长期使用多个券商的服务，回头看看，已经有十多年的时间了。
这些年里，账户换过几个，投资的品种也不少。但是对于每一笔投资的实际收益情况，哪只盈利、哪只亏损，收益是在什么时间产生的，一直没有一条完整而清晰的时间轴。每次更换券商，历史信息都会出现中断，时间久了以后，很多数据只能散落在不同平台的交易记录和月度账单中。
除了回顾过去，我也一直想知道，自己目前的投资收益到底怎么样，长期收益能不能覆盖未来的退休生活，当前的资产配置是否合理。这些问题，显然不能只依靠某一个券商提供的账户页面来回答，需要有一个统一、清晰，并且可以长期使用的管理平台。
在当前 AI 快速发展的背景下，我一直考虑自己搭建一套投资管理系统，并将它部署在自己的 NAS 上。这样既可以把不同账户的数据集中起来，也可以将数据保存在自己能够控制的设备中，不需要依赖某一家券商或者某一个在线平台长期提供服务。
直到后来，我在 GitHub 上看到了 Wealthfolio 这个项目。
开始的时候，我完全是抱着试试看的态度进行安装。没有准备马上迁移全部数据，只是想先看看它能够管理哪些内容，是否适合自己长期使用。
安装完成后，我发现它的基本功能已经能够满足自己的大部分需要。它不仅可以管理账户、持仓和交易，还能够统计现金、净投入、成本基础、投资收益和历史资产变化。多个账户的数据可以集中到一起，也可以按照不同时间范围查看整体的投资表现。
试用了一段时间以后，我在一个周日决定把之前的交易记录全部下载下来，迁移到 Wealthfolio 中。
这下，一个庞大的工作就此开始了。
对于证券类软件和投资管理平台来说，无论平台的功能多么完善，最终都无法绕过两个问题：如何顺利地将历史数据导入，以及如何实现与券商数据的持续同步。
如果历史数据能够直接从券商导出为格式完整的 CSV 文件，导入工作还相对简单。真正困难的是，我的交易历史已经持续了十多年。时间比较久远的交易，很多已经无法通过在线系统查询并下载明细数据。尤其是五年以前的数据，大量交易只能重新查找当时保存的月度账单，再从一份份账单中筛选。
月度账单大多是 PDF 文件，内容包括期初现金、资金存取、证券买卖、股息、税费、手续费以及期末持仓。不同年份、不同平台的账单格式并不一致，同一种交易在不同账单中的表达方式也可能不同。要把这些内容重新整理成 Wealthfolio 能够识别的交易记录，远比最初想象的复杂。
最终，我尝试了几次导入，但每一次都会出现同样的问题：导入完成以后，系统计算出的最终持仓和现金余额，无法与实际账户保持一致。
有时候持仓数量正确，但是现金存在差异；有时候当前资产能够对应，历史资产曲线却出现异常；还有一些交易因为缺少期初资金、买入成本、拆股或者证券转移记录，导致系统产生负余额、成本基础异常和净投入失真等问题。
这种情况下，只靠人工逐条检查已经很难继续，必须借助 AI 的能力。
我让 AI 根据账户的月末现金和持仓不断缩小差异出现的时间范围。先确定差异出现在哪一年，再缩小到具体月份，最后检查这个月内的存款、取款、买入、卖出、股息、税费和手续费记录。
对于只能找到 PDF 月度账单的历史数据，也只有借助 AI 识别账单内容，再将其中的交易和资金变动还原为结构化记录。识别完成后还不能直接导入，需要继续对照期初余额、期末余额和持仓数量进行校验，确认当月资金能够完整闭合，再处理下一个月份。
在这个过程中，AI 并不是简单地增加一条调整记录把最终差额直接抹平。真正需要做的是找到差异第一次出现的时间，并根据原始账单判断究竟是漏掉了一笔交易、重复导入了一笔记录，还是金额、数量、币种、手续费或者拆股比例存在错误。
就这样不断缩小范围、寻找依据、重新计算。在消耗了整整一周的 AI 订阅额度以后，终于把十多年的交易记录基本理顺了。最终的持仓、现金余额和历史资金变化，也逐步与原始账单对应起来。
完成导入以后，Wealthfolio 自带的数据健康检查也发挥了很大的作用。
它会检查账户历史中是否出现过负现金、是否存在没有对应买入记录的卖出、某些交易是否缺少成交价格，以及证券价格和汇率数据是否完整。这些问题有些不会影响当前持仓，却会直接影响历史收益、成本基础、资产趋势和收益归因。
发现问题以后，可以让 AI 开启协作工作模式，登录 NAS 上的 Wealthfolio，从数据库层面对相关数据进行核查。它可以查看问题第一次出现的日期，核对前后的交易记录、现金变化和历史快照，再与原始月度账单进行交叉验证。
当然，直接修改数据库存在风险。每次处理前都需要先备份数据库，明确修改了哪些记录，并保留可以回退的方案。修改完成以后，还需要重新检查账户现金、持仓和历史图表，避免原始交易已经修正，但是系统仍然使用之前生成的缓存或者历史快照。
除了健康检查，Wealthfolio 还可以直接配置 AI 模型，实现基于个人投资数据的对话和分析。
配置完成后，可以直接询问某一年的收益情况、主要盈利和亏损来自哪里、不同账户的表现如何，以及当前资产能否支持未来的退休计划。相比单纯查看图表，这种基于真实交易记录的对话方式，更容易发现一些长期没有注意到的问题。
不过，AI 分析的前提仍然是底层数据正确。如果历史交易、拆股比例、证券价格或者汇率存在错误，AI 也可能根据错误数据得出一个看起来很合理、实际上并不真实的结论。所以，AI 更适合用来解释和分析已经校验过的数据，而不能代替对原始账单和交易记录的核对。
回头看看这些年的投资经历，不能说完全没有进行过有风险的投资，也经历过市场的大幅波动和个别投资判断失误带来的亏损。但是从十多年的完整时间轴来看，总体上还是获得了相对稳健的投资回报。
更重要的是，在把这些数据真正整理出来以后，很多以前只能凭感觉判断的问题，现在终于有了相对清晰的答案。过去的收益来自哪里，哪些投资承担了过高风险，账户中的现金和资产是怎样变化的，现有资产距离未来目标还有多远，都可以在同一个平台中持续观察。
随着数据逐步完整，很多投资思路也开始变得更加清晰。
相信在这些数据和经验的帮助下，未来的投资之路能够走得更加稳健。
