atlas-strategy-explain

技能定位：機器人溝通層 — 供 OpenClaw/Hermes Agent 將量化策略用白話解釋給投資人
適用場景：投資人想了解「為什麼這樣投資」、「策略邏輯是什麼」
目標受眾：小白投資人（不具備量化金融背景）

描述

Atlas 系統內部使用高度量化的投資策略（因子選股、達爾文權重演化、多策略投票機制），這些概念對一般投資人極難理解。本技能教導機器人代理如何將這些技術概念轉化為日常語言，讓投資人理解「系統為什麼這樣選股」以及「背後的邏輯是什麼」。

何時觸發

觸發情境	常見問法
詢問策略邏輯	「你們的策略是什麼意思」、「這個策略怎麼運作的」、「為什麼系統會推薦這些股票」
詢問因子概念	「什麼是因子」、「動能因子是什麼意思」、「價值因子怎麼看」
詢問權重機制	「為什麼不同股票的比重不一樣」、「權重怎麼決定的」
詢問買入理由	「為什麼現在買這檔」、「買入的條件是什麼」、「什麼時候會賣出」
比較策略差異	「動能策略跟價值策略有什麼不同」、「哪個策略比較好」

核心概念

1. 因子選股 — 用分數選股票

白話解釋：就像買房子要看地段、坪數、價格一樣，選股票也需要看幾個關鍵指標。這些指標在投資界稱為「因子」。

因子	白話解釋	舉例
動能（Momentum）	「最近漲得好的，可能還會繼續漲」	過去 3-6 個月表現強勢的股票
價值（Value）	「用便宜的價格買到好東西」	本益比低於同業、股價淨值比偏低
品質（Quality）	「買體質好的公司，睡得安穩」	ROE 高、負債低、現金流穩定
成長（Growth）	「買未來會長大的公司」	營收年增率 > 20%、獲利持續創新高
低波動（Low Vol）	「選比較穩的，不會暴漲暴跌」	過去一年波動率低的股票

系統如何運作：internal/portfolio/factor_engine.go 會對每檔股票打分數，綜合多個因子後產出一個「總分」，分數越高代表系統越看好。

2. 達爾文權重演化 —「好策略留下，爛策略淘汰」

白話解釋：Atlas 同時運行多個投資策略，就像一個「策略競賽」。每個月系統會檢查各策略的表現：

• 表現好的策略：增加它的「發言權」（權重變大）
• 表現差的策略：減少它的「發言權」（權重變小）
• 太差的策略：直接淘汰，換新策略上場

這就是「達爾文演化」的概念——適者生存。

初始：策略 A（權重 20%）、策略 B（20%）、策略 C（20%）、策略 D（20%）、策略 E（20%）
↓ 一個月後（演化）
策略 A 表現最好 → 權重 30% ↑
策略 C 表現最差 → 權重 10% ↓
策略 E 連續 3 個月墊底 → 淘汰，新策略 F 上場

3. 多策略投票機制

白話解釋：Atlas 不會只聽一個策略的意見。系統中有多個策略同時對每檔股票「投票」：

• 5 個策略都說「買 2330 台積電」→ 系統信心度 90%+，配置 20%
• 只有 2 個策略說「買 2303 聯電」→ 系統信心度 40%，配置 8%
• 0 個策略看好某檔 → 不納入投資組合

這就像請了 5 位投資顧問幫你看股票，綜合多數人的意見做決定。

4. 五層心法框架（L1-L5）

Atlas 的投資決策有五層思考（來自 internal/strategy_techniques），從全球宏觀到個股籌碼，層層把關：

層級	內容	白話解釋
L1 全球流動性	Fed 利率、美元走勢	「現在全世界資金是寬鬆還是緊縮？」
L2 外資行為	外資買賣超、法人動向	「外國大戶在買還是賣台股？」
L3 產業催化	AI、半導體、油價	「現在什麼產業最熱門？」
L4 匯率籌碼	新台幣、融資水位	「台幣強弱、散戶是樂觀還是悲觀？」
L5 地緣政治	戰爭、關稅、兩岸	「有沒有打仗或貿易戰的風險？」

數據來源

概念	Atlas 系統模組	說明
因子評分	internal/portfolio/factor_engine.go	多因子模型（動能/價值/品質/成長/低波動）
策略執行	internal/strategy	策略定義、買入/賣出條件、信心度計算
心法框架	internal/strategy_techniques	L1-L5 五層框架、StrategyFrame 結構、命中率追蹤
權重演化	internal/portfolio（進化權重引擎）	達爾文權重演化、策略淘汰與替換
選股篩選	internal/screener	全市場篩選、符合策略條件的標的清單

回答範例

範例一：解釋策略如何選股

Q: 你們的策略是怎麼選股票的？

A: 想像 Atlas 系統像一個「投資委員會」，裡面有 5 位不同的投資顧問（策略）。每位顧問都有自己的選股邏輯：

1️⃣ 動能型顧問：專挑「最近漲得猛的」，因為他相信強者恆強
2️⃣ 價值型顧問：專找「被低估的好公司」，像在特賣會挖寶
3️⃣ 品質型顧問：只看「體質好的公司」，ROE 高、負債低的他才放心
4️⃣ 成長型顧問：追蹤「營收獲利大增的公司」，不怕買貴只怕錯過
5️⃣ 低波動型顧問：偏好「穩穩的股票」，市場大跌時他選的股票也比較抗跌

每位顧問每天會對台股所有股票打分數。最後系統會綜合 5 位顧問的分數，選出得分最高的前 10-15 檔股票放進投資組合。

而且——如果某位顧問連續幾個月表現不好，系統會自動降低他的發言權，甚至換一位新顧問上場。這就是我們說的「達爾文演化」——好策略留下，爛策略淘汰。

範例二：解釋因子概念

Q: 什麼是動能因子？聽起來很複雜。

A: 「動能因子」簡單說就是：「最近漲得好的股票，短期內可能還會繼續漲。」

舉個生活例子：
如果一家餐廳最近天天排隊，你會不會覺得「這家這麼多人排，應該很好吃」？
股市也是類似的邏輯——如果一檔股票過去幾個月一直漲，代表背後可能有我們還不知道的好消息，資金持續湧入。

Atlas 系統的做法：
• 看過去 3 個月和 6 個月的漲幅
• 跟同產業的其他股票比較
• 分數越高 = 動能越強 = 系統越看好

❗ 但要注意：動能就像衝浪，浪大的時候很爽，但浪退的時候也可能跌很快。所以 Atlas 不會只用動能這一個指標，而是結合價值、品質、成長等其他因子綜合判斷。

範例三：解釋為何推薦某檔股票

Q: 為什麼系統推薦台積電（2330）？

A: 從 Atlas 多策略的視角來看：

【策略投票結果】
• 動能策略：✅ 推薦（近 3 個月漲幅領先大盤，動能分數 Top 3%）
• 價值策略：✅ 推薦（以 2027 年預估獲利看，本益比仍合理）
• 品質策略：✅ 推薦（ROE 25%+，負債極低，現金流充沛）
• 成長策略：✅ 推薦（AI 晶片需求催動營收成長 40%+）
• 低波動策略：⚠️ 未推薦（台積電波動偏高，不符合此策略風格）

5 個策略中有 4 個推薦 → 系統信心度 88% → 配置 20%（接近上限）

【簡單說】
系統看好台積電的核心原因是：AI 需求推動營收大幅成長，同時公司體質極佳。唯一的弱點是股價波動較大。綜合來看，多數策略認為「股價還有上漲空間，值得持有」。

---

技能版本: 1.0
最後更新: 2026-06-17
適用對象: OpenClaw/Hermes Agent（機器人溝通層）