先说一个扎心的统计
上个月我干了件无聊的事：把某财经APP一整天的推送全存下来数了数。
一天312条。
其中，和我持仓有关系的：
2条。
剩下的310条是什么？某龙头大涨恭喜追高的、某机构喊话看多到4000点的、某专家说下周将有大事发生的、还有某公司公告里'拟'字出现8次的那种——拟收购、拟增资、拟投资，拟了一年还在拟。
我当时就有个想法：这些东西要是有用，我早发财了。要是有害，我早亏死了。实际上两者都不是——它们最大的害处是
把我变成一个焦虑的、手痒的、随时想点买入按钮的人。
于是我用大模型搭了个'新闻相关性过滤器'，跑了一个月，今天来交作业。
过滤器的思路：不看新闻看持仓
传统情绪分析工具的思路是'这条新闻利多还是利空'。我觉得这个思路有个致命问题：
利多利空是相对你持仓说的。
锂矿涨价对锂矿股是利好，对我持仓的电池厂是成本压力，对我空仓的朋友是纯噪音。所以我的过滤器只问一个问题：
这条新闻，和我当前持仓的相关度是几分？
具体流程：
1.
每天收盘后，脚本把当天的新闻（大约300条）和我的持仓清单（股票、行业、相关ETF）打包喂给大模型
2.
AI给每条新闻打分，0-10分：10分是'直接命中持仓的实质性信息'（业绩预告、监管处罚、大额合同），0分是'纯情绪文/标题党'
3.
7分以上的才推送给我，附带一句30字以内的'为什么和你有关'
4. 每周自动统计一次：推送了多少条、事后看哪条真的影响了股价
代码不复杂，核心就是一段结构化的prompt，加一个持仓变更时自动同步的接口。最难的部分是让AI别把'专家说大盘要涨'这种垃圾也算成相关——我在prompt里加了一条硬规则：
'涉及大盘涨跌预测的，一律0分'，因为这类新闻的相关性和星座运势差不多。
一个月的实测数据
先看总量：
| 指标 | 过滤前 | 过滤后 |
|---|
| 日均推送 | 78条（APP默认） | 6.3条 |
|---|
| 我点开看的比例 | 约15% | 82% |
|---|
| 看完产生交易冲动的次数 | 平均每天1.4次 | 平均每2.4天1次 |
|---|
| 当月交易笔数 | 11笔 | 7笔 |
|---|
最让我意外的是中间那行。过滤前那些推送我也知道大部分是垃圾，但还是会点——就像明知道是垃圾食品还是会伸手拿薯片。
信息过载的害处不在于信息本身，在于它训练你不停地去'看一眼'，而每一眼都是一次情绪的抽奖。
再看质量。一个月里7分以上的推送总共189条，事后验证（看新闻后5个交易日内股价有没有实质性反应）真正'有信息量'的是61条，命中率32%。而过滤前那78条/天的默认推送，我抽了三天样本人工统计，命中率大概
4%。也就是说，AI这个不太聪明的过滤器，把信噪比提高了8倍。
顺便说句公道话：这个月胜率没什么变化，该赚的赚了，该止损的也没少。
别指望降噪能提高你的水平，它能提高的是你不出昏招的概率。
两个翻车案例，也不藏了
漏了一条该推的：持仓里一只化工股的子公司上了环保处罚公示，藏在地方环保局网站，我的新闻源没覆盖。三天后补涨跌幅我才反应过来。教训：AI过滤器只能过滤你喂给它的东西，覆盖面才是命门。
推了一条不该推的：AI给我打9分推了一条'某大厂发布新品'，理由是'可能影响持仓的产业链情绪'。这个'情绪'链条绕了三道弯。后来我把prompt改成：产业链影响必须是一级供应商或直接客户，隔了两层以上的不算。
为什么我觉得这事值得散户做
因为'看新闻'这个行为的真实成本，远比你以为的高。
我之前写过一篇文章统计自己一天打开股票APP 96次的事。这次过滤新闻之后我又统计了一次：
日均打开次数降到了31次。不是我在APP里做了什么设置，是推送少了，手就痒得少了。行为金融学里这叫'可得性启发'——你看到的越多，就觉得它越重要，越重要就越想操作。反过来也成立：
你看到的少了，市场在你生活里的比重就小了，你的判断反而离市场更近了。
这句话听着矛盾，但你想想：巴菲特看盘的时间可能不到你的百分之一，他的判断比你差吗？
信息和食物一样，不是越多吃越壮。这个时代缺的不是信息，是消化信息时保持不焦虑的胃。
我是小Q，一个每天只看6条新闻的量化交易员 💤