看懂一个“门派”，先问哪三个问题？

蛙兄把四张卡片摆在桌上：

价值
长线
技术分析
量化

然后，他认真画了一张淘汰赛对阵图。

第一场，价值对长线。

第二场，技术分析对量化。

两场的胜者再进决赛，选出“最强投资门派”。

蛙博士看了一会儿，问他：

蛙兄拿起笔，又放下了。

这四张卡确实可以同时出现在一个人身上。

把它们排成淘汰赛，有点像让“去哪里”“走多久”和“怎么去”打一架。它们都是一段旅程的重要部分，却不是同一类答案。

要看懂一套投资方法，先不用问它属于哪个门派。

问三个问题就够了：

它凭什么可能有效？
它准备等多久？
它怎样寻找和检查证据？

这三个问题，就是我们接下来反复使用的三维地图。

第一问：它凭什么可能有效？

假设有人告诉蛙兄：

我专门买价格跌了很多的股票。

这句话说清了他在看什么，却还没说清为什么这样做可能有效。

价格跌得多，也许是市场太悲观，也许是公司真的变差，也可能两件事同时发生。

所以我们还要多问一句：

我为什么认为这不是纯碰运气？

这个问题，稍微正式一点的名字叫作优势来源。

蛙兄问：“是不是给自己的想法编一个理由，就算找到优势了？”

还不算。理由只是研究的起点。

有些方法看起来回报更高，可能是因为拿着它很难受：价格晃得厉害，想卖时未必有人接，市场最差的时候它还可能跌得更狠。多出来的回报如果真的存在，也可能是替别人承担这些风险的补偿。

有时，机会可能来自市场一时太兴奋、太悲观，或者没有马上理解一条信息。但这不能被翻译成“别人都不理性，只有我清醒”。没有清楚的条件和证据，“市场错了”只是一句很方便的安慰。

还有人没有秘密消息，只是把公开材料读得更细。别人看到“需求增长”就停下了，他还会继续检查竞争、成本、产能，以及股价里是不是早已装进了这份期待。

有些交易甚至不是因为谁突然改变了看法。基金可能要遵守持仓规则，指数会定期调整，机构也可能因为赎回、风险限制或急需现金而买卖。有人“不得不交易”，可能留下值得研究的现象，但不代表站在旁边的人一定能捡到钱。

最后，两个人即使发现了同一个规律，结果也可能不一样。一个人每天改规则，另一个人把手续费、滑点和数据错误老老实实算进去。优势有时不只来自发现了什么，也来自能不能稳定地做出来。

先不用背这些名称。

现在只要记住一件事：一套方法必须说清楚，自己为什么可能比随便猜多一点依据。这个解释还要接受验证，不能自己给自己发证书。

第二问：它准备等多久？

蛙兄在“行业未来”旁边写下“长线”，又在“价格趋势”旁边写下“短线”。

蛙博士问：“短是多短？长又是和谁比？”

蛙兄答不上来。

对做日内交易的人来说，五个交易日已经很久。对研究一家工厂扩产的人来说，三个月可能只是机器刚运到门口。

所以，真正开始研究时，最好把“长线”和“短线”换成能检查的时间：未来五个交易日、接下来三个月、一年以后，或者两到三年。

而且，一项研究里经常有三只钟。

假设跳泡可乐准备建设一条无糖饮料产线。

第一只钟挂在现实世界里。消费者口味改变可能持续几年，新产线也要经过审批、采购、安装和试生产。研究者打开表格，不会让工厂立刻跳到大结局。

第二只钟挂在市场里。股价可能在公告出现时就开始变化，也可能一开始不相信，等销量真的改善以后才反应。现实还没兑现，价格可能已经先跑；现实已经变化，价格也可能还没跟上。

第三只钟在研究者手上。他要自己决定从哪一天开始看，六十个交易日后检查，还是一年后检查；也要提前想好，等到什么时候仍没发生，才承认原来的判断可能有问题。

这三只钟不必走在一起。

行业变化可能持续三年，市场可能提前半年交易这份期待，而研究者只观察未来六十个交易日的表现。

这里还有一个很容易踩的坑：使用日频数据，不等于只能做短线。

日频数据只是每天记一笔。把两百多个交易日接起来，它就能描述大约一年的变化；把几年日线放在一起，也能研究更长的规律。

数据多久记一次，和一项判断准备观察或持有多久，是两个问题。

第三问：它怎样寻找和检查证据？

假设三位研究者都想知道：无糖饮料的需求增长，会不会给跳泡可乐带来机会？

第一位先拿出纸笔，画了一条路：消费者口味改变，可能带动销量；销量和价格影响收入；收入、成本和竞争再影响利润与市场期待。

他先问的是：为什么会这样？

这种方法从现实机制出发。好处是每一步都知道自己在讲什么，坏处是故事再顺，也可能只是故事。

第二位打开历史数据。他不急着继续讲道理，而是先规定什么叫“需求增长”、观察哪些公司、看多长时间，再比较类似情况过去是否反复出现。

他先问的是：这件事以前反复发生过吗？

统计比较可以打掉只凭几个难忘案例得出的结论。但数据里出现重复形状，不代表原因已经找到；试得太多，还可能只是碰巧捞到一张漂亮图。

第三位把公司、行业和价格等线索一起交给模型，希望它估计未来结果。

他先问的是：给定这些信息，能不能猜得更准？

预测模型能处理很多线索，却也可能只在旧数据上表现漂亮。即使预测准确，也不代表我们已经知道真正原因。

三个人不需要互相淘汰。

第一位的机制可以帮助提出假设，第二位用统计方法检查它是否重复出现，第三位再看看加入更多信息后，预测有没有改善。也有人反过来，先在数据里发现现象，再回头寻找解释。

一个负责追问为什么，一个负责检查有没有反复发生，一个负责观察能不能猜得更准。

它们可以一起工作，但不能互相替考。

那技术指标、Python 和 AI 放在哪里？

蛙兄指了指桌上的 K 线图：“技术指标算哪一种？”

技术指标通常只是把价格、成交量等市场记录按照公式重新整理。它可以成为统计研究或规则研究的一部分，但指标算出来了，不等于优势来源也跟着算出来了。

Python 可以帮我们整理数据、执行规则和生成结果，AI 可以帮忙讨论假设、编写程序和排查错误。

它们都很有用，却回答不了前两个问题。

“我使用了 AI”没有说明市场为什么可能留下规律；“我写了 Python”也没有说明这条规律准备多久兑现。

工具决定我们怎样工作，不自动决定研究为什么有效。

主要观察什么？

优势可能来自哪里？
准备等待多久？
主要怎样寻找和检查证据？

最容易忽略什么？