指數怎麼建

文字      月營收表的備註欄，2013-01 到 2026-08，164 個月，63,140 則
抽樣      每個月固定種子抽 50 則，去識別化
請求      一個月一個請求：50 則一起給，要它對每則回 tone（−2 到 +2），只輸出 JSON 陣列
模型      Gemini 2.5 Flash，溫度 0，不用思考預算，每個請求快取
成本      164 個請求，免費額度，58 分鐘
產出      7,760 則有效標註（94.7%）；月指數 = 語氣平均、負面比例（tone < 0 的占比）
可用日    次月 11 日，跟營收數字同一天

tone 的分布：−2 占 4%、−1 占 20%、0 占 32%、+1 占 38%、+2 占 6%。跟 Day 24 一則一則問的時候七成給 0 不一樣，五十則放在一起比較，它願意分出正負。

重測：抽 12 個月，把 50 則的順序打亂再問一次，500 則裡 88% 完全一致、99% 差在 1 以內，月平均的差中位數 0.08。月指數是穩的。

LLM 語氣月均 vs 營收 yoy 為正的公司比例     Spearman +0.57
LLM 負面比例 vs 該比例                              −0.61
LLM 語氣月均 vs embedding 語氣月均（Day 24）       +0.31
LLM 語氣月均 vs 站上 60 日線比例                    −0.11
LLM 語氣月均 vs 指數距 200 日線                     +0.25

它跟營收數字走在一起、跟廣度無關，是基本面側的指標，有資格當第五家族而不是另一種廣度。跟 Day 24 的 embedding 版只有 +0.31，兩條路讀出來的東西不太一樣，差在哪裡下一節講。

前視的檢查照 Day 23 的第三條規矩：跨期一致。LLM 指數跟 yoy 為正比例的相關，模型知識截止前（到 2025-02）+0.54、截止後 +0.80。截止後高很多，但 embedding 版同樣是 +0.48 對 +0.94，這是 2025 年後那 18 個月本身的特性，不是 LLM 偷看。

它跟 embedding 最大的差別：春節

Day 24 的 embedding 語氣軸有一個很強的季節：每年 1、2 月的備註最負，因為春節工作天數少，公司統一寫「工作天數減少致營收下降」。embedding 量的是措辭離「需求疲弱」多近，這句就是負的。

LLM 讀同一句，大多給 0：它知道這是在陳述一個日曆事實，不是對生意的判斷。1、2 月營收的 LLM 語氣平均 0.11，其他月份 0.25，差距在，但比 embedding 版小得多，警訊落點也不再集中在 2、3 月。這件事在擇時上很重要，因為 embedding 版的第一條規則被季節咬了：

                                       年化    Sharpe   最大回檔   前半    後半
買進持有 0050                          21.4%   1.08     −34%      0.92    1.24
embedding 語氣 3 月變化低 → 曝險 0.5    21.6%   1.17     −38%      1.04    1.31
對照：每年 2/11～4/10 曝險 0.5          21.7%   1.19     −32%      0.98    1.37

embedding 版的警訊十二次有九次在 2、3 月，成績一條月曆就做得到。要救它得先減掉同月份的歷史平均再算，校正之後 Sharpe 1.19、回檔 −26%，才是文字自己的訊號。LLM 版不用走這一步。

過守門員

規則跟 Day 19 一樣：t 日收盤算訊號、t+2 生效、每次改曝險付 0.15%，套在 0050，2015 到 2026，前半到 2020、後半從 2021。警訊 = 指標落在自己「當時以前」歷史的極端 20%，警訊時曝險 0.5。

                                        年化    Sharpe   最大回檔   前半    後半    在場    警訊次數   過關
買進持有 0050                           21.4%   1.08     −34%      0.92    1.24    100%
LLM 負面比例高（前 20%）→ 曝險 0.5      21.1%   1.16     −28%      1.11    1.25     88%     18       4
LLM 語氣 3 月變化低 → 曝險 0.5          20.2%   1.12     −28%      1.03    1.24     86%     25       4
LLM 語氣低（後 20%）→ 曝險 0.5          20.6%   1.11     −31%      1.02    1.21     91%     14       3
embedding 季節校正語氣 → 曝險 0.5       21.8%   1.19     −26%      1.08    1.32     90%     16       4
對照：季節校正 yoy 為正比例 → 曝險 0.5  20.6%   1.12     −29%      1.09    1.17     89%     20       3
階梯（Day 20）                          16.1%   1.05     −22%      0.71    1.32     71%              2

主角是負面比例：這個月標成負面的備註占比落在歷史前 20%，就把 0050 減半。四關全過，Sharpe 1.16 對 1.08，回檔 −28% 對 −34%，前後半都贏。十八次警訊散在一年裡的九個月份，抓到 2018-10、2020-01、2022-02、2022-09 這幾段。

拿掉任何一年，Sharpe 差在 +0.05 到 +0.10；警訊時曝險 0.5 的版本，門檻從 10% 到 30% 都是 1.11 到 1.16，全部在買進持有之上（改成空手的版本在 15% 只跟買進持有打平、30% 掉到以下，減半比空手穩）。這條規則不靠某一年、也不靠某個門檻。

但要老實講兩件事。第一，它比 embedding 季節校正版弱：1.16 對 1.19，刀切 +0.05 到 +0.10 對 +0.07 到 +0.13。LLM 讀得比較懂，但讀懂之後的擇時價值沒有比一條零成本的向量軸高。第二，數字版本的對照（季節校正過的 yoy 為正比例）Sharpe 1.12、過三關，文字比數字多出來的只有 0.04 的 Sharpe 和一關。文字裡有營收數字沒有的東西，不多。

五分位對未來 60 日的報酬：負面比例最高的一組之後 60 日 5.8%，最低的一組 4.9%，中間三組 4.7 到 5.6，方向甚至跟規則相反。它不是線性的預測，平均而言負面月份之後反而略好；規則賺到的是幾次大回檔前負面比例剛好衝到前 20%，躲掉一半，其他時候減半是白減的。Day 22 講的樣本數問題，十八次警訊一樣適用。

現在的讀數

2026 年 8 月：LLM 語氣月均 0.88，歷史第 99 百分位；負面比例 10%，第 7 百分位。全市場的公司解釋營收的語氣是十三年來最正面的，沒有警訊，規則給的曝險是 1。跟廣度放在一起看：七成的股票在 60 日線下，公司自己說生意很好。這兩件事同時成立，就是現在。

小結

**去識別化是 LLM 讀歷史文字的前提。**拿掉公司、代號、年份，模型就只能做文字分類，記憶進不來；跨期一致性檢查過了，截止前後的相關差距 embedding 版也有。

**五十則一起問，一小時，免費額度做完十三年。**7,760 則標註、重測 88% 一致、月均差 0.08。指數穩得可以當每月更新的東西。

LLM 讀得懂春節。「工作天數減少」它給 0，embedding 給負；所以 LLM 版不用季節校正，embedding 版不校正就是一條月曆規則。

**負面比例規則四關全過，但贏得不多。**Sharpe 1.16 對買進持有 1.08、回檔 −28% 對 −34%、刀切與門檻都穩；比零成本的 embedding 季節校正版低 0.03，比純數字的對照高 0.04。文字的市場情緒有資格當第五家族，它的價值是「不用價量就能看見同一件事」，不是更準。