Batch Inference Analysis

⚙️ 本技能遵循公共运行环境契约（最高优先级，先于本文其余内容执行）： 详见 _shared/env-contract.md，执行前先读它。

批量推理结果分析技能

基于 QuantMind 选股策略方法论，分析批量推理产出的每日信号，做出入场/选股/买卖/做空决策。

数据基础

批量推理产出：

• batch：多个交易日的推理集合（/models/inference/batch/{batch_id}）
  • member_runs：每个交易日的 run 记录（run_id/trade_date/signals_count）
• 单日 run：/models/inference/runs/{run_id}
  • items：5377+ 只股票信号，每只含 fusion_score（分数）/board（板块）/industry（行业）/market_cap_tier（市值分档）/trend（趋势）/prev_score/prev2_score/next_score

认证

bashCopy code
BASE=http://127.0.0.1:8000
TOKEN=$(curl -s -X POST $BASE/api/v1/auth/login -H "Content-Type: application/json" \
  -d '{"username":"admin","password":"admin123","tenant_id":"default"}' \
  | python3 -c "import sys,json; print(json.load(sys.stdin).get('access_token',''))")
AUTH="Authorization: Bearer $TOKEN"

1. 拉取批量推理数据

bashCopy code
# 1. 批量推理历史
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/batches?page=1&page_size=10"

# 2. 某批次详情（含 member_runs 每日记录）
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/batch/{batch_id}"

# 3. 单日 run 信号（分析数据源）
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/runs/{run_id}"

分析入口：用 batch 的 member_runs 拿到每日 run_id，逐个拉取信号分析，或用最近一个 run 分析今日。

批量聚合（推荐，一次拿全）

/models/inference/batch/{batch_id}/aggregate 一次性返回整批的聚合分析（免去逐日拉取）：

bashCopy code
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/batch/{batch_id}/aggregate"
# 返回: {per_symbol, groups, movers, daily, meta}
# per_symbol: 每只股票跨日分数/排名/IC
# groups: 行业/板块分组聚合
# movers: 分数变动最大的标的
# daily: 每日 TopN/分布
# meta: 批次数/区间/IC/共识带（Mann-Kendall 趋势）

2. 市场状态判断（三层过滤）

第1层：行业信号强度 — 决定是否入场

用 Python 计算行业 avg Top1：

pythonCopy code
import json, urllib.request

def fetch_run(run_id):
    req = urllib.request.Request(f"{BASE}/api/v1/models/inference/runs/{run_id}",
        headers={"Authorization": f"Bearer {TOKEN}"})
    return json.load(urllib.request.urlopen(req))  # 顶层直接含 items/total

def market_signal(items, top_n=20):
    # 取 Top20 按分数
    top = sorted(items, key=lambda x: -(x.get("fusion_score") or 0))[:top_n]
    # 按行业分组，取每行业最高分
    ind_top = {}
    for it in top:
        ind = it.get("industry", "") or "未知"
        s = it.get("fusion_score") or 0
        if ind not in ind_top or s > ind_top[ind]:
            ind_top[ind] = s
    ind_avg_top1 = sum(ind_top.values()) / max(1, len(ind_top))
    strong = sum(1 for s in ind_top.values() if s >= 0.10)
    return {"ind_avg_top1": ind_avg_top1, "strong_industries": strong, "top_industries": dict(sorted(ind_top.items(), key=lambda x:-x[1])[:5])}

入场阈值（参数扫描优化）：

判断：

• ind_avg_top1 < 0.06 → 绝对空仓
• 0.06-0.09 → 观望/极轻仓
• ≥0.09 → 正常选股

第2层：大盘均线过滤 — 防崩盘

模型在暴跌时给高分是反向信号。用指数 K 线判断：

bashCopy code
# 上证指数 K 线（QuantDB index_daily）
curl -s -H "$AUTH" "$BASE/api/v1/market/kline?symbol=000001.SH&market=A&period=daily&days=30"

规则：上证指数 < MA20 → 强制空仓（避开 2024 年 2 月微盘崩盘）。

第3层：强行业数仓位管理

3. 个股选股（分数区间）

核心分数区间

注意：0.12-0.14 是"追高陷阱"（动量特征强，易买山顶）；0.10-0.11 假信号区必须配合行业确认。 重要：以上绝对阈值基于特定模型分布，换模型后先看 score_distribution（第7节）用分位数映射。

pythonCopy code
def pick_stocks(items, market_sig):
    picks = []
    for it in items:
        s = it.get("fusion_score") or 0
        if not (0.10 <= s <= 0.12): continue
        if market_sig["ind_avg_top1"] < 0.09 and s < 0.11: continue  # 假信号区
        # 主板优先
        board = it.get("board", "")
        if "创业" in board or "科创" in board: continue
        # 排除 ST
        name = it.get("stock_name", "")
        if "ST" in name or "退" in name: continue
        picks.append(it)
    picks.sort(key=lambda x: -(x.get("fusion_score") or 0))
    return picks[:5]  # 每天选3-5只

3天趋势（决定买点）

用 prev_score/next_score 判断：

反直觉：分数下降比上升好——高位回落说明绝对分仍高。

4. 负分参考（做空/回避）

精确做空分数线

负分也会涨（错杀）

• 超大盘负分 -0.13~-0.14：下跌概率仅 42%，均收 +3%——错杀最佳例证
• 大盘负分 -0.11：上涨概率 51%
• 科创板负分 -0.06~-0.15：均收全为正，做空价值最低
• 警戒线 -0.22：即使大盘股低于此分也会崩

一句话落地

做空只做微盘/小盘 + 分数≤-0.15；大盘/超大盘/科创板的负分是错杀，-0.22 以下才真危险；轻负分(>-0.06)无信息。

pythonCopy code
def short_candidates(items):
    shorts = []
    for it in items:
        s = it.get("fusion_score") or 0
        if s > -0.15: continue
        tier = it.get("market_cap_tier", "")
        if tier in ("大盘", "超大盘"): continue  # 错杀
        if "科创" in it.get("board", ""): continue  # 抗跌
        shorts.append(it)
    shorts.sort(key=lambda x: x.get("fusion_score") or 0)
    return shorts[:10]

5. 行业轮动分析

pythonCopy code
def sector_rotation(batch_runs):
    # 跨多个交易日统计强行业出现频次
    from collections import Counter
    ind_days = Counter()
    for run in batch_runs[:30]:  # 最近30个交易日
        items = fetch_run(run["run_id"]).get("items", [])
        top = sorted(items, key=lambda x: -(x.get("fusion_score") or 0))[:20]
        for it in top:
            if (it.get("fusion_score") or 0) >= 0.10:
                ind_days[it.get("industry", "")] += 1
    return ind_days.most_common(10)

判断：

• 行业信号持续 ≥3 天 = 真轮动（非一日游）
• 新行业出现 Top1 ≥0.10 = 资金切换方向
• 强行业数 ≥3/天 = 有行情；≤1.5/天 = 空仓

6. 完整分析流程

当用户要求"分析批量推理结果"时：

1. 确认批次：/models/inference/batches 找最近 completed 的 batch
2. 拿 member_runs：/models/inference/batch/{id} 得到每日 run_id
3. 拉今日信号：取最新 run 的 items
4. 市场状态：行业 avg Top1 + 强行业数 + 大盘均线
5. 选股：分数 0.10-0.12 + 主板 + 3天趋势"先升后降"
6. 负分参考：微盘/小盘极端负分列出做空候选
7. 行业轮动：跨日统计强行业
8. 输出决策：入场/仓位/个股清单/做空清单/规避

7. 不同模型分数范围的处理（关键）

每个模型训练后分数范围不同（实测：这个融合模型 fusion_score 范围 -0.996 ~ 0.965，而方法论假设 0-0.2 是另一套模型）。绝对阈值不能直接套用，必须先了解当前模型的分数分布。

pythonCopy code
def score_distribution(items):
    scores = sorted(x.get("fusion_score") or 0 for x in items)
    n = len(scores)
    return {
        "min": round(scores[0], 3),
        "max": round(scores[-1], 3),
        "p10": round(scores[int(n*0.1)], 3),
        "p25": round(scores[int(n*0.25)], 3),
        "p50": round(scores[int(n*0.5)], 3),
        "p75": round(scores[int(n*0.75)], 3),
        "p90": round(scores[int(n*0.9)], 3),
    }

模型分数范围 → 方法论阈值映射

方法论阈值（0.10-0.12 黄金区间等）基于特定模型的分布。使用时：

1. 先跑 score_distribution 了解当前模型分布
2. 用分位数替代绝对分数判断高低：
   • 黄金区间 ≈ 高分位带（如 p75-p90，需结合回测验证）
   • 追高区 ≈ 最高分位（p90+）
   • 负分做空 ≈ 最低分位（p10 以下）
3. 跨模型对比时，统一用百分位排名，不用原始分数

模型选择（多模型择优）

不同模型分数分布和预测能力不同，分析时可对比：

bashCopy code
# 各模型推理历史分数（单股）
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/stock/{symbol}/history"
# 模型列表（含元数据）
curl -s -H "$AUTH" "$BASE/api/v1/models"

择优标准：

• 分数分布合理（不过度集中、有区分度）
• 该模型回测胜率/IC 高（见 [[backtest-center]]）
• 黄金区间候选数量适中（太多=无区分度，太少=过严）

融合模型特殊处理

融合模型已按百分位加权合成，fusion_score 可直接用，但分数范围仍因源模型而异——同样先看分布再定阈值。

8. 模型分数校准回测（核心新增）

每个模型训练后分数范围不同，用历史信号自动回测找出该模型最适合的分数区间。

8.1 调用校准接口（异步任务 + 进度）

校准是后台任务，提交立即返回 task_id，轮询查进度（避免阻塞引擎）：

bashCopy code
# 1. 提交校准任务（秒回 task_id）
curl -s -X POST -H "$AUTH" "$BASE/api/v1/selection/score-calibration?days=180&horizons=1,3,5,10&top_n=50"
# 返回: {"status":"submitted","task_id":"calib_xxx", ...}

# 2. 轮询任务进度（progress: 5→100，message 显示阶段）
curl -s -H "$AUTH" "$BASE/api/v1/selection/score-calibration/{task_id}"
# 返回: {"status":"running/completed","progress":85,"message":"回测中... 45/60 天","result":{...}}

参数：

• days：回测历史交易日数（30~478）
• horizons：未来 N 日列表（1,3,5,10 / 1,5,20 等）
• top_n：重点标注排名前 N

流程：POST 提交 → 每 2 秒轮询 GET → 状态 completed 后取 result。后台任务阶段：读取信号(5%)→分组(15%)→价格面板(30%)→市值(45%)→回测(55%+逐日推进)→汇总(95%)→完成(100%)

8.2 输出解读

score_summary（分数档 × 多周期）：

matrix（分数档 × 市值 × 下跌概率）：主周期的市值分档下跌概率

neg_industry_avg（负分行业 avg）：负分最深行业排序 neg_board_avg（板块负分 avg）：主板/创业板/科创板/北交所

recommended_band：系统推荐的最优分数档

8.3 关键洞察（当前模型实测）

用 days=60&horizons=1,3,5,10 实测（94万样本）：

• 正分最优档：0.05~0.08 → T+5 胜率 53%、下跌 46.1%、均收 +0.753%
• 方法论黄金区 0.10~0.12 在此模型反而均收 -0.387%（负！）→ 必须按模型校准
• 极端负分 ≤-0.25 → T+5 下跌 62.1%、T+10 下跌 67.5%、均收 -4.971%（做空信号）
• 负分行业 avg：林业/油服/种植业/农产品加工负分最深（做空首选）
• 板块负分：创业板 -0.50 最深、科创板 -0.38 抗跌

8.4 校准方法

1. 训练完新模型 → 跑 score-calibration
2. 看 recommended_band → 该模型的最佳分数区间
3. 对比不同模型 → 用各自 calibrated 区间，不用统一阈值
4. 动态更新选股阈值 → 用该校准结果替换方法论默认值

9. 完整分析流程（含模型适配）

当用户要求"分析批量推理结果"时：

1. 确认批次：/models/inference/batches 找最近 completed
2. 拿每日 run：/models/inference/batch/{id} 的 member_runs
3. 拉最新信号：/models/inference/runs/{run_id} 的 items
4. 分数校准：/selection/score-calibration 看该模型最优分数档
5. 市场状态：行业 avg Top1（用校准档映射阈值）+ 强行业数 + 大盘均线
6. 选股：按校准档定位黄金区间 + 主板 + 3天趋势
7. 负分参考：校准出的极端负分档 + 微盘/小盘
8. 行业轮动：跨日统计强行业
9. 输出决策：入场/仓位/个股/做空/规避

10. 常见问题