ClawHub

Behavioral Finance

行为金融交易策略 - 识别和利用市场中的认知偏差、情绪极端和群体行为，实现逆向交易和超额收益。

Audits

Pass
ClawScanPass

Agentic behavior and permission review.

Static analysisPass

Pattern checks against bundled files.

VirusTotalPass

Multi-engine malware detections and file reputation.

Install

openclaw skills install behavioral-finance

行为金融策略技能 (Behavioral Finance Strategy Skill)

概述

基于行为金融学原理的交易策略，专门捕捉由投资者认知偏差、情绪极端和群体行为导致的市场定价错误。通过量化行为指标，识别过度反应、羊群效应、锚定偏差等行为模式，生成逆向交易信号。

核心理论

主要认知偏差

  1. 过度自信：投资者高估自己的判断能力
  2. 过度反应：对新闻事件的反应超过基本面变化
  3. 确认偏误：寻找支持自己观点的信息
  4. 锚定效应：过度依赖历史价格作为参考点
  5. 损失厌恶：对损失的痛苦大于等额盈利的快乐
  6. 羊群效应：跟随他人行为，忽视自己信息
  7. 处置效应：过早卖出盈利股，持有亏损股过久
  8. 代表性偏差：过度依赖近期模式

适用场景

  • 情绪极端点交易：恐慌性抛售后的买入机会
  • 过度反应纠正：重大新闻后的价格回归
  • 羊群效应反转：拥挤交易的逆向操作
  • 锚定偏差利用：突破关键心理价位后的趋势延续
  • 日历效应：月度/季度末的行为模式

核心功能

1. 情绪指标量化

  • 散户情绪指数
  • 机构情绪指标
  • 社交媒体情感分析
  • 搜索热度异常检测

2. 行为偏差识别

  • 过度反应指标
  • 羊群效应强度
  • 锚定点位分析
  • 处置效应检测

3. 逆向交易信号

  • 情绪极端点识别
  • 拥挤交易警告
  • 均值回归机会
  • 趋势延续信号

4. 风险行为预警

  • 泡沫形成预警
  • 恐慌性抛售预警
  • 非理性繁荣识别
  • 流动性陷阱警告

行为模式类型

A类模式（高胜率）

  • 恐慌性抛售：情绪极度悲观后的反弹机会
  • 非理性繁荣：情绪极度乐观后的回调风险
  • V型反转：过度反应后的快速均值回归
  • 突破锚定：突破关键心理价位后的趋势延续

B类模式（中等胜率）

  • 月度效应：月初上涨，月末下跌的季节性模式
  • 周五效应：周末前的持仓调整
  • 财报后漂移：市场对财报信息的延迟反应
  • 分析师羊群：分析师评级高度一致时的反转机会

C类模式（低胜率，高赔率）

  • 黑天鹅过度反应：极端事件后的超调回归
  • 政策冲击消化：政策突变后的市场适应
  • 流动性冲击：流动性突然变化的价格异常
  • 市场结构变化：交易规则变化的行为适应

使用方法

JSON参数格式

{
  "action": "detect_behavioral_patterns",
  "stock_codes": ["002371.SZ", "000001.SZ"],
  "timeframe": "recent_30_days",
  "pattern_types": ["overreaction", "herding", "anchoring"],
  "output_format": "actionable"
}

可用操作

  1. detect_behavioral_patterns - 检测行为金融模式
  2. quantify_market_sentiment - 量化市场情绪
  3. identify_extreme_sentiment - 识别情绪极端点
  4. generate_contrarian_signals - 生成逆向交易信号
  5. monitor_herding_behavior - 监控羊群效应
  6. backtest_behavioral_strategies - 回测行为策略

输出示例

{
  "success": true,
  "skill": "behavioral_finance_skill",
  "behavioral_analysis": {
    "stock": "002371.SZ",
    "timeframe": "2026-03-01 至 2026-03-05",
    "detected_patterns": [
      {
        "pattern_type": "overreaction",
        "confidence": 0.78,
        "description": "近期下跌幅度超过基本面变化",
        "expected_correction": "+4.2% 至 +7.5%",
        "timeframe": "3-7个交易日"
      }
    ],
    "sentiment_indicators": {
      "retail_sentiment": 0.32,
      "institutional_sentiment": 0.45,
      "sentiment_extreme": "过度悲观",
      "sentiment_score": -1.8
    },
    "trading_signal": {
      "signal_type": "contrarian_buy",
      "strength": 0.72,
      "entry_zone": "当前价格±1.5%",
      "target_price": "+6.5%",
      "stop_loss": "-3.0%",
      "holding_period": "5-10个交易日"
    }
  }
}

算法原理

过度反应指标

过度反应分数 = (价格变化幅度) / (基本面变化幅度) - 1
调整因子 = 波动率调整 × 流动性调整
有效过度反应 = 过度反应分数 × 调整因子

羊群效应强度

羊群强度 = 交易集中度 × 意见一致性 × 动量持续性
羊群危险度 = 羊群强度 × 估值偏离度 × 杠杆水平

情绪极端指标

情绪指数 = 标准化(散户情绪 + 2×机构情绪 + 社交媒体情绪)
极端度 = |情绪指数 - 历史中位数| / 历史波动率

逆向信号生成

信号强度 = 极端度 × 过度反应 × (1 - 羊群强度)
风险调整收益 = 预期回归幅度 / (波动率 × 实现概率)

数据源

  1. 价格数据：MDL_data_skill (QMT实时行情)
  2. 交易数据：成交量、大单比例、资金流向
  3. 情绪数据：股吧评论、社交媒体、新闻情感
  4. 基本面数据：估值指标、分析师预期、公司公告

风险控制

  • 情绪陷阱：避免在情绪持续极端时过早反转
  • 流动性风险：低流动性股票的行为信号可靠性低
  • 结构性变化：市场结构变化可能改变行为模式
  • 黑天鹅事件：极端事件可能破坏行为模式假设

风险控制参数

  • 最大仓位：单信号不超过3%
  • 止损纪律：-3%强制止损
  • 时间止损：信号发出后10个交易日未实现即退出
  • 相关性限制：避免同时交易高度相关行为模式

性能指标

  • 历史胜率：60-70%
  • 平均盈亏比：1:2.5-1:3.0
  • 年化收益率：25-40%
  • 最大回撤：<12%
  • 夏普比率：>2.0

依赖技能

  • MDL_data_skill：实时行情和历史数据
  • risk_management_skill：仓位控制和风险管理
  • policy_analysis_skill：政策情绪影响分析

更新日志

  • v1.0.0 (2026-03-05)：初始版本发布
  • 核心功能：行为模式检测、情绪量化、逆向信号生成
  • 行为模式：过度反应、羊群效应、锚定偏差、情绪极端

注意：行为金融策略基于市场非理性假设，实际效果受市场环境、投资者结构变化影响。建议结合基本面分析使用，并严格执行风险控制。历史表现不代表未来收益，投资需谨慎。