阅读下文，请先阅读免责声明。核心内容可参考以下旧文的末尾部分：
6月28日优势策略：满仓，加杠杆。| 站在大概率的一边：局部不一定都对，而全局则常常不错。
山鹰实验室量化日报
（10月25日盘后 总第431期）
不预测，只跟随。
0 山鹰-J系律动-潮汐210 (大周期）
核心指数（合成）情绪监测。
基础数据来自山鹰实验室重点监测的几大核心指数，各时点数据反映每一个当下的即期情绪，连续数据可以看做是长期趋势。
危险期，第9日。
1 山鹰-X200指数-日线图/能量潮（中周期）
强势股情绪监测
山鹰X200指数主要观察阶段强势个股的表现，某种程度上可以看做是先行指标。
危险期，第18日。
2 山鹰-隐身工作的系统们
虽淡出视野，却初心不改，仍为控仓系统提供不可或缺的数据支撑。
可查阅416期文章
25日盘后除了区块链的消息，经过周末发酵，已有几十只概念股意念涨停，其中多只一字连板。不在轿子里的，要去争取机会么？怎么去？下面是山鹰-C系统的部分历史数据，主要是深圳先行示范区政策发布后的板块热度演变。
让历史告诉未来。预计前面2到3天都是淘汰赛，周三或者周四之后，才可能有一个小范围的晋级赛，到时候看准了换手、低位、奇兵等等再喝点汤可能更靠谱一点？
3 山鹰-仓位控制-Q系统（V3.053.2）
风控阀门。
仓位的量化，是个难点。重要的不是具体的仓位数值，更重要的是仓位数值的变化方向和幅度，为感知交易环境的变化提供依据。
电子表格中增加了两栏：仓位乘数。
在防守期，原则上都是采取最严格的的仓位管理，以避免因小失大。但在有些个别情况下，快速提升仓位有利，也可以是的提升仓位，前提是，临场能判断出当天当时进场具备高盈亏比，并且大概率次日早盘会有溢价或者次日收盘前能全身而退。2019年8月5日、6日、15日是几个个典型的案例。
8月5日、6日有银河磁体、金力永磁，判断局面有利的情况下，可以加到满仓；8月15日有易尚展示、维科技术，判断局面有利的情况下，可以加到60%。
4 结论
优势策略建议
10月28日：
战略防守期D18 | 全局优势策略：空仓 | 龙头股：首仓控制0%~3%，收盘仓位4%
区块链的消息，不足以扭转局面，重仓者借势减仓是优势策略。
在短线环境有利的情况下，龙头股的收盘仓位可以是当前的3倍（即12%）。
这个结论，来自历史数据，是静态的。另外，它只追随数据，不考虑新闻、事件等因素的影响。实际操作应根据市场情况，及时进行校正。
关于预判与校准（在8月5日的具体应用），请参考8月6日文章
上日预判小结对25日的全局预判，基本靠谱，特别是早盘时段；下午的局面改善，非人力所及，是必须要允许存在的缺陷。
5 山鹰控仓系统的应用举例
5.1 全局空仓环境下的局部机会
参见20191014盘后文章，那是第一次，也是最后一次的详细解释。
（双击直达链接）
6 量化选股测试
整体是空仓环境，但不妨碍（臆想）龙头股的挑选。挑到的不一定是龙头，但是，龙头多数都是从这里走出来的。是当然好，不是也力求能大概率全身而退。
下面是24日早盘的选股结果（天域生态）的表现：
24日开盘至次日开盘收益：1.48%
24日开盘至次日开盘收益：6.88%
期间最高收益：12.16%
23日盘前的3股组合，等来了二审的判决：完败。
这是一个失败的组合，之前的组合从未遭遇如此败绩。失败的根源在于组合本身，也更在于立意的基础：预判的弱反弹或者横盘格局。但事实上，大盘是两者的结合，当中还夹带了一次摸高后的掼压。
习惯在哪里，收益就在哪里。
潜意识里希望一次这样的尝试，不买最强（60023鲁商发展，怕跌），不买第二强（华谊嘉信，怕老大倒下来），也不买最近很强很红但真跌了的品种（壹网壹创，怕继续跌），转而去投机，买强中弱品种（同有科技+御家汇，缺点是风险释放不够）。本来组合里没有山鼎设计（它明显不同于前两个），想投机，希望看到独立品种的转强（明知不可为而为之）。
还有个问题，市场如此之弱，组合成分都不是前排，你怎能如此笃定，根据上日收盘时间得到的结论，到第二天开盘时都不需要修正？
测试无妨，还意外地加强了一个认知（拥抱强者），算是收之桑榆吧。如果只是停留在思考层面，只是只有自己才能看到得到的结果，而不是在这里大张旗鼓地“献丑”，这个认知的加强，不会如此的深刻。
但是，作为公开数据，还是不够严谨。这是以后要注意的地方。
好在，经过二周左右的线下测试，已得到具备一定优势的选股参数。本栏目明天起终止。
7 快速了解山鹰实验室
感谢朋友们的鼓励、支持、反馈和建议！山鹰实验室在此发布的数据，就是一个工具包，希望您越用越喜欢。
快速了解我们，请查阅：快速了解山鹰实验室
8 其他
原文提交时间：20191026 17:21（以腾讯公司服务器记录为准）
原文预定发送时间：20191026 17:22
对山鹰实验室延迟发布的数据的时效性有更高要求、或者希望获取更多试验数据的读者，也可订阅相关的数据服务，详见 数据定制服务。
