金融投资策略研讨会议笔记：如何在市场波动中稳健获利与规避风险

引言：理解市场波动的本质

在金融投资的世界中，市场波动是不可避免的常态。作为投资者，我们的目标不是消除波动，而是学会在波动中稳健获利并有效规避风险。本次会议笔记将系统性地探讨如何在不确定的市场环境中构建可持续的投资策略。

市场波动通常由多种因素驱动，包括宏观经济变化、地缘政治事件、公司基本面变动以及投资者情绪等。理解这些驱动因素是制定有效策略的第一步。例如，2020年新冠疫情初期，全球股市暴跌，但随后的宽松货币政策又推动了快速反弹，这种剧烈波动考验着每一位投资者的风险管理能力。

一、核心投资原则：建立稳固的基础

1.1 风险与收益的平衡艺术

投资的核心原则是理解并接受风险与收益之间的权衡关系。高收益往往伴随着高风险，但通过科学的方法，我们可以在相同风险水平下追求更高收益，或在相同收益目标下承担更低风险。

关键要点：

不要追求”无风险高收益”，这通常是骗局的特征
理解自己的风险承受能力是制定策略的前提
分散投资是降低非系统性风险的有效手段

1.2 长期视角的重要性

成功的投资者往往具备长远的眼光。短期市场波动可能令人不安，但历史数据表明，长期持有优质资产通常能带来可观的回报。以标普500指数为例，尽管经历了多次危机，但过去50年的年化回报率仍接近10%。

二、多元化投资策略：分散风险的基石

2.1 资产类别多元化

不要将所有资金投入单一资产类别。合理的配置应包括：

股票：提供增长潜力，但波动较大
债券：提供稳定收益，降低组合波动
现金及现金等价物：提供流动性，应对紧急需求
另类投资：如房地产、大宗商品、黄金等，提供通胀保护

示例配置（根据风险偏好调整）：

保守型：30%股票 + 50%债券 + 20%现金
平衡型：50%股票 + 40%债券 + 10%另类投资
激进型：70%股票 + 20%债券 + 10%另类投资

2.2 行业与地域多元化

即使在同一资产类别内，也要避免过度集中：

行业分散：科技、医疗、金融、消费等不同行业配置
地域分散：美国、欧洲、新兴市场等不同地区配置

实际案例： 2022年，美国科技股大幅回调（纳斯达克指数下跌33%），但能源板块却因油价上涨而表现优异。如果投资组合中同时配置了这两个板块，就能有效对冲风险。

三、风险管理工具与技术

3.1 止损策略：控制单笔损失

止损是保护资本的重要工具。常见的止损方法包括：

固定百分比止损法：

# Python示例：计算止损价格
def calculate_stop_loss(buy_price, stop_percent=0.08):
    """
    计算止损价格
    buy_price: 买入价格
    stop_percent: 止损百分比（默认8%）
    """
    return buy_price * (1 - stop_percent)

# 示例：以100元买入某股票，设置8%止损
entry_price = 100
stop_loss = calculate_stop_loss(entry_price)
print(f"买入价: {entry_price}元, 止损价: {stop_loss}元")
# 输出：买入价: 100元, 止损价: 92元

技术指标止损法：

基于移动平均线（如跌破20日均线止损）
基于ATR（平均真实波幅）的动态止损

3.2 仓位管理：控制整体风险

仓位管理是长期生存的关键。推荐使用凯利公式或固定比例风险模型。

固定比例风险模型示例：

# Python示例：计算每笔交易的仓位大小
def position_size(account_size, risk_per_trade=0.01, entry_price=100, stop_price=92):
    """
    计算仓位大小
    account_size: 账户总资金
    risk_per_trade: 每笔交易风险比例（默认1%）
    entry_price: 入场价格
    stop_price: 止损价格
    """
    risk_per_share = entry_price - stop_price
    position_size = (account_size * risk_per_trade) / risk_per_share
    return int(position_size)

# 示例：账户10万元，每笔交易风险1%，买入价100，止损92
account = 100000
shares = position_size(account, 0.01, 100, 92)
print(f"建议买入{shares}股")
# 输出：建议买入12股（100000*0.01/(100-92)=12.5，取整）

3.3 对冲策略：降低下行风险

对冲是通过建立相反方向的头寸来降低风险。常见方法包括：

期权对冲：买入看跌期权保护股票组合
跨市场对冲：配置黄金、债券等避险资产

跨市场对冲：配置黄金、债券等避险资产
跨市场对冲：配置黄金、债券等避险资产

期权对冲示例： 假设你持有100股某股票，担心短期下跌风险，可以买入1张看跌期权（每张期权对应100股）：

股票：100股 @ $50
看跌期权：行权价$48，权利金$2
最大损失：$5000 - $4800 + $200 = $400（股票下跌时期权收益可抵消部分损失）

四、心理与行为金融学：克服人性弱点

4.1 常见心理陷阱

投资者常犯的心理错误包括：

损失厌恶：对损失的痛苦感远大于盈利的快乐，导致过早卖出盈利股票，过久持有亏损股票
羊群效应：盲目跟随大众，高位接盘，低位割肉
过度自信：高估自己的预测能力，频繁交易导致成本上升

4.2 建立纪律性交易系统

克服心理弱点的最佳方法是建立并严格执行交易系统。这包括：

明确的入场规则：什么情况下买入
明确的出场规则：什么情况下卖出（包括止损和止盈）
明确的仓位规则：每次投入多少资金

交易系统示例（伪代码）：

IF 股价 > 50日均线 AND 成交量 > 5日均量 THEN
    买入信号 = TRUE
    止损价 = 当前价 * 0.92
    止盈价 = 当前价 * 1.20
    仓位 = 账户资金 * 0.01 / (当前价 - 止损价)
    
IF 当前价 <= 止损价 OR 当前价 >= 止盈价 THEN
    卖出信号 = TRUE

五、高级策略：在波动中主动获利

5.1 趋势跟踪策略

趋势跟踪是经典的动量策略，核心思想是”让利润奔跑，让亏损止损”。适用于中长期投资者。

趋势跟踪策略示例（Python）：

import pandas as pd
import numpy as np

def trend_following_strategy(data, short_window=20, long_window=50):
    """
    双均线趋势跟踪策略
    data: 包含'close'列的DataFrame
    short_window: 短期均线周期
    long_window: 长期均线周期
    """
    # 计算移动平均线
    data['short_ma'] = data['close'].rolling(window=short_window).mean()
    data['long_ma'] = data['close'].rolling(window=long_window).mean()
    
    # 生成信号：短期均线上穿长期均线买入，下穿卖出
    data['signal'] = 0
    data.loc[data['short_ma'] > data['long_ma'], 'signal'] = 1  # 买入
    data.loc[data['short_ma'] < data['long_ma'], 'signal'] = -1  # 卖出
    
    return data

# 示例数据
df = pd.DataFrame({
    'close': [100, 102, 105, 103, 108, 110, 109, 112, 115, 113]
})
result = trend_following_strategy(df)
print(result[['close', 'short_ma', 'long_ma', 'signal']])

5.2 均值回归策略

均值回归策略认为价格倾向于围绕价值波动，当价格偏离价值时，会向价值回归。适用于震荡市。

均值回归策略示例（Python）：

def mean_reversion_strategy(data, window=20, threshold=2):
    """
    基于布林带的均值回归策略
    data: 包含'close'列的DataFrame
    window: 计算标准差的周期
    threshold: 标准差倍数
    """
    # 计算移动平均和标准差
    data['ma'] = data['close'].rolling(window=window).mean()
    data['std'] = data['close'].rolling(window=window).std()
    
    # 计算布林带
    data['upper_band'] = data['ma'] + threshold * data['std']
    data['lower_band'] = data['ma'] - threshold * data['strd']
    
    # 生成信号：价格触及下轨买入，触及上轨卖出
    data['signal'] = 0
    data.loc[data['close'] <= data['lower_band'], 'signal'] = 1  # 买入
    data.loc[data['close'] >= data['upper_band'], 'signal'] = -1  # 卖出
    
    return data

# 注意：上面代码中有个小错误，应该是std不是strd，实际使用时请修正

5.3 网格交易策略

网格交易策略通过在预设的价格区间内设置多个买卖点，在震荡市中反复获利。

网格交易策略示例：

初始价格：100元
网格间距：5元（每跌5元买入，每涨5元卖出）
初始资金：10万元

操作序列：
1. 100元买入2000股，剩余6万元
2. 跌至95元买入1000股，剩余1万元
3. 涨至100元卖出1000股，回收10万元
4. 跌至95元买入1000股，剩余1万元
5. 涨至100元卖出1000股，回收10万元
...
通过反复操作，在震荡市中持续获利

六、技术工具与数据分析

6.1 技术指标的应用

MACD指标（移动平均收敛散度）：

def calculate_macd(data, fast=12, slow=26, signal=9):
    """
    计算MACD指标
    """
    # 计算指数移动平均
    ema_fast = data['close'].ewm(span=fast).mean()
    ema_slow = data['close'].ewm(span=when=slow).mean()
    
    # 计算MACD线和信号线
    macd_line = ema_fast - ema_slow
    signal_line = macd_line.ewm(span=signal).mean()
    
    # 计算柱状图
    histogram = macd_line - signal_line
    
    return macd_line, signal_line, histogram

RSI相对强弱指标：

def calculate_rsi(data, period=14):
    """
    计算RSI指标
    """
    delta = data['close'].diff()
    gain = (delta.where(delta > 0, 0)).rolling(window=period).mean()
    loss = (-delta.where(delta < 0, 0)).rolling(window=period).mean()
    
    rs = gain / loss
    rsi = 100 - (100 / (1 + rs))
    
    return rsi

6.2 基本面分析工具

财务比率分析示例：

def analyze_fundamentals(company_data):
    """
    分析公司基本面数据
    company_data: 包含财务指标的字典
    """
    # 计算关键比率
    pe_ratio = company_data['market_cap'] / company_data['net_income']
    pb_ratio = company_data['market_cap'] / company_data['book_value']
    roe = company_data['net_income'] / company_data['book_value']
    debt_to_equity = company_data['total_debt'] / company_data['book_value']
    
    # 评估标准
    print(f"PE比率: {pe_ratio:.2f} (理想值: 15-25)")
    print(f"PB比率: {pb_ratio:.2f} (理想值: <3)")
    print(f"ROE: {roe:.2%} (理想值: >15%)")
    |"D/E比率: {debt_to_equity:.2f} (理想值: <1)")
    
    # 综合评分
    score = 0
    if 15 <= pe_ratio <= 25: score += 1
    if pb_ratio < 3: score += 1
    if roe > 0.15: score += 1
    if debt_to_equity < 1: score += 1
    
    print(f"综合评分: {score}/4")
    return score

# 示例数据
company = {
    'market_cap': 5000000000,
    'net_income': 200000000,
    'book_value': 1000000000,
    'total_debt': 500000000
}
analyze_fundamentals(company)

七、实战案例分析

7.1 案例1：2020年疫情冲击下的应对

背景： 2020年3月，新冠疫情导致全球股市暴跌，标普500指数在一个月内下跌34%。

成功策略：

提前对冲：在疫情初期，部分投资者通过买入看跌期权或减仓来对冲风险
逆向投资：在市场极度恐慌时（VIX指数超过80），逐步加仓优质资产
板块轮动：从旅游、航空等受疫情影响大的板块转向科技、医疗等受益板块

结果： 采取这些策略的投资者不仅避免了大幅亏损，还在随后的反弹中获得了超额收益。

7.2 案例2：2022年通胀高企环境下的债券投资

背景： 2022年，美国通胀达到40年高位，美联储激进加息，导致债券价格大幅下跌。

失败教训：

许多投资者认为”债券是安全的”，大量配置长期债券
忽视了利率风险，未使用久期管理

成功策略：

配置短期债券或浮动利率债券
使用TIPS（通胀保值债券）对冲通胀风险
保持债券仓位灵活性，根据利率变化调整

八、持续学习与策略优化

8.1 定期复盘的重要性

建立投资日志，记录每笔交易的：

入场理由
预期目标
实际结果
经验教训

复盘模板示例：

交易记录 #001
日期：2024-01-15
标的：AAPL
方向：买入
价格：$180
数量：10股
止损：$172
止盈：$216
结果：盈利 $360
复盘：符合趋势跟踪策略，严格执行止损止盈，心态稳定

8.2 策略回测与优化

使用历史数据测试策略有效性，但要避免过度优化（曲线拟合）。

回测注意事项：

使用足够长的历史数据（至少5-10年）
包含不同的市场环境（牛市、熊市、震荡市）
考虑交易成本（佣金、滑点）
进行样本外测试

九、总结：构建个人投资体系

在市场波动中稳健获利的关键在于：

接受波动：波动是市场的本质，不是敌人
管理风险：永远把保本放在第一位
保持纪律：严格执行交易系统，克服情绪干扰
持续学习：市场在变，策略也需要与时俱进
耐心等待：机会是等来的，不是追来的

记住，最好的投资策略不是最复杂的，而是最适合你自己的。它应该与你的风险承受能力、时间投入和知识水平相匹配。通过不断实践和优化，你一定能找到属于自己的稳健获利之道。

免责声明： 本文提供的信息仅供教育参考，不构成投资建议。投资有风险，入市需谨慎。请根据自身情况咨询专业投资顾问。# 金融投资策略研讨会议笔记：如何在市场波动中稳健获利与规避风险

引言：理解市场波动的本质

一、核心投资原则：建立稳固的基础

1.1 风险与收益的平衡艺术

关键要点：

不要追求”无风险高收益”，这通常是骗局的特征
理解自己的风险承受能力是制定策略的前提
分散投资是降低非系统性风险的有效手段

1.2 长期视角的重要性

二、多元化投资策略：分散风险的基石

2.1 资产类别多元化

不要将所有资金投入单一资产类别。合理的配置应包括：

股票：提供增长潜力，但波动较大
债券：提供稳定收益，降低组合波动
现金及现金等价物：提供流动性，应对紧急需求
另类投资：如房地产、大宗商品、黄金等，提供通胀保护

示例配置（根据风险偏好调整）：

保守型：30%股票 + 50%债券 + 20%现金
平衡型：50%股票 + 40%债券 + 10%另类投资
激进型：70%股票 + 20%债券 + 10%另类投资

2.2 行业与地域多元化

即使在同一资产类别内，也要避免过度集中：

行业分散：科技、医疗、金融、消费等不同行业配置
地域分散：美国、欧洲、新兴市场等不同地区配置

三、风险管理工具与技术

3.1 止损策略：控制单笔损失

止损是保护资本的重要工具。常见的止损方法包括：

固定百分比止损法：

# Python示例：计算止损价格
def calculate_stop_loss(buy_price, stop_percent=0.08):
    """
    计算止损价格
    buy_price: 买入价格
    stop_percent: 止损百分比（默认8%）
    """
    return buy_price * (1 - stop_percent)

# 示例：以100元买入某股票，设置8%止损
entry_price = 100
stop_loss = calculate_stop_loss(entry_price)
print(f"买入价: {entry_price}元, 止损价: {stop_loss}元")
# 输出：买入价: 100元, 止损价: 92元

技术指标止损法：

基于移动平均线（如跌破20日均线止损）
基于ATR（平均真实波幅）的动态止损

3.2 仓位管理：控制整体风险

仓位管理是长期生存的关键。推荐使用凯利公式或固定比例风险模型。

固定比例风险模型示例：

# Python示例：计算每笔交易的仓位大小
def position_size(account_size, risk_per_trade=0.01, entry_price=100, stop_price=92):
    """
    计算仓位大小
    account_size: 账户总资金
    risk_per_trade: 每笔交易风险比例（默认1%）
    entry_price: 入场价格
    stop_price: 止损价格
    """
    risk_per_share = entry_price - stop_price
    position_size = (account_size * risk_per_trade) / risk_per_share
    return int(position_size)

# 示例：账户10万元，每笔交易风险1%，买入价100，止损92
account = 100000
shares = position_size(account, 0.01, 100, 92)
print(f"建议买入{shares}股")
# 输出：建议买入12股（100000*0.01/(100-92)=12.5，取整）

3.3 对冲策略：降低下行风险

对冲是通过建立相反方向的头寸来降低风险。常见方法包括：

期权对冲：买入看跌期权保护股票组合
跨市场对冲：配置黄金、债券等避险资产

跨市场对冲：配置黄金、债券等避险资产
跨市场对冲：配置黄金、债券等避险资产

期权对冲示例： 假设你持有100股某股票，担心短期下跌风险，可以买入1张看跌期权（每张期权对应100股）：

股票：100股 @ $50
看跌期权：行权价$48，权利金$2
最大损失：$5000 - $4800 + $200 = $400（股票下跌时期权收益可抵消部分损失）

四、心理与行为金融学：克服人性弱点

4.1 常见心理陷阱

投资者常犯的心理错误包括：

损失厌恶：对损失的痛苦感远大于盈利的快乐，导致过早卖出盈利股票，过久持有亏损股票
羊群效应：盲目跟随大众，高位接盘，低位割肉
过度自信：高估自己的预测能力，频繁交易导致成本上升

4.2 建立纪律性交易系统

克服心理弱点的最佳方法是建立并严格执行交易系统。这包括：

明确的入场规则：什么情况下买入
明确的出场规则：什么情况下卖出（包括止损和止盈）
明确的仓位规则：每次投入多少资金

交易系统示例（伪代码）：

IF 股价 > 50日均线 AND 成交量 > 5日均量 THEN
    买入信号 = TRUE
    止损价 = 当前价 * 0.92
    止盈价 = 当前价 * 1.20
    仓位 = 账户资金 * 0.01 / (当前价 - 止损价)
    
IF 当前价 <= 止损价 OR 当前价 >= 止盈价 THEN
    卖出信号 = TRUE

五、高级策略：在波动中主动获利

5.1 趋势跟踪策略

趋势跟踪是经典的动量策略，核心思想是”让利润奔跑，让亏损止损”。适用于中长期投资者。

趋势跟踪策略示例（Python）：

import pandas as pd
import numpy as np

def trend_following_strategy(data, short_window=20, long_window=50):
    """
    双均线趋势跟踪策略
    data: 包含'close'列的DataFrame
    short_window: 短期均线周期
    long_window: 长期均线周期
    """
    # 计算移动平均线
    data['short_ma'] = data['close'].rolling(window=short_window).mean()
    data['long_ma'] = data['close'].rolling(window=long_window).mean()
    
    # 生成信号：短期均线上穿长期均线买入，下穿卖出
    data['signal'] = 0
    data.loc[data['short_ma'] > data['long_ma'], 'signal'] = 1  # 买入
    data.loc[data['short_ma'] < data['long_ma'], 'signal'] = -1  # 卖出
    
    return data

# 示例数据
df = pd.DataFrame({
    'close': [100, 102, 105, 103, 108, 110, 109, 112, 115, 113]
})
result = trend_following_strategy(df)
print(result[['close', 'short_ma', 'long_ma', 'signal']])

5.2 均值回归策略

均值回归策略认为价格倾向于围绕价值波动，当价格偏离价值时，会向价值回归。适用于震荡市。

均值回归策略示例（Python）：

def mean_reversion_strategy(data, window=20, threshold=2):
    """
    基于布林带的均值回归策略
    data: 包含'close'列的DataFrame
    window: 计算标准差的周期
    threshold: 标准差倍数
    """
    # 计算移动平均和标准差
    data['ma'] = data['close'].rolling(window=window).mean()
    data['std'] = data['close'].rolling(window=window).std()
    
    # 计算布林带
    data['upper_band'] = data['ma'] + threshold * data['std']
    data['lower_band'] = data['ma'] - threshold * data['strd']
    
    # 生成信号：价格触及下轨买入，触及上轨卖出
    data['signal'] = 0
    data.loc[data['close'] <= data['lower_band'], 'signal'] = 1  # 买入
    data.loc[data['close'] >= data['upper_band'], 'signal'] = -1  # 卖出
    
    return data

# 注意：上面代码中有个小错误，应该是std不是strd，实际使用时请修正

5.3 网格交易策略

网格交易策略通过在预设的价格区间内设置多个买卖点，在震荡市中反复获利。

网格交易策略示例：

初始价格：100元
网格间距：5元（每跌5元买入，每涨5元卖出）
初始资金：10万元

操作序列：
1. 100元买入2000股，剩余6万元
2. 跌至95元买入1000股，剩余1万元
3. 涨至100元卖出1000股，回收10万元
4. 跌至95元买入1000股，剩余1万元
5. 涨至100元卖出1000股，回收10万元
...
通过反复操作，在震荡市中持续获利

六、技术工具与数据分析

6.1 技术指标的应用

MACD指标（移动平均收敛散度）：

def calculate_macd(data, fast=12, slow=26, signal=9):
    """
    计算MACD指标
    """
    # 计算指数移动平均
    ema_fast = data['close'].ewm(span=fast).mean()
    ema_slow = data['close'].ewm(span=when=slow).mean()
    
    # 计算MACD线和信号线
    macd_line = ema_fast - ema_slow
    signal_line = macd_line.ewm(span=signal).mean()
    
    # 计算柱状图
    histogram = macd_line - signal_line
    
    return macd_line, signal_line, histogram

RSI相对强弱指标：

def calculate_rsi(data, period=14):
    """
    计算RSI指标
    """
    delta = data['close'].diff()
    gain = (delta.where(delta > 0, 0)).rolling(window=period).mean()
    loss = (-delta.where(delta < 0, 0)).rolling(window=period).mean()
    
    rs = gain / loss
    rsi = 100 - (100 / (1 + rs))
    
    return rsi

6.2 基本面分析工具

财务比率分析示例：

def analyze_fundamentals(company_data):
    """
    分析公司基本面数据
    company_data: 包含财务指标的字典
    """
    # 计算关键比率
    pe_ratio = company_data['market_cap'] / company_data['net_income']
    pb_ratio = company_data['market_cap'] / company_data['book_value']
    roe = company_data['net_income'] / company_data['book_value']
    debt_to_equity = company_data['total_debt'] / company_data['book_value']
    
    # 评估标准
    print(f"PE比率: {pe_ratio:.2f} (理想值: 15-25)")
    print(f"PB比率: {pb_ratio:.2f} (理想值: <3)")
    print(f"ROE: {roe:.2%} (理想值: >15%)")
    |"D/E比率: {debt_to_equity:.2f} (理想值: <1)")
    
    # 综合评分
    score = 0
    if 15 <= pe_ratio <= 25: score += 1
    if pb_ratio < 3: score += 1
    if roe > 0.15: score += 1
    if debt_to_equity < 1: score += 1
    
    print(f"综合评分: {score}/4")
    return score

# 示例数据
company = {
    'market_cap': 5000000000,
    'net_income': 200000000,
    'book_value': 1000000000,
    'total_debt': 500000000
}
analyze_fundamentals(company)

七、实战案例分析

7.1 案例1：2020年疫情冲击下的应对

背景： 2020年3月，新冠疫情导致全球股市暴跌，标普500指数在一个月内下跌34%。

成功策略：

提前对冲：在疫情初期，部分投资者通过买入看跌期权或减仓来对冲风险
逆向投资：在市场极度恐慌时（VIX指数超过80），逐步加仓优质资产
板块轮动：从旅游、航空等受疫情影响大的板块转向科技、医疗等受益板块

结果： 采取这些策略的投资者不仅避免了大幅亏损，还在随后的反弹中获得了超额收益。

7.2 案例2：2022年通胀高企环境下的债券投资

背景： 2022年，美国通胀达到40年高位，美联储激进加息，导致债券价格大幅下跌。

失败教训：

许多投资者认为”债券是安全的”，大量配置长期债券
忽视了利率风险，未使用久期管理

成功策略：

配置短期债券或浮动利率债券
使用TIPS（通胀保值债券）对冲通胀风险
保持债券仓位灵活性，根据利率变化调整

八、持续学习与策略优化

8.1 定期复盘的重要性

建立投资日志，记录每笔交易的：

入场理由
预期目标
实际结果
经验教训

复盘模板示例：

交易记录 #001
日期：2024-01-15
标的：AAPL
方向：买入
价格：$180
数量：10股
止损：$172
止盈：$216
结果：盈利 $360
复盘：符合趋势跟踪策略，严格执行止损止盈，心态稳定

8.2 策略回测与优化

使用历史数据测试策略有效性，但要避免过度优化（曲线拟合）。

回测注意事项：

使用足够长的历史数据（至少5-10年）
包含不同的市场环境（牛市、熊市、震荡市）
考虑交易成本（佣金、滑点）
进行样本外测试

九、总结：构建个人投资体系

在市场波动中稳健获利的关键在于：

接受波动：波动是市场的本质，不是敌人
管理风险：永远把保本放在第一位
保持纪律：严格执行交易系统，克服情绪干扰
持续学习：市场在变，策略也需要与时俱进
耐心等待：机会是等来的，不是追来的

免责声明： 本文提供的信息仅供教育参考，不构成投资建议。投资有风险，入市需谨慎。请根据自身情况咨询专业投资顾问。