引言：为什么《聪明的投资者》是投资领域的圣经
本杰明·格雷厄姆（Benjamin Graham）于1949年首次出版的《聪明的投资者》被誉为投资界的圣经，沃伦·巴菲特曾称其为”有史以来最伟大的投资著作”。这本书的核心思想不是教你如何快速致富，而是如何在市场波动中保护本金并获得合理的回报。
在当今充满不确定性的市场环境中，格雷厄姆的智慧显得尤为珍贵。本文将深入解读这本书的核心理念，并提供实战指南，帮助投资者在市场波动中寻找价值并规避风险。
第一章：投资与投机的根本区别
核心概念：投资与投机
格雷厄姆在开篇就明确区分了投资与投机：
- 投资：经过深入分析，承诺本金安全，并获得满意回报的行为
- 投机：没有深入分析，期望通过市场波动获利的行为
实战应用：如何识别自己的行为
例子： 假设你买入某只股票，是因为：
- ✅ 投资：你分析了公司过去10年的财务报表，发现其市盈率低于行业平均，且有稳定的现金流和分红历史
- ❌ 投机：你听说这只股票”有内幕消息”，或者看到它最近涨了很多，担心错过机会
代码示例：投资决策检查清单
def is_investment_decision(stock_data):
"""
投资决策检查函数
"""
checks = {
'fundamental_analysis': stock_data.get('has_fundamental_analysis', False),
'margin_of_safety': stock_data.get('price_to_intrinsic_value', 1) < 0.8,
'capital_preservation': stock_data.get('debt_to_equity', 1) < 0.5,
'reasonable_return': stock_data.get('expected_return', 0) > 0.1
}
if all(checks.values()):
return "这是一个投资决策"
else:
return "这可能是一个投机行为"
# 示例数据
stock_example = {
'has_fundamental_analysis': True,
'price_to_intrinsic_value': 0.7,
'debt_to_equity': 0.3,
'expected_return': 0.15
}
print(is_investment_decision(stock_example))
第二章：防御型投资者的策略
核心理念：安全第一
格雷厄姆为防御型投资者（没有时间或专业知识深入研究的投资者）提供了简单有效的策略。
实战策略：50/50资产配置
具体操作：
- 将资金平均分配在股票和债券上
- 当股票上涨导致比例变为60/40时，卖出股票买入债券
- 当股票下跌导致比例变为40/60时，卖出债券买入股票
代码示例：资产再平衡计算器
class AssetRebalancer:
def __init__(self, stock_value, bond_value, target_ratio=0.5):
self.stock_value = stock_value
self.bond_value = bond_value
self.target_ratio = target_ratio
def calculate_current_ratio(self):
total = self.stock_value + self.bond_value
return self.stock_value / total
def get_rebalance_plan(self):
current_ratio = self.calculate_current_ratio()
total_value = self.stock_value + self.bond_value
if current_ratio > self.target_ratio:
# 股票过多，需要卖出
target_stock = total_value * self.target_ratio
sell_amount = self.stock_value - target_stock
return f"卖出 {sell_amount:.2f} 股票，买入债券"
elif current_ratio < self.target_ratio:
# 股票过少，需要买入
target_stock = total_value * self.target_ratio
buy_amount = target_stock - self.stock_value
return f"卖出 {buy_amount:.2f} 债券，买入股票"
else:
return "无需调整"
# 示例：一年后资产变化
portfolio = AssetRebalancer(stock_value=60000, bond_value=40000)
print(f"当前股票比例: {portfolio.calculate_current_ratio():.2%}")
print(portfolio.get_rebalance_plan())
实战策略：美元成本平均法（DCA）
原理： 定期定额投资，自动实现低买高卖
例子： 每月投资1000元购买指数基金，无论市场涨跌
- 市场高点：1000元买较少份额
- 市场低点：1000元买较多份额
- 长期平均成本会低于市场平均价格
代码示例：DCA模拟器
def dca_simulation(prices, investment_per_period):
"""
模拟美元成本平均法
"""
shares = 0
total_invested = 0
for i, price in enumerate(prices, 1):
shares_bought = investment_per_period / price
shares += shares_bought
total_invested += investment_per_period
avg_cost = total_invested / shares
print(f"第{i}个月 - 价格: {price:.2f}, 买入份额: {shares_bought:.2f}, "
f"总份额: {shares:.2f}, 平均成本: {avg_cost:.2f}")
# 模拟价格波动
prices = [100, 110, 95, 85, 90, 105, 115, 120, 110, 100]
dca_simulation(prices, 1000)
第三章：积极型投资者的策略
核心理念：主动寻找价值
积极型投资者愿意投入更多时间研究，寻找被市场低估的机会。
实战策略：寻找净流动资产价值（NCAV）股票
NCAV公式： 流动资产 - 总负债
筛选标准：
- 市值 < NCAV的2/3
- 流动资产 > 总负债
- 正的过去10年利润记录
代码示例：NCAV筛选器
class NCAVStockScreener:
def __init__(self, stock_data):
self.stock_data = stock_data
def calculate_ncav(self):
"""计算净流动资产价值"""
return self.stock_data['current_assets'] - self.stock_data['total_liabilities']
def is_undervalued(self):
"""判断是否被低估"""
nav = self.calculate_ncav()
market_cap = self.stock_data['market_cap']
return market_cap < (nav * 0.67)
def passes_screen(self):
"""完整筛选"""
if not self.stock_data.get('positive_net_income_10_years', False):
return False, "过去10年不是持续盈利"
if not self.is_undervalued():
return False, "市值未低于NCAV的2/3"
if self.stock_data['current_assets'] <= self.stock_data['total_liabilities']:
return False, "流动资产不足覆盖总负债"
return True, "通过筛选"
# 示例数据
stock_data = {
'current_assets': 10000000,
'total_liabilities': 5000000,
'market_cap': 3000000,
'positive_net_income_10_years': True
}
screener = NCAVStockScreener(stock_data)
passed, reason = screener.passes_screen()
print(f"筛选结果: {passed}, 原因: {reason}")
实战策略：寻找低市盈率、高股息股票
筛选标准：
- 市盈率 < 15
- 股息率 > 3%
- 债务权益比 < 0.5
- 过去10年利润稳定增长
代码示例：综合筛选器
def value_stock_screen(stock):
"""
价值股筛选器
"""
criteria = {
'low_pe': stock['pe_ratio'] < 15,
'high_dividend': stock['dividend_yield'] > 0.03,
'low_debt': stock['debt_to_equity'] < 0.5,
'stable_growth': stock['earnings_growth_10yr'] > 0,
'consistent_dividend': stock['dividend_history_years'] >= 5
}
passed = all(criteria.values())
failed_criteria = [k for k, v in criteria.items() if not v]
return passed, failed_criteria
# 示例股票
stock_a = {
'pe_ratio': 12,
'dividend_yield': 0.04,
'debt_to_equity': 0.3,
'earnings_growth_10yr': 0.05,
'dividend_history_years': 10
}
passed, failed = value_stock_screen(stock_a)
print(f"股票A筛选结果: {'通过' if passed else '未通过'}")
if failed:
print(f"未通过标准: {failed}")
第四章：市场波动中的心理控制
核心理念：市场先生（Mr. Market）
格雷厄姆用”市场先生”的比喻来描述市场情绪：
- 市场先生每天给你报价，有时乐观，有时悲观
- 你可以忽略他的报价，也可以利用他的情绪
- 关键：不要被市场先生的情绪影响你的判断
实战策略：建立投资纪律
1. 制定书面投资政策声明
def create_investment_policy():
"""
创建投资政策声明模板
"""
policy = {
'investment_objective': '资本保值 + 合理回报',
'risk_tolerance': '中等',
'asset_allocation': {
'stocks': 0.5,
'bonds': 0.5
},
'rebalancing_threshold': 0.1, # 10%偏差时再平衡
'max_single_stock': 0.05, # 单只股票不超过5%
'buy_rules': [
'市盈率 < 15',
'债务权益比 < 0.5',
'过去10年持续盈利'
],
'sell_rules': [
'基本面恶化',
'价格超过内在价值50%',
'找到更好的投资机会'
]
}
return policy
investment_policy = create_investment_policy()
print("投资政策声明:", investment_policy)
2. 情绪检查清单 在每次交易前，问自己：
- 我是否因为恐惧或贪婪而交易？
- 我是否在市场恐慌时买入？
- 我是否在市场狂热时卖出？
- 我的决策是否基于数据而非情绪？
第五章：寻找价值的实战方法
方法一：定量筛选
步骤：
- 筛选低市盈率：P/E < 15
- 筛选低市净率：P/B < 1.5
- 筛选低负债：债务权益比 < 0.5
- 筛选正现金流：经营现金流 > 0
- 筛选稳定盈利：过去5年ROE > 10%
代码示例：完整筛选流程
import pandas as pd
class ValueInvestingScreener:
def __init__(self, stocks_df):
self.df = stocks_df
def screen(self):
"""完整价值投资筛选"""
# 1. 低市盈率
df = self.df[self.df['pe_ratio'] < 15]
# 2. 低市净率
df = df[df['pb_ratio'] < 1.5]
# 3. 低负债
df = df[df['debt_to_equity'] < 0.5]
# 4. 正现金流
df = df[df['operating_cash_flow'] > 0]
# 5. 稳定ROE
df = df[df['avg_roe_5yr'] > 0.10]
# 6. 市值大于NCAV
df = df[df['market_cap'] > df['ncav'] * 0.67]
return df
# 示例数据
data = {
'stock': ['A', 'B', 'C', 'D'],
'pe_ratio': [12, 25, 10, 8],
'pb_ratio': [1.2, 2.0, 0.8, 0.6],
'debt_to_equity': [0.3, 0.8, 0.2, 0.1],
'operating_cash_flow': [100, 150, 80, 50],
'avg_roe_5yr': [0.12, 0.15, 0.18, 0.20],
'market_cap': [1000, 2000, 500, 300],
'ncav': [800, 1500, 600, 400]
}
df = pd.DataFrame(data)
screener = ValueInvestingScreener(df)
results = screener.screen()
print("筛选结果:")
print(results)
方法二：定性分析
关键问题：
- 业务模式：公司是否容易理解？
- 竞争优势：是否有护城河？
- 管理层：是否诚实且有能力？
- 行业前景：行业是否在增长？
检查清单：
qualitative_checklist = {
'business_understandable': True, # 业务是否容易理解
'economic_moa': True, # 是否有经济护城河
'honest_management': True, # 管理层是否诚实
'consistent_policy': True, # 经营政策是否一致
'high_retention': True, # 盈利再投资能力
'dividend_history': True, # 稳定分红历史
'no_complex_accounting': True, # 财务不复杂
'no_frequent_issuance': True # 不频繁增发股票
}
def qualitative_analysis(company):
"""定性分析评估"""
score = sum(qualitative_checklist.values())
total = len(qualitative_checklist)
if score >= total * 0.8:
return "优秀"
elif score >= total * 0.6:
return "良好"
else:
return "需要谨慎"
第六章：规避风险的核心原则
原则一：安全边际（Margin of Safety）
核心思想： 用50美分买价值1美元的东西
实战应用：
- 内在价值估算：基于未来现金流折现
- 安全边际：市场价格 < 内在价值 × 0.7
- 分散投资：至少10-30只股票
代码示例：安全边际计算器
def calculate_margin_of_safety(current_price, intrinsic_value):
"""
计算安全边际
"""
mos = (intrinsic_value - current_price) / intrinsic_value
if mos > 0.3:
return f"安全边际: {mos:.1%} - 强烈推荐买入"
elif mos > 0:
return f"安全边际: {mos:.1%} - 可以考虑"
else:
return f"安全边际: {mos:.1%} - 风险过高"
# 示例
print(calculate_margin_of_safety(50, 100)) # 50%安全边际
print(calculate_margin_of_safety(80, 100)) # 20%安全边际
print(calculate_margin_of_surance(110, 100)) # -10%安全边际
原则二：分散投资
格雷厄姆建议：
- 防御型投资者：至少10只股票，最多30只
- 积极型投资者：至少30只股票
- 单只股票不超过总资金的5%
代码示例：投资组合构建器
class PortfolioBuilder:
def __init__(self, total_capital):
self.total_capital = total_capital
self.max_single = 0.05 # 5%上限
self.min_stocks = 10
self.max_stocks = 30
def calculate_position_size(self, stock_count):
"""计算每只股票投资额"""
if stock_count < self.min_stocks:
raise ValueError(f"至少需要{self.min_stocks}只股票")
if stock_count > self.max_stocks:
raise ValueError(f"最多{self.max_stocks}只股票")
position = self.total_capital / stock_count
if position / self.total_capital > self.max_single:
# 如果单只超过5%，按5%上限计算
position = self.total_capital * self.max_single
stock_count = int(self.total_capital / position)
return {
'position_size': position,
'stock_count': stock_count,
'total_used': position * stock_count
}
# 示例：10万元投资
portfolio = PortfolioBuilder(100000)
print(portfolio.calculate_position_size(20))
原则三：避免杠杆
格雷厄姆警告： 杠杆会放大损失，特别是在市场波动时
实战建议：
- 永远不要借钱投资
- 不使用融资融券
- 不投资复杂衍生品
第七章：市场周期与时机选择
核心理念：不要试图预测市场
格雷厄姆认为：
- 市场短期是投票机，长期是称重机
- 不要试图预测市场时机
- 专注于企业价值而非股价波动
实战策略：定期再平衡
代码示例：市场周期再平衡策略
def market_cycle_rebalance(current_stock_ratio, target_ratio=0.5, threshold=0.1):
"""
市场周期再平衡策略
"""
deviation = abs(current_stock_ratio - target_ratio)
if deviation > threshold:
if current_stock_ratio > target_ratio:
action = "卖出股票，买入债券"
amount = (current_stock_ratio - target_ratio) * 100
else:
action = "卖出债券，买入股票"
amount = (target_ratio - current_stock_ratio) * 100
return f"触发再平衡: {action} {amount:.1f}%"
else:
return "无需调整，保持现状"
# 模拟不同市场情况
scenarios = [0.3, 0.4, 0.5, 0.6, 0.7]
for ratio in scenarios:
print(f"股票比例 {ratio:.0%}: {market_cycle_rebalance(ratio)}")
第八章：实战案例分析
案例1：2008年金融危机
背景： 市场暴跌，优质股票被错杀
格雷厄姆策略应用：
- 保持冷静：市场先生恐慌时，你要理性
- 检查清单：用筛选器找出被低估的优质股
- 分批买入：每月投入，不一次性all in
- 安全边际：只买价格远低于内在价值的股票
代码示例：危机选股模拟
def crisis_stock_picker(market_data):
"""
危机中选股策略
"""
opportunities = []
for stock in market_data:
# 危机中标准可以适当放宽，但安全边际要更大
if (stock['pe_ratio'] < 10 and
stock['pb_ratio'] < 1.0 and
stock['debt_to_equity'] < 0.4 and
stock['price'] < stock['ncav'] * 0.5): # 更严格的安全边际
opportunities.append({
'symbol': stock['symbol'],
'price': stock['price'],
'mos': (stock['ncav'] - stock['price']) / stock['ncav']
})
return sorted(opportunities, key=lambda x: x['mos'], reverse=True)
# 模拟危机数据
crisis_data = [
{'symbol': 'AAA', 'pe_ratio': 8, 'pb_ratio': 0.8, 'debt_to_equity': 0.3,
'price': 50, 'ncav': 100},
{'symbol': 'BBB', 'pe_ratio': 12, 'pb_ratio': 1.2, 'debt_to_equity': 0.6,
'price': 80, 'ncav': 90}
]
print("危机中的机会:")
for opp in crisis_stock_picker(crisis_data):
print(f"{opp['symbol']}: 价格{opp['price']}, 安全边际{opp['mos']:.1%}")
案例2：科技股泡沫（2000年）
教训： 高估值股票的风险
格雷厄姆警告：
- 市盈率超过25-30倍的股票风险极高
- 没有盈利的公司不应投资
- “这次不一样”是最危险的四个字
第九章：现代应用与调整
适应现代市场的调整
1. 估值指标的调整
- 现代企业无形资产更多，PB估值可能需要调整
- 科技股可以使用PEG指标（市盈率/增长率）
- 考虑自由现金流折现（DCF）模型
2. 分散投资的扩展
- 考虑全球分散
- 加入房地产信托（REITs）
- 考虑大宗商品对冲通胀
3. 工具与数据
# 现代估值工具示例
class ModernValuation:
def __init__(self, stock_data):
self.data = stock_data
def calculate_intrinsic_value(self):
"""DCF估值"""
fcf = self.data['free_cash_flow']
growth = self.data['growth_rate']
years = 10
discount_rate = 0.09 # 9%要求回报率
# 简化DCF
future_value = 0
for i in range(1, years + 1):
future_fcf = fcf * (1 + growth) ** i
present_value = future_fcf / ((1 + discount_rate) ** i)
future_value += present_value
# 终值
terminal_value = (fcf * (1 + growth) ** years) / (discount_rate - growth)
terminal_pv = terminal_value / ((1 + discount_rate) ** years)
return future_value + terminal_pv
def is_undervalued(self):
"""判断是否低估"""
intrinsic = self.calculate_intrinsic_value()
margin = (intrinsic - self.data['market_price']) / intrinsic
return margin > 0.3 # 30%安全边际
# 示例
modern_stock = {
'free_cash_flow': 1000000,
'growth_rate': 0.05,
'market_price': 15000000
}
mv = ModernValuation(modern_stock)
print(f"内在价值: {mv.calculate_intrinsic_value():.0f}")
print(f"是否低估: {mv.is_undervalued()}")
第十章：完整的投资系统
构建你的投资系统
1. 准备阶段
class GrahamInvestmentSystem:
def __init__(self, capital):
self.capital = capital
self.portfolio = {}
self.policy = self.create_policy()
def create_policy(self):
return {
'type': 'defensive', # defensive or aggressive
'stock_ratio': 0.5,
'max_single': 0.05,
'min_stocks': 10,
'rebalance_threshold': 0.1,
'buy_rules': {
'pe_max': 15,
'pb_max': 1.5,
'debt_max': 0.5,
'mos_min': 0.3
}
}
def screen_stocks(self, universe):
"""筛选股票"""
if self.policy['type'] == 'defensive':
return self.defensive_screen(universe)
else:
return self.aggressive_screen(universe)
def defensive_screen(self, universe):
"""防御型筛选"""
screened = []
for stock in universe:
if (stock['pe_ratio'] < self.policy['buy_rules']['pe_max'] and
stock['pb_ratio'] < self.policy['buy_rules']['pb_max'] and
stock['debt_to_equity'] < self.policy['buy_rules']['debt_max'] and
stock['dividend_yield'] > 0.02):
screened.append(stock)
return screened
def aggressive_screen(self, universe):
"""积极型筛选"""
screened = []
for stock in universe:
# 更宽松但要求更高安全边际
if (stock['pe_ratio'] < 20 and
stock['price'] < stock['ncav'] * 0.7 and
stock['positive_net_income_10_years']):
screened.append(stock)
return screened
def calculate_position(self, stock_price):
"""计算头寸大小"""
max_position = self.capital * self.policy['max_single']
shares = int(max_position / stock_price)
return shares
def rebalance(self):
"""再平衡"""
total = sum(self.portfolio.values())
if total == 0:
return "空仓"
stock_value = sum(v for k, v in self.portfolio.items() if k.endswith('_S'))
ratio = stock_value / total
if abs(ratio - self.policy['stock_ratio']) > self.policy['rebalance_threshold']:
return "需要再平衡"
return "无需调整"
# 使用示例
system = GrahamInvestmentSystem(100000)
universe = [
{'symbol': 'AAA', 'pe_ratio': 12, 'pb_ratio': 1.2, 'debt_to_equity': 0.3,
'dividend_yield': 0.04, 'price': 50, 'ncav': 80, 'positive_net_income_10_years': True},
{'symbol': 'BBB', 'pe_ratio': 18, 'pb_ratio': 1.8, 'debt_to_equity': 0.6,
'dividend_yield': 0.02, 'price': 100, 'ncav': 120, 'positive_net_income_10_years': True}
]
candidates = system.screen_stocks(universe)
print("防御型筛选结果:", [s['symbol'] for s in candidates])
2. 执行阶段
买入纪律：
- 只在市场恐慌时买入
- 分批建仓，至少分3-6个月
- 每只股票不超过总资金5%
卖出纪律：
- 基本面恶化时卖出
- 价格超过内在价值50%时卖出
- 找到更好的投资机会时卖出
3. 持续监控
定期检查清单（每季度）：
def quarterly_review(stock):
"""季度审查清单"""
checks = {
'earnings_stability': stock['quarterly_eps'] >= stock['previous_quarter_eps'],
'debt_level': stock['debt_to_equity'] < 0.5,
'dividend_continuity': stock['dividend_paid'] == True,
'valuation': stock['pe_ratio'] < 20,
'competitive_position': stock['market_share_stable'] == True
}
issues = [k for k, v in checks.items() if not v]
return len(issues) == 0, issues
第十一章：常见错误与规避
错误1：追涨杀跌
表现： 市场上涨时买入，下跌时卖出
规避方法：
- 制定买入计划，严格执行
- 市场恐慌时反而要贪婪
- 使用代码强制纪律
代码示例：情绪反向指标
def sentiment_reverse_signal(market_sentiment):
"""
情绪反向指标
market_sentiment: 0-100, 100=极度贪婪
"""
if market_sentiment > 80:
return "极度贪婪 - 考虑卖出"
elif market_sentiment > 60:
return "贪婪 - 谨慎持有"
elif market_sentiment > 40:
return "中性 - 正常操作"
elif market_sentiment > 20:
return "恐惧 - 考虑买入"
else:
return "极度恐惧 - 大力买入"
# 示例
print(sentiment_reverse_signal(85)) # 市场极度贪婪
错误2：过度交易
表现： 频繁买卖，增加成本
规避方法：
- 设定交易冷却期（如买入后至少持有6个月）
- 计算交易成本对收益的影响
代码示例：交易成本影响
def trading_cost_impact(trades_per_year, avg_value, commission=0.001):
"""
计算交易成本对收益的影响
"""
annual_cost = trades_per_year * avg_value * commission
return f"年交易成本: {annual_cost:.0f}元 ({annual_cost/avg_value:.2%})"
print(trading_cost_impact(24, 100000)) # 每月交易一次
错误3：从众心理
表现： 听信”专家”推荐，跟随大众
规避方法：
- 独立思考，基于数据决策
- 忽略短期市场噪音
- 坚持自己的投资原则
第十二章：总结与行动计划
核心要点回顾
- 投资≠投机：经过分析，承诺本金安全
- 安全边际：用50美分买1美元的东西
- 市场先生：利用情绪，不被情绪利用
- 分散投资：至少10只股票，单只不超过5%
- 定期再平衡：保持目标资产配置
- 心理控制：建立纪律，避免情绪化决策
30天行动计划
第1周：学习与准备
- [ ] 阅读《聪明的投资者》
- [ ] 确定自己的投资者类型（防御型/积极型）
- [ ] 制定书面投资政策声明
第2周：建立筛选系统
- [ ] 选择数据源（Yahoo Finance, Morningstar等）
- [ ] 建立筛选器代码
- [ ] 测试历史数据
第3周：模拟投资
- [ ] 用虚拟资金建立组合
- [ ] 跟踪表现3个月
- [ ] 记录决策过程
第4周：实战准备
- [ ] 确定资金规模
- [ ] 建立监控表格
- [ ] 设置提醒系统
长期维护清单
每月：
- [ ] 检查持仓公司基本面变化
- [ ] 查看是否有新的投资机会
- [ ] 记录投资日志
每季度：
- [ ] 审查投资组合表现
- [ ] 检查是否需要再平衡
- [ ] 更新内在价值估算
每年：
- [ ] 全面评估投资系统有效性
- [ ] 调整投资政策（如有必要）
- [ ] 总结经验教训
最后的忠告
格雷厄姆在书中写道：”投资的首要原则是永远不要亏损，第二条原则是永远不要忘记第一条。”
这不是说你不会亏损，而是说：
- 永远不要永久性亏损：通过安全边际和分散投资
- 不要因为恐慌而亏损：市场波动是朋友而非敌人
- 不要因为贪婪而亏损：坚持原则，不追高
记住，投资是一场马拉松，不是百米冲刺。聪明的投资者是那些在市场波动中保持理性、坚持原则、耐心等待机会的人。
附录：实用工具与资源
数据源：
- Yahoo Finance API
- Morningstar
- 彭博终端（专业投资者）
代码库：
- Python: pandas, yfinance, numpy
- Excel: 数据分析工具包
进一步阅读：
- 《证券分析》- 格雷厄姆
- 《巴菲特致股东的信》
- 《彼得·林奇的成功投资》
在线社区：
- Value Investors Club
- Seeking Alpha
- Bogleheads论坛
免责声明：本文仅供教育参考，不构成投资建议。投资有风险，入市需谨慎。