PRODUCT POSITIONING
AI 投资决策操作系统
将“看盘、找机会、做计划、复盘”标准化为日常流程，辅助用户减少情绪化判断，并持续积累自己的决策证据。
日终数据决策上下文Human decision
AI PRODUCT CASE STUDY PERSONAL INVESTMENT DECISION SYSTEM
INVESTMENT OS / AI INVESTMENT DECISION OPERATING SYSTEM
把每日判断
变成可验证的
投资操作系统。
Investment OS 不是荐股工具，也不替代用户交易。它将收盘复盘、资金信号、次日计划与事后验证连接为一条可回看、可修正的决策闭环。
核心原则AI 负责发现信号与结构化信息，用户负责判断、执行与风险承担。
收盘复盘机会筛选交易计划次日验证规则迭代
CASE STUDY 01 / 产品背景
为什么需要 Investment OS？
个人投资者面对的不是信息不足，而是噪音过量、判断缺少框架，以及每一次决策都难以被完整复盘。
信息噪音过量
数千只个股、板块涨跌与资金流数据无法靠人工逐一筛查，表面热点也容易带偏注意力。
决策缺少系统性
没有固定分析框架时，判断容易被当日情绪与碎片信息影响，事后也难以复盘原因。
计划与验证脱节
若不记录次日条件与实际结果，策略无法沉淀为可以持续调整的个人投资体系。
产品边界不提供收益承诺，不进行自动下单，不把筛选结果包装成推荐股票。系统输出的是可审阅的观察信号、条件化计划与验证记录。
CASE STUDY 02 / Agent架构设计
多 Agent 协同，但决策权留给用户。
数据被拆解、信号被解释、计划被显式化；系统把不确定性和数据质量透明呈现，而不是输出黑盒结论。
USER个人投资者定义风险偏好，确认计划，决定是否执行
↓
MULTI-SOURCE INPUT LAYER
市场行情资金流向板块热度历史计划数据源状态
↓
市场状态 Agent
Market State- 输入
- 市场宽度、涨跌家数、涨跌停、情绪
- 推理任务
- 判断进攻、防守或结构分化环境
- 输出
- 市场分数与建议仓位区间
资金地图 Agent
Capital Flow- 输入
- 板块资金、成交额、行业强度
- 推理任务
- 识别资金持续性与热点质量
- 输出
- 强势行业、概念与资金地图
暗盘雷达 Agent
Opportunity Screening- 输入
- 量比、资金规模、换手、板块与技术条件
- 推理任务
- 筛除大盘噪音，识别启动前信号
- 输出
- 核心池、启动池、潜伏池
计划验证 Agent
Plan & Validation- 输入
- 明日计划、执行条件、次日行情
- 推理任务
- 比对计划、事实与偏差来源
- 输出
- 昨日验证与历史验证记录
↓
CONTEXT MEMORY规则版本 · 计划历史 · 观察池状态 · 数据质量记录
↓
HUMAN DECISION LOOP阅读结论 调整条件 决定执行 记录反馈系统不替代交易判断
CASE STUDY 03 / 投资决策WORKFLOW
每日复盘不是终点，次日验证才是闭环。
每个关键产出都有用户确认点：AI 把信息和逻辑前置，用户在计划形成、执行与规则调整时保留最终决定权。
- 01收盘数据汇总行情、资金、板块、数据源状态
- 02市场状态分析识别进攻、防守与分化环境
- 03资金与机会筛选资金地图 + 暗盘雷达三级池
- 04人工审阅方向确认是否值得进入观察与计划
- 05生成明日交易计划市场、板块、个股条件显式化
- 06人工确认计划调整买入条件、放弃条件与风险边界
- 07次日计划验证回看条件触发、实际表现与偏差
- 08规则复盘与迭代保留有效规则，记录需要修正的阈值
Human-in-the-loopAI 输出“发生了什么”和“值得检查什么”；用户决定“是否相信、是否执行、如何承担风险”。
CASE STUDY 04 / 核心功能展示
从投资驾驶舱到可验证的明日计划。
优先展示真实 PRD 已定义的产品模块。它们共同服务于“看懂市场、筛选机会、显式计划、验证判断”，而非推送交易指令。
62市场分数
市场状态
防守偏中性
市场宽度与资金强度均未形成一致进攻信号。建议仓位审慎观察
日终置信度数据完整
市场宽度结构分化
将资金方向与市场环境并读，避免把单日热度误判为可持续趋势。
核心池强信号资金、量比、板块、技术、换手同时满足
启动池待确认具备启动迹象，等待条件触发
潜伏池持续观察早期信号，不等同于交易结论
三级池解决“阈值过宽噪音大”与“阈值过严覆盖不足”的取舍。
市场策略仅在市场宽度改善时提高观察优先级
板块计划跟踪持续资金流入，放弃单日冲高回落
个股条件条件触发才进入人工判断，不自动执行
把“为什么关注、什么条件放弃”写入计划，避免盘中追随情绪。
条件是否触发记录事实
计划与实际偏差定位原因
数据源状态标记可信度
验证的对象是计划逻辑和筛选规则，不把短期结果包装为收益证明。
Primary东方财富ACTIVE
Fallback 01腾讯STANDBY
Fallback 02新浪STANDBY
将数据源失败和容错链路公开展示，让用户知道结论建立在什么数据质量之上。
01 / REAL PRODUCT PAGE
投资驾驶舱 Dashboard
真实产品首页将市场状态、建议仓位、今日主线、明日关注和风险提醒集中到同一决策入口。网页不替代结论，只解释页面如何支持日终复盘。
收盘复盘的统一入口02 / CAPITAL MAP资金地图将市场状态与行业资金方向连接起来，作为机会池筛选前的上下文判断。
03 / REAL PRODUCT PAGE
暗盘雷达
真实运行页面以核心池、启动池、观察池分层呈现候选，并展示资金强度、换手、量能与推荐原因，便于人工审阅而非直接执行。
三级池：精确性与覆盖面的平衡04 / REAL PRODUCT PAGE
趋势机会池
在暗盘雷达之外，系统保留中周期趋势机会，避免用户只根据单日量价触发做判断；候选原因、持有周期与风险因素均被显式呈现。
把短期信号与趋势逻辑分开05 / REAL PRODUCT PAGE
明日交易计划与策略验证
真实页面同时保留市场策略、条件化计划、昨日计划准确度、有效触发案例和失败原因，使“计划 - 事实 - 反馈”可以在同一个产品界面中回看。
计划不等于自动执行，验证不等于收益承诺CASE STUDY 05 / 策略验证闭环
用“计划 - 事实 - 反馈”替代一次性判断。
策略是否有价值不能由某一次涨跌定义。Investment OS 将每日计划和后续表现保留为历史证据，帮助用户判断规则需要保留、收紧还是放宽。
计划留档
记录市场策略、板块条件、观察目标与放弃条件。
次日事实
回看条件是否触发、市场环境是否变化、数据是否完整。
偏差分析
区分规则误差、环境变化、数据缺失与人为执行差异。
规则迭代
更新阈值、分层逻辑或数据容错策略，并形成版本记录。
HISTORICAL VALIDATION
持续追踪三级池候选在后续交易日的表现。CASE STUDY 06 / 产品迭代
从模糊投资直觉，到可执行的筛选规则。
产品迭代围绕两个真实问题展开：既不能把技术指标触发的噪音当成机会，也不能因规则过严而失去观察覆盖。
V1.0 / 初始规则
量比与资金条件筛选
目标是找到量能放大、尚未充分被市场关注的早期信号。
发现问题规则过宽时，超大盘股也会因绝对资金规模进入候选，偏离“启动前信号”的原始逻辑。
V1.1 / 约束补充
引入资金规模上限
将量比与资金体量组合判断，排除相对波动不具意义的大盘噪音。
新的问题条件收紧后，每日候选数量过少，观察覆盖不足，容易漏掉仍值得追踪的潜力目标。
V1.2 / 分层机制
建立三级机会池
以核心池、启动池、潜伏池取代单一硬阈值，在精确性与覆盖面之间建立层级。
持续验证结合后续表现、市场风格切换和阈值版本记录，继续微调各池条件。
DATA SOURCE FAULT TOLERANCE
可靠性不是后台细节，而是用户决策上下文的一部分。
- 主数据源东方财富
- 备源 01腾讯
- 备源 02新浪
- 透明展示日报告知数据源状态
CASE STUDY 07 / 我的角色
把投资经验转化为可验证的产品逻辑。
负责从业务判断、规则表达、产品闭环到工程协作的完整设计，重点不是让系统替用户交易，而是让判断过程更可见、更可复盘。
拆解个人投资决策中的信息噪音、情绪干扰与复盘缺失。
将“早期潜伏信号”的经验判断转化为可执行、可讨论的筛选条件。
定义市场、资金、机会与验证模块之间的输入、输出和上下文衔接。
在计划确认、执行判断、偏差分析和规则调整中保留用户决策权。
设计多源回退与数据源状态展示，避免单点故障变成黑盒结论。
围绕筛选范围、三级池和历史验证建立持续调整的产品机制。
产品经理职责负责将个人投资中的模糊经验，组织为“数据输入 - AI 分析 - 人工决策 - 次日验证 - 规则迭代”的 AI 产品闭环。