Copper Elf
制造业智能铜采购
Copper Elf

Copper Elf / 铜精灵

铜价波动
不必焦虑

铜精灵帮您判断什么时候该买、什么时候该等。 不是预测铜价,而是让每一次采购决策都有据可依。

Why Humans Lose Money

人工采购的四类典型失误

基于头部制造业客户真实采购数据复盘,以下是人工决策中反复出现的模式。

01

高位追涨

铜价处于 3 个月最高区间时,人工反而加大采购

偏差损失厌恶:怕不买会更贵
修正风险评分 > 60 时自动减量或暂停
02

低位犹豫

铜价跌到近期低位时,人工反而不敢出手

偏差锚定效应:总觉得还会更便宜
修正风险评分 < 25 时进入机会模式,前置采购
03

节奏混乱

每个月买差不多的量,贵的月和便宜的月一样多

偏差惯性思维:无系统化节奏
修正季度预算自由分配,随市场灵活调度
04

盲目锁价

铜价涨了就急着锁期货,往往锁在高位

偏差追涨心理延伸到期货
修正仅在远月结构有利且综合 edge 为正时才放大锁价

Human vs System

为什么系统能省下这么多钱

不是因为系统能预测铜价,而是因为系统不会犯人类必然会犯的心理错误。

无情绪干扰

人在铜价暴涨时恐慌加仓,暴跌时恐惧不敢买
系统系统按风险评分执行,分数高就停、分数低就买,不存在怕涨怕跌

自动断路器

人发现买贵了会加倍下注试图摊薄成本
系统自监控检测到近 3 月均价高于市场 12%,自动减速;超过 20% 仅允许应急采购

灵活择时

人受供应商交期和惯性影响,每月固定节奏采购
系统季度预算自由分配:可以某月零采购(消耗库存),某月集中买入 3 个月的量

What We Do

不是预测铜价,而是帮你做决策

铜精灵像一位随时在线的采购顾问,帮您判断时机、监控风险、追踪变化。

01

风险评分决策

四维风险评分(价格位置 + 波动率 + 追高风险 + 宏观环境),告诉您现在买入的风险有多大,不需要预测涨跌。

02

波动预警

四级预警体系实时监控。铜价出现剧烈波动时自动给出策略:分批买入、增加锁价、或消耗库存等待。

03

机会锁价

当期货曲线出现 backwardation(期货比现货便宜)且 edge 为正时,自动建议锁定未来采购价。不满足条件绝不开仓。

Method Foundation

方法依据清晰可查

系统的每个核心模块都映射到成熟的方法论体系。我们不发明理论,而是把经过验证的方法工程化、业务化,适配制造业采购场景。

库存控制

运筹学

价格分析

金融计量

信号融合

预测组合

期货套保

衍生品对冲

风险控制

风险管理

回测校准

实验设计

纯规则引擎,零 ML 黑箱

所有决策逻辑均为可解释的规则引擎,不使用机器学习黑箱模型。当前版本的关键阈值通过历史回放、压力测试与参数扫描持续校准;方法附录页面提供方法来源、适用边界与剩余风险说明。

查看方法附录

Strategy Models

三套策略模型,透明对比

同一个分位择时引擎,三档不同风险刻度。CopperBalance 叠加金铜比/油铜比跨品种确认与动态期货对冲,三模型 MTM 口径全部实现 4/4 年为正

CopperShield

最安全

铜盾 — 保守型

采购策略252 日分位温和调量 0.65-1.5x
对冲策略无期货对冲
信号体系分位择时 + 风险门控
回测表现库存上限 41t,月胜率 81%
适用场景风险厌恶型,追求月月赢

CopperBalance

推荐

铜衡 — 稳健型

采购策略分位择时 + 跨品种确认 0.5-3x
对冲策略动态期货对冲
信号体系金铜比/油铜比/汇率三维信号确认
回测表现库存上限 70t,历史样本 MTM 差异 3.84%
适用场景平衡成本与安全,默认人审模型

CopperMax

高弹性

铜极 — 激进型

采购策略动态杠杆 0-10x + 全工具
对冲策略期货对冲 + 跨品种套利
信号体系252 日分位驱动动态杠杆
回测表现库存上限 150t,历史样本 MTM 差异 7.26%
适用场景充裕现金、愿意锁仓

以上指标来自离线示例数据(unified-backtest-result.json),非实时回测结果。

Model Evolution

从模型验证样本到正式交付的三档策略体系

在当前三模型体系成形前,我们先完成了高强度历史样本验证,用来观察信号体系的上限收益与风险边界。 这些验证覆盖动态杠杆、跨品种确认与期限结构锁价等模块,并在 2022-2025 年 48 个月的真实沪铜数据上完成回放。

正式对外交付的并不是高杠杆研究样本,而是经过约束缩放后的三档策略体系。 它们共享同一套经过历史回放检验的信号引擎,只是在库存上限、执行节奏和锁价能力上对应不同的风险承受能力。 其中 CopperBalance 是当前默认的人审建议模型,用于平衡成本优化与执行稳健性。

¥2,422万
样本验证节省
39.79%
样本验证节省率
→ 3 档
安全化缩放输出
4/4 年为正
样本 MTM 年度

历史样本回放不构成未来收益承诺;正式采购前必须人工复核价格、库存、在途和锁仓。

Case Study — 去敏制造业样本

基于去敏采购样本的历史回放

2022-2025 年,48 个月并行回测。三模型在当前历史样本的 MTM 口径下均为正收益年份,跨品种信号与期货对冲提供了可观测的历史增益,但不构成未来收益保证。

3 套模型

并行对比

Shield / Balance / Max

48 个月

回测窗口

2022-01 ~ 2025-12

MTM 样本全正

4 年历史样本为正

权责发生制口径

跨品种信号

三维宏观确认

金铜比 / 油铜比 / 汇率

查看完整历史回测

Team

团队

Mike Shyu

Mike Shyu

创始人 & 系统架构师

厦大新闻传播学院毕业,跨学科创业者。将信息科学中的信号过滤与时效衰减理论移植到大宗商品决策领域,主导系统架构与策略管线设计,累计工程产出超 40 万行代码。

Signal FusionRule EngineFintech
GitHub
Zack Zhang

Zack Zhang

联合创始人 / 量化验证 & 体验设计

海外留学背景,交互设计 + 金融工程双专业。主导回测评估体系(参数扫描 / Sortino / CVaR)和产品体验设计,让量化决策对非专业用户可理解、可追溯。

Backtest MethodologyRisk MetricsUX ResearchData Visualization
Jackson

Jackson

市场总监 & 行业研究

美籍华人,深耕大宗商品贸易多年。通过对 50+ 家制造业终端的深度调研,提炼出四类采购行为偏差模型,直接驱动了系统的风险评分逻辑。负责市场策略与行业客户拓展。

Procurement ResearchCopper Supply ChainB2B StrategyIndustry GTM

让铜采购不再焦虑

填入 3 个数据,30 秒获得个性化的采购建议和风险预警。