Investing for Programmers

第 1 章 — 分析型投资者（The Analytical Investor）

1.1 投资旅程（Your Investment Journey）

• 程序员追求财务独立，起点往往不是贪心，而是职场太苦——微管理的老板、甩锅的客户、暗中改你代码出事还怪你的人。正规教育从不教这些。
• 换工作是权宜之计，创业是用 80 小时换更低薪水和渺茫的成功率。常规出路都有明显天花板。
• 替代路径：通过被动收入逐步建立对工作的独立性。自由是渐变过程——当被动收入开始覆盖部分必要开支时，自由就开始了。
• Q “Knowing that you can leave a high-paying, soul-crushing job for a more fulfilling one, even if it pays less, is a powerful relief.” / 知道自己可以离开那份高薪但消耗灵魂的工作，去做更有意义的事，哪怕收入更低——这本身就是一种巨大的解脱。
• 全书定位是分步指南，强调理性和耐心，不承诺奇迹。警惕”24 小时暴富”。

1.2 资产（Assets）

资产变现的两条路径：资本增值（低买高卖）和被动收入（利息、租金、分红等定期收付）。

投资前必须回答的三个底层参数：

1. 风险承受力（Risk tolerance）——能承受多大潜在损失而不焦虑
2. 财务目标（Financial goals）——希望在多长时间内赚多少
3. 时间投入（Time commitment）——愿意花多少时间管理投资；如果盯盘的时间侵蚀了生活，说明策略需要调整

股票（Stocks）

• 买股票 = 买公司所有权（equity）。股价由供需驱动，但也受全球政治与经济新闻影响
• 术语链：shares（可数的股份）→ stock（公司总权益）→ portfolio（持有的所有证券集合）→ unrealized gain/loss（未卖出前的浮盈/浮亏）→ realized gain/loss（卖出后兑现）
• Dividend（分红）：公司按每股支付的收益。Dividend yield = 年分红 / 股价。苹果 yield ≈ 0.49%，远低于 10 年期美债 ≈ 4.3%——纯冲分红买苹果不划算

债券（Bonds）

• 债券 = IOU（借据）。买债券 = 借钱给发行方（政府或公司），换取定期利息（coupon）+ 到期归还本金（principal）
• Credit risk：发行方违约风险，由 Moody’s / S&P 等评级机构评估
• 风险越高 → yield 越高。到期前可在公开市场卖出，价格随市场波动
• 美国国债被视为”无风险”基准，但严格来说是”极低风险”——理论上任何政府都可能违约

交易所交易基金（ETFs）

• 一笔交易买入一篮子证券，天然分散风险
• 多数 ETF 被动跟踪指数（如 S&P 500），算法自动 rebalance；少数为主动管理
• 有年管理费（expense ratio），但远低于自己逐笔买入的交易费用总和

其他基金

外汇（Forex）

• 交易货币对（如 EUR/USD）的汇率波动来获利
• 分析经济指标和市场趋势，预判货币升值/贬值

加密货币（Crypto）

• 底层是 Blockchain（去中心化数字账本），应用层是 Cryptocurrency（基于区块链的数字资产）
• 核心价值：无需第三方中介的点对点交易
• Staking：通过参与交易验证获得奖励，是 crypto 的被动收入方式

衍生品（Derivatives）

• 衍生品 = 价值来源于底层资产（股票、商品等）的合约
• 最常用的衍生品是 Options（期权）：付一笔 premium（权利金）获得在到期日前以 strike price（行权价）买/卖资产的权利，但不是义务。程序员类比：premium = 买 API Key，获得 buy() 或 sell() 的调用权；到期没达到条件就让 key 过期，损失仅限于 premium
  • Call option：买入的权利（看涨）
  • Put option：卖出的权利（看跌/保险）
• 也可以反过来 sell/write options：收取 premium 作为收入，但承担义务。卖 put 的极端风险：股价跌到零仍需按行权价买入

私募股权（Private Equity）

• 投资未上市公司，流动性低但回报潜力最大
• 两种参与方式：直接投资（通常 pre-seed / seed 阶段）或作为 LP（有限合伙人） 加入天使/VC 基金

其他资产

• Commodities（大宗商品）：金、油、小麦等，价格受地缘政治、天气、全球经济影响，波动大
• Real estate（房地产）：高度非流动性资产（illiquid），卖出慢、租客风险高
• Fungible vs Non-fungible：可替代 vs 不可替代。证券是 fungible 的，因此门槛低、维护少、流动性好、可扩展——适合新手起步

选资产前的四个自问

1. 过上满意生活需要多少钱？
2. 有多少闲钱可以投资？
3. 为了更高收益愿意承受多大风险？
4. 愿意在研究和管理投资上花多少时间？

1.3 投资方法（Investment Approaches）

资产变现方法的三个分类：

定量研究（Quantitative Research）

• 核心思路：收集尽可能多的财务数据（revenue、profit margin、P/E ratio 等），跨公司比较这些”因子”
• 财务数据高度标准化（会计准则），非财务数据也可量化后纳入
• Technical analysis（技术分析）：通过价格和成交量的统计趋势识别模式、预测走势。工具包括 candlestick chart、各类 indicator

定性研究（Qualitative Research）

• 关注数字背后的”为什么”：品牌实力、管理层质量、竞争对手风险
• 定性数据可转化为定量数据（如对 earnings call 做 sentiment analysis 再比较评分）
• GenAI：摘要大规模数据集、分析市场情绪、模拟压力测试场景
• AI Agents：自主完成多步骤研究任务——采集数据、分析财报、评估新闻、生成报告

交易分类（Trading）

• Long position（做多）：买入后等升值卖出——“低买高卖”
• Short selling（做空）：借入资产卖出，等跌价后买回归还——赚价差
• Backtesting（回测）：用历史数据检验算法策略，类似软件开发中的 unit testing

三大投资风格

• GARP（Growth at a Reasonable Price）：结合价值投资和成长投资的混合策略
• Q “Your personal or professional knowledge of a domain can give you a strong investment advantage.” — Peter Lynch / 你对某个领域的个人或专业知识，可以成为强大的投资优势。

核心-卫星组合结构（Core and Satellite）

• Core（核心）：长期投资仓位，通过复利耐心增长
• Satellites（卫星）：围绕核心的小型战术仓位——一部分做短期交易捕捉波动，一部分配置收入型资产产生稳定现金流
• 这个结构让纪律性长期计划和短期机会捕捉并存

1.4 风险与回报（Risks and Rewards）

• Hedging（对冲）= 风险管理策略：在相关资产上建立反向头寸来对冲损失。本质是买保险——牺牲部分潜在收益来限制极端亏损
• 过去的回报不保证未来。市场不可预测，没有任何工具或策略能保证成功
• Start-ups 回报潜力最高但也最危险。Crypto 同理——可能暴涨也可能断崖
• 社交媒体对股价的影响有时比财报还大。公众人物的不可预测行为可以让隔夜涨幅蒸发
• Q “Be fearful when others are greedy, and greedy when others are fearful.” — Warren Buffett / 别人贪婪时恐惧，别人恐惧时贪婪。

1.5 程序员的不公平优势（A Programmer’s Unfair Advantage）

系统与数据思维

• Fundamental analysis 类似 debug：检查核心组件（income、balance sheet）来判断公司内在价值
• 数据分析和脚本能力可直接用于 backtesting 和自动化研究
• 编程本质是构建规则系统——这正是制定投资纪律、避免 panic selling 和 chasing hype 所需的能力

心智模型优势

定义你的参数

• 投资策略应和人生选择对齐：高收入 → 早退休路线；数字游民 → 低开支低税收路线
• 关键是理解自己的环境和目标，像定义项目 spec 一样定义投资哲学：风险承受力、时间投入、伦理边界
• 本书不提供具体的投资建议，而是教你用已有的分析能力去评估证券、辅助决策

第 2 章 — 投资基础（Investment Essentials）

2.1 会计基础（Accounting in a Nutshell）

• 财务报表 = 公司的源代码。看起来晦涩，但学会读懂它们就能精确看到业务表现。不理解会计基础就投资，等于零编程能力却要做软件。
• 会计标准来自 1929 年股市崩盘的教训。崩盘前没有联邦法律要求公司披露财务信息，GAAP 就是那次危机的产物。
• 全球两套主要标准：GAAP（美国）和 IFRS（国际）。细节有差异，但对投资者的核心影响相同。
• 三张必看报表，所有上市公司每季度披露：
  1. Income Statement（损益表）——收入多少、花了多少
  2. Balance Sheet（资产负债表）——拥有什么、欠了什么
  3. Cash Flow Statement（现金流量表）——实际产生了多少现金

损益表（Income Statement）

核心三要素：Revenue（总收入）、Expenses（费用）、Net income（净利润 = 收入 − 费用）

• 货币时间价值：今天的 $1 > 一年后的 $1。可以投资生利息，通胀也在持续侵蚀购买力。因此净利润长期不增长，实际价值每年都在缩水。投资者通常期待公司的收入和净利润随时间增长。
• 读财报是建立假设的过程，要同时构建**看多（Bullish）和看空（Bearish）**两种假设，而不是只看对自己有利的数据。
  • 示例：R&D 费用暴增 + 引入外部资本 → 看多：备战新项目；看空：现有业务出问题
  • 示例：缩减研发 + 收入不变 → 看多：AI 提效产生盈余；看空：放弃成长只吃老本
• 不同商业模式的财报差异巨大，要跨行业比较往往误导人。Apple vs. Walmart 的 R&D 对比毫无意义，Apple vs. Google 才有参考价值。

资产负债表（Balance Sheet）

核心公式：Assets = Liabilities + Shareholders’ Equity

• 资产 > 负债 = 健康；负债 > 资产 = 警报
• Liquidity（流动性）：资产变现为现金的难易程度。工厂和机器 = 低流动性；库存商品 = 相对较好
• CapEx（资本支出）vs OpEx（运营支出）：软件公司资本密集度低，被视为低风险投资；但 CapEx 低可能伴随更高的 OpEx
• Accounts payable / receivable：账面上的应付/应收款并不等于真正在手的现金 → 引出现金流的必要性

自由现金流（Free Cash Flow）

核心公式：FCF = Operating Cash Flow − Capital Expenditures

• FCF 是三张报表里最能说明公司真实健康状况的。账面有钱不代表能付账单，只有 FCF 才能确认公司的偿付能力。
• I Eugene 的古董车案例是个绝好的类比：资产价值数百万，但现金枯竭就无法支付工人工资，流动性危机是切实存在的风险。

2.2 行业分类（Industry Classification）

• 不同行业的公司，盈利方式、费用结构、受监管程度都不同。不理解行业差异就套用同一套指标，结论很可能是错的。
• 标准：GICS（全球行业分类标准，S&P 制定）——4 个层级：Sector → Industry Group → Industry → Sub-industry

GICS 11 大板块及其主要影响因素

• GICS 分类有时与直觉不符：Amazon 和 Tesla 属于 Consumer Discretionary，Google 属于 Communication Services，而非 IT。

只投资自己理解业务的公司（Buffett）：超市和科技公司的财报逻辑根本不同。苹果推出一款爆款产品，会直接体现在年度财报里；而 Walmart 最畅销的单品，在财报上几乎看不到踪迹。能读懂财报数字、并把它连接到公司的商业模式，才是做出明智决策的基础。

• Q “Invest only in businesses that you understand.” — Warren Buffett

经济周期与行业表现

• 经济周期四阶段：扩张 → 顶峰 → 收缩 → 谷底。周期性行业（汽车、科技消费品）在衰退期受冲击最大；防御性行业（超市、食品）相对稳定——经济再差，也要吃饭。
• 2008 年金融危机数据验证：Ford 从高点跌至最低仅剩 1/10；Walmart 跌幅远小于此。XLP（必需消费 ETF）跌幅明显小于 XLK（科技）和 XLY（可选消费）。
• I 如果知道某板块受利率、经济周期、原材料成本影响，就可以把这些作为 ML 模型的 feature 来预测股价——这是程序员可以直接落地的思路。

2.3 市值（Capitalization）

市值 = 流通股总数 × 当前股价，反映市场愿意为公司支付的价格。

• Mega-cap 破产风险低，但增长空间也小。Micro-cap 风险最高，但也最可能出现 Tenbagger（Peter Lynch 造词：翻 10 倍的投资）。
• 历史上市值最大的公司并不总能存活。“太大不会倒”是危险的幻觉——即使是 Jeff Bezos 也承认亚马逊有朝一日可能失败。股市是适者生存，基本面研究不可或缺。
• Intrinsic value（内在价值）：用 DCF 等方法估算的资产真实价值。市值与内在价值之间的差距越大，潜在投资机会越大——这是价值投资的核心前提。但任何内在价值估算都带有不确定性。

2.4 指标与比率（Metrics and Ratios）

• Metric（指标）：关于公司表现的单一陈述，如 dividend yield
• Ratio（比率）：两个独立指标之间关系的陈述，如 P/E = 股价 / EPS
• 单一指标无法全面评估公司健康状况，正如软件质量无法靠一个指标衡量。关键在于综合评估，并和同行业同类公司横向对比。

流动性（Liquidity）

衡量公司是否有能力偿还短期账单。

• Current ratio（流动比率） = 流动资产 / 流动负债

• Quick ratio（速动比率） = （现金 + 有价证券 + 应收账款）/ 流动负债，更严格，不含库存

• 不同行业的流动性比率差异巨大，跨行业比较无意义。超市需要维持大量库存，流动比率天然较低（Walmart = 0.78）；科技公司库存少，流动比率高（NVIDIA = 3.39）。

• 同行业内横向对比才有价值：Walmart vs Costco vs Target vs Dollar Tree——这才是分析师做决策的依据。

债务（Debt）

• Debt-to-Equity（D/E 比） = 总负债 / 股东权益。越高代表财务杠杆越大、风险越高。
• 高 D/E 比不一定是坏事。Apple 的 D/E 达 147，但这是刻意用超低利率债券融资的策略——利率低于通胀时，借债等于免费用钱，是主动管理资本的体现，而非财务困境。
• Interest coverage ratio（利息覆盖率） = EBIT / 利息费用。低于 1.0 是通用红线——意味着当前利润不足以支付利息，财务困境无关行业。

盈利（Earnings）

• EPS（每股收益） = （净利润 − 优先股股息）/ 流通股数
• FCF per share = FCF / 流通股数。FCF 高说明公司能扩张、还债或回馈股东
• 每个季度的 earnings call，公司回顾过去并预测下季度。高于或低于预期都会显著影响股价——所谓”Beat/Miss”。

估值（Valuation）

• P/E ratio（市盈率） = 股价 / EPS。衡量为 $1 盈利付了多少价格

  • 单独看 P/E 不够：需要与行业中位数横向比，也需要与公司自身历史均值纵向比
  • P/E 缺陷：不含成长预期

• PEG ratio = P/E / EPS 增长率。修正了成长因素，PEG < 1 通常被认为低估

• P/S ratio（市销率） = 股价 / 每股销售额。销售额比净利润更难操纵，适合评估尚未盈利的早期成长公司

• P/B ratio（市净率） = 股价 / 每股账面价值。反映为 $1 净资产付了多少价，适合重资产行业

• 同一组数据可以讲出不同的故事。以 NVIDIA 为例：看 TTM P/E 是行业中位数的 2 倍，结论是高估；但看 PEG 比率，NVIDIA 的成长预期反而让估值显得合理。数据不说谎，但叙事可以选择。

• I 这和程序员做性能 benchmark 类似——选什么指标、选什么基准，决定了结论往哪个方向走。投资里的”好故事”和”坏故事”往往都能从同一张表里读出来。

盈利能力（Profitability）

• ROA（资产回报率） = 净利润 / 总资产。每 $1 资产每年产生多少利润
• ROE（股本回报率） = 净利润 / 股东权益。每 $1 股东权益产生多少利润
• Profit margin（利润率） = 净利润 / 收入。超市销量大但单位利润薄，科技公司相反

分红（Dividends）

• 成熟公司（如可口可乐）没有足够的再投资机会，把利润分配给股东是合理选择，能吸引退休基金等收益导向型投资者。
• Dividend yield（股息率） = 每股年分红 / 股价
• Payout ratio（派息率） = 年分红 / 每股收益。越低说明公司保留了更多利润用于成长
• 分红的”零和游戏”问题：股票除息日当天，股价会下调等额金额。分红本身不创造价值，但对需要定期现金流的投资者（如退休者）仍有意义。非居民还要承担最高 30% 的股息预扣税，需提前考虑税务成本。
• Stock buyback（股票回购）：公司回购自家股票 → 流通股减少 → 每股价值提升。与分红相比更灵活，不构成周期性承诺。
• Dividend aristocrats（股息贵族）：连续多年增长派息的公司（Coca-Cola 62 年、Altria 55 年）。长期稳定增长是信号，削减分红则是警告信号。

公司拿盈余去投资其他业务会怎样？ 可口可乐曾涉足电信娱乐子公司，英国 Tesco 和 Sainsbury’s 也都试过做虚拟移动运营商。强势品牌 + 充足资本确实能打开新市场，但历史表明这类多元化扩张成功率参差不齐。支持者认为规模和既有体系是优势；反对者认为偏离核心业务容易损害品牌、拖累效率。公司”守住本业还是成为集团”这道题，值得在具体案例中独立评估，没有通用答案。

股权结构（Ownership）

• Outstanding shares（流通股）：所有股东持有的总股数
• Float（自由流通股）：排除内部人和大型机构持股后的可交易股数
• 公司可通过增发新股（稀释现有股东）或回购股票（提升每股价值）来主动调节
• Insider transactions（内部人交易）：管理层买卖自家公司股票是重要的情绪信号——大量抛售值得关注，但也可能只是兑现收益
• SBC（股票薪酬）：科技公司和初创公司常用，能降低现金薪资支出，但长期稀释股东权益。公司越小，稀释效应越显著。

ESG 与可持续性（Sustainability）

• ESG（环境、社会、治理）评分：评分越低越好（0-100 分制）
• 投资一家公司也是在支持它的行为。对于伦理驱动的投资者，ESG 是筛选条件而非加分项。
• 跨公司比较 ESG 需在同行业内进行，行业不同基准不同。

2.5 外部评估（External Assessments）

• 分析师评级（买/持有/卖）和目标价是第三方参考，不是预测，更不是保证。2007 年垃圾债券被评级机构评为 AAA，后来呢？
• 三类评级来源：SA Analyst（众包）、Wall Street（专业机构）、Quant（算法）——三者可能相互矛盾。
• 目标价（Target price）：基于 DCF 等基本面分析估算的 12 个月目标价，方法不透明，经常大幅偏离实际。
• 专家意见是概率判断，不是二元的对错。好的投资者不追求每次预测正确，而是追求胜率高于 50% + 分散化来管理不可避免的错误。
• 预测失灵是常态，不是例外。2024 年初 The Economist 等主流媒体预测股市将下跌，实际走势完全相反。即使掌握全世界的数据，也没有分析师能预测未来。

第 3 章 — 数据收集（Collecting Data）

选对数据源是投资分析的基础工程问题：yfinance 够用但有脆性，商业库稳定但有成本，关键是知道什么时候该升级。

3.1 金融数据分类（Financial Data）

金融数据天然比其他领域更可靠——上市公司财报需要审计、符合会计准则，但会计处理本身可以被人为”调节”。

三类数据：

• I “非财务数据”这个分类在 AI 时代会越来越重要——大模型很擅长处理非结构化信号，情绪分析、新闻摘要这类任务已经有成熟工具链了。

3.2 金融分析平台（Financial Analysis Platforms）

Stock screener 是投资起点：按市值、行业、地区等条件筛选候选股，再深入研究。Finviz 是常用选择。

四类平台：

3.3 数据科学笔记本（Data Science Notebooks）

• 个人投资决策不需要前端界面——数字打印在 console 已经足够。notebook 是最适合投资研究的交互环境：能写假设、执行代码、原地验证。
• I 这和”done is better than perfect”一脉相承：先拿到数据看懂再说，做 UI 是浪费时间，除非要给别人用。

3.4 yfinance

yfinance 是入门首选：免费、覆盖面广（美股 + 国际交易所）、基本面和技术分析都支持。但它依赖 Yahoo 非官方接口，生产环境不可依赖。

基本面分析（Fundamental Analysis）

microsoft = yf.Ticker('MSFT')
microsoft.income_stmt       # 利润表（DataFrame，列为报告日期）
microsoft.balance_sheet     # 资产负债表
microsoft.cash_flow         # 现金流量表
# 季报版本加前缀 quarterly_

• yf.Ticker(ticker).info → 字典，转 Pandas Series 后可访问 132+ 属性（P/E、currentPrice 等）
• 需要手动计算的指标（ROA、ROE、利润率、D/E 等）直接从 income_stmt 和 balance_sheet 取值运算

追踪指标随时间的变化比单点值更有意义：Apple 的 D/E 在 2021–2024 年间在 1.78–2.61 波动，不构成警告信号。

技术分析（Technical Analysis）

historical_data = yf.Ticker("MSFT").history(start="2024-05-08", end="2025-05-08")
# 返回 OHLCV DataFrame

• 跨股票比较价格时必须归一化到同一起点（设为 100%），否则绝对价格毫无意义
• 简单收益率（Simple Returns） vs 对数收益率（Logarithmic Returns）：对数收益率衡量连续复利收益率，更适合统计分析

# 对数收益率
log_rets = hist_prices["Close"].apply(lambda x: np.log(x / x.shift())).dropna()

• 用 mean、std、var 可以快速感知股票波动性：NuScale（SMR）的标准差是可口可乐的近 6 倍，高风险高波动一目了然

• I NuScale 2023 年暴跌、2024 年大涨的案例是一个经典提醒：仅凭单年数据做决策是危险的，时间窗口选择决定结论。和代码里选 benchmark 区间是一样的问题。

yfinance 的局限性

• yfinance 本质上是用 Beautiful Soup 抓 Yahoo 内部 API，Yahoo 随时可能改接口或实施反爬
• 版本兼容性问题曾导致 sustainability 数据失效（后来修复了）
• 生产环境使用风险高，商业产品应换用有官方保障的数据源

3.5 商业库（Commercial Libraries）

数据流向：交易所（实时流）→ 数据提供商 → 开发者。基本面数据来源是 SEC / SEDAR 等监管机构的公开申报文件。

Finviz

• 只支持美股交易所（ADR 除外）
• 需要 Elite 订阅（$24.96/月）才能用 API
• 适合只投美股且重度依赖 stock screener 的用户

EODHD

• 主营业务就是数据，覆盖 77 个交易所
• Freemium：历史数据 1 年内免费，每天 20 次 API 调用
• 接口结构与 yfinance 相近，迁移成本低

Alpha Vantage

• Freemium；免费版不提供 adjusted close price（需付费）
• 差异化功能：新闻情绪分析（免费版可用）

OpenBB

• 覆盖范围最广：股票 + 债券 + 加密货币 + 外汇
• 可无缝切换底层数据提供商（provider="yfinance" 等），不用改业务代码
• I 这个设计思路很工程化——把数据源抽象为可替换的 adapter，解耦分析逻辑和数据供应。对于要长期维护投资工具的程序员来说，这个架构价值比单纯的数据覆盖更值钱。

3.6 库的选择标准

• 检查 PyPI 发布历史和 GitHub 最近 commit：一年内有更新是基本门槛
• 多贡献者 + 高 star/fork 数 → 社区活跃 → 被维护的可能性高
• 排除仅支持单一操作系统、单一国家交易所、非英文文档的库
• 尽量选跨平台、覆盖多交易所的库