資金溫度

I. 為何標準工具會失效

2022年發生的兩次結構性衝擊,打破了維持逾十年的市場假設。多數投資人賴以判斷的工具,是為一個已不復存在的世界所設計。

觸發因素一:零利率時代的終結

逾十年來,零利率環境是幾乎所有投資組合決策背後看不見的常數。債券殖利率雖低,但在股市下跌時可靠地上漲——60/40組合的承諾因此成立。聯準會2022年的升息轉向,在數月內摧毀了這項假設。

TLT在S&P 500下跌逾18%的同一年,跌幅超過30%。60/40投資組合遭遇數十年來最嚴重的回撤——並非因為這個概念本身有誤,而是因為其結構性前提(股票與債券之間的負相關性)已不復存在。多數投資人直到損失造成後才察覺。

觸發因素二:人工智慧的崛起

ChatGPT(2022年11月)及其後掀起的AI浪潮,重新洗牌了整個科技產業。過去的贏家——SaaS、金融科技、雲端原生純粹股——變成了輸家。新的贏家——半導體、基礎設施、超大規模雲端業者——則爆發式成長。「Magnificent 7」拉抬了S&P 500指數,但等權重版本的指數卻講述了截然不同的故事。

指數報酬與個股報酬之間的分歧,達到近年來罕見的程度。任何只看廣泛指數的人,都會錯過市場表面之下正在經歷巨大結構性轉型這一事實。

標準工具組的問題

一位典型的資深投資人手邊有哪些工具?RSI、MACD、隨機指標(Stochastic)、布林通道(Bollinger Bands)、ADX、CCI、Williams %R、OBV——這是每個TradingView、Barchart或券商平台上都能找到的技術指標軍火庫。

問題在於:大多數指標其實是以不同方式在說同一件事。

RSI與隨機指標都在衡量動能與超買/超賣狀態。MACD與均線交叉都在衡量趨勢強度。布林通道與ATR都在衡量波動性。CCI與Williams %R本質上是同一概念的不同變體。二十種工具,實際上只涵蓋三、四個維度:趨勢、動能、波動性、成交量。

而它們都存在三項根本限制:

彭博終端機(Bloomberg Terminal)能做到這一切——但每年要價2.5萬美元,設計對象是機構交易台,而非資深散戶或精品顧問公司。

問題不是「QQQ是否超買?」,而是「QQQ『為何』超買——是因為整個市場都過熱(系統性),還是因為科技股正特別地與其他板塊脫鉤(分歧)?」答案決定了該賣出、持有,甚至加碼——而標準工具連這個問題都無法提出。

II. 架構:兩大支柱、三個層級

資金溫度結合了專有評分模型與機構級分析方法——透過每日自動更新的儀表板與敘事評論,讓這些方法變得平易近人。

支柱一:溫度模型

此模型從第一性原理出發,分析黃金價格行為與參與者分層結構,對每個標的以0–100分的量表,依五個維度進行評分。核心論點是:

該模型依「痛苦門檻」將市場參與者對應到移動平均線:20日均線代表熱錢(當沖交易者、選擇權交易者),50日均線代表趨勢跟隨者(CTA、動能型ETF),200日均線則代表策略性底部(央行、主權財富基金、退休基金)。溫度讀數量化了目前價格在這個層級結構中的位置、移動速度,以及結構的脆弱程度。

五個維度,一個綜合分數

讀數高於80代表某標的正「沸騰」——所有維度都處於極端狀態。50至79之間為「溫熱」——健康且有支撐的趨勢。20至49之間為「轉涼」——動能減弱。低於20為「冰凍」——出現拋售或築底。

此評分是相對性的,而非預測性的。GLD讀數為80,代表黃金在五個維度上全面過熱——並不代表它即將反轉。這項訊號的價值在於交叉解讀:當SPY與GLD都讀數高於70,而TLT保持在30以下時,你正看到一種特定的體制組態。

八個標的,四組策略性配對

配對標的之間的溫度價差——而非個別讀數——揭示了體制動態。極端的價差(超過±25分)代表結構性壓力。

支柱二:機構級方法,平易近人化

六種源自學術研究與機構量化實務的分析方法,每日在同一組標的籃子上運行。每一種方法都存在於教科書與量化交易台之中——但沒有人將它們以每日、附有敘事說明的儀表板形式,提供給資深個人投資人或精品顧問公司。

三個應用層級

同一套分析流程適用於三個層級,唯一改變的是標的宇宙。

III. 解讀方法:學術視角 vs. 投資人視角

工具組中的每種方法,都經過三種系統性的視角轉換呈現——從教科書描述的方式,轉化為投資人真正能夠使用的方式。

轉換一:從快照到影片

教科書將每種方法視為某一時間點上的單次檢定。Closelook的做法則追蹤該數值隨時間的變化。不是看Hurst指數本身——而是看Hurst指數的漂移。不是看共整合是否成立——而是看p值是在上升還是下降。不是看吸收率的水準——而是看其變化速率。梯度永遠比水準本身更具資訊價值。

轉換二:從抽象到具名

主成分分析(PCA)的輸出是「因子1、因子2」。Closelook則為它們命名:央行、熱錢、總體避險、通膨、珠寶需求。具名因子能連結到真實世界的事件。「PC1負載上升」變成了「自中國政策決定以來,央行買盤更為積極」。

轉換三:從「是什麼」到「將會是什麼」

教科書方法是描述性的:「共整合成立」。Closelook則透過組合訊號加入預測層:「共整合目前仍成立,但半衰期正在上升,Hurst指數正在轉向——預期在兩到四週內出現破裂。」單一指標本身並無預測力。多個指標同時指向同一結論的組合,才『是』預測。

逐項方法解析

IV. 案例研究:黃金的因子歸因

一個完整範例,展示所有三種視角轉換——以黃金作為動態買方群體追蹤的原型案例。

五個具名買方群體

與其使用抽象的主成分,我們直接辨識出真正驅動黃金價格的參與者群體:

體制階段

使用時間滑桿來瀏覽體制轉變的過程。觀察央行的主導地位如何逐漸淡出,而熱錢又是如何接手——以及隨之浮現的警訊。

買方群體的時序性質:領先、落後、同步

並非所有買方群體都以相同速度移動。理解誰先行動正是預測優勢所在——若能觀察到熱錢加速而央行減速,便能在價格確認之前,先察覺體制正在轉變。

同一套框架也適用於半導體(資本支出週期 vs. 投機)、比特幣(機構 vs. 散戶 vs. ETF資金流),以及新興市場(美元 vs. 套息交易 vs. 大宗商品需求)。

V. 應用案例:三個層級中的13個投資人問題

每個問題都不是靠單一方法回答,而是靠三到五種方法組成的堆疊,彼此互相印證或互相矛盾。若一致,代表高度確信;若不一致,同樣具有價值——誠實的答案就是「尚不明朗」。

層級1:總體宏觀體制

層級2:產業與區域輪動

層級3:主題型/Closelook指數

VI. 擴充工具組

目前所有運作中的方法,皆使用來自單一資料來源、每月€20的OHLCV資料。前兩個擴充層級無需額外資料支出。

資料管線

整套系統運作於Cloudflare的邊緣運算基礎設施之上。單一Python程序每日擷取OHLCV資料,計算所有評分與共整合檢定,並將三個JSON檔案寫入R2儲存空間。輕量代理工作程序(proxy worker)以CORS與快取機制,將資料提供給前端。無需資料庫、無需伺服器,除了一個排程任務(cron job)之外沒有任何額外的活動部件。

資金溫度是一項研究性訊號,並非投資建議。過去的共整合狀態、溫度讀數與因子歸因,並不能預測未來結果。Closelook Venture GmbH發布研究內容並維護參考投資組合。條款 · 隱私權