AGENT SKILL

trading-journal-analyst

Paste your trading history (CSV / broker export / list of trades) and AI extracts hidden behavioral biases, implicit rules, and compares your actual behavior vs an ideal shadow strategy. Inspired by HKUDS/Vibe-Trading Shadow Account Analysis (MIT).

License 许可
MIT
最近更新
2026-11-11
Stars
★ 13
Forks
1

01 前言 Front Matter

name
trading-journal-analyst
origin
yana-ai — inspired by HKUDS/Vibe-Trading (MIT)
license
MIT
version
1.0.0
triggers
[ "/trading-journal-analyst", "/tja", "phân tích nhật ký giao dịch", "journal giao dịch", "trading journal", "phân tích hành vi giao dịch", "bias giao dịch" ]
description
Paste your trading history (CSV / broker export / list of trades) and AI extracts hidden behavioral biases, implicit rules, and compares your actual behavior vs an ideal shadow strategy. Inspired by HKUDS/Vibe-Trading Shadow Account Analysis (MIT).

03 SKILL.md 正文

/trading-journal-analyst

Paste lịch sử giao dịch của anh vào. AI sẽ tìm ra điều anh không nhìn thấy trong chính mình: bán lời quá sớm, giữ lỗ quá lâu, chạy theo momentum, overtrade. Sau đó so sánh anh thực sự làm gì vs anh nên làm gì.

/trading-journal-analyst
[paste danh sách giao dịch hoặc CSV]

/tja --bias-only   → chỉ phân tích bias, bỏ qua số liệu chi tiết
/tja --compare     → bật Shadow Strategy Comparison

Input được chấp nhận:

  • CSV xuất từ broker (同花顺, 东财, Futu, SSI, VPS, MBS, CSV tự lập)
  • Danh sách giao dịch tự nhập theo format: [ngày] [mã CK] [mua/bán] [giá] [số lượng]
  • Text mô tả ("tháng 3 tôi mua VNM ở 72, bán ở 75, mua MWG ở 45...")

Khi nào dùng

  • Nhìn lại quý/năm giao dịch và muốn hiểu mình thực sự hoạt động như thế nào
  • Cảm giác "biết đúng nhưng làm sai" và muốn tìm pattern cụ thể
  • Muốn rút ra implicit rules từ hành vi thực tế để cải thiện

Khi nào KHÔNG dùng

  • Không có lịch sử giao dịch cụ thể (chỉ ý định mua/bán)
  • Muốn phân tích một cổ phiếu (dùng /vic hoặc /irt)
  • Trading kỹ thuật ngắn hạn trong ngày

5 Bước phân tích

Bước 1 — Parse & Chuẩn hóa

Chuyển input về format chuẩn:

Ngày Mã CK Hành động Giá Số lượng Giá trị

Làm sạch: bỏ duplicate, xử lý split/dividend nếu có, tính P&L từng vị thế.

Tạo danh sách vị thế đã đóng:

  • Entry date, exit date, holding period (ngày)
  • Entry price, exit price
  • P&L (VND/USD + %)
  • Lý do exit (nếu có trong ghi chú)

Bước 2 — Behavior Profiling

Tính các chỉ số hành vi:

Chỉ số Giá trị Baseline tham chiếu Nhận xét
Win rate 40–55% là bình thường
Avg win %
Avg loss %
Win/Loss ratio >1.5 là tốt
Avg holding (winner) ngày
Avg holding (loser) ngày
Largest single loss
Worst drawdown
Số lần giao dịch/tháng
Tỷ lệ cắt lỗ đúng hạn

Phân phối theo thời gian: có pattern theo tháng/quý không? (ví dụ: overtrade tháng bull market)


Bước 3 — Phát hiện 4 Bias cốt lõi

Bias 1 — Disposition Effect (bán lời sớm, giữ lỗ lâu)

Dấu hiệu:
  - Avg holding (winner) < Avg holding (loser)
  - Tỷ lệ win/loss ratio thấp dù win rate cao
  - Nhiều lần bán lúc +5~10% rồi cổ phiếu tiếp tục tăng

Tính toán:
  PGR (Proportion of Gains Realized) vs PLR (Proportion of Losses Realized)
  Disposition coefficient = PGR / PLR
  > 1.0 = có disposition effect
  > 1.5 = nghiêm trọng

Bias 2 — Overtrading (giao dịch quá nhiều)

Dấu hiệu:
  - Số giao dịch/tháng vượt quá "cần thiết"
  - Nhiều giao dịch lãi nhỏ + phí giao dịch ăn mòn profit
  - Turnover cao mà không cải thiện P&L

Tính toán:
  Chi phí giao dịch thực tế / Total P&L
  > 15% → overtrading đáng kể
  > 30% → phí đang giết chết account

Câu hỏi cốt lõi: "Nếu không giao dịch gì trong period X, account sẽ thế nào?"

Bias 3 — Momentum Chasing (mua muộn đỉnh)

Dấu hiệu:
  - Nhiều lần mua sau khi cổ phiếu đã tăng 15-20%+
  - Entry point thường là sau breakout nổi bật trên tin tức
  - Đa phần lệnh vào sau ngày volume đột biến

Tính toán:
  Price change từ đáy gần nhất đến entry point (trung bình)
  > 15% = có xu hướng mua momentum
  > 30% = nghiêm trọng

Bias 4 — Anchoring (bám vào giá tham chiếu)

Dấu hiệu:
  - Thường set stop-loss ở giá mua (thay vì % hợp lý)
  - "Chờ về giá mua rồi bán" khi bị lỗ
  - Target profit đặt ở số tròn (50, 100, +20%)

Nhận dạng:
  Xem pattern exit price vs entry price
  Nhiều exit ở đúng giá mua ± 0-2% = anchoring

Bước 4 — Trích xuất Implicit Rules

Từ lịch sử thực tế, rút ra các quy tắc ẩn anh đang áp dụng mà không biết:

Format:

Quy tắc ẩn được phát hiện:
  IF [điều kiện] THEN [hành động] (tần suất: X/Y lần)

Ví dụ:
  IF cổ phiếu đã tăng >15% trong tuần THEN mua vào (8/12 lần)
  IF lỗ >8% THEN giữ tiếp không cắt (11/15 lần)
  IF thị trường xanh mạnh THEN giao dịch nhiều hơn 2x (pattern Q1 và Q3)
  IF vừa có lãi lớn THEN mua ngay không nghiên cứu kỹ (6/8 lần sau đó lỗ)

Sắp xếp theo tần suất và tác động P&L.


Bước 5 — Shadow Strategy Comparison (với --compare)

Xây dựng "chiến lược bóng" — phiên bản lý tưởng của anh nếu không bị bias:

Shadow Strategy Rules (từ best practices):
  - Cắt lỗ: -8% từ entry, không ngoại lệ
  - Giữ lời: không bán dưới 3 tuần nếu thesis vẫn nguyên vẹn
  - Không mua nếu cổ phiếu đã tăng >20% từ đáy 52 tuần
  - Tối đa 2 giao dịch mới/tháng

Backtest shadow strategy vs actual:
  Kết quả thực:  P&L = [X]
  Shadow result: P&L = [Y]
  Chênh lệch:    [Z] — do [bias chính gây ra]

Đoạn đường bị bỏ lỡ: liệt kê 3–5 giao dịch cụ thể mà shadow strategy sẽ xử lý khác và kết quả tốt hơn bao nhiêu.


Output chuẩn

## Trading Journal Analysis — [Tên/Giai đoạn]

*Giai đoạn: [từ — đến] | [N] giao dịch | [N] cổ phiếu*

---

### Tổng quan hiệu suất

| Chỉ số | Giá trị | Nhận xét |
|--------|---------|---------|
| Tổng P&L | | |
| Win rate | | |
| Avg win / Avg loss | | |
| Avg holding winner | | |
| Avg holding loser | | |
| Chi phí giao dịch | | |

---

### Bias Report

**Disposition Effect**
- Disposition coefficient: [X]
- Mức độ: Không đáng kể / Trung bình / Nghiêm trọng
- Bằng chứng cụ thể: [2–3 giao dịch điển hình]
- Thiệt hại ước tính: [VND/USD]

**Overtrading**
- Giao dịch/tháng: [X] (baseline: Y)
- Chi phí / P&L: [X]%
- Tháng overtrade nhiều nhất: [tháng, lý do thị trường]

**Momentum Chasing**
- Avg price change trước entry: [X]%
- Số lần mua sau tin nóng: [X/N]
- Pattern: [mô tả cụ thể]

**Anchoring**
- Số lần exit ở giá mua: [X/N]
- Số lần "chờ về vốn": [X]
- Stop-loss pattern: [đặt ở đâu thường xuyên]

---

### Implicit Rules đang vận hành

| Quy tắc ẩn | Tần suất | P&L impact |
|-----------|---------|------------|
| [rule 1] | X/Y lần | +/- [Z] |
| [rule 2] | X/Y lần | +/- [Z] |
| [rule 3] | X/Y lần | +/- [Z] |

---

### Shadow Comparison (nếu bật --compare)

| | Thực tế | Shadow | Chênh lệch |
|---|---------|--------|-----------|
| P&L | | | |
| Max drawdown | | | |
| Win rate | | | |

**Top 3 giao dịch shadow xử lý tốt hơn:**
1. [mã CK, ngày, thực tế vs shadow]
2.
3.

---

### Kết luận & Cam kết

**Bias lớn nhất cần sửa ngay:** [tên bias]
**1 quy tắc cụ thể để thay đổi:** [quy tắc]
**Chỉ số theo dõi tháng tới:** [chỉ số]

> Ghi vào journal: "Từ [ngày], tôi cam kết [hành động cụ thể]"

Nguyên tắc

  • Dữ liệu thực, không suy đoán: nếu không có đủ giao dịch để tính toán một bias → nói rõ "không đủ dữ liệu" thay vì ước chừng
  • Số liệu > cảm giác: bias chỉ được xác nhận khi có pattern thống kê, không phải 1–2 giao dịch
  • Không phán xét: mục tiêu là nhận diện pattern, không phải chê anh giao dịch tệ

Skills liên quan

  • value-investing-checklist — /vic — checklist trước khi ra quyết định mua
  • investment-research-team — /irt — 4 agent phân tích cổ phiếu song song
  • council-of-minds — 6 nhân vật cho quyết định khó

04 同仓库更多 Skills

Horonomos-laps
Horonomos-laps/Yana-AI

openai--sentry--sentry

Use when the user asks to inspect Sentry issues or events, summarize recent production errors, or pull basic Sentry health data via the Sentry API; perform read-only queries with the bundled script and require `SENTRY_AUTH_TOKEN`.

★ 13
Horonomos-laps
Horonomos-laps/Yana-AI

ito-basket-compare

Compare Itô prediction-market baskets against a user's knowledge base, portfolio notes, financial context, watchlist, or research thesis. Use for read-only basket comparison and gap analysis without investment advice or live trading.

★ 13
Horonomos-laps
Horonomos-laps/Yana-AI

implementing-network-traffic-baselining

Build network traffic baselines from NetFlow/IPFIX data using Python pandas for statistical analysis, z-score anomaly detection, and hourly/daily traffic pattern profiling

★ 13
Horonomos-laps
Horonomos-laps/Yana-AI

detecting-evasion-techniques-in-endpoint-logs

Detects defense evasion techniques used by adversaries in endpoint logs including log tampering, timestomping, process injection, and security tool disabling. Use when investigating suspicious endpoint behavior, building detection rules for evasion tactics, or conducting threat hunting for stealthy adversary activity. Activates for requests involving evasion detection, defense evasion analysis, log tampering detection, or MITRE ATT&CK TA0005.

★ 13
Horonomos-laps
Horonomos-laps/Yana-AI

implementing-microsegmentation-with-guardicore

Implementing microsegmentation using Akamai Guardicore Segmentation to map application dependencies, create granular network policies, visualize east-west traffic flows, and enforce least-privilege communication between workloads across data centers and cloud.

★ 13
Horonomos-laps
Horonomos-laps/Yana-AI

ramdisk-tmpfs-patterns

暂无简介

★ 13