在当今全球经济不确定性加剧的背景下，金融市场波动性显著增加。投资者面临着前所未有的挑战：如何在市场剧烈震荡中实现资产的稳健增值，同时有效规避常见的投资陷阱？本文将深入探讨一套被称为”魂谱金融”的理财投资策略体系，该策略融合了现代投资组合理论、行为金融学原理以及量化风险管理技术，旨在帮助投资者在波动市场中构建稳健的财富增长路径。

理解波动市场的本质与特征

市场波动的根源分析

市场波动并非随机现象，而是多种因素共同作用的结果。理解这些驱动因素是制定有效投资策略的基础。

宏观经济因素是市场波动的主要驱动力。利率政策的调整直接影响企业的融资成本和消费者的信贷成本。例如，当美联储加息时，高负债企业的财务压力增大，股价往往承压。通货膨胀率的变化则影响货币购买力，进而改变投资者的资产配置需求。2022年，美国通胀率一度达到9.1%的高点，导致科技股大幅回调，而能源和原材料板块则表现强劲。

地缘政治风险近年来显著上升。贸易争端、地区冲突、制裁措施等事件会瞬间改变全球供应链格局。2020年新冠疫情初期，全球股市在短短几周内暴跌超过30%，随后又在大规模刺激政策下快速反弹，这种剧烈波动充分体现了外部冲击对市场的巨大影响。

市场情绪与投资者行为同样不容忽视。行为金融学研究表明，投资者往往表现出过度自信、损失厌恶、羊群效应等认知偏差。在市场上涨时，FOMO（错失恐惧症）情绪驱使投资者追高；在市场下跌时，恐慌情绪又导致非理性抛售。这种群体性行为放大了市场波动。

波动市场的量化特征

从量化角度看，波动市场通常表现为：

  1. 波动率指数（VIX）升高：VIX被称为”恐慌指数”，当VIX超过30时，通常预示着市场进入高波动阶段。2020年3月，VIX一度飙升至82.69的历史高位。

  2. 资产相关性变化：在危机时期，各类资产的相关性往往上升，传统分散化策略效果减弱。例如，在2008年金融危机期间，股票与债券的正相关性显著增加。

  3. 流动性分层：优质资产流动性依然充足，而风险较高的资产可能出现流动性枯竭。这解释了为什么在危机中，即使基本面良好的公司股价也可能被错杀。

魂谱金融核心投资原则

原则一：风险平价与资产配置优化

魂谱金融策略的基石是风险平价（Risk Parity）理念，而非传统的市值加权配置。传统60/40股债组合在2022年遭遇了罕见的”双杀”，股票和债券同时下跌，因为通胀上升同时打压了股债估值。而风险平价策略通过平衡各类资产的风险贡献，而非资金贡献，来实现真正的分散化。

实施步骤：

  1. 计算各类资产的历史波动率和相关性
  2. 确定目标风险水平（如年化波动率8%）
  3. 反向求解各资产权重，使每种资产对组合总风险的贡献相等

实际案例：假设一个包含股票、债券、商品和另类投资的四资产组合。通过Python可以实现风险平价权重计算：

import numpy as np
import pandas as pd
from scipy.optimize import minimize

def calculate_risk_parity_weights(cov_matrix, target_risk=None):
    """
    计算风险平价权重
    :param cov_matrix: 协方差矩阵
    :param target_risk: 目标风险水平
    :return: 优化后的权重
    """
    n = cov_matrix.shape[0]
    
    def risk_parity_objective(w):
        # 计算组合风险
        portfolio_variance = w @ cov_matrix @ w.T
        portfolio_vol = np.sqrt(portfolio_variance)
        
        # 计算各资产边际风险贡献
        marginal_risk = cov_matrix @ w.T / portfolio_vol
        
        # 计算各资产风险贡献
        risk_contributions = w * marginal_risk
        
        # 目标：使各资产风险贡献相等
        target_contrib = portfolio_vol / n
        return np.sum((risk_contributions - target_contrib) ** 2)
    
    # 约束条件：权重和为1，且均为正
    constraints = [
        {'type': 'eq', 'fun': lambda w: np.sum(w) - 1},
        {'type': 'ineq', 'fun': lambda w: w}
    ]
    
    # 初始猜测
    init_guess = np.ones(n) / n
    
    # 优化
    result = minimize(risk_parity_objective, init_guess, 
                     constraints=constraints, method='SLSQP')
    
    return result.x

# 示例数据：股票、债券、商品、黄金的协方差矩阵（年化）
cov_matrix = np.array([
    [0.04, 0.01, 0.02, 0.005],  # 股票
    [0.01, 0.008, 0.003, 0.002], # 债券
    [0.02, 0.003, 0.06, 0.01],   # 商品
    [0.005, 0.002, 0.01, 0.02]   # 黄金
])

weights = calculate_risk_parity_weights(cov_matrix)
print("风险平价权重：")
for i, asset in enumerate(['股票', '债券', '商品', '黄金']):
    print(f"{asset}: {weights[i]:.2%}")

运行结果可能显示：股票35%、债券40%、商品15%、黄金10%。这种配置在2022年市场中表现稳健，因为债券提供了稳定收益，商品对冲通胀，黄金作为避险资产，股票保持增长潜力。

原则二：动态再平衡与纪律执行

动态再平衡是魂谱金融策略的核心纪律。市场波动会导致资产配置偏离目标，定期再平衡能强制”低买高卖”，长期积累超额收益。

再平衡频率选择：

  • 阈值再平衡：当某资产权重偏离目标超过5%时触发
  • 定期再平衡：每季度或每半年执行一次

实际操作示例： 假设初始配置为股票50%、债券50%，目标波动率10%。一年后，股票上涨30%，债券上涨5%，组合变为股票56.5%、债券43.5%。此时触发再平衡，卖出6.5%的股票，买入6.5%的债券，恢复原始配置。这一操作实质上是在股票高位减仓、低位加仓，长期来看能增强收益。

代码实现动态再平衡监控：

def check_rebalance_threshold(current_weights, target_weights, threshold=0.05):
    """
    检查是否需要再平衡
    :param current_weights: 当前权重
    :param target_weights: 目标权重
    :param threshold: 阈值
    :return: 是否需要再平衡，偏差向量
    """
    deviation = current_weights - target_weights
    needs_rebalance = np.any(np.abs(deviation) > threshold)
    return needs_reborder, deviation

# 示例
target = np.array([0.5, 0.5])
current = np.array([0.565, 0.435])
needs, dev = check_rebalance_threshold(current, target)
print(f"需要再平衡: {needs}")
print(f"偏差: {dev}")

原则三：行为金融学应用与心理建设

魂谱金融策略高度重视投资者行为偏差的管理。损失厌恶是投资者最大的敌人——亏损1万元的痛苦感需要盈利2万元才能弥补（根据卡尼曼的前景理论）。

应对策略：

  1. 预设决策规则：在市场平静时制定买卖计划，避免情绪化决策
  2. 分散决策时间：采用定投策略，平滑择时风险
  3. 关注过程而非结果：评估投资决策的质量而非短期盈亏

定投策略的量化优势： 假设每月定投1000元投资某指数，持续36个月，期间指数先跌后涨：

  • 前12个月：指数从100跌至60，累计买入12000元，获得200份额
  • 中12个月：指数在60-70区间震荡，累计买入12000元，获得180份额
  • 后12个月：指数从70涨至100，累计买入12000元，获得170份额

总投入36000元，获得550份额，平均成本65.45元。当指数回到100时，收益率达52.8%，远高于一次性投入在100元的0%收益。这就是成本平均效应的威力。

规避常见投资陷阱

陷阱一：追逐热点与羊群效应

问题本质：投资者倾向于购买近期表现最好的资产，但历史数据表明，过去1年的业绩排名与未来业绩相关性极低，甚至为负。

数据验证：晨星公司研究显示，前10%的基金在次年保持前10%的概率仅为11%。2020年的明星基金（如重仓科技股的基金）在2021-2022年普遍表现不佳。

魂谱解决方案：

  • 逆向投资纪律：当某类资产连续3个月成为媒体头条时，强制减仓10%
  • 量化筛选：建立多因子模型，综合评估估值、质量、动量，而非单一业绩指标

多因子选股代码示例：

def multi_factor_stock_selection(stock_data):
    """
    多因子选股模型
    :param stock_data: 包含PE、PB、ROE、动量等数据的DataFrame
    :return: 优选股票列表
    """
    # 标准化各因子
    factors = ['pe_ttm', 'pb', 'roe', 'momentum_12m']
    normalized = stock_data[factors].copy()
    
    # PE、PB为负向指标（越低越好）
    normalized['pe_ttm'] = 1 / normalized['pe_ttm']
    normalized['pb'] = 1 / normalized['pb']
    
    # ROE、动量为正向指标
    # 已经是正向
    
    # 因子标准化（z-score）
    for factor in factors:
        normalized[factor] = (normalized[factor] - normalized[factor].mean()) / normalized[factor].std()
    
    # 综合得分 = 各因子等权求和
    stock_data['factor_score'] = normalized.sum(axis=1)
    
    # 选择得分最高的20%股票
    threshold = stock_data['factor_score'].quantile(0.8)
    selected = stock_data[stock_data['factor_score'] >= threshold]
    
    return selected.sort_values('factor_score', ascending=False)

# 示例数据
data = pd.DataFrame({
    'stock': ['A', 'B', 'C', 'D', 'E'],
    'pe_ttm': [15, 25, 8, 35, 12],
    'pb': [2, 4, 1.5, 6, 2.5],
    'roe': [0.15, 0.12, 0.18, 0.08, 0.16],
    'momentum_12m': [0.2, 0.3, 0.1, 0.4, 0.25]
})

selected_stocks = multi_factor_stock_selection(data)
print("优选股票：")
print(selected_stocks[['stock', 'factor_score']])

陷阱二：过度交易与成本失控

问题本质：频繁买卖不仅产生高额交易费用，更可能因情绪化决策导致亏损。数据显示，交易频率最高的投资者收益率比最低的投资者平均低6.5%年化。

魂谱解决方案：

  • 交易冷却期：任何买卖决策后强制等待30天才能反向操作
  • 成本可视化：每次交易前计算总成本（佣金+冲击成本+税费）

交易成本计算代码：

def calculate_transaction_cost(amount, price, volume, commission_rate=0.0003, stamp_tax=0.001):
    """
    计算交易总成本
    :param amount: 交易金额
    :param price: 股价
    :param volume: 交易股数
    :param commission_rate: 佣金率
    :param stamp_tax: 印花税（卖出时）
    :return: 总成本
    """
    # 佣金（最低5元）
    commission = max(amount * commission_rate, 5)
    
    # 过户费（沪市）
    transfer_fee = volume * 0.00002
    
    # 印花税（仅卖出）
    stamp_tax_amount = amount * stamp_tax if stamp_tax > 0 else 0
    
    total_cost = commission + transfer_fee + stamp_tax_amount
    cost_ratio = total_cost / amount
    
    return {
        'total_cost': total_cost,
        'cost_ratio': cost_ratio,
        'break_even': price * (1 + cost_ratio)
    }

# 示例：买入10万元股票，价格20元，5000股
cost_info = calculate_transaction_cost(100000, 20, 5000)
print(f"买入成本：{cost_info['total_cost']:.2f}元，占比{cost_info['cost_ratio']:.4%}")
print(f"需上涨{cost_info['cost_ratio']:.4%}才能回本")

陷阱三：忽视通胀与购买力风险

问题本质：许多投资者只关注名义收益率，而忽视通胀侵蚀购买力的风险。3%的年通胀率在24年内会使货币购买力减半。

魂谱解决方案：

  • 真实收益率目标：设定目标为”通胀+3%“，而非绝对数字
  • 通胀对冲资产配置：至少20%配置于TIPS（通胀保值债券）、商品、REITs等

通胀影响计算：

def purchasing_power_simulation(initial_amount, inflation_rate, years):
    """
    模拟通胀对购买力的影响
    :param initial_amount: 初始金额
    :param inflation_rate: 年通胀率
    :param years: 年数
    :return: 每年的实际购买力
    """
    years_range = range(1, years + 1)
    real_values = [initial_amount / ((1 + inflation_rate) ** year) for year in years_range]
    
    return pd.DataFrame({
        'Year': years_range,
        'Nominal': [initial_amount] * years,
        'Real_Value': real_values,
        'Purchasing_Power_Ratio': [val / initial_amount for val in real_values]
    })

# 模拟100万元在3%通胀下20年后的购买力
result = purchasing_power_simulation(1000000, 0.03, 20)
print(result.tail())

陷阱四：杠杆滥用与爆仓风险

问题本质：杠杆能放大收益，但同样放大亏损。在波动市场中，杠杆是”双刃剑”，可能导致强制平仓，永久损失本金。

魂谱解决方案：

  • 杠杆率上限：个人投资者总杠杆不超过1.5倍
  • 压力测试：模拟极端市场下的回撤，确保能承受30%以上的市场下跌

杠杆风险模拟代码：

def leverage_stress_test(initial_capital, leverage_ratio, max_drawdown):
    """
    杠杆压力测试
    :param initial_capital: 初始本金
    :param leverage_ratio: 杠杆倍数
    :param max_drawdown: 市场最大回撤
    :return: 爆仓分析
    """
    # 总敞口
    total_exposure = initial_capital * leverage_ratio
    
    # 损失计算
    loss = total_exposure * max_drawdown
    
    # 剩余资本
    remaining = initial_capital - loss
    
    # 爆仓阈值（通常维持担保比例130%）
    liquidation_threshold = total_exposure * 0.7
    
    return {
        '初始本金': initial_capital,
        '杠杆倍数': leverage_ratio,
        '总敞口': total_exposure,
        '市场回撤': max_drawdown,
        '理论损失': loss,
        '剩余资本': remaining,
        '是否爆仓': remaining < liquidation_threshold,
        '爆仓时回撤': (initial_capital - liquidation_threshold) / total_exposure
    }

# 测试：10万本金，3倍杠杆，市场下跌35%
result = leverage_stress_test(100000, 3, 0.35)
print(f"初始本金：{result['初始本金']}元")
print(f"杠杆倍数：{result['杠杆倍数']}倍")
print(f"总敞口：{result['总敞口']}元")
print(f"市场下跌{result['市场回撤']:.0%}，损失{result['理论损失']:.0f}元")
print(f"剩余资本：{result['剩余资本']:.0f}元")
print(f"是否爆仓：{'是' if result['是否爆仓'] else '否'}")
print(f"爆仓临界回撤：{result['爆仓时回撤']:.2%}")

魂谱金融实战策略框架

短期战术配置（1-3个月）

核心逻辑：利用市场情绪指标和短期技术信号，进行战术性调整。

关键指标：

  • 恐慌贪婪指数：低于30时加仓，高于70时减仓
  • 市场宽度指标：如涨跌家数比、新高新低比
  • 资金流向：北向资金、融资余额变化

执行流程：

  1. 每周一评估上述指标
  2. 若指标进入极端区域（如贪婪>70），触发减仓信号
  3. 减仓幅度：目标配置的10-20%
  4. 设置回补条件：指标回归中性后加回

Python实现情绪监控：

def market_sentiment_monitor(fear_greed_index, breadth_ratio, fund_flow):
    """
    市场情绪监控器
    :param fear_greed_index: 恐慌贪婪指数（0-100）
    :param breadth_ratio: 涨跌家数比
    :param fund_flow: 资金流向（亿元）
    :return: 交易信号
    """
    signals = []
    
    # 恐慌贪婪指数信号
    if fear_greed_index < 30:
        signals.append(('BUY', '极度恐慌', 0.15))
    elif fear_greed_index > 70:
        signals.append(('SELL', '极度贪婪', -0.15))
    
    # 市场宽度信号
    if breadth_ratio < 0.3:
        signals.append(('BUY', '市场超卖', 0.1))
    elif breadth_ratio > 2:
        signals.append(('SELL', '市场超买', -0.1))
    
    # 资金流信号
    if fund_flow < -100:
        signals.append(('BUY', '资金大幅流出', 0.05))
    elif fund_flow > 100:
        signals.append(('SELL', '资金大幅流入', -0.05))
    
    # 综合信号
    if not signals:
        return ('HOLD', '中性', 0)
    
    # 计算净调整幅度
    net_adjust = sum([s[2] for s in signals])
    if net_adjust > 0.1:
        return ('BUY', '综合看多', min(net_adjust, 0.2))
    elif net_adjust < -0.1:
        return ('SELL', '综合看空', max(net_adjust, -0.2))
    else:
        return ('HOLD', '观望', 0)

# 示例
signal = market_sentiment_monitor(
    fear_greed_index=25,  # 极度恐慌
    breadth_ratio=0.25,   # 严重超卖
    fund_flow=-150        # 资金大幅流出
)
print(f"交易信号：{signal[0]}，理由：{signal[1]}，调整幅度：{signal[2]:.0%}")

中期战略配置（6-12个月）

核心逻辑：基于经济周期和估值水平，进行战略性资产配置。

美林投资时钟应用：

  • 复苏期：超配股票（尤其是金融、可选消费）
  • 过热期：超配商品（尤其是工业金属、能源）
  • 滞胀期：超配现金、短债、黄金
  • 衰退期：超配长债、防御性股票

估值驱动的配置调整：

def tactical_asset_allocation(earnings_yield, bond_yield, gold_yield):
    """
    战术资产配置模型
    :param earnings_yield: 股市盈利收益率（如标普500的1/PE）
    :param bond_yield: 债券收益率
    :param gold_yield: 黄金隐含收益率
    :return: 配置权重
    """
    # 股债性价比
    equity_premium = earnings_yield - bond_yield
    
    # 黄金相对价值
    gold_value = earnings_yield - gold_yield
    
    # 基础配置
    base_stock = 0.5
    base_bond = 0.3
    base_gold = 0.2
    
    # 调整逻辑
    if equity_premium > 0.03:  # 股票性价比显著
        stock_weight = base_stock + 0.15
        bond_weight = base_bond - 0.1
        gold_weight = base_gold - 0.05
    elif equity_premium < -0.01:  # 债券性价比显著
        stock_weight = base_stock - 0.1
        bond_weight = base_bond + 0.1
        gold_weight = base_gold
    else:
        stock_weight = base_stock
        bond_weight = base_bond
        gold_weight = base_gold
    
    # 归一化
    total = stock_weight + bond_weight + gold_weight
    return {
        '股票': stock_weight / total,
        '债券': bond_weight / total,
        '黄金': gold_weight / total
    }

# 示例：当前美股盈利收益率4%，10年期国债3.5%，黄金隐含收益率1%
allocation = tactical_asset_allocation(0.04, 0.035, 0.01)
print("战术配置：")
for k, v in allocation.items():
    print(f"{k}: {v:.1%}")

长期资产配置（1年以上）

核心逻辑：基于目标日期和风险承受能力，构建核心-卫星组合。

核心-卫星架构：

  • 核心资产（70%）：低成本指数基金、全球分散配置
  • 卫星资产（30%）：主题投资、另类策略、主动管理

目标日期基金（TDF）动态调整：

def glide_path_calculation(age, retirement_age=65, risk_tolerance='moderate'):
    """
    滑行路径计算（随年龄调整股债比例）
    :param age: 当前年龄
    :param retirement_age: 退休年龄
    :param risk_tolerance: 风险承受能力
    :return: 股债配置比例
    """
    years_to_retirement = retirement_age - age
    
    # 基础股票比例
    if risk_tolerance == 'conservative':
        base_stock = 0.4
    elif risk_tolerance == 'moderate':
        base_stock = 0.6
    else:  # aggressive
        base_stock = 0.8
    
    # 每年减少1-2%股票比例
    if years_to_retirement > 0:
        stock_ratio = base_stock - (years_to_retirement * 0.01)
    else:
        # 退休后保持保守
        stock_ratio = 0.3
    
    # 限制范围
    stock_ratio = max(0.2, min(0.9, stock_ratio))
    bond_ratio = 1 - stock_ratio
    
    return {
        '股票': stock_ratio,
        '债券': bond_ratio,
        '距离退休': years_to_retirement
    }

# 示例：35岁，中等风险承受能力
allocation = glide_path_calculation(35, risk_tolerance='moderate')
print(f"当前配置：股票{allocation['股票']:.0%}，债券{allocation['债券']:.0%}")
print(f"距离退休{allocation['距离退休']}年")

风险管理与心理建设

压力测试与情景分析

极端情景模拟：

  • 2008年式危机：股票下跌50%，债券上涨10%，商品下跌30%
  • 1970s式滞胀：股票下跌20%，债券下跌10%，商品上涨50%
  • 2020年式疫情冲击：股票下跌35%，债券上涨5%，黄金上涨15%

Python压力测试框架：

def stress_test_portfolio(weights, scenarios):
    """
    组合压力测试
    :param weights: 资产权重
    :param scenarios: 情景字典
    :return: 各情景下的组合表现
    """
    results = {}
    for scenario_name, returns in scenarios.items():
        portfolio_return = sum([w * r for w, r in zip(weights, returns)])
        results[scenario_name] = portfolio_return
    
    return results

# 定义情景
scenarios = {
    '2008金融危机': [-0.5, 0.1, -0.3, 0.1],  # 股、债、商品、黄金
    '1970s滞胀': [-0.2, -0.1, 0.5, 0.4],
    '2020疫情': [-0.35, 0.05, -0.2, 0.15],
    '温和上涨': [0.15, 0.03, 0.05, 0.02]
}

# 测试一个60/40组合
weights = [0.6, 0.3, 0.05, 0.05]
results = stress_test_portfolio(weights, scenarios)

print("压力测试结果：")
for scenario, perf in results.items():
    print(f"{scenario}: {perf:.1%}")

投资日记与决策复盘

建立投资决策日志： 每次交易前记录：

  • 交易标的、方向、仓位
  • 决策依据（基本面、技术面、情绪面）
  • 预期持有期
  • 预期收益与最大可接受亏损
  • 3个月后复盘结果

复盘模板：

class InvestmentJournal:
    def __init__(self):
        self.entries = []
    
    def log_trade(self, symbol, direction, size, rationale, expected_return, max_loss):
        """记录交易"""
        entry = {
            'date': pd.Timestamp.now(),
            'symbol': symbol,
            'direction': direction,
            'size': size,
            'rationale': rationale,
            'expected_return': expected_return,
            'max_loss': max_loss,
            'closed': False,
            'actual_return': None
        }
        self.entries.append(entry)
    
    def close_trade(self, symbol, actual_return):
        """平仓并记录实际结果"""
        for entry in self.entries:
            if entry['symbol'] == symbol and not entry['closed']:
                entry['closed'] = True
                entry['actual_return'] = actual_return
                entry['deviation'] = actual_return - entry['expected_return']
                break
    
    def generate_report(self):
        """生成复盘报告"""
        df = pd.DataFrame(self.entries)
        if df.empty:
            return "暂无交易记录"
        
        closed_trades = df[df['closed']]
        if closed_trades.empty:
            return "暂无平仓交易"
        
        report = {
            '总交易数': len(closed_trades),
            '平均预期收益': closed_trades['expected_return'].mean(),
            '平均实际收益': closed_trades['actual_return'].mean(),
            '胜率': (closed_trades['actual_return'] > 0).mean(),
            '平均偏差': closed_trades['deviation'].mean(),
            '最大亏损': closed_trades['actual_return'].min()
        }
        
        return report

# 使用示例
journal = InvestmentJournal()
journal.log_trade('AAPL', 'BUY', 100, '估值合理+财报超预期', 0.15, -0.08)
# ... 模拟一段时间后
journal.close_trade('AAPL', 0.12)
print(journal.generate_report())

总结与行动清单

魂谱金融策略核心要点

  1. 风险优先：先管理风险，再追求收益
  2. 纪律至上：预设规则，严格执行
  3. 长期视角：忽略短期噪音，专注长期价值
  4. 持续学习：定期复盘，迭代优化

立即行动清单

本周可执行：

  • [ ] 计算当前投资组合的波动率和最大回撤
  • [ ] 设定明确的再平衡规则（阈值或定期）
  • [ ] 建立投资决策日志模板

本月可执行：

  • [ ] 完成一次全面的压力测试
  • [ ] 评估当前配置是否符合风险平价原则
  • [ ] 检查是否存在过度交易行为（计算换手率）

长期坚持：

  • [ ] 每季度执行再平衡
  • [ ] 每半年进行投资复盘
  • [ ] 每年更新一次风险承受能力评估

结语

波动市场既是风险的温床，也是机遇的摇篮。魂谱金融策略并非预测市场的水晶球，而是一套帮助投资者在不确定性中保持理性和纪律的框架。记住，投资的终极目标不是短期暴利，而是长期稳健地实现财务目标。正如巴菲特所言：”投资的第一条原则是不要亏损，第二条原则是记住第一条。”在波动市场中，稳健增值的关键在于控制风险、遵守纪律、保持耐心。

风险提示：本文内容仅供学习参考，不构成投资建议。市场有风险，投资需谨慎。