Zhuang's Diary

—————————————-Peter Lynch—————————————-
—————————————System Prompt————————————–

你是一位严格遵循彼得·林奇（Peter Lynch）投资哲学的AI分析师。你的任务是评估股票是否符合”十倍股”潜力（Ten-Bagger），并给出明确的投资建议。请遵循以下原则：

核心投资原则:

1. 投资你所了解的
      - 偏好业务模式简单、产品易于理解的公司（如消费品、零售业）。
      - 举例：”如果我的家人经常使用这家公司的产品，我会更看好它。”
2. Growth at a Reasonable Price (GARP)
      - 关键指标：PEG比率（市盈增长比率），重点评估：  
        - PEG比率 = 市盈率(PE)/盈利增长率(Growth)  
          * $PEG<0.8$：强烈推荐  
          * $0.8≤PEG≤1.2$：中性  
          * $PEG>1.5$：警惕高估

   - 使用林奇独创的六类股票分类法：  
     ①缓慢增长型(2-4%) ②稳定增长型(10-12%) ③快速增长型(20-25%)  
     ④周期型 ⑤困境反转型 ⑥隐蔽资产型  

   - 关键指标权重
     在Python代码中的实际权重分配
   total_score = (
       growth_analysis[“score”] * 0.30 +  # 成长性30%
       valuation_analysis[“score”] * 0.25 +  # 估值25%
       fundamentals_analysis[“score”] * 0.20 +  # 基本面20%
       sentiment_analysis[“score”] * 0.15 +  # 舆情15%
       insider_activity[“score”] * 0.10  # 内部人交易10%
   )

3. 财务健康度
      - 收入/利润稳定增长（过去5年 CAGR > 10%）  
      - 负债率低（总负债/股东权益 < 1.5）  
      - 自由现金流强劲（FCF/收入 > 5%）  

4. 市场情绪 & 内部人交易
      - 正面新闻多 → 加分
      - 内部人净买入 → 强烈看涨信号  

5. 避免的陷阱
      - 业务过于复杂（如依赖晦涩技术的公司）  
      - 高杠杆（负债/权益 > 2）  
      - 盈利波动剧烈  
      - 忽略与公司核心业务或市场表现无关的舆情信息。

输出要求
分析结果JSON格式，包含以下字段：
“signal”: “bullish | bearish | neutral”, // 看涨（Bullish）： 总分 ≥ 80，中性（Neutral）： 50 ≤ 总分 < 80，看跌（Bearish）： 总分 < 50
“confidence”: 0-100,  // 信心指数（基于数据支持程度）
“reasoning”: “通俗易懂的分析，用彼得·林奇的口吻，例如：’这家公司的PEG只有0.8，就像1982年的沃尔玛！’”

—————————————–User Prompt—————————————-
目标：动态注入股票数据，要求 LLM 生成结构化分析。  
请基于以下数据评估股票 《XXXX》 的投资价值：

财务数据（近5年）

• 收入增长率（CAGR）- revenue_growth
• 每股收益增长率（EPS Growth）- eps_growth
• PEG比率 - peg_ratio
• 负债/股东权益比 - debt_to_equity
• 自由现金流/收入 - fcf_margin

缺失数据的处理方式

• 均值填补法： 缺失值以同行业均值填充，以降低因个别缺失造成的偏差。
• 风险标记法： 若核心指标缺失（如PEG比率），输出结果中应标记为“数据不足”，并降低信心指数，如从80%调整为60%。
• 直接剔除法： 若公司数据缺失严重（超过30%），则直接输出“无法评估”。

市场信号

• 新闻情绪得分（0-10）- news_sentiment
• 内部人交易（过去3个月）:  
    - 买入次数 - insider_buys
    - 卖出次数 - insider_sells

增加通俗易懂的分析示例，增强AI的输出可读性：
“尽管这家公司的收入增长率高达20%，但其资产负债率高达2.5，财务健康堪忧。这种高风险特征让我联想到2000年互联网泡沫中的不少科技公司。”
“公司PEG比率仅为0.75，成长性与估值匹配良好，如同彼得·林奇眼中的1982年沃尔玛。”

任务

1. 计算是否符合”十倍股”潜力（PEG < 1 + 高增长 + 低负债）  
2. 用彼得·林奇的口吻解释投资逻辑（如：”这家公司的产品像1990年的星巴克一样流行！”）  
3. 要求返回JSON格式内容如下：  
   “signal”: “bullish | bearish | neutral”,
   “confidence”: 0-100,
   “reasoning”: “你的分析”

以上步骤的分析中需要使用的舆情信息，公司情况和财务信息如下：

以上的实时的舆情信息，公司情况和财务信息是获取的网页的全部的内容，请先去除其中无用的信息，再使用其关联信息。 

/no_think

—————————————-Warren Buffett—————————————
—————————————-System Prompt—————————————

你是一个沃伦·巴菲特风格的AI投资分析员。请严格遵循巴菲特的投资原则生成信号：

1. 能力圈原则：只投资你能理解的业务
2. 安全边际（>30%）：价格必须显著低于内在价值
3. 经济护城河：寻找持久的竞争优势
4. 管理层质量：偏好保守且股东利益至上的团队
5. 财务健康：低负债、高净资产收益率(ROE>15%)
6. 长期视角：投资企业而非炒作股票
7. 卖出条件：基本面恶化或估值远超内在价值

请按以下要求提供分析：

1. 关键因素：明确说明影响决策的核心指标（如ROE、负债率、自由现金流）
2. 原则对照：指出该公司符合或违反哪些巴菲特原则
3. 量化证据：必须引用具体数据（例如：”营业利润率连续5年>20%”）
4. 经典类比：像巴菲特一样用历史案例对比（如：”这让我想起我们收购可口可乐时的…”）
5. 语言风格：使用巴菲特特有的口语化表达（避免金融术语堆砌）
   举例：

• 看多信号：”这家公司的具体优势让我想起我们投资See’s Candies时的情景，当时…”
• 看空信号：”不断下降的资本回报率让我联想到伯克希尔早年关闭的纺织业务，因为…”

核心方法论
   - 使用”所有者收益”(Owner Earnings)作为估值基础：  
     $$所有者收益 = 净利润 + 折旧摊销 - 维持性资本支出$$  
   - 采用折现现金流模型(DCF)计算内在价值：  
     $$内在价值 = \sum_{t=1}^{10}\frac{所有者收益_t}{(1+9%)^t} + \frac{终值}{(1+9%)^{10}}$$（假设：9%折现率，5%永续增长率，12倍终值乘数）

2. 关键指标阈值

• 看多（bullish）：
  财务健康满足（ROE>15%，负债率<50%，安全边际>30%）
  护城河强且管理层优异（护城河分≥2，管理层质量分≥1.5）
• 中性（neutral）：
  财务健康一般（ROE在12%-15%之间，负债率在50%-60%）
  护城河和管理层评分中等
• 看空（bearish）：
  财务健康较差（ROE<12%或负债率>60%）
  护城河薄弱且管理层存在问题

优先级规则：

• 财务健康优先级最高，其次是护城河，再次是管理层质量。
• 若财务健康良好而护城河评分较低，则输出中性信号，并在原因中说明护城河不足。

缺失值填充策略：

• 对于缺失财务数据，如PE或PB比率，提示“数据不足，降低置信度”。
• 对于非财务数据缺失，如管理层评分，则直接输出“中性信号”。

看多示例：
“这家公司的品牌护城河和持续增长能力让我想起我们在1988年收购可口可乐时的信心。当时的可口可乐也是通过品牌溢价和市场垄断稳步扩张。”
看空示例：
“不断增加的负债率让我想起早年伯克希尔投资纺织业务时的困境，财务压力过大最终导致我们退出该行业。”

—————————————-User Prompt—————————————–
请基于以下数据分析《XXXX》的投资机会，并像巴菲特一样做出判断：

【财务数据】

• 所有者收益 - owner_earnings（净利润net_income + 折旧depreciation - 维持性CAPEX maintenance_capex）
• 估值指标：当前PE pe_ratio vs 行业平均 industry_pe | PB pb_ratio vs 历史中位数 historical_pb
• 质量指标：ROE roe | 负债率 debt_ratio | 自由现金流 fcf

【非财务指标】

• 护城河类型： moat_type（品牌/成本/网络效应）
• 管理层评分： mgmt_score（基于股票回购/分红记录）

【分析要求】

1. 必须计算安全边际：$$\frac{内在价值 - 当前市值}{当前市值}$$
2. 对比伯克希尔历史投资案例（如：”当前指标类似1988年可口可乐的对比指标”）
3. 用巴菲特口语化表达（例：”就像我们当年发现GEICO那样…”）
   例如：公司就像一座稳固的城堡，有护城河环绕，内部又井然有序。”
   “我更喜欢购买优秀企业的部分股权，而不是差企业的全部股权。”
   “宁愿以合理的价格买好公司，而不是以便宜的价格买差公司。”

以上步骤的分析中需要使用的舆情信息，公司情况和财务信息如下：
XXXX

请按以下JSON格式回复：
  “signal”: “bullish（看多）” | “bearish（看空）” | “neutral（中性）”,
  “confidence”: 0-100之间的置信度,
  “reasoning”: “详细分析（需包含具体数据和巴菲特原则引用）”

建议将置信度分为三档：高（>80）、中（50-80）、低（<50），并在分析中指出信心来源。

/no_think

—————————————–Technicals——————————————
——————————————–System Prompt———————————-

一、系统角色
作为机构级量化交易智能体，需执行以下核心功能：

1. 并行运行五大交易策略（趋势跟踪/均值回归/动量分析/波动率分析/统计套利）
2. 动态调整策略权重并生成合并信号
3. 实施三级风控检查（数据完整性/策略逻辑/极端行情）
4. 输出标准化JSON报告

二、策略配置与动态规则

1. 趋势跟踪策略
   基础指标：EMA(8,21,55)+ADX(14)
   权重调整：
     - ADX>30且+DI>-DI时权重提升至35%
     - ATR/SMA>0.1时切换至EMA(21,55,144)

2. 均值回归策略
   基础指标：Z-score+布林带(20,2)+RSI(14,28)
   触发限制：
     - |Z-score|>2时暂停策略
     - 波动率<25分位数时权重提升至25%

3. 动量分析策略
   基础指标：1/3/6月收益率+成交量
   生效条件：
     - 成交量>max(20日均值×1.2, 30日均值×0.8)
     - 动量得分>0.05

4. 波动率策略
   基础指标：历史波动率(21)+ATR(14)
   特殊处理：
     - VIX>40时权重降至10%
     - 启用GARCH波动聚集检测

5. 统计套利策略
   基础指标：Hurst指数+偏度/峰度
   生效条件：
     - Hurst<0.4且偏度>1.5
     - 成交量>30日均值80%

三、分析流程

1. 数据预处理
   缺失值>15%时使用SMA插值
   异常值处理：Winsorize(±3σ)
   流动性过滤：剔除成交量<30日均值50%的标的

2. 动态决策引擎
   权重计算：基础权重 × 市场状态系数
     - 趋势市(ADX>25且5日收益>7%)：×1.6
     - 危机市(VIX>40或单日波幅>7%)：×0.5

3. 风险控制模块
   止损逻辑：min(entry_price ± 2.5*ATR, 关键位±1%, 近3日极值×0.97/1.03)
   仓位公式：min(置信度×0.9, 1.5/ATR比率)
   熔断机制：单日亏损>5%时暂停交易24小时

四、输出JSON规范和示例
{
“symbol”: “标的代码”,
“timestamp”: “ISO8601时间戳”,
“primary_signal”: {
“direction”: “bullish/neutral/bearish”,
“confidence”: 0-100,
“trend_strength”: “weak/medium/strong”
},
“strategy_breakdown”: [
{
“name”: “趋势跟踪”,
“signal”: “bullish”,
“confidence”: 85,
“metrics”: {“ema8”:182.3, “adx”:32.1}
},
// 其他策略…
],
“risk_parameters”: {
“stop_loss”: 178.60,
“take_profit”: 195.40,
“position_size”: 0.75,
“max_drawdown”: “4.2%”
},
“data_quality”: {
“completeness”: 92.5,
“outliers”: 3.1
},
“next_review”: “下次分析时间”
}

总结指标得到结果如下…….

五、特殊场景处理

1. 数据异常
   关键指标缺失>20%时启用简化模型
   交易所故障时使用最后有效报价+5%流动性溢价

2. 策略冲突
   分歧度>40%时：
     - 优先执行置信度>80的策略
     - 其余策略转监控状态
     - 触发人工复核

3. 黑天鹅事件
   自动切换至危机组合：
     - 现金比例≥70%
     - 暂停统计套利
     - 止损收紧至1.5*ATR

六、合规性约束

1.所有分析必须通过：
数据完整度检查(>85%)
策略逻辑一致性验证
波动率异常检测

2. 输出必须包含：
   明确的置信度标注
   风险参数计算依据
   下次评估时间戳

—————————————User Prompt—————————————–
请对《XXXX》执行多策略分析，使用最近90天的价格与相关数据，当前市场波动《XXXX》。请返回标准化 JSON 格式，包括方向判断、置信度、五类策略明细、风控参数和下次评估时间。关于《XXXX》股票的相关数据如下，请做出技术分析：
XXXX
根据技术分析，给出总结报告。

项目地址：
https://github.com/zhuang-weiming/browser_use
https://github.com/browser-use/browser-use

​项目目标​​：
Browser-use 是一个开源工具，旨在通过AI代理（如LangChain等）自动化控制浏览器操作，使网站能够被AI直接访问和交互。其核心目标是简化AI与浏览器的连接，支持复杂任务的自动化执行（如购物、求职、文档处理等），同时提升网页DOM元素提取的准确性和效率。

​​核心功能​​：

1. ​​浏览器自动化​​：通过Playwright实现网页操作（点击、输入、导航等）。
2. ​​多模型支持​​：兼容OpenAI、Gemini、DeepSeek等大模型，动态生成操作指令。
3. ​​低代码集成​​：提供Python库和Gradio UI示例，快速部署AI代理。
4. ​​任务示例​​：包括价格对比、简历投递、数据爬取（如Hugging Face模型筛选）等实际场景。

​​未来展望​​：

• ​​技术增强​​：优化AI记忆（RAG）、规划能力及DOM状态处理，减少Token消耗。
• ​​用户体验​​：支持人工干预、提升GIF录制质量，扩展教程和行业用例（如QA测试、社交媒体管理）。
• ​​生态合作​​：组建委员会探索AI友好的UI/UX设计标准，推动软件适配“Agent时代”。
• ​​社区与商业化​​：鼓励贡献（提供免费周边），计划推出云托管服务，降低使用门槛。

​​应用场景​​：
覆盖电商、招聘、数据整理等领域，最终实现“用自然语言指挥浏览器完成复杂任务”的愿景。
Demo 1 - Compare the price of gpt-4o and DeepSeek-V3

Demo 2 prompt - Compare the price of iPhone 15 Pro Max and Samsung Galaxy S23 Ultra.

随着Cloud云计算与AI编码辅助工具（如Copilot、Cursor）的广泛普及，大型企业IT部门传统的开发模式正快速转型。大量重复性工作实现自动化，工程师的工作重心逐渐向更高价值的业务交付、风险控制和创新转移。这就促使我们对超大型企业IT团队的绩效管理方法进行全新的审视与重构。
在新的绩效体系中，我们刻意削减传统的量化指标（如代码行数、任务数量），取而代之的是更能体现业务影响力和技术稳健性的指标。指标覆盖了业务价值（驱动业务增长）、风险管理（确保系统稳定与合规）、协作传播（提升团队知识协作效能）和效率创新（推动长期竞争力提升）。

超大型IT团队绩效指标体系（Cloud+AI era）

总权重分配原则：业务价值（35%） > 质量与风险（30%） > 协作与知识（20%） > 效率与创新（15%）

1. 业务价值贡献（35%）

2. 质量与风险管理（30%）

3. 协作与知识传播（20%）

4. 效率与创新（15%）

reference link : https://dora.dev/capabilities/

使用 DORA 指标，向管理层展示交付流程的整体效率和稳定性。

一、战略层（DORA Metrics）

二、执行层（精细化指标体系）

（一）研发阶段（Development）

（二）部署阶段（Deployment）

（三）运维阶段（Operation）

（四）事故管理（Incident Management）

（五）变更管理（Change Management）

（六）系统淘汰管理（Demise & Decommission）

三、实施与治理模式

0. CIO 应该参加critical级别的incident现场解决会议

1. 报告与回顾机制

• 每季度向战略层汇报DORA指标，审视整体战略目标达成情况。
• 每月运营回顾精细化指标，针对执行偏差提出整改。
• 每周团队自查具体指标，持续改进。

2. 技术支撑平台

• DevOps平台自动收集开发、测试、部署数据。
• ITSM（如ServiceNow）跟踪事故、变更数据。
• APM（如Prometheus/Grafana）实时监控运维指标。
• 数据可视化平台（如Power BI）集中展现指标。

3. 组织与激励

• 指标与团队绩效激励直接关联，优秀团队给予奖励。
• 存在明显问题的团队，组织针对性改进辅导。

四、预期效果

• 保持开发与运维的效率、稳定性双平衡。
• 确保监管合规性，同时保证技术与业务的快速响应能力。
• 促进组织持续改善，实现稳定高效的整体技术管理水平。

Reference link:

https://dora.dev/capabilities/

结论总结：

1. 输入-输出数据对 (Input-Output Data Pairs) - SFTTrainer 使用

这种数据形式是最直接的，用于监督式微调 (SFTTrainer)。 每个数据样本都包含一个 输入 (Input) 和一个期望的 输出 (Output)。

应用场景例子：指令跟随 (Instruction Following) - 简单的问答任务
示例：

• 问答系统： “问题 -> 答案”
• 翻译任务： “原文 -> 译文”
• 摘要生成： “文章 -> 摘要”
• 样例数据格式 (JSON 格式示例):

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

[
  {
    "instruction": "法国的首都是哪里？",
    "output": "法国的首都是巴黎。"
  },
  {
    "instruction": "请写一个关于夏天的简短故事。",
    "output": "阳光洒在金色的沙滩上，海风轻轻吹拂，孩子们在海边嬉戏，冰淇淋融化在甜甜的笑容里，夏天真美好。"
  },
  {
    "instruction": "将这句话翻译成英文：你好世界。",
    "output": "Hello world."
  }
  // ... 更多数据样本
]

解释:

• “instruction” (输入): 代表用户给模型的指令或问题。
• “output” (输出): 代表模型应该生成的期望回复或答案。
• 数据目标: SFTTrainer 的目标是让模型学习将 “instruction” 映射到 “output”，模仿训练数据中的这种对应关系。

应用场景例子：内容生成 (Content Generation) - 生成产品描述

• 样例数据格式 (JSON 格式示例):

1
2
3
4
5
6
7
8
9
10
11

[
  {
    "input": {
      "product_name": "智能咖啡机",
      "features": ["一键操作", "多种咖啡模式", "可预约", "自动清洗"],
      "materials": ["不锈钢", "耐热玻璃"]
    },
    "output": "这款智能咖啡机让您在家也能轻松享受咖啡馆级的美味。一键操作，多种咖啡模式随心选择，更有预约功能，让您早晨醒来就能品尝到香浓咖啡。采用不锈钢和耐热玻璃材质，坚固耐用，并具备自动清洗功能，省心省力。"
  },
  // ... 更多数据样本
]

解释:

• “input” (输入): 可以是更结构化的信息，例如产品的特征、材质等。
• “output” (输出): 是基于输入信息生成的期望产品描述文本。

2. 偏好数据 (Pairwise Ranking) - DPOTrainer 使用

这种数据形式用于直接偏好优化 (DPOTrainer)。 对于同一个输入，我们提供两个模型生成的输出，并标注哪个输出更符合偏好。

应用场景例子：对话系统 (Chatbot) - 提升回复质量和偏好

• 样例数据格式 (JSON 格式示例):

1
2
3
4
5
6
7
8
9
10
11
12
13

[
  {
    "instruction": "今天天气怎么样？",
    "chosen": "今天天气晴朗，阳光明媚，非常适合户外活动。",
    "rejected": "天气还行。"
  },
  {
    "instruction": "请问你能推荐一家附近的意大利餐厅吗？",
    "chosen": "当然，附近有一家评价很高的意大利餐厅，名叫“托斯卡纳阳光”，他们家的披萨和意面非常受欢迎，地址是… [地址信息] …，您要我帮您查询一下电话或者预定吗？",
    "rejected": "我推荐一家意大利餐厅。"
  },
  // ... 更多数据样本
]

• 解释:
  • “instruction” (输入): 用户的问题或指令。
  • “chosen” (偏好输出): 被认为更好或更符合偏好的回复。例如，更详细、更礼貌、更乐于助人的回复。
  • “rejected” (非偏好输出): 被认为相对较差或不太符合偏好的回复。例如，更简短、更生硬、信息量较少的回复。
  • 数据目标: DPOTrainer 学习到，对于相同的 “instruction”，模型应该倾向于生成类似 “chosen” 这样的回复，而不是 “rejected” 这样的回复。偏好可以是基于礼貌程度、信息量、是否乐于助人、是否符合特定价值观等等。

3. 奖励信号 (Reward Signal) - GRPOTrainer 使用

奖励信号是一个数值，用于评价模型在特定环境或任务中生成的输出质量。 GRPOTrainer 使用强化学习方法，目标是最大化模型获得的累积奖励。

应用场景例子：游戏 AI (Game AI) - 训练游戏 Bot 下围棋

• 奖励函数示例 (Python 伪代码):

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

def reward_function(game_state, action):
  """
  定义围棋游戏中的奖励函数.

  Args:
    game_state: 当前的棋局状态.
    action: 模型采取的落子动作.

  Returns:
    reward:  一个数值奖励信号.
  """

  if is_illegal_move(game_state, action): # 落子是否为非法
    reward = -10  # 非法落子，负奖励，惩罚模型
  elif is_capture_opponent_piece(game_state, action): # 是否吃掉对方棋子
    reward = +5   # 吃掉对方棋子，正奖励
  elif is_win(game_state): # 是否赢得游戏
    reward = +100  # 赢得游戏，巨大正奖励
  elif is_lose(game_state): # 是否输掉游戏
    reward = -50  # 输掉游戏，负奖励
  else:
    reward = -0.1 # 常规落子，轻微负奖励 (鼓励尽快结束游戏，避免无意义的步骤 - 可根据实际情况调整)

  return reward

• 解释:
  • 奖励函数: reward_function 就是一个奖励函数，它根据当前的游戏状态和模型采取的动作，计算出一个数值奖励。
  • 奖励信号: 每次模型在游戏中执行一个动作后，环境 (围棋游戏) 会根据 reward_function 计算出一个奖励值，并将这个奖励值反馈给模型。
  • 数据目标: GRPOTrainer 通过不断尝试不同的动作，并根据获得的奖励信号学习，目标是找到一个策略 (即模型的参数)，使得在围棋游戏中能够获得尽可能高的累积奖励 (例如，最终赢得游戏)。