程：

买之前（周四晚上/周五看推送时）

• 立即跑一次该品种的锚定指数回测：

`python from adata.aohan.quant.data_process.valuation_backtester import ValuationBacktester bt = ValuationBacktester() result = bt.run_with_code('399975.SZ', start_date='2015-01-01', code_label='证券公司') print(bt.print_report(result)) `

• 写下3个数字：当前PE分位、1年预期收益、历史最差情况
• 如果1年预期收益为正且胜率>55%→按系统买入，但减半仓（首次接触品种半仓起步）
• 如果数据缺失（映射到近似指数）→标记"数据置信度低"，分配更轻的权重（如建议10%你配5%）

持有中波动时

• 不要看分时图，看你在买之前写下的那3个数字
• 问自己："我当初买入的理由变了吗？"——只有"基本面发生根本性变化"或"系统发出卖出信号（掉出Top10）"才是卖出理由
• 价格下跌本身不是卖出理由——如果估值分位更低了，那应该是加仓理由而不是减仓理由
• 回顾违规成本记录本（03-约束自己.md铁律5），看看之前手动干预一共亏了多少钱

这是投资吗？这是系统工程。

你说得完全正确——完全靠主观是没法迭代系统的，必须做到知行合一。但"知行合一"不是强迫自己去"信"一个自己不理解的东西，而是：

> "知"的深度决定"行"的坚定度。 > > 你对沪深300能拿住，不是因为你意志力强，而是因为你太了解它了——你见过它的PE在8-18之间来回，知道12倍以下买入历史上没亏过钱（持有3年），知道每次大熊市之后它都会回来。 > > 你对香港证券拿不住，不是因为你意志力弱，而是因为你的"知"是空白的——你不知道它的PE区间、不知道历史底部在哪、不知道跌完之后多久能回来。你的大脑在信息真空中只能用恐惧来填补。 > > 解决方案不是锻炼心智，而是填补信息。

把每个ETF的估值历史、预期收益、最差情况都用数据填满，你的"行"自然就坚定了。这就像你不会害怕坐电梯——不是因为你胆子大，而是因为你坐过几百次，知道它不会掉下去。

---

附录A：数据源突破（2026-07-23 当天发现）

重大发现：蛋卷基金免费提供63个核心指数的实时PE/PB/历史百分位

API：https://danjuanfunds.com/djapi/index_eva/dj`（无需登录，无需API Key）

这完美解决了行业指数PE数据获取的问题！以下是2026-07-22的真实估值快照（按PE分位从低到高排序）：

🔴 深度低估区（PE分位<15%）— 高安全垫

🟡 合理估值区（PE分位15%-60%）

🟠 偏高估区（PE分位60%-85%）

🔴 高估区（PE分位>85%）— 需要警惕

⚠️ 关键发现：你卖掉的证券ETF正在历史7.2%分位！

证券公司指数（512880证券ETF跟踪的399975）当前PE=15.5，处于历史7.2%分位。

这意味着：

• 历史上只有7.2%的时间比现在更便宜
• 92.8%的时间证券指数PE比现在高
• PB=1.34，也接近历史底部区域
• 这是你卖飞的直接数据原因——你在极度低估区卖掉了

另外，蛋卷基金还覆盖了：港股HSI/HSCEI/HSTECH、德国DAX、印度NIFTY、纳指100、标普500、日经（东证竞争）等跨境指数。

蛋卷基金API的局限性

• ❌ 不直接提供历史PE时间序列（需要另外爬取，或者从乐咕乐股等获取）
• ✅ 提供了当前PE百分位（基于蛋卷自身数据库计算），这已经比tushare的6个宽基指数覆盖广得多
• ✅ 可以直接作为截面页面的估值数据源替换