Engine · not a spreadsheet

把任何投资品种,
折到同一把尺上。

股票、债券、现金、房地产、大宗、贵金属、外汇、加密、衍生品、私募、基金、实物收藏 —— 12 大类各有各的定价语言。这台引擎做两件事:用每一类自己的模型算出公允价, 再把它们全部折算成同一个可比数字:预期年化实际回报。

更重要的是第三件事:它会拒绝你。永续增长高过折现率、给黄金做现金流折现、名义现金流配实际折现率、有到期日的资产套永续终值 —— 这些每天都在发生的算法错误, 它当场拦下,并说出违反了运作骨架的第几条规则。

🏗 先想清怎么运转,再动手

12 类底层运作逻辑逐类穷举成 – 条规则,每条都写明"违反时你会看到什么",并挂一条可执行测试。没有孤儿规则。

🛡 生成力 × 排除力

只会生成不会拒绝的东西是噪音发生器。– 个劣样本逐个被拒,而且拒绝理由各不相同。

🧪 质检线自己也被质检

– 例六级测试 + 6 个变异注入(故意把公式拧坏,闸必须变红)+ 每轮 canary 诱捕。

Common Scale

组合律:一切最终折成一个数

这是整台引擎唯一的"通用换算":不管你手上是黄金还是写字楼,最后都落到同一个式子上。只有这样,"黄金看起来不错"才能变成"黄金 X% vs 同期 TIPS Y%,差在哪"。

E[r_real] = 现金收益率 + 实际现金流增长 + (1/h)·ln(公允价 / 现价) − 摩擦成本

现金收益率

股息+回购 / 票息 / 租金 cap rate / 利差 carry / 质押真实费用。无现金流品种这一项就是 0 —— 引擎不许你偷偷填一个。

实际增长

扣掉通胀后的现金流增长。名义与实际口径混用是最隐蔽的系统性错误,引擎有专门一道闸拦它。

估值回归

价格回到公允价的年化贡献。半衰期通常 5–15 年,所以收敛期设得太短时引擎会告警。

摩擦成本

费用、税、违约损失、保管费、佣金。基金 1.5% 年费在 30 年吃掉约三分之一终值 —— 最被低估的杀手。

诚实边界:无现金流品种(黄金、多数商品、纯收藏、无费用代币)的前两项恒为 0, 整个预期回报押在"价格回到公允价"这一个假设上 —— 可信度天然低一档,不能与有现金流品种平起平坐。引擎会把这句话打在结果里。

Taxonomy

品种全谱系 · 12 大类

每一类先回答同一组问题:它有没有现金流?收益从哪来?增长靠什么?重估由什么驱动?摩擦吃掉多少?最核心的风险是什么? —— 答完这六个问题,该用哪些模型就是确定的,不是拍脑袋选的。

Model Library

估值模型库

每张卡都必须写全三件事:什么时候用 / 什么时候失效 / 出处是谁。写不出"失效条件"的模型不准进库 —— 那说明还没真懂它。分级: 承重可作结论 · 交叉用来对账 · 参考只作旁证,承重时直接拒绝。

Interactive

交互计算器

改任意输入,实时重算,并当场触发真闸。公式不是网页里另写的一份 —— 浏览器求的是引擎里同一个表达式字符串;迭代型模型两边各一份实现,由顶栏的跨实现差分自检兜底。

—

模型输出

—

网页端闸的范围要说清楚:这里实时跑的是可由模型元数据驱动的那部分闸 (输入区间越界、非有限数、永续增长 ≥ 折现率、终值占比过高、概率/权重和、参考级降级)。口径一致性、出处、类别错配等需要上下文的 – 道完整闸在引擎侧,命令行 run.py eval my.json 全量跑。不夸大网页能力。

Method Weights

方法重要性权重 · 0-10

权重是判断,不是事实。所以它不是直接写一个数,而是由四个维度推导出来的 —— 谁不同意,可以指着某一维说"你这里给高了"。四维合成: 现金流直接性 35% · 输入可得性 30% · 抗失效性 20% · 信息独立性 15%。同一大类内会归一化,所以重要的是相对大小,不是绝对值。

权重	进总分	方法	A 现金流	B 可得	C 抗失效	D 独立	为什么这么打(可以反对)

Composite Score

加权综合评分台

所有方法跑一遍 → 能出公允价的放到同一条线段上(横轴=相对现价的偏离度)→ 按 权重 × 证据置信度 做加权分位数 → 得到公允价区间 + 综合评分 + 可信度。 输入不全的方法一律 NA,绝不用默认值凑数 —— 宁缺毋滥,这是整层最重要的一条。

加权重算自检

Macro Bridge · 宏观参数接入

🔗 折现率不再是手填的

本引擎 76 个模型里 55 个（72%）的输入含宏观变量，且全部汇聚到 4 个横切模型； xs_discount_rate 是 12 类资产唯一的折现率来源。这些参数原本标 estimated（样例值），现在由宏观军火库供给，升级为 disclosed/regressed——带真实来源、日期、双源交叉核实。 更重要的是：ERP 不是一个数，是一个区间。所以估值也必须是区间。

载入中…

Cross-Asset

统一刻度对比台

下面 8 个样例分属 8 个完全不同的大类,用的是 8 套完全不同的模型 —— 但最后落到同一列数字上,可以直接排序比较。这就是引擎存在的理由。 (样例输入为演示参数,不是任何真实标的的最新数据。)

样例	大类	用了几个模型	共识公允价	相对现价	预期年化实际回报	可比条

Exclusion Power

排除力演示 · 引擎会拒绝什么

下面每一条都是真实世界最常见的估值自欺。点开看引擎实际吐出的拒绝理由 —— 每一条的理由都不一样,这是"有排除力"和"随便报个错"的区别。

反例库 · 具名失败模式与早期信号

Skeleton

运作骨架 · 12 类逐类穷举

这一层回答的唯一问题:钱在真实世界里到底怎么流动、怎么定价、什么恒成立、什么时候崩。不是"有哪些模型"(那是材料层),也不是"参数取多少"(那是约束层)。骨架搭不好,上面的模型全是假的。

Quality Line

质检线 · 六级测试 + 九闸 + 诱捕

每一次生成都会出问题,这是常态不是意外。所以引擎交付的不是生成器,是生成器 + 配套质检线; 而质检线自己也要被质检 —— 那就是变异注入和 canary。

🚦 九闸

🐤 本轮诱捕 canary

C2 第一次跑是漏判的。口径闸当时只挂在几个股票模型上, 一个房地产样本被偷偷改坏居然全绿。修法守纪律:回改生成器(把口径与币种一致性升级为全局闸),不回改判据。 canary 抓的不是样本,是判据自己的覆盖漏洞。

六级测试逐条

编号	测试	挂靠规则	结果	实测

把任何投资品种,折到同一把尺上。