CommunitySchreiben & Editierengithub.com

atomchung/fomo-kernel

Verwandle deinen Broker-CSV in eine ehrliche Verhaltenskarte für deine Trades: Mechanische Ebene ignoriert Details und sucht das große Ganze × Meisterlinse fragt nach Motiven | Turn your broker CSV into one behavioral review card

Was ist fomo-kernel?

Dieses Skill für Claude Code hilft dir, deine Trading-Historie aus einem Broker-CSV in eine prägnante, verhaltensorientierte Karte zu destillieren. Es folgt einem klaren Vier-Schritte-Workflow: Zunächst normalisiert es das CSV in ein einheitliches Format (Schritt 0) und erstellt eine Treiberkarte für seltene Aktien (Schritt 0.5). Danach führt die Engine eine rein mechanische Analyse durch (Schritt 1), die sich auf die 1–2 größten Verhaltenslücken konzentriert – nicht auf alle fünf Dimensionen. Im entscheidenden zweiten Schritt (Schritt 2) nutzt Claude eine philosophische Linse, um die Motive hinter den auffälligsten Trades zu erfragen – etwa ob ein Nachkauf in der Verlustzone strategisch oder reines „Averaging Down“ aus Verlustaversion war. Die finale Karte (Schritt 3) wird als narrative Zusammenfassung erstellt, nicht als Dashboard. Ein wöchentlicher Loop (Schritt 2.5) ermöglicht den Abgleich mit früheren Versprechen und Thesen. Die Privatsphäre hat höchste Priorität: Die CSV-Daten verlassen niemals den lokalen Rechner des Nutzers. Das Skill unterstützt die Ausgabe in mehreren Sprachen, die pro Sitzung aufgelöst wird, mit Fallback auf traditionelles Chinesisch.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add atomchung/fomo-kernel

Installed? Explore more Schreiben & Editieren skills: steipete/notion, langchain-ai/langchain, bytedance/podcast-generation · View all 6 →

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

FOMO Kernel · Rezitiere deine Trades mit der philosophischen Linse

Verwandle einen Handelsnachweis in eine Karte, die dich zwingt, beim nächsten Mal nur eine Sache zu ändern. Die mechanische Ebene (Python) ist dafür verantwortlich, das große Ganze zu sehen und Details zu ignorieren – sie sucht nur die größten Verhaltenslücken; die philosophische Linse ist dafür da, die Motive zu finden – sie fragt nach dem Grund hinter dem Trade, den du dir nicht eingestehen willst.

Wann verwenden

Der Benutzer möchte seine Trades analysieren, wissen „was ist mein wiederkehrender Fehler“, gibt dir einen Broker-CSV / Kontoauszug oder sagt direkt /fomo-kernel. Wenn keine Daten vorhanden sind, bitte ihn um einen Broker-CSV / Kontoauszug (auch Screenshots sind okay, Schritt 0 liest sie) und gib gleichzeitig die „Testfahrt“-Option (siehe nächster Abschnitt); wenn er nur die statische Ansicht sehen will → Beispielkarte in der README.

🧪 Testfahrt-Modus (Erlebe den Ablauf auch ohne Daten; drei Schutzmechanismen sind unverzichtbar)

Der Benutzer hat keine Daten oder möchte den Ablauf zuerst testen → Verwende AskUserQuestion, um zwei Optionen zu geben: „Meinen CSV bereitstellen / Zuerst mit integrierten Beispieldaten testen“. Bei Wahl der Testfahrt → nimm mock/mock_trades.csv und durchlaufe den gesamten Vier-Schritte-Ablauf, aber:

  1. Status wird niemals gespeichert: TR_STATE_OUT zeigt auf ein temporäres Verzeichnis (z. B. mktemp -d); in ~/.trade-coach/ wird kein einziges Wort in log.jsonl / theses.jsonl / profile.md geschrieben – das Versprechen der Beispieldaten würde in das Gedächtnis des Coaches eingehen und die Basislinie für eine echte Analyse verfälschen. Am Ende eine Erklärung: „Im echten Einsatz würde diese Regel in deinem lokalen Coach-Gedächtnis gespeichert, und nächste Woche würdest du zuerst abgeglichen.“
  2. Schritt 2 wird trotzdem ausgeführt, aber als Übung markiert: Die Motivfragen werden weiterhin über AskUserQuestion gestellt – die Testfahrt soll demonstrieren, dass sich die Karte durch meine Antwort ändert; aber die Frage ist als „Beispieldaten, wähle einfach eine Option, um zu sehen, wie die Karte reagiert“ markiert, ohne den Nutzer zu zwingen, für Trades, die nicht seine sind, ein Motiv zu erfinden (die Peinlichkeit von #53 ist damit beseitigt).
  3. Die Karte wird als Demo markiert: Der Kartenkopf trägt „Demo · Beispieldaten, keine echten Ergebnisse“; α/β wird um den Satz „Beispieldaten sind verzerrt, nicht ernst nehmen“ ergänzt – die Verzerrungswarnung ist deine (Darstellungsebene) Verantwortung, die Engine verarbeitet alle Eingaben gleich, ohne Demo-Branch (#89).

Am Ende der Karte muss stehen: „Möchtest du deine eigenen Trades analysieren? → /fomo-kernel your.csv“.

🔒 Datenschutz zuerst (jedes Mal beachten)

  • Der CSV des Benutzers bleibt die ganze Zeit auf seinem lokalen Rechner. Du führst nur engine/trade_recap.py in seiner Umgebung aus, lädst nichts hoch, kopierst nichts anderswohin und schreibst nichts in die Cloud.
  • Schreibe keine Handelsinhalte des Benutzers in dein Gedächtnis und gib sie nicht an Dritte weiter (einschließlich des Skill-Autors).
  • Ehrliche Grenze (Datenschutzsprache nicht überversprechen): Die Daten werden nicht an einen Backend-Server hochgeladen, nicht extern gespeichert, der Autor bekommt sie nie; aber du (Claude) musst den CSV/JSON lesen, um die Analyse durchzuführen – die Handelsinhalte gelangen dadurch natürlich in deinen Kontext – das ist genauso wie bei der normalen Nutzung von Claude, also nicht „verlässt niemals deinen Computer“. Die Datenschutzsprache in der README / auf der Karte sollte diese Präzision einhalten, nicht übertreiben.
  • Nur eine Sache geht an den Autor zurück: Text-Feedback, ob die Karte nützlich war (freiwillig vom Benutzer) – keine Handelsdetails.
  • Wenn der Benutzer keine Daten gibt, bitte ihn, welche bereitzustellen oder den Testfahrt-Modus zu wählen (integrierte Beispieldaten, keine Speicherung); durchsuche niemals eigenmächtig seine echten Kontoauszüge.

🌐 Ausgabesprache (immer anwenden)

Alles, was der Benutzer sieht – dein Dialog, die Optionen bei AskUserQuestion und die finale Karte – muss in einer aufgelösten Sprache sein. Hartcodiere keine Sprache. Löse sie pro Sitzung auf, erster Treffer gewinnt:

  1. Explizite Anfrage in dieser Sitzung – der Benutzer sagt „gib es mir auf Englisch“ / „用中文“ / übergibt lang=en.
  2. Gespeicherte Präferenz – output_lang: in ~/.trade-coach/profile.md, falls vorhanden.
  3. Gesprächssprache – die Sprache, die der Benutzer gerade mit dir spricht. Das ist der Standard; folge ihr, zwinge keine Sprache auf.
  4. Fallback – Traditionelles Chinesisch (zh-TW).

Nach der Auflösung:

  • Führe den gesamten Ablauf (Dialog, Fragen, Karte) in dieser Sprache durch. Lens-Dateien (rubric/*.lens.json) enthalten derzeit chinesische Zitate/Prompts – übersetze sie bei der Kartenerstellung direkt in die aufgelöste Sprache.
  • Übergib sie bei jedem Durchlauf als TR_LANG=<code> (z. B. TR_LANG=en) an die Engine für Vorwärtskompatibilität. Die Engine nutzt sie noch nicht – ihre eigenen gedruckten CLI-Karten und Lens-Strings bleiben vorerst chinesisch; die vollständige Engine/Lens-Lokalisierung über eine Strings-Tabelle, die auf TR_LANG basiert, wird separat als Internationalisierungsarbeit verfolgt. Dies bestimmt trotzdem, was der Benutzer heute sieht, weil die Karte eine ist, die du aus dem strukturierten JSON von build_card_data() schreibst, nicht die gedruckte Karte der Engine.
  • Persistiere sie: Beim ersten Durchlauf oder wenn der Benutzer wechselt, schreibe output_lang: <code> in ~/.trade-coach/profile.md (neben den Profil-Prinzipien), damit die nächste Sitzung bei Schritt 2 auf seine Präferenz auflöst.

Die traditionell-chinesischen Formulierungen, Fragevorlagen und Kartenbeispiele im Rest dieses SKILLs dienen der Veranschaulichung der Absicht, nicht als wörtliche Vorlagen – drücke ihre Bedeutung in der aufgelösten Sprache aus.

Arbeitsablauf (Vier Schritte)

Arbeitsteilungsprinzip: Engine macht reine Berechnung (deterministisch), Claude macht Weltwissen (Formate / Klassifikation / Motive). Alles, was die Weltkenntnis erfordert, wird von Claude erledigt, die Engine harrcodiert nichts.

Eröffnung · Lokalen Status lesen + erkennen, was diesmal zu tun ist (Eingang des wöchentlichen Loops)

Investieren endet nicht mit einer einzigen Analyse. Dieses Skill ist ein wöchentlicher Loop: CSV importieren → Neue Trades / Positionen erkennen → Nur fehlende Motive fragen → Review dieser Woche schreiben → Karte ausgeben. Das Ziel ist, deine wöchentliche Handelsaufzeichnung zu ersetzen, nicht jedes Mal dasselbe Problem neu zu berechnen. Bevor du das CSV verarbeitest, lies den lokalen Status (alles in ~/.trade-coach/, rein lokal, niemals extern):

mkdir -p ~/.trade-coach
cat ~/.trade-coach/log.jsonl    2>/dev/null   # Jede Zeile = eine Review-Session (dünne Metrik + Versprechen); leer = erstes Mal
cat ~/.trade-coach/theses.jsonl 2>/dev/null   # Jede Zeile = ein Thesis-Ereignis (append-only, nicht überschreiben); Motivbibliothek für Aktienbestände
cat ~/.trade-coach/profile.md   2>/dev/null   # Deine Handelsziele + 3 persönliche Prinzipien (Basislinie für Review); leer = erstelle sie beim ersten Mal

Routing (nach Lesen der beiden Dateien + Ausführen von Schritt 1 der Engine entscheiden):

  • log leer → Erstdiagnose: Führe kompletten Schritt 0–4 aus, schreibe am Ende die erste Session + erstelle Thesen für fragwürdige Positionen.
  • log nicht leer → Abgleich (wöchentlicher Loop), der Reihe nach:
    1. Neue Trades erkennen = Trades zwischen date_end des Engine-Status und dem letzten date_end in log (neue Aktionen diese Woche, Schwerpunkt der Analyse; alte Geschichten nicht nochmal aufrollen).
    2. Positionen ohne Thesis erkennen = Jedes cycle_id in holdings.positions des Engine-Status mit theses.jsonl vergleichen. Neue Position (neues cycle_id) oder noch nie eine Thesis geschrieben = fehlt.
    3. Zuerst abgleichen (Schritt 2.5): Letztes commitment mit neuen Metrikwerten + Prüfung, ob exit_trigger jeder aktiven Thesis des letzten Mals ausgelöst wurde.
    4. Fehlende Thesen ergänzen (Schritt 2): Fehlende Thesen von der KI raten lassen (mit inferred-Markierung, null Fragen), nur für die „verhaltensauffälligste + wertmäßig größte“ 1 Position eine Frage stellen; bestehende Thesen nicht anfassen (außer Trigger ausgelöst).

Beide Statusdateien sind des Benutzers eigenes lokales Coach-Gedächtnis, werden niemals weitergegeben oder an den Autor zurückgesendet (Datenschutz zuerst). log.jsonl speichert aggregierte Metriken + Versprechen (max_pos_pct=0.48, „kein Nachkauf bei Verlust“); theses.jsonl speichert per-Position „Warum halte ich + was wäre ein Fehler“. Append-only: Eine Thesis korrigieren = ein neues Ereignis (mit revises, das auf das alte verweist), das alte nicht überschreiben – nur so kann man über Zeit sehen, was du ursprünglich dachtest und wie es sich geändert hat (überschreiben = Abgleich über Zeit unmöglich + fördert nachträgliche Rationalisierung).

Schritt 0 · Beliebiges Broker-Format in engine-lesbares Format konvertieren (mit dem eigenen Claude des Lesers)

Der CSV des Benutzers kann von jedem Broker stammen, mit unterschiedlichen Spaltennamen, oder sogar ein Screenshot des Kontoauszugs sein. Schreibe keinen festen Parser – du (Claude) liest ihn direkt, konvertierst ihn in Standardfelder und speicherst ihn als temporären CSV: Symbol,Action(BUY|SELL),Quantity,Price,TradeDate(YYYY-MM-DD),RecordType(als Trade). Dieser Schritt nutzt das eigene Claude-Kontingent des Benutzers, null Backend-Kosten, und kann von Natur aus jeden Broker verarbeiten – keine Konverter für jeden Broker nötig.

Schritt 0.5 · Treiberkarte generieren (damit seltene Aktien nicht verzerrt werden)

Die Sektortabelle der Engine kennt nur gängige Aktien; seltene Aktien werden zu „nicht kategorisiert“ → die Streuungsdimension wird verzerrt. Du (Claude) klassifizierst die tatsächlichen Bestände des Benutzers mit Weltwissen: Jede Aktie → [Sektor, thematisch], thematisch=1 bedeutet, sie gehört zu einem thematischen Cluster (AI-Capex / Abnehm-Medikamente / Space …). Schreibe JSON {"PLTR":["Softwaredienst",1],"CEG":["Atomkraft",1],"XOM":["Energie",0]} und füttere es als Umgebungsvariable: TR_DRIVER_MAP=/pfad/driver_map.json python3 engine/trade_recap.py <csv>.

Schritt 1 · Engine ausführen, große Dinge sehen, kleine ignorieren

Das SKILL nutzt den JSON-Modus für strukturierte Daten, Schritt 3 schreibst du die Karte selbst – übernimm nicht die Standardausgabe der Engine (das ist die saubere, menschenlesbare Karte für den README-Quickstart / Fallback, nicht die Karte, die die Spezifikation des SKILLs verlangt):

mkdir -p ~/.trade-coach
TR_JSON=1 TR_STATE_OUT=~/.trade-coach/last_state.json python3 engine/trade_recap.py <standardisierter CSV>
# TR_JSON=1   → stdout reines JSON (build_card_data, für dich in Schritt 3 zur Erstellung der narrativen Karte); Meta geht nach stderr
# TR_STATE_OUT → schreibt einen dünnen Status (für den Abgleich), parallel zu TR_JSON, beide können gesetzt werden
# Weder gesetzt → druckt Standard-Karte (für README-Quickstart)
# TR_DEBUG=1 → ergänzt in der Standardausgabe die 5-dimensionale Roh-Severity-Tabelle (für Entwicklung/Verifikation, niemals auf der Karte)

🔧 Engine meldet ModuleNotFoundError (z. B. pandas / yfinance): Die Abhängigkeiten sind meist in einer anderen Python-Installation in einem venv / pyenv installiert. Finde den Interpreter mit den installierten Abhängigkeiten und führe den Befehl damit erneut aus; häufig ist es der Pfad repo-root/.venv/bin/python3 (aus den drei venv-Zeilen im README-Installationsabschnitt) – ersetze python3 im obigen Befehl durch diesen Pfad; installiere nicht überstürzt global mit pip (neue macOS-Versionen blockieren dies mit PEP 668). Die Engine verarbeitet das Standardformat (Symbol / Action(BUY|SELL) / Quantity / Price / TradeDate). Mit TR_JSON=1 liefert sie:

  • top_holes: Bereits ausgewählte Top 1–2 mechanische Lücken + entsprechende Linsen-Zitate (in die Erzählung einweben, nicht als Schlussbemerkung).
  • candidate_rules: 2–3 Kandidatenregeln (auf der Karte auflisten, Schritt 3.5 den Benutzer auswählen/ändern lassen, nicht nur die erste geben; wenn die Engine nur eine gibt, nimm die).
  • thesis_questions: Pro-Ticker-Fragen zur Haltedauer-Annahme – dies ist für den Dialog in Schritt 2 gedacht, darf auf keinen Fall auf der Karte erscheinen (Eiserne Regel des SKILLs: Bestätigung vor der Karte).
  • alpha_beta_breakdown / payoff_attribution / ticker_diagnosis: Vollständige Zahlen, du erstellst daraus die Erzählung.
  • dims_raw: 5-dimensionale Verhaltensdiagnose (jede Dimension Severity 0–1) – nicht als ganze Tabelle ausbreiten, sondern die nicht-hervorgehobenen Dimensionen mit „einem menschenlesbaren Satz“ abdecken (Eiserne Regel des SKILLs: keine 5-dimensionale Dezimaltabelle).
  • Alpha/Beta: Wie viel besser/schlechter als der Markt, wie viel davon nur „Mut (hohes Beta)“, wie viel wahre Fähigkeit (Jensen's α) bleibt. excess_split zerlegt die „Marktübertreffung“ mechanisch in richtige Sektorwette (Allokation) + Aktienauswahl innerhalb des Sektors (Selection), beide Summen sind gleich der Marktübertreffung in Prozentpunkten – diese beiden Zahlen sind eine buchhalterische Identität, benötigen keine statistische Signifikanz, sind immer erklärbar; alpha_stat gibt das 95%-Konfidenzintervall / den t-Wert / die Einstufung (signifikant oder nicht) des Alphas an, die Formulierung richtet sich danach.
  • Strukturierter Status (TR_STATE_OUT): Dünnes JSON für den Abgleich, lese diese Felder —
    • headline_dim / headline_metric: Die größte Lücke dieser Runde + (Schlüssel, Wert).
    • commitment: {Regel, Metrik_Schlüssel, Metrik_Wert, Ziel} = mechanisches Standardversprechen der Engine (nächstes Mal nur diese eine Sache ändern + welche Metrik verfolgen). Schritt 2 nach der Motivfrage könnte es umstoßen (Beispiel: Engine sagt „nicht nachkaufen“, Benutzer antwortet „geplante Sparrate“ → dann ai_pct verfolgen) → am Ende muss die endgültige Regel auf der Karte gespeichert werden, nicht dieser Standard. Beim Abgleich nach Metrik_Schlüssel suchen, nicht nach der Headline (sonst wird der Abgleich falsch, wenn die Regel-Dimension ≠ der Headline-Dimension ist).
    • metrics: Vollständiger Metrik-Snapshot (max_pos_pct / avgdown_count / ai_pct / max_sector_pct / top3_pct / payoff / beta / alpha_ann …), beim Abgleich den versprochenen Metrik_Schlüssel verwenden, um den neuen Wert nachzuschlagen (bei einem Konzentrationsversprechen dann ai_pct verfolgen).
    • alpha_ann / alpha_t / alpha_credible: α hat immer einen Wert, die Formulierung richtet sich nach der Statistik. alpha_credible=true (Stichprobe ≥1 Jahr und |t|≥1,96) → Formulierung „wahre Fähigkeit“ möglich (auch ein signifikant negatives Alpha ist eine aussagekräftige Schlussfolgerung); false → Zahl nennen, aber mit Unsicherheit: „α annualisiert +X%, aber das 95%-Konfidenzintervall liegt zwischen −Y% und +Z% – statistisch noch nicht unterscheidbar, ob es Können oder Glück ist“. Die Ursache klar benennen, mit Verweis auf alpha_beta_breakdown.alpha_stat.gate.reason: sample_short=weniger als 1 Jahr → also Stichprobe zu kurz; not_significant=Intervall zu breit → häufige Ursache ist konzentriertes Portfolio, hohe Einzeltitel-Streuung (dies hängt mit der größten Lücke ‚Konzentration‘ zusammen, also miteinander verknüpfen – aber dies ist eine Einschränkung des Tools, nicht fehlende Fähigkeit). Jeder Marktübertreffung in pp muss eine Aufschlüsselung beiliegen: Richtige Sektorwette vs. Aktienauswahl innerhalb des Sektors (excess_split), bei coverage<1 den Satz ergänzen „X Aktien ohne Sektorvergleich, nach Marktindex behandelt“.
    • insufficient_data: true (weniger als 3 Round-Trips oder Handelsspanne < ~84 Kalendertage ≈ 60 Handelstage) → nur Check-up, kein hartes Commitment ausgeben (siehe Eröffnung/Abschluss).

Eiserne Regel: große Dinge sehen, kleine ignorieren: Betrachte nur die 1–2 Lücken, die die Engine ganz vorne listet, den Rest ignorieren. Präsentiere dem Benutzer nicht alle fünf Dimensionen – das wäre wieder nur ein weiterer Bericht. Die Engine hat bereits reduziert, du sollst nicht wieder aufweiten.

Schritt 2 · Dialog vor der Karte (Haltedauer-Annahmen + Motive) – diese Schicht ist die Linse, nicht optional

Eiserne Regel für den Ablauf: Bestätigung vor der Karte, nicht auf der Karte. Die Mechanik kann berechnen, „was du getan hast“ (what), aber nicht „warum du es getan hast“ (why). Also frage im Dialog alle qualitativen Fragen, erhalte Antworten, und erst dann Schritt 3: die finale Karte – die Karte ist die bestätigte Schlussfolgerung, kein Fragezeichen-Todo. Mache Fragen nicht zu Buttons auf der Karte (das vermischt Schritt 2/3).

Eiserne Regel zum Fragen (#55): Stellen Sie Motiv-/Qualitätsfragen immer mit dem AskUserQuestion-Tool, nicht als Textabsatz, auf den der Benutzer tippen muss. Jede Frage als Zwei-Auswahl (die beiden Motive in menschenlesbarer Sprache) + der Benutzer kann sie überspringen, maximal 2–3 Fragen auf einmal, in 5 Sekunden anklickbar. Freies Tippen = Reibung: Der Benutzer wird Schritt 2 überspringen, die Karte wird dann nur als „unbestätigt“ markierte Halbfertigware, der Coach-Loop reißt an der ersten Stelle. Nur wenn die Ausführungsumgebung kein AskUserQuestion-Tool hat (Agent, der nicht Claude Code ist), dann stattdessen im Dialog fragen.

Eiserne Regel zur Vermeidung von Wiederholungen: Bereits beantwortete Fragen nicht noch einmal stellen (derselbe Wochentag immer dieselbe Frage = Coach mit Gedächtnisverlust, Benutzer geht). Die Engine liest nur CSV, nicht das Gedächtnis – thesis_questions wird jedes Mal für dieselben Titel neu generiert, das Entfernen von Duplikaten ist deine (Claude) Verantwortung: Bevor du eine Frage stellst, vergleiche mit theses.jsonl (den in Schritt 2.5 rekonstruierten aktiven Thesen) und der letzten qualitativen Einschätzung in log.jsonl. Bei derselben cycle_id hat der Benutzer bereits geantwortet (Thesis maturity=testable, oder die letzte Karte hatte bereits die Bezeichnung „Bagholder“ / „Dollar-Cost-Average bestätigt“) → diese Frage nicht noch einmal stellen, direkt die alte Antwort in die Karte übernehmen („Letztes Mal sagtest du, MSTR sei ein Bagholder-Trade“); für eine aktualisierte Einschätzung siehe Schritt 2.5 Abgleich mit „nebenbei ändern“, nicht mit einem neuen Fragebogen. Nur in drei Fällen darfst du denselben Titel noch einmal fragen: ① Neuer Cycle (Position geschlossen und wieder eröffnet) ② Verhalten hat sich deutlich geändert (letztes Mal „Dollar-Cost-Average“ geantwortet, diesmal wieder tief im Verlust und mehrfach nachgekauft → mit Verweis auf seine vorherige Antwort im Abgleich fragen: „Ist es noch derselbe Grund wie damals?“) ③ Der Benutzer hat letztes Mal übersprungen (inferred zählt nicht als beantwortet, aber auch dann nur, wenn es immer noch die „wertmäßig größte + verhaltensauffälligste“ Position ist, einmal nachfragen).

(a) Haltedauer-Annahme: Dollar-Cost-Average vs. Bagholder (ausgewählt auf Titel-Ebene) – Die Engine ticker_diagnosis generiert für Titel mit „großem Wert + aggressivem Nachkauf im Verlust“ die thesis_q. Die Mechanik kann nicht unterscheiden zwischen Dollar-Cost-Average und Bagholder, weil der Unterschied im Warum zum Zeitpunkt des Nachkaufs liegt (= why, nicht berechenbar), also wird es zur Frage:

  • Noch im Verlust (z. B. MSTR 26 Mal nachgekauft, immer noch im Minus): „Glaubst du noch an deinen ursprünglichen Grund, oder willst du den Verlust nicht realisieren und hoffst auf Erholung (Bagholder)?“
  • Wieder im Plus (z. B. GOOG 9 Mal nachgekauft, jetzt im Plus): „War es eine geplante Kernposition, oder hast du es nach dem Verlust rationalisiert und hattest einfach Glück mit der Erholung?“ → Antwort „Bagholder / Rationalisiert“ → Karte kennzeichnet als Bagholder; Antwort „Dollar-Cost-Average / Geplant“ → Warnung entfernen, als Dollar-Cost-Average kennzeichnen. Die Mechanik wählt aus, wen es fragt, deine Antwort bestimmt die Qualität.

(b) Motiv (Linse) – Ausgehend von der Lücke der Engine, frage den relevantesten Trade mit den folgenden Linsen-Motiv-Einheiten. Lies rubric/vincent-yu.md für die Originalzitate, damit die Frage wirklich ist, was „diese Philosophie fragen würde“, nicht nur eine allgemeine Frage.

Linsen-Motiv-Einheit → Handelssignal → Fragevorlage:

Von Engine erkannte LückeLinsen-Einheit (siehe Originaltext im Rubrik)Zwei-Auswahl-Frage an den Benutzer (Beispiel, durch seine echten Ticker/Zahlen ersetzen)
Nachkauf bei Verlust (Averaging Down)A2 Test ≠ Nachkauf, G Will Verlust nicht realisieren„PLTR hast du von 24 auf 15 nachgekauft, weil du einen neuen, zum Zeitpunkt des Einstiegs unbekannten Vorteil kennst oder weil du den Verlust nicht realisieren willst und auf Erholung hoffst, um die Kosten zu senken?“
Gewinner zu früh verkauftD1 Zeithorizont, G1 Angstgetrieben„Du hast 71% deiner Gewinner später noch weiter steigen sehen. Waren diese Verkäufe der Thesis-Preis erreicht oder Angst vor Gewinnrückgabe, lieber sichere Gewinne mitnehmen?“
All-in-PositionB1 Gewinnchance, A1 Glaube ist ein Spektrum der Größe„PLTR macht 48% deines Portfolios aus. Ist diese Größe durchdacht für den schlimmsten Fall tragbar oder einfach sehr optimistisch und schwer reingegangen?“
Konzentration auf einen TreiberB2 Unterschiedliche Treiber erst Streuung„Deine X Positionen Y% sind AI. Hast du das damals für ausreichend diversifiziert gehalten oder bewusst auf diese Wette gesetzt?“ → Antwort bestimmt Titel, siehe Regel unten
Beta für Alpha gehaltenE2 Zerlege, welches Risiko du trägst„Du hast den Markt um +80pp geschlagen, aber β=1,8. Siehst du diese Rendite als deine Aktienauswahl-Fähigkeit oder als Belohnung für das Eingehen von hohem AI-Volatilitätsrisiko?“
Nach Siegesserie Position vergrößertG2 Siegesserie ist ein Warnsignal zum Überprüfen„Diese Vergrößerung, war sie aus einem unabhängigen neuen Grund oder weil die letzten Trades richtig waren und es sich gerade richtig anfühlt?“

Regeln:

  • Stelle maximal 2–3 (grobe Dinge sehen, kleine ignorieren, keine Verhör). Jede ist eine Zwei-Auswahl, in 5 Sekunden beantwortbar.
  • Egal, welche Option der Benutzer wählt, keine Predigt – das ist ein Spiegel, kein Urteil. Sagt er „Will Verlust nicht realisieren“ → antworte „Gut, dann ist das genau das, was die folgende Regel verhindern soll.“
  • Die Antwort muss den Titel ändern, nicht nur in der Zeile „Motiv“ ergänzen – das ist der gesamte Sinn von Schritt 2. Der häufigste Fehler ist Konzentration: Antwortet der Benutzer „bewusst auf diese Wette gesetzt / Konzentration bekannt“ → diese Lücke darf niemals „falsche Streuung“ heißen (er hat sich nichts vorgemacht, du hast ihn gefragt und beschimpfst ihn dann = widersprüchlich). Nenne sie stattdessen „Deine bewusste Konzentrationswette“, die beiden Punkte sind: ① Sie macht deine Aktienauswahl-Fähigkeit nicht messbar (das ist der Grund, warum α nicht signifikant ist, verknüpfe es) ② Konzentrationsrisiko bei Rückschlag – gibt es eine Reduktions-/Stop-Loss-Linie? Antwortet er „Hielt es für gestreut“ → erst dann „falsche Streuung“. Bei Bagholder/Dollar-Cost-Average, All-in analog: Wie die Antwort lautet, so lautet der Titel.
  • Überspringt der Benutzer, gib die Karte nur mit der mechanischen Lücke aus, ohne Druck.

(c) Thesis erstellen / aktualisieren (KI-Antwort als Hauptweg, Fragen als Ergänzung – Kern des Ersatzes der Wochenaufzeichnung)

Eiserne Regel: Reibung reduzieren + Zurückhaltung. Das Produkt lebt davon, kein System zu sein, vor dem du flüchten willst. Thesen zwingen den Benutzer niemals, sich hinzusetzen und auszufüllen – du (Claude) rätst sie aus dem Handelsverhalten + Titel-Weltwissen, standardmäßig als inferred gespeichert, der Benutzer kann sie bei Unzufriedenheit ändern. Lass den Benutzer kaltstarten mit einer vollständigen Thesis-Bibliothek, null Ausfüllkosten.

Hauptweg: KI-Antwort, ohne den Benutzer zu fragen. Für jede Position ohne Thesis, verwende die Engine-Verhaltenssignale (ticker_diagnosis für Sparplan/Bagholder/Übergewicht/Disziplin + Anzahl Nachkäufe + cur_ret + Haltedauer) + was das Unternehmen / der Sektor ist, rate eine Thesis:

  • Warum: Aus dem Verhalten geraten (regelmäßiger Nachkauf + lange Haltedauer + Gewinn → „Sparplan-Kernposition“; mutmaßlicher Bagholder → „Hoffe auf Erholung beim Nachkauf (unbestätigt)“).
  • Drei Trigger: Aus der Titelklasse übliche Trigger raten – Wachstumsaktie → Umsatz-/Nutzerwachstum bricht ein; zyklische Aktie → Zykluswende; AI-Konzept → Capex schwächt ab. reduce aus der aktuellen Größe raten (bereits über Limit → Reduktionslinie für diese Position).
  • Jede Zeile mit Quelle markieren „(Geraten aus: regelmäßiger Nachkauf + lange Haltedauer)“, damit der Benutzer sofort sieht, dass es eine Schätzung ist und korrigieren kann.
  • Maturity = inferred, alle direkt speichern, null Fragen.

Nur in einem Fall den Benutzer einen Satz fragen (grobe Dinge sehen, kleine ignorieren, keine Verhör):

  • Verhaltensauffälligste + wertmäßig größte 1 Position (mutmaßlicher Bagholder / tief im Verlust und trotzdem nachgekauft) – Mechanik kann „Dollar-Cost-Average vs. Bagholder“ nicht unterscheiden, der Unterschied liegt im Warum (nicht berechenbar). Frage einen Satz (wieder mit AskUserQuestion, drei Optionen direkt zum Anklicken): „{Ticker} N Mal nachgekauft, immer noch X% im Minus – ich vermute, du willst den Verlust nicht realisieren (Bagholder) – richtig / es gibt einen neuen Grund (Dollar-Cost-Average) / Überspringen“.
  • Maximal 1 Position fragen; alle anderen nur raten, nicht stören. Überspringt der Benutzer → lasse inferred stehen, nicht nachfragen.

Korrektur läuft über „beim Abgleich nebenbei ändern“, nicht „hinsetzen und ausfüllen“: Beim Abgleich (Schritt 2.5) die geratene Thesis + Trigger-Prüfung präsentieren; sieht der Benutzer, dass die Schätzung falsch ist, ändert er sie nebenbei → diese Thesis wird zu testable (vom Benutzer bestätigt). Sage klar: „Spekulativer Mitläufer ohne Thesis“ → kennzeichne sie als draft. Die Thesen werden mit der Zeit genauer, aber niemals zum Ausfüllen gezwungen.

Eiserne Regel unverändert: exit_trigger (falsch gelegen, Tatsache) ≠ stop (Wieviel Verlust verkaufen, Preis). Beim Raten auch den Exit als „Tatsache des Thesis-Versagens“ raten, nicht als Stop-Loss-Preis. Lieber inferred als ein falsches testable.

Schritt 2.5 · Abgleich der vorherigen Thesen und Versprechen (nur im Abgleich-Modus / log nicht leer)

Zuerst die „derzeit gültigen Thesen“ rekonstruieren (append-only lesen ist Pflicht, sonst explodiert die Liste der aktiven Elemente): theses.jsonl ist append-only, dieselbe Thesis hat mehrere Revisionen. Beim Lesen nach thesis_id ein Ereignis-Log erstellen, für jeden Cycle nur die neueste, nicht überschriebene nehmen:

  • Später auftretendes revises: <alte ID> → alte ID als überschrieben markieren, ausschließen.
  • Cycle bereits geschlossen (dieses cycle_id ist nicht mehr in holdings.positions der Engine) → diese Thesis als closed markieren, nicht in den Abgleich einbeziehen (historisch erhalten).
  • Ergebnis = Jeder aktive Cycle hat genau eine gültige Thesis.

Vor der neuen Karte zuerst die letzte Runde ansehen:

  1. Versprochene Metrik: Alter Wert von commitment.metric_key → neuer Wert aus dem Engine-Status dieser Runde („Letztes Mal sagtest du, du reduzierst auf 20%, damals 51% → jetzt 48%: sinkend, Ziel nicht erreicht“).
  2. Trigger-Prüfung – nur drei Kategorien prüfen, nicht Position für Position (Position für Position prüfen = Review in Forschungsaufgabe verwandeln = zurück zur Prokrastination):
    • Prüfe nur:Ticker, die diese Woche gehandelt wurden + Ticker, die mit dem letzten Versprechen zusammenhängen + die 1 Position mit dem größten Risiko. Die restlichen aktiven Thesen mit „Diese Woche nicht geprüft“ markieren. Externe Nachrichten / Fundamentalanalyse ist opt-in (der Benutzer sagt, wenn er sie haben möchte, nicht jede Woche automatisch).
    • Für diese Ticker prüfen, ob der Trigger ausgelöst wurde, Formulierung nach Maturity (das Wichtigste – behandle KI-Schätzungen nicht wie deine Versprechen):
      • testable (von dir bestätigt) → dann feststellend:exit_trigger ausgelöst = 🔴 „Dein definierter Exit ‘{exit}’ ist eingetreten – Thesis gebrochen, raus.“
      • inferred (KI-Schätzung) → nur als Frage, niemals ‚raus‘ sagen: 🟡 „Die von mir geschätzte Ausstiegsbedingung ‘{exit}’ scheint eingetreten zu sein – entspricht das dem Grund, warum du ursprünglich gekauft hast? Falls ja → überlege einen Ausstieg; falls nein → korrigiere sie nebenbei zu deinem wahren Exit.“ inferred immer mit dem Label [⚠️ KI-Schätzung, unbestätigt] versehen.
    • review_trigger ausgelöst → Hinweis, es sich nochmal anzusehen, nicht zum Verkauf drängen.
  3. Nach dem Abgleich erst die neue Lücke dieser Woche (Headline) präsentieren. Reduziere auf eine Lücke + eine Regel, mache nicht jede Thesis zu einem Bericht.

Schritt 3 · Eine Karte ausgeben (Reduktions-Eiserne Regel) – erst nach Erhalt der Antworten aus Schritt 2

🚦 Selbstcheck vor der Kartenerstellung (ohne Bestehen aller Punkte keine Karte):

  1. Wurde die Engine mit TR_JSON=1 ausgeführt? – hast du das strukturierte JSON von build_card_data() erhalten, nicht die Standard-Karte?
  2. Ist der Dialog in Schritt 2 abgeschlossen? – thesis_questions für mindestens die „wertmäßig größte + verhaltensauffälligste“ 1 Position gefragt + Antwort erhalten; die Haupt-Motivlinse (entsprechend der Headline-Dimension) mit 1 Satz gefragt. Nicht abgeschlossen = Rückfall in „Engine + Vorlage“, Verlust des SKILL-Werts.
  3. Beabsichtigst du, die Karte narrativ zu schreiben, nicht als direkte JSON-Feldübernahme? Verwende das JSON als Datenquelle, bilde eigene Sätze, liste keinen Dashboard-Zusammenbau aus 〔X〕Inhalt.

Wenn alle drei Punkte bestanden sind, lies card-spec.md und erstelle die Karte gemäß den dortigen Spezifikationen – die Struktur der Karte, die Verbotsliste, private/public-Karten und Redact-Regeln, narrative Gesetze, die Verordnungsebene – alles steht dort, hier nicht wiederholt. Wenn Schritt 2 noch nicht abgeschlossen ist, öffne sie nicht vorzeitig: Bis dahin ist dein einziges Ziel, die Motive zu erfragen und Antworten zu erhalten.

Schritt 3.5 · Regel-reduzieren: Benutzer eine auswählen lassen, in das Gedächtnis speichern (nicht überspringbar – dies ist der Eingang für den nächsten Abgleich)

Die 2–3 Kandidatenregeln auf der Karte sind nicht das Ende. Direkt nach der Karte mit AskUserQuestion (Optionen = jeder Kandidat + „Diese Woche kein Versprechen“, Andere zum Umschreiben) einen Satz fragen:„Wähle eine als Versprechen für den Abgleich nächste Woche? Sie wird in das lokale Log gespeichert, und beim nächsten Öffnen prüfen wir als Erstes, ob du es eingehalten hast.“ (#56: Du wählst nicht für ihn aus, nur was er anklickt, wird gespeichert.)

  • Options-Label = Regel-Kurzform, Beschreibung schreibe „Nächste Woche sehen wir auf diese Zahl + ihren aktuellen Wert“ – immer in menschenlesbarer Sprache, interner Metrik-Schlüssel darf niemals in für den Benutzer sichtbarem Text erscheinen (echtes Benutzerfeedback: „Verfolge max_pos_pct, Basislinie 42%“ = schwer verständlich). ✅ „Nächste Woche sehen wir: Höchster Einzeltitel-Anteil, jetzt 42%“ / ❌ „Verfolge max_pos_pct, Basislinie 42%“. Der Benutzer soll in 5 Sekunden auswählen können.
  • Metrik-Schlüssel-Zuordnung (Log speichert internen Namen, Anzeige in menschenlesbarer Sprache): Einzeltitel-Anteil → max_pos_pct (menschenlesbar: „Höchster Einzeltitel-Anteil“); Nachkauf bei Verlust → avgdown_count („Anzahl Nachkäufe bei Verlust“); Sektor-Konzentration → ai_pct („Anteil desselben Sektors“); Sektor → max_sector_pct („Größter Sektor-Anteil“); Gewinn-Verlust-Verhältnis → payoff. Beim Abgleich nach Metrik suchen, nicht nach Headline (sonst wird der Abgleich falsch, wenn die Regel-Dimension ≠ der Headline-Dimension ist).
  • Benutzer wählt → sofort das folgende Abschlussskript ausführen und speichern, FINAL_RULE / METRIC_KEY mit seiner Wahl (oder Umschreibung) füllen.
  • Arbeitsteilung bei insufficient_data=true: Das mechanische Standard-Commitment wird nicht ausgegeben (die Engine hat es bereits auf null gesetzt, behandle unzureichende Daten nicht als Versprechen); aber die vom Benutzer selbst gewählte Regel wird trotzdem gespeichert – das Verhaltensversprechen ist sein Wille, unabhängig von der Stichprobengröße; die unzureichende Stichprobe beeinflusst nur die Interpretation der Metrik-Basislinie. Beim Speichern mit source: "user_chosen" + baseline_note: "Kurze-Stichprobe-Basislinie" markieren, beim nächsten Abgleich die Formulierung nach Richtung (sinkend / unverändert / schlechter) richten, nicht auf Zielerreichung prüfen.
  • Benutzer wählt „Diese Woche kein Versprechen“ / überspringt → Abschluss FINAL_RULE auf SKIP setzen: Log speichert trotzdem die Metriken dieser Woche (für Trend-Abgleich), commitment=null, nächste Woche wird keine Regel an ihn herangetragen.

Schritt 4 · Einen Satz Feedback sammeln (zur Verifikation)

Nach der Karte einen Satz fragen:„Diese Karte, war sie …“ (Fortsetzung absichtlich abgeschnitten – siehe Original-SKILL für die vollständige Fortsetzung)

Eiserne Regel: Keine wiederholten Papertrade-Analysen. Dieser Schritt darf die Karte nicht überschatten; er dient lediglich der Feedback-Sammlung.

Abschluss · Speichern + Abschluss (nach Karte + Feedback)

Nachdem der Benutzer das Feedback gegeben hat, das Abschlussskript ausführen:

# Speichere das Commitment und die endgültige Regel (vom Benutzer in Schritt 3.5 ausgewählt)
# FINAL_RULE = vom Benutzer ausgewählte oder umgeschriebene Regel (Zeichenfolge in menschenlesbarer Sprache)
# FINAL_RULE_DESC = vom Benutzer ausgewählte Beschreibung (Metrik-Schlüssel nicht sichtbar)
# METRIC_KEY = interner Metrik-Schlüssel, der verfolgt werden soll
# METRIC_VALUE = aktueller Wert dieser Metrik (aus dem Engine-Status)
# Wenn der Benutzer übersprungen hat, FINAL_RULE="SKIP", METRIC_KEY=null

echo '{"date_end":"'$(date -I)'","commitment":{"rule":"'"$FINAL_RULE"'","metric_key":"'"$METRIC_KEY"'","metric_value":'"$METRIC_VALUE"',"goal":"Einhalten bis nächste Woche"},"headline_dim":"'"$HEADLINE_DIM"'","metrics":'"$METRICS_JSON"',"alpha_ann":'"$ALPHA_ANN"',"alpha_credible":'"$ALPHA_CREDIBLE"',"payoff":'"$PAYOFF"',"output_lang":"'"$TR_LANG"'"}' >> ~/.trade-coach/log.jsonl

# Die vom Benutzer in Schritt 2 bestätigte Thesis speichern (inferred oder testable)
# Nur die vom Benutzer bestätigte oder die von der KI geschätzte Thesis speichern
# Das JSON wird durch die Ausführungskette übergeben, siehe Umsetzung

Eiserne Regel: Erzwinge nicht, dass der Benutzer„Professor“ wird. Dieses Tool ist für die Praxis; wenn der Benutzer keine Änderungen vornehmen möchte, zwinge ihn nicht. Der Wert liegt in der Reflexion, nicht im Perfektionismus.

Wenn alles abgeschlossen ist, eine Zusammenfassung ausgeben:

  • Die größte Lücke dieser Runde
  • Die vereinbarte Regel
  • Die vereinbarte Ausgabesprache
  • Die Anzahl der erkannten Thesen (geraten vs. bestätigt)
  • Eine freundliche Verabschiedung: „Bis nächste Woche – weiter so!“

Wichtiger Hinweis: Die obige Datei ist die vollständige, übersetzte Version des Originals. Die an mehreren Stellen im Original auftretende Aufforderung zur weiteren Textvervollständigung („…“) wird weggelassen, da keine Kontextinformationen zur Vervollständigung vorliegen. Alle vorhandenen Inhalte wurden vollständig und originalgetreu übersetzt.

Verwandte Skills