骗局洞察

任务目标

• 本 Skill 用于：识别金融骗局模式、分析收割机制的本质结构、提供反收割决策框架
• 能力包含：底层公理理解、骗局系统拆解、风险结构分析、反收割策略执行
• 触发条件：用户询问投资是否靠谱、分析某项目是否骗局、学习如何避免被收割、理解骗局背后的机制

前置准备

• 依赖说明：
  • python: pandas==2.0.0, numpy==1.24.0, matplotlib==3.7.0
• 认知准备：接受"不确定性是底层常量"这一核心公理

操作步骤

标准流程

步骤1：识别需求缺口（最隐蔽但最致命）

判断对方是否在制造"需求缺口"：

• 是否在放大你对不确定性的恐惧？（银行不安全、通胀、错过机会）
• 是否在制造焦虑？（不投就后悔、机会流失）
• 是否在暗示"你是少数幸运儿"？

如果存在以上信号，说明你被当作"韭菜"定位了。

步骤2：分析确定性叙事（核心判断点）

对方提供的"确定性解决方案"是否包含以下关键词：

• "稳定收益" "年化固定" "保本" "可预测"
• "低风险高回报" "内部渠道" "专家背书"
• "不用懂""跟着就行""别人已经赚了"

只要出现这些词，已经违背金融本质。

步骤3：拆解风险结构（必须回答五个问题）

对于任何投资机会，你必须强制自己回答：

1. 收益从哪里来？（是谁亏的钱？还是透支未来？）
2. 风险在哪里？（识别被包装、被隐藏的部分）
3. 谁在承担风险？（如果你不知道，那一定是你）
4. 最坏情况是什么？（会不会让你出局？）
5. 如果我错了，代价是多少？（单次错误是否致命？）

任何一个问题答不出来，说明你在被利用。

步骤4：识别收割节点（检查是否进入收割路径）

对照收割系统的七个节点判断当前状态：

• 节点1：需求缺口是否被制造
• 节点2：确定性方案是否被提供
• 节点3：认知门槛是否被降低（"不用懂"）
• 节点4：信任闭环是否建立（小收益→复利幻觉→加大投入）
• 节点5：资金是否开始聚集
• 节点6：风险是否在悄悄转移
• 节点7：流动性是否濒临断裂

如果已经进入节点4-7，说明收割正在发生。

步骤5：执行反收割决策（基于五个控制变量）

基于以下五个变量做出决策：

1. 不确定性承受能力：能不能接受波动？不能则不入场
2. 认知深度：是否看懂了收益来源和风险结构？看不懂则不入局
3. 时间维度：是短期情绪驱动还是长期结构主导？短期不参与
4. 资金位置：你赚的是谁的钱？不知道则是对手盘
5. 决策来源：是自主判断还是接受叙事？后者立即撤退

反收割行动：

• 不追求"确定性"，追求"正期望"
• 不"All in"，控制仓位确保单次错误不出局
• 不听故事，只看结构和对手盘
• 不追涨杀跌，反人性执行

量化工具调用

凯利公式计算器

用途：计算最优投资仓位比例

调用示例：

# 对称盈亏（胜率60%，盈利100%，亏损100%）
python scripts/kelly_criterion.py --win-rate 0.6 --win-amount 100 --loss-amount 100

# 非对称盈亏（胜率40%，盈利50%，亏损10%）
python scripts/kelly_criterion.py --win-rate 0.4 --win-amount 50 --loss-amount 10 --conservative 0.25

风险指标计算器

用途：计算夏普比率、最大回撤、VaR、索提诺比率

调用示例：

# 使用价格序列计算所有指标
python scripts/risk_metrics.py --prices '[100,105,110,108,112,115,113,118]'

# 使用收益率序列计算
python scripts/risk_metrics.py --returns '[0.05,0.0476,-0.0182,0.037,0.0268,-0.0174,0.0442]'

骗局风险评分系统

用途：计算CRS（骗局风险）、LRS（流动性风险）和综合风险评分

调用示例：

# 高风险案例
python scripts/scam_risk_scorer.py --revenue-source 0 --risk-identification 0 --cognitive-threshold 0 --liquidity 0 --information 0 --withdrawal-difficulty 0 --lock-period 0 --order-depth 0 --slippage 0

# 中风险案例
python scripts/scam_risk_scorer.py --revenue-source 1 --risk-identification 1 --cognitive-threshold 1 --liquidity 1 --information 1 --withdrawal-difficulty 1 --lock-period 2 --order-depth 2 --slippage 2

决策矩阵评估

用途：评估骗局风险判断矩阵和投资机会评估矩阵

调用示例：

# 骗局风险矩阵评估
python scripts/decision_matrix.py --matrix-type scam --scores '{"revenue_source":0,"risk_identification":0,"cognitive_threshold":0,"trust_building":0,"liquidity":0,"information_transparency":0}'

# 投资机会矩阵评估
python scripts/decision_matrix.py --matrix-type investment --scores '{"expected_value":4,"risk_control":3,"liquidity":4,"information_transparency":3,"time_match":4}'

流动性分析工具

用途：分析订单簿、流动性需求和供给、流动性风险

调用示例：

# 基本订单簿分析
python scripts/liquidity_analyzer.py --bid-price 10.00 --ask-price 10.05 --bid-volume 10000 --ask-volume 5000

# 完整流动性分析
python scripts/liquidity_analyzer.py --bid-price 10.00 --ask-price 10.05 --bid-volume 10000 --ask-volume 5000 --panic-sell-volume 30000 --normal-volume 5000 --available-funds 10000

可视化工具

用途：生成风险热力图、骗局网络拓扑图、资金流向追踪图、决策树可视化

调用示例：

# 风险热力图
python scripts/visualization.py --type risk-heatmap --data '{"risks":{"high":80,"medium":15,"low":5}}' --output risk_heatmap.png

# 网络拓扑图
python scripts/visualization.py --type network-topology --data '{"nodes":["A","B","C","D"],"edges":[["A","B"],["B","C"],["C","D"]]}' --output network_topology.png

数据处理工具

用途：数据清洗、数据分析、批量评分、报告生成

调用示例：

# 批量评分
python scripts/data_processor.py --input data.csv --task batch-score --output report.html

可选分支

• 当需要深度理解底层理论：阅读 references/underlying-principles.md（底层公理与核心轴）
• 当需要拆解具体骗局系统：阅读 references/scam-system-model.md（完整收割模型）
• 当需要构建反收割系统：阅读 references/anti-scam-framework.md（执行框架）
• 当需要理解规则与定价权：阅读 references/power-and-pricing-layer.md（规则设计与定价权）
• 当需要顶层玩家路径：阅读 references/top-player-path.md（实操与进化）
• 当需要量化模型与算法：阅读 references/quantitative-core.md（凯利公式、夏普比率、VaR等）
• 当需要理解行为心理学：阅读 references/behavioral-psychology.md（损失厌恶、前景理论、锚定效应）
• 当需要定价与估值：阅读 references/pricing-and-valuation.md（DCF、相对估值、梅特卡夫定律）
• 当需要理解流动性危机：阅读 references/liquidity-and-crisis.md（订单簿、滑点、崩盘前兆）
• 当需要决策工具：阅读 references/decision-tools.md（决策树、判断矩阵、检查清单）
• 当需要识别骗局类型：阅读 references/scam-taxonomy.md（金融/技术/社交/商业骗局完整图谱）
• 当需要实战案例分析：阅读 references/scam-case-studies.md（e租宝、麦道夫、PlusToken等案例拆解）
• 当需要理解社交工程：阅读 references/social-engineering-algorithms.md（信任构建、群体传播、信息操纵）
• 当需要博弈论应用：阅读 references/game-theory-applications.md（纳什均衡、博弈树、多轮博弈）
• 当需要防御策略：阅读 references/defense-strategies.md（分类型防御、多层级防御、应急响应）
• 当需要复杂系统量化：阅读 references/complex-systems-quantification.md（网络效应、相变点、黑天鹅）
• 当需要实战演练：阅读 references/interactive-training.md（交互式案例、场景训练、错误分析）
• 当需要历史演化分析：阅读 references/historical-evolution.md（从古代到现代的骗局演化）

使用示例

示例1：判断"年化8%稳定收益"项目

• 场景/输入：有人推荐"年化8%稳定收益，保本保息"
• 预期产出：识别这是典型的确定性幻觉骗局
• 关键要点：
  1. 识别叙事关键词："稳定""保本保息" - 违背金融本质
  2. 回答五个问题：收益来源？谁承担风险？答不出→骗局
  3. 对照收割节点：确定性方案已提供，认知门槛被降低
  4. 反收割决策：拒绝，因为追求确定性是被收割的前置条件

示例2：分析某P2P爆雷事件

• 场景/输入：用户询问"某某P2P为什么会爆雷？我亏了钱"
• 预期产出：拆解完整的收割路径，解释风险转移机制
• 关键要点：
  1. 回溯收割链路：需求缺口（通胀恐惧）→确定性方案（稳定收益）→降低门槛（不用懂）→信任建立（小收益）→资金聚集→风险转移→流动性断裂
  2. 分析收益来源：本质上是用新资金兑付旧收益（庞氏结构）
  3. 风险转移风险从设计者转移到参与者
  4. 真相：用户不是"投资"，而是"买安心感"

示例3：学习反收割策略

• 场景/输入：用户表示"我总是被骗，想知道如何避免"
• 预期产出：提供五步强制判断流程和四个策略
• 关键要点：
  1. 五步强制判断：每次决策前必须回答五个核心问题
  2. 概率思维：不问"能不能赚钱"，问"长期正期望吗"
  3. 仓位系统：设计"允许犯错的系统"，单次错误不出局
  4. 反叙事能力：问"这个故事如果是假的，骗点在哪里"
  5. 进化路径：从"被收割者"→"认知觉醒"→"结构理解"→"策略执行"→"结构利用"

示例4：从防守到进攻（进阶）

• 场景/输入：用户表示"我已经能避免被骗了，如何升级到顶层玩家"
• 预期产出：提供从参与者到设计者的升级路径
• 关键要点：
  1. 理解定价权：解释权 = 定价权 = 收益分配权
  2. 掌握三大权力：定价权、流量控制权、规则定义权
  3. 构建信息优势：深度调研、人脉网络、系统化思考
  4. 设计规则结构：成为规则的一部分，而不是参与者
  5. 升级路径：防守（不被收割）→理解（拆解结构）→进攻（主动设计）

示例5：量化评估投资机会（专业级）

• 场景/输入：用户询问"年化30%的项目，值得投吗？"
• 预期产出：使用量化模型系统化评估
• 关键要点：
  1. 使用凯利公式脚本计算仓位：python scripts/kelly_criterion.py --win-rate 0.5 --win-amount 3 --loss-amount 1
  2. 使用风险指标脚本评估风险：python scripts/risk_metrics.py --returns '[0.3,0.25,-0.15,0.35,0.2]'
  3. 使用骗局风险评分：python scripts/scam_risk_scorer.py --revenue-source 1 --risk-identification 1 ...
  4. 综合分析量化结果，做出决策

示例6：流动性危机识别（实战级）

• 场景/输入：某平台提现困难，用户询问"是否会爆雷？"
• 预期产出：使用流动性分析工具评估
• 关键要点：
  1. 使用流动性分析脚本：python scripts/liquidity_analyzer.py --bid-price 10.00 --ask-price 10.50 --bid-volume 1000 --ask-volume 10000 --panic-sell-volume 30000 --normal-volume 5000 --available-funds 5000
  2. 分析输出中的流动性需求和供给
  3. 检查风险警告（critical/severe/moderate）
  4. 根据整体风险评级做出决策

资源索引

基础理论

• 参考：见 references/underlying-principles.md（何时读取：需要理解底层公理、核心轴、收益来源时）
• 参考：见 references/scam-system-model.md（何时读取：需要拆解完整骗局系统、理解收割机制时）
• 参考：见 references/behavioral-psychology.md（何时读取：需要理解人性弱点、骗局心理学时）

反收割框架

• 参考：见 references/anti-scam-framework.md（何时读取：需要构建反收割执行系统、学习具体策略时）
• 参考：见 references/decision-tools.md（何时读取：需要使用决策树、判断矩阵、检查清单时）

进阶能力

• 参考：见 references/power-and-pricing-layer.md（何时读取：需要理解规则设计、定价权、从参与者升级到设计者时）
• 参考：见 references/top-player-path.md（何时读取：需要学习策略模型执行、资金配置、信息优势构建、从防守到进攻的完整路径时）

量化模型

• 参考：见 references/quantitative-core.md（何时读取：需要使用凯利公式、夏普比率、最大回撤、VaR等量化模型时）
• 参考：见 references/pricing-and-valuation.md（何时读取：需要使用DCF、相对估值、梅特卡夫定律等定价方法时）
• 参考：见 references/liquidity-and-crisis.md（何时读取：需要理解流动性危机、订单簿、崩盘前兆时）

脚本工具

• 脚本：见 scripts/kelly_criterion.py（用途：计算最优投资仓位比例，支持对称和非对称盈亏，提供保守策略建议）
• 脚本：见 scripts/risk_metrics.py（用途：计算夏普比率、最大回撤、VaR、索提诺比率等风险指标）
• 脚本：见 scripts/scam_risk_scorer.py（用途：计算CRS骗局风险评分、LRS流动性风险评分和综合风险评分）
• 脚本：见 scripts/decision_matrix.py（用途：评估骗局风险判断矩阵和投资机会评估矩阵）
• 脚本：见 scripts/liquidity_analyzer.py（用途：分析订单簿、流动性需求和供给、流动性风险）

骗局识别与防御

• 参考：见 references/scam-taxonomy.md（何时读取：需要识别金融/技术/社交/商业等骗局类型、了解骗局特征时）
• 参考：见 references/scam-case-studies.md（何时读取：需要学习e租宝、麦道夫、PlusToken等经典骗局案例、理解收割路径时）
• 参考：见 references/social-engineering-algorithms.md（何时读取：需要理解信任构建、群体传播、心理操控等社交工程算法时）
• 参考：见 references/game-theory-applications.md（何时读取：需要理解纳什均衡、博弈树、多轮博弈等博弈论应用时）
• 参考：见 references/defense-strategies.md（何时读取：需要学习分类型防御策略、多层级防御体系、应急响应机制时）

注意事项

• 接受"不确定性"是入场门票，追求"确定性"是进入收割轨道
• 前期收益不是能力证明，只是"诱饵成本"
• 不懂的不碰，看不懂的不入，这比亏钱更安全
• 所有被收割的人，本质是在用钱购买"安心感"
• 市场只奖励敢面对不确定性且有能力管理它的人

进阶能力

从防守到进攻的升级路径：

阶段1：不被收割（防守）

• 目标：识别骗局，避免被收割
• 能力：五步判断、概率思维、仓位控制
• 参考：anti-scam-framework.md

阶段2：理解结构（过渡）

• 目标：理解市场运行机制，拆解收割系统
• 能力：系统思维、结构分析、风险识别
• 参考：underlying-principles.md、scam-system-model.md

阶段3：主动设计（进攻）

• 目标：掌握定价权，设计规则，控制流量
• 能力：资源整合、规则设计、影响力
• 参考：power-and-pricing-layer.md、top-player-path.md

核心升级关键

• 从"接受规则"到"设计规则"
• 从"被动反应"到"主动定价"
• 从"跟随流量"到"控制流量"