Stock Deep Research

⚙️ 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。

个股深度投研分析（智能体自主版）

核心定位：本技能由 AI 智能体自己执行（QuantBot / Claude Code 等），不依赖任何后端投研管线，任何大模型都可以跑。 数据全部来自 QuantMind 本地 API（QuantDB 数据库），分析完成后智能体自己组装 md 并导出 PDF，报告自动出现在平台「股票报告」页。

一、完整流程总览

Copy code
用户: 深度分析 600519
  ↓
① 确认标的 + 市场（默认 A股）
  ↓
② 拉取本地数据（并行）：
   - POST /research/symbols/features {"symbols":[]}   特征快照（估值/技术/动量/资金流/筹码/概念）
   - 本地风险初筛（特征+K线判读，无独立风险评分端点，见 3.2）
   - /models/inference/stock/{symbol}/history?days=180   模型推理分数历史
   - /research/kline/{symbol}?days=120    K线 + 均线
   - /news/articles?tickers=xxx           RSS 新闻（利好/利空）
   - /selection/daily                     全市场排名（该股是否入选）
  ↓
③ 多空子代理辩论（至少 2 个子代理，不同立场，用不同数据视角）
  ↓
④ 综合研判（证据强度裁决，不是篇幅裁决）
  ↓
⑤ 组装 Markdown 报告（标题含股票名/日期/分析时间）
  ↓
⑥ 导出 PDF（容器内 md_to_pdf_report.py，TTF 内嵌中文字体）
  ↓
⑦ 保存到 /data/reports/stock_reports/{市场名}/{股票名}/  → 用户去「股票报告」页查看

二、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"
CT="Content-Type: application/json"

三、数据拉取（智能体必做）

3.1 个股特征快照

bashCopy code
curl -s -X POST -H "$AUTH" -H "$CT" "$BASE/api/v1/research/symbols/features" \
  -d '{"symbols":["600519.SH"]}'
# 返回 {"code":200,"data":{"items":[...]}}：research 池特征快照（分类取决于已同步内容）；
# 需指定字段时用 POST /api/v1/research/batch-features {"symbols":[...],"fields":[...]}

symbol 格式：A股 600519.SH；港股 00700.HK；美股 AAPL；区块链 BTC；期货 Au99.99.FUT。

3.2 风险初筛（本地判读，无独立风险评分端点）

用 3.1 特征快照（估值/波动/流动性）+ 3.5 K线（趋势/回撤）+ 3.4 市场状态， 按 6 维度口径人工判定：流动性/波动/趋势/过热/基本面/状态 + veto 否决项 （ST/*ST/次新/长期停牌直接否决），结论写入 §七 风险提示。 策略级回测风险走 [[backtest-center]] §6（/qlib/risk/{backtest_id}/metrics）。

3.3 模型推理分数（历史趋势 + 最新 + 多模型）

日期与批次核对（必做）：

• 每条分数必须对应明确的日期、模型和 run_id；报告列出「数据交易日／信号生效日／模型／批次／融合值／方向」表，缺失字段写未知，不按自然日补齐。
• score_source=pred_parquet 的 trade_date 是数据交易日；inference_runs 优先显示数据日，条目 date_semantics=prediction_trade_date 表示数据日缺失、当前日期是生效日。signal-overlay 的 date 是信号生效日。两者禁止混用。
• 节假日内可用节前数据生成节后生效预测，不得称为假期行情评分；行情截至日期与预测生效日期分别注明。
• 同一天多条记录按模型或批次分开，不得写成「日期范围内依次为若干分数」暗示连续每日评分；只有确认同一模型、同一口径后才能讨论时序趋势。模型或批次无法识别时不得推断连续趋势。
• 正负判断逐条核对，含任意正值时不得写「全部为负」或「持续为负」；HOLD 只表示该次模型未给出买卖方向，不能由此证明连续趋势。

bashCopy code
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/stock/600519.SH/history?days=180"
# 无 envelope 包裹，直接返回:
# {"symbol","name":"贵州茅台","industry","board","total","items":[...]}
# items[]: {trade_date, fusion_score, signal_side, score_rank, run_id, signal_model_id, ...}
# 规则: 分数上升→多方；高位回落→空方；最新 score_rank 越小越靠前

多模型交叉（必做）：平台有多个训练模型（不同训练期/周期 T3/T10/T15/融合 ensemble），不只看默认模型：

bashCopy code
curl -s -H "$AUTH" "$BASE/api/v1/models"          # 模型列表（含 model_id/model_type/周期）
curl -s -H "$AUTH" "$BASE/api/v1/models/default"  # 默认模型
# 用 model_id 逐个拉该模型的历史序列（排名在该模型内计算）:
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/stock/600519.SH/history?days=180&model_id=xxx"

多模型分析三要素：

1. 共识度：多模型同方向 = 高置信；分歧 = 报告单独说明分歧及原因
2. 各自趋势：每模型序列上升/回落/横盘（分数绝对值小 ≠ 无意义，看变化方向）
3. 模型背离最值钱：基本面好但模型持续 SELL、资金流出 → "好公司 ≠ 好买点"

3.4 全市场排名（该股在候选池的位置）

bashCopy code
curl -s -H "$AUTH" "$BASE/api/v1/selection/daily"
# 返回 {"status":"success","meta":{...},"market_state":{...},"candidates":[...]}
# meta.total_signals = 当日信号总数；market_state 含市场状态（牛/熊市、仓位建议）
# candidates 空 = 当天无入选（熊市空仓正常），报告要说明"市场状态 + 该股未入选"

3.5 K 线 + 均线

bashCopy code
curl -s -H "$AUTH" "$BASE/api/v1/research/kline/600519.SH?days=120"
# 近期走势位置：均线多空排列、支撑/压力、放量/缩量

3.6 新闻（RSS）

bashCopy code
curl -s -H "$AUTH" "$BASE/api/v1/news/articles?tickers=600519&limit=20"
# 按利好/利空/中性分类；时间线排序

新闻深度参数（/news/articles 全量过滤能力）：

bashCopy code
# 个股 + 行业双通道（个股没新闻 ≠ 行业没新闻）
curl -s -H "$AUTH" "$BASE/api/v1/news/articles?tickers=600519&industries=白酒&limit=30"
# 强信号（|score|>=0.5）+ 情感过滤 + 事件标签
curl -s -H "$AUTH" "$BASE/api/v1/news/articles?tickers=600519&strong_only=true&sentiment=bullish"
curl -s -H "$AUTH" "$BASE/api/v1/news/articles?tickers=600519&event_tags=解禁,减持"
# 最快定位最强多空新闻
curl -s -H "$AUTH" "$BASE/api/v1/news/articles?tickers=600519&sort=sentiment_bullish&limit=10"
curl -s -H "$AUTH" "$BASE/api/v1/news/articles?tickers=600519&sort=sentiment_bearish&limit=10"

新闻用法三条：

1. 事件要后续印证：公告增持 → 查资金流是否真流入；解禁 → 查筹码/大宗
2. 价值排序：政策 > 公司重大事件 > 行业动态 > 分析师观点 > 情绪文
3. 禁止编造：无新闻标 [数据缺失] 并提醒加 RSS 源

⚠️ 若无新闻：报告里标注 [数据缺失: 个股新闻 0 条]，并在回复中提醒用户去后台「RSS 管理」或 Huntly 添加该股相关新闻源（财联社、证券时报、新浪财经个股页等）。

四、多空子代理（智能体必做）

至少组织 2 个子代理（能 3~4 个更好），并行、立场相反：

每个子代理必须引用具体数据（PE 值、RSI、资金净流入、推理分数变化），禁止空泛形容词。

五、模型推理分数交叉验证（必做）

分析结论必须结合平台模型对这只股票的推理分数/排名/历史趋势（端点返回见 3.3）：

• fusion_score 持续上升 + score_rank 靠前 → 支持多方（技术面再确认）
• 分数高位回落 / 排名下滑 → 支持空方（警惕追高）
• 分数与多空辩论结论背离时，报告中单独说明分歧及原因
• signal_side 是模型当时给出的操作信号（BUY/HOLD/SELL），一并引用
• 多模型：按 3.3 拉全部模型（含 ensemble）逐个比对——共识度高则置信度高；模型间分歧本身就是信息

更深的全方位分析（估值历史分位/财务三表/资金筹码多口径/行业共振分类），见 [[stock-market-analysis]] 技能的 REFERENCES/quantdb-full-analysis-design.md 七层框架。

六、组装 Markdown 报告（版式规范，必遵守）

markdownCopy code
# {股票名}({ticker}) 投研分析报告

> **交易日期**: {YYYY-MM-DD}　|　**分析时间**: {YYYY-MM-DD HH:MM}　|　**市场**: {A股/港股/美股/区块链/期货}
> **最终评级**: **{买入/增持/持有/减持/卖出}**

---

## 一、综合结论
（3~5 句话：评级 + 核心逻辑 + 关键风险）

## 二、模型推理信号
- 最新分数: {x.xx}　|　180 天趋势: {上升/回落/横盘}
- 全市场排名: {第 N 名 / 未入选}
- 与多空辩论一致性: {一致/背离 + 说明}

## 三、多空辩论
### 多方观点
（数据支撑的买入理由）
### 空方观点
（数据支撑的风险/卖出理由）
### 辩论裁决
（综合代理结论）

## 四、基本面分析
（PE/PB/ROE/市值/行业地位，来自 features 的 valuation + fundamental）

## 五、技术面分析
（K线形态/均线/RSI/MACD/量能，来自 kline + technical）

## 六、资金与筹码
（fundFlow 资金流向 + chip 筹码集中度）

## 七、风险提示
（3.2 本地 6 维初筛 + veto 否决项 + 风险等级）

## 八、新闻舆情
（利好/利空/中性分类表格；无新闻则标注数据缺失并提醒加新闻源）

---

> 本报告由 AI 智能体基于 QuantMind 本地数据自动生成（{分析时间}），仅供学习研究，不构成投资建议。

硬性要求：

1. 标题 = 股票名 + ticker + 日期 + 分析时间（缺一不可）
2. 多空双方必须都有（不能只有一方）
3. 模型推理分数/排名/趋势必须写进报告
4. 数据要有具体数值，禁止只说"较高/较低"

七、导出 PDF（智能体自己执行）

7.1 保存 md 到报告目录

bashCopy code
# 目录结构: 市场文件夹 / 股票名文件夹（A股市场 / 美股市场 / 港股市场 / 区块链市场 / 期货市场）
mkdir -p "/data/reports/stock_reports/A股市场/贵州茅台"
# 文件名: {股票名}{代码}_{trade_date}_投研分析报告.md（股票名查不到时省略股票名）
# 例: 贵州茅台600519_2026-08-15_投研分析报告.md

QwenPaw 对 /data 有直接读写权限（与 quantmind 容器共享挂载），md 直接写入即可，无需 docker cp；仅宿主机本地 Claude Code 场景目录 owner 是容器内 root 时，才用 docker exec quantmind python 落盘（见 FAQ）。

7.2 转 PDF（首选 QwenPaw 本地，reportlab + 中文字体已内置）

bashCopy code
python3 /app/backend/scripts/md_to_pdf_report.py \
  "/data/reports/stock_reports/A股市场/贵州茅台/贵州茅台600519_2026-08-15_投研分析报告.md" \
  "/data/reports/stock_reports/A股市场/贵州茅台/贵州茅台600519_2026-08-15_投研分析报告.pdf"
# 备选（本地缺依赖时）：
# docker exec quantmind python /app/backend/scripts/md_to_pdf_report.py <同上路径>

PDF 特性：A4、TTF 内嵌中文字体（任何 PDF 阅读器含浏览器 pdfjs 都正常渲染）、粗体真实加粗（正文文泉驿 MicroHei + 粗体 ZenHei 独立字重）、h1 居中大标题、h2 蓝色小节、表格深蓝表头 + 隔行底色。

字体回退链（脚本自动探测）：/app/docker/training/fonts/WQYMicroHei.ttf（+ WQYZenHei.ttf）→ NotoSansCJK.ttf → arphic/uming → NotoSerifCJK → STSong-Light（CID 不内嵌，仅兜底）。WQY ttf 放在宿主机 docker/training/fonts/ 即可，bind mount 自动进容器，无需重建镜像。

验证字体真正内嵌（⚠️ reportlab 给子集字体加 AAAAAA+ 前缀，直接 grep 'WQY' 字节串会误报 False，必须用 BaseFont 正则解析）：

bashCopy code
docker exec quantmind python -c "
import re
data = open('/data/reports/stock_reports/A股市场/贵州茅台/贵州茅台600519_2026-08-15_投研分析报告.pdf','rb').read()
bf = sorted(set(m.group(1).decode() for m in re.finditer(rb'/BaseFont\s*/([A-Za-z0-9+_.-]+)', data)))
print('字体:', bf)
print('粗体 OK:', any('ZenHei' in f or 'CJK-Bold' in f for f in bf))
print('正文 OK:', any('MicroHei' in f or 'CJK' in f for f in bf))
"

md 排版注意：

• 副标题分隔符用全角空格 　（{date}　|　{time}），脚本会将其替换为普通空格（reportlab 段落排版会丢弃全角空格）
• 表格单元格内不要写 | 转义（脚本会移除）
• 代码块三反引号正常转义渲染

7.3 查股票名（标题需要）

bashCopy code
# A股: QuantDB instrument_detail parquet（Symbol 格式 600519.SH）
docker exec quantmind python -c "
import pandas as pd
df = pd.read_parquet('/data/quantdb/2_base_sector/instrument_detail/instrument_detail.parquet', columns=['Symbol','Name'])
print(df[df['Symbol']=='600519.SH']['Name'].iloc[0])
"
# 港股/美股: 板块 parquet
docker exec quantmind python -c "
import pandas as pd
df = pd.read_parquet('/data/quanthk/2_base_sector/sector/00700.HK.parquet')
print(df.columns.tolist())   # 找 name 列
"

查不到名字时：标题回退纯代码 600519 投研分析报告，不阻塞流程。

7.4 验证导出成功

bashCopy code
ls -la "/data/reports/stock_reports/A股市场/{股票名}/" | grep {ticker}
# 或调用列表接口确认（报告档案页同源）:
curl -s "$BASE/api/v1/reports/files/list" | python3 -m json.tool | grep {ticker}

八、告知用户（收尾话术）

分析完成后，智能体回复用户必须包含：

1. 最终评级 + 一句话核心逻辑
2. 多空分歧要点（双方各自最强论据）
3. 模型推理分数印证（当前分数/趋势/排名）
4. "报告已导出 PDF，请到「股票报告」页查看" ← 用户要求：最后提示导出 PDF

九、股票报告页（报告归档 API）

bashCopy code
# 列出所有报告（市场文件夹 → 股票名子文件夹 → 文件，二级结构）
curl -s -H "$AUTH" "$BASE/api/v1/reports/files/list"
# 返回 folders[]: {name: 市场名, files[]: 市场目录直属文件, subfolders[]: {name: 股票名, files[]}}

# PDF 预览（浏览器 iframe 内联）: $BASE/api/v1/reports/files/pdf/{filename}
# filename 只需文件名（如 贵州茅台600519_2026-08-15_投研分析报告.pdf），
# 后端递归搜索任意层级，同名取修改时间最新

# 上传 PDF（可选，multipart：file + folder）
curl -s -X POST -H "$AUTH" "$BASE/api/v1/reports/files/upload" \
  -F "file=@report.pdf" -F "folder=A股市场/贵州茅台"

# 删除文件（可多选，递归搜索任意层级）
curl -s -X POST -H "$AUTH" -H "$CT" "$BASE/api/v1/reports/files/delete" \
  -d '{"files":["贵州茅台600519_2026-08-15_投研分析报告.pdf"]}'

# 新建文件夹 / 移动文件 / 删除文件夹（folder 支持「市场/股票名」两级路径）
curl -s -X POST -H "$AUTH" -H "$CT" "$BASE/api/v1/reports/files/create-folder" -d '{"folder":"重点观察"}'
curl -s -X POST -H "$AUTH" -H "$CT" "$BASE/api/v1/reports/files/move" \
  -d '{"files":["贵州茅台600519_2026-08-15_投研分析报告.pdf"],"target_folder":"A股市场/贵州茅台"}'
curl -s -X POST -H "$AUTH" -H "$CT" "$BASE/api/v1/reports/files/delete-folder" -d '{"folder":"重点观察"}'

后端实现：backend/services/engine/routers/report_archive.py；归档根目录由 QM_REPORT_ARCHIVE_DIR 指定（默认 /data/reports/stock_reports）。

十、相关技能

• [[stock-market-analysis]] — 量化因子深度分析（371 字段 + 风险评分 + 数据导出）
• [[batch-inference-analysis]] — 模型推理信号选股
• [[quantmind-operations]] — RSS 新闻、模型推理
• [[quantdb-sdk]] — QuantDB 数据查询（28 数据集）
• [[simulation-trading]] — 分析结论落地模拟/实盘交易

十一、常见问题