stock-market-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。

股票市场深度数据分析与导出

基于 QuantDB 全量数据（K线/财务/估值/技术/315维因子/融资融券/股东户数）的股票市场深度分析 + 数据导出技能。

⚠️ 数据计算零容忍（本技能最高优先级） 所有涉及金额、成交量、比率的计算必须先查 [[quantdb-fields]] 技能核对单位与口径， 并在报告中注明换算步骤。单位/口径错 = 结论全部作废。核心陷阱：

陷阱	正确口径
个股 volume=股、amount=万元	指数 volume=手、amount=万元
close*volume/amount ≈ 1e4（个股自检公式）	指数 ≈ 2e4
technical_indicators 的 close=后复权	valuation/market_sentiment=不复权
valuation dividend_rate 是百分数（0.148=0.148%），20260814 起才切换	之前是小数口径，跨日分析必须 ×10 归一
l1 vol_std_* 是小数（0.0406）	technical_indicators vol_std_* 是 %（4.06），差 100 倍
symbols/features API 已换算：市值→亿元、flow*→百万元	parquet 原值：市值=元、flow=元（差 1e8/1e6）
l2_factors 分区停滞 20260227	用前先查最新日期，近期 l2 型字段大量 NaN 是正常的
min1/min5 停更 20260724、hsgt_north 停更 202408	别当实时数据用
财务 parquet 单位=元	instrument_detail J_*=万元、Zsz/Ltsz=亿元
股息：dividend_factors interest=每10股派息	算每股股息要 /10
risk/features 接口的 MA/ATR 是复权口径陷阱（高危）：ma*/ma_gap*/vol_atr_14 曾取自 features_daily（后复权），与 OHLCV（前复权）混用 → 比音勒芬 002832 曾被误判「跌破均线」（ma5=147 vs 实际价 26.08）	20260817 起已修复：stock_daily_latest 的 MA/gap/ATR 改为基于前复权 close 重算（ma_gap_N=(close/maN−1)×100，ATR=Wilder）。引用接口 MA 前必须用 /research/kline 实际数据自算核对（pandas rolling），接口值 ≠ K线算出的值 → 立即按 K 线为准并标注口径

认证

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"

1. 全市场信号扫描（选股）

# 全市场扫描：11000+ 信号 → 精简候选
curl -s -H "$AUTH" "$BASE/api/v1/selection/daily"
# 返回: {meta:{trade_date, total_signals, strategy_config}, market_state:{state,should_enter,position_advice}, candidates, industry_signals}
# candidates 每项: {symbol, name, score, industry, trend, buy_reason, warnings}

# 指定策略 / 指定日期 / 忽略 MA20 空仓保护
curl -s -H "$AUTH" "$BASE/api/v1/selection/daily?strategy=aggressive"
curl -s -H "$AUTH" "$BASE/api/v1/selection/daily?date=2026-08-14&ignore_ma20=true"

# 选股历史 / 做空候选（负分分析）
curl -s -H "$AUTH" "$BASE/api/v1/selection/history"
curl -s -H "$AUTH" "$BASE/api/v1/selection/negative"

2. 行业轮动与板块分析

选股响应的 industry_signals 字段包含各行业强度信号（行业 Top1 分数均值、强行业数等）：

信号	阈值	含义
industry_avg_top1	≥ 0.09	行业整体强度达标
strong_industry_count	≥ 2	强行业（Top1≥0.10）数量足够 → 可入场
谨慎	强行业数不足	降低仓位预期
空仓观望	无强行业	不参与

板块热度交叉验证（页面版市场分析端点，见下三条）：

curl -s -H "$AUTH" "$BASE/api/v1/market-analysis/money-flow/period?period=5d&dimension=sector&category=shenwan&limit=25"
curl -s -H "$AUTH" "$BASE/api/v1/market-analysis/heatmap?trade_date=2026-08-14"
curl -s -H "$AUTH" "$BASE/api/v1/market-analysis/tags/by-tag?tag=半导体"

3. 个股研报级深度分析（核心流程）

用户要求"分析/深度分析"某股票时，按 REFERENCES/quantdb-full-analysis-design.md 的 9 层框架执行（L0 市场 → L1 估值 → L2 财务 → L3 技术 → L4 资金筹码 → L4b 订单微结构截面 → L5 行业 → L6 模型 → L7 新闻七维）。 每层必须有具体数值、必须展示计算公式，不做泛泛之谈。输出格式见第 7 节研报模板。

⚡ 跑全流程先读 REFERENCES/stock-9layer-runbook.md（端到端操作手册）：一键取数 scripts/stock_9layer_fetch.py {code} → 九层判读模板 → 跨层合成 → 报告落盘命令 → 双案例校准（法拉电子/振华科技）→ 红线清单。设计原则看 design doc，执行标准看 runbook。

两个特化子方法（2026-08 集成）：

• L4b 订单微结构：按《L2 微观结构因子系统化分析报告》判 IC 方向 + 计算个股 vs 全市场截面分位。铁律：VPIN 族是正 IC（高位偏多，别当毒性利空）、vol_persistence/toxicity_persistence 是负 IC（高位偏空）、L2 是 T+5/T+10 持续信号（看状态分位而非单日变化）。
• L7 新闻七维：按 [[news-sentiment-research]] + docs/news_sentiment_deep_report.md §13 做三步纵深——①直接消息判定（无则明写）→ ②相关行业归类（禁止冒充个股消息）→ ③21 条规律对照打分（来源/时段/多篇/首日动量/反转/标签/板块）→ 输出明确新闻面结论。

3.1 数据采集（先全量拉取，再按需深挖）

# ① 全维度特征（估值/技术/动量/波动/流动性/资金流/风格/行业/筹码/概念/微观结构/情绪）
#    注意：单股特征走 symbols/features（POST，body.symbols 数组；返回 data.items[] 快照）。
#    API 已换算单位（市值→亿元、flow*→百万元、totalMv→亿元），引用时注明
curl -s -X POST -H "$AUTH" -H "$CT" "$BASE/api/v1/research/symbols/features" \
  -d '{"symbols":["600519.SH"]}'

# ② K线（120 日，不复权价 + adj_factor）
curl -s -H "$AUTH" "$BASE/api/v1/research/kline/600519.SH?days=120"
# 多市场 K 线（A-HK-US，daily；A股 QuantDB 本地 parquet 优先）
curl -s -H "$AUTH" "$BASE/api/v1/market/kline?symbol=600519.SH&market=A&period=daily&days=120"

# ③ 模型信号（按 model_id 逐个拉，多模型共识；详见 3.7）
curl -s -H "$AUTH" "$BASE/api/v1/models"                    # 用户模型列表（items[]，含 id/metadata/is_default）
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/stock/600519.SH/history?days=180"
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/stock/600519.SH/history?days=180&model_id=xxx"

# ④ 风险初筛（无独立风险评分端点，用①特征 + ②K线本地判读后填§7.1 风险提示表；
#    策略级回测风险走 [[backtest-center]] §6 /qlib/risk/{backtest_id}/metrics）
#    本地看：估值分位（pe/pb vs 行业）、波动（volStd20）、流动性（金额/换手）、质押/商誉（财务层）、veto 项（ST/*ST/次新/长期停牌直接否决）

# ⑤ 大盘环境（L0，先于一切）
curl -s -H "$AUTH" "$BASE/api/v1/selection/daily"           # market_state 牛熊+仓位建议
curl -s -H "$AUTH" "$BASE/api/v1/market/index-kline?symbol=000001.SH&days=60"
curl -s -H "$AUTH" "$BASE/api/v1/market/overview"           # 多市场指数概览

# ⑥ 订单微结构截面分位（L4b，2026-08 新增；先确认最新分区）
docker exec quantmind ls /data/quantdb/6_ml_datasets/l2_factors/ | tail -1   # → dt=YYYYMMDD
docker exec quantmind python3 - <<'EOF'
import duckdb, pandas as pd
dt = "YYYYMMDD"   # 上一步最新分区
mkt = duckdb.connect().execute(f"SELECT * FROM read_parquet('/data/quantdb/6_ml_datasets/l2_factors/dt={dt}/data.parquet')").df()
s = mkt[mkt.symbol == "600519.SH"].iloc[0]
for f in ["vol_persistence","micro_vpin_vol_ratio","flow_buy_amount","flow_sell_amount",
          "micro_toxicity_persistence","flow_order_duration_p90","flow_cancel_lifetime",
          "flow_order_arrival_rate","micro_trade_interval_mean","vol_tick_density","vol_realized_jump",
          "micro_vpin_50","micro_vpin_ma_20","vol_realized_rrv"]:
    print(f, round(float(s[f]),4), f"{round(100*(mkt[f].astype(float)<float(s[f])).mean(),1)}%")
# 判读：负IC族(v_persist/toxicity_persist/flow_buy/sell/order_arrival/tick_density/realized_jump)≥70%高位=利空；
#       正IC族(vpin_vol_ratio/order_duration/cancel_lifetime/trade_interval_mean/vpin_50/ma_20)≤40%低位=缺资金
EOF

# ⑦ 新闻三步纵深（L7，方法论见 docs/news_sentiment_deep_report.md §13）
#    ①直接消息：Huntly 库按标题/正文搜 {名称}/{代码}（窗口 T-2~T）；②相关行业归类；③21 条规律对照
curl -s -H "$AUTH" "$BASE/api/v1/news/articles?tickers=600519&industries=白酒&limit=30&strong_only=true"
curl -s -H "$AUTH" "$BASE/api/v1/news/articles?tickers=600519&sort=sentiment_bullish&limit=10"

3.2 财务基本面（三表联动 + 每股指标，parquet 直读）

财务数据在 parquet（单位=元，季频），symbols/features 快照拿不到， 必须 docker exec 直读：

docker exec quantmind python3 - <<'EOF'
import pandas as pd
base = "/data/quantdb/3_financial_data"
code = "600519.SH"
inc  = pd.read_parquet(f"{base}/income/{code}.parquet")        # 利润表（元）
bal  = pd.read_parquet(f"{base}/balance/{code}.parquet")       # 资产负债表（元）
cf   = pd.read_parquet(f"{base}/cashflow/{code}.parquet")      # 现金流量表（元）
ps   = pd.read_parquet(f"{base}/pershare_index/{code}.parquet")# 每股指标（ROE 直接可用）
dv   = pd.read_parquet(f"{base}/dividend_factors/{code}.parquet")
hn   = pd.read_parquet(f"{base}/holder_num/{code}.parquet")
# 最新 8 期趋势（每期 m_timetag=YYYYMMDD）
for df in (inc, bal, cf, ps):
    print(df.tail(8)[["m_timetag"] + [c for c in df.columns if c in (
        "revenue","net_profit_incl_min_int_inc","net_cash_flows_oper_act","s_fa_eps_basic",
        "s_fa_bps","s_fa_ocfps","equity_roe","net_roe","sales_gross_profit",
        "inc_net_profit_rate","inventory_turnover","goodwill","tot_assets","tot_liab",
        "account_receivable","inventories","tot_shrhldr_eqy_excl_min_int")]])
print(hn.tail(4)[["endDate","shareholder"]])   # 股东户数（户）
print(dv.tail(4)[["time","interest"]])         # interest=每10股派息（元），每股股息=interest/10
EOF

指标公式（全部写死在报告里，禁止心算）：

• 单季营收增速 = 本期营收 / 去年同期营收 − 1（找去年同期行：m_timetag - 10000）
• 毛利率 = sales_gross_profit（%）；净利率 = inc_net_profit_rate（%）
• 经营现金流/净利润（利润质量）：cf.net_cash_flows_oper_act / inc.net_profit_incl_min_int_inc，连续 2 期 < 1 → 红牌
• 应收+存货增速 vs 营收增速（压货检测）；商誉/净资产 > 30% → 减值风险
• ROE = equity_roe（%）；股息率 = interest/10/close(不复权)×100，与 valuation.dividend_rate 互验
• 股东户数环比 = (本期−上期)/上期：户数↓筹码集中，↑派发

3.3 估值（三维对照 + 历史分位，parquet 直读）

docker exec quantmind python3 - <<'EOF'
import pandas as pd, glob
# 拉近 5 年 valuation 序列算历史分位（Hive 分区 dt=YYYYMMDD/data.parquet）
files = sorted(glob.glob("/data/quantdb/5_technical_derived/valuation/dt=*/data.parquet"))[-1260:]
rows = []
for f in files:
    df = pd.read_parquet(f, columns=["symbol","time","pe_ttm","pb","ps_ttm","dividend_rate","total_mv","float_mv"])
    r = df[df.symbol == "600519.SH"]
    if len(r): rows.append(r.iloc[0])
v = pd.DataFrame(rows).sort_values("time").dropna(subset=["pe_ttm"])
cur = v.iloc[-1]
print("当前 PE %.2f 处于近5年 %.0f%% 分位（%d 个交易日）" % (cur.pe_ttm, (v.pe_ttm <= cur.pe_ttm).mean()*100, len(v)))
print("PB %.2f 分位 %.0f%%，股息率 %.3f%%" % (cur.pb, (v.pb <= cur.pb).mean()*100, cur.dividend_rate))
print("总市值 %.0f 亿元 / 流通市值 %.0f 亿元" % (cur.total_mv/1e8, cur.float_mv/1e8))
EOF

• 注意：valuation.dividend_rate 20260814 起才是百分数口径，此前为小数——历史分位计算必须先按日期统一口径（×10 归一）
• 负 PE / 无盈利 → 用 PB/PS；行业相对：l1 ind_relative_pe（<1 = 相对行业折价，从 symbols/features 快照的 industry 类取）
• 一句话结论模板：PE 23.1x = 近 5 年 18% 分位，行业相对 0.72 → 估值不构成风险

3.4 技术分析（分层递进 + 关键价位）

• 趋势层：MA5/10/20/60 排列（多头/空头/粘合），收盘价在均线系统的位置
• 动能层：MACD（dif/dea/hist 方向 + 柱状收敛/放大）、RSI 6/14（超买超卖 + 背离）、KDJ
• 波动层：vol_atr_14（元）、vol_std_60（%，technical 口径）、beta_20（高 beta = 大盘放大镜，L0 结论加重）
• 量价层：vol_to_ma5/20（量比）、volume_trend_3d（放量上涨 vs 缩量反弹）
• 支撑/压力：K 线近 20/60 日高低点（注意 /research/kline 是不复权价，与后复权指标对比时要先换算）

3.5 资金与筹码（多口径交叉 + 融资融券）

• 分单口径（l2，API 已换算为百万元）：flowSuperNet（超大单）/flowLargeNet（大单）/flowMediumNet/flowSmallNet——三口径同向才可信；parquet 原值是元（差 1e6）
• 全口径：flowNetAmount + flowNetRatio（净流入占成交比）
• 筹码（l1）：chipProfitRatio20/60（获利盘%）、chipConcentration20、chipPeakDistance、chipProfitDelta5（5日获利盘变化——散户接盘还是主力吸筹）
• ⚠️ l2 分区停滞 20260227：flow/chip/micro 型字段近期大量 NaN。若 l2 全 NaN，明确标注「l2 数据缺失（厂商停更），资金结论降级为不可验证」而不是跳过或编造
• 融资融券（parquet，单位：finance_*=万元、slo_volume=股）：

docker exec quantmind python3 - <<'EOF'
import pandas as pd, glob
files = sorted(glob.glob("/data/quantdb/2_base_sector/margin_trading/dt=*/data.parquet"))[-30:]
rows = []
for f in files:
    df = pd.read_parquet(f, columns=["symbol","time","finance_balance","finance_buy","finance_repay","finance_net","slo_volume","slo_net"])
    r = df[df.symbol == "600519.SH"]
    if len(r): rows.append(r.iloc[0])
m = pd.DataFrame(rows).sort_values("time")
cur = m.iloc[-1]
print("融资余额 %.1f 亿元（近30日 %+.1f%%）" % (cur.finance_balance/1e4, (cur.finance_balance/m.iloc[0].finance_balance-1)*100))
print("近30日融资净买入累计 %.1f 万元，融券净卖出 %.0f 股" % (m.finance_net.tail(20).sum(), m.slo_net.tail(20).sum()))
EOF

• 经典背离：股价涨 + 大单净流出 + 获利盘快速上升 = 散户接盘主力派发

3.6 行业与概念（个股强 ≠ 行业强）

• 行业：indStrength20/60、indRotationSpeed20、indCrowding20（拥挤度——太热警惕）、indBreadthUp20、indNetflowRank20、indRelativePe
• 概念：conceptHotScore、conceptMomentumTop3、conceptLeaderScore、conceptCrowdingMax
• 结论三分类：行业强+个股强（共振，最理想）/ 行业弱+个股强（逆势，持续性存疑）/ 行业强+个股弱（掉队）

3.7 模型信号（多模型共识，不只看一个）

• /api/v1/models 拉用户模型列表（items[]，字段 id + is_default）；/api/v1/inference/models（engine 直连）拉系统模型（字段 model_id）
• 按 model_id 逐个拉 history——不同模型是独立视角（不同训练期/周期 T3/T10/T15/融合）
• 三个观察：① 共识度（多模型同方向=高置信，分歧=单独说明）② 趋势（分数序列上升/回落，看变化方向不看绝对值）③ 极值（分数在该模型历史序列的分位）
• signal_side（BUY/HOLD/SELL）+ score_rank（当天批次内截面排名，越小越靠前）并列引用
• 模型分数逐条列明「数据交易日／信号生效日／模型／运行批次／融合值／方向」，缺失字段写未知；同日多批次不得按连续自然日描述，跨模型或未知批次不得推断连续趋势。含正值时不得称全部或持续为负。
• 日期口径：pred_parquet 的 trade_date 是数据日；inference_runs 看条目 date_semantics，数据日缺失时保留生效日；signal-overlay 的 date 是生效日。休市期间生成的节后预测不代表假期行情评分，行情截至日与预测生效日分开注明，不填充假期分数。
• 模型与量价/资金背离是最值钱的信号（基本面好但模型持续 SELL = 边际改善未被确认 → "好公司 ≠ 好买点"）

3.8 新闻舆情（催化剂 vs 印证）

curl -s -H "$AUTH" "$BASE/api/v1/news/articles?tickers=600519&limit=30"
curl -s -H "$AUTH" "$BASE/api/v1/news/articles?tickers=600519&industries=白酒&strong_only=true"
curl -s -H "$AUTH" "$BASE/api/v1/news/articles?tickers=600519&sort=sentiment_bullish&limit=10"

• 个股 + 行业双通道；sentiment=bullish|bearish|neutral 分类统计；event_tags 事件标签（并购/财报/解禁/政策）
• 事件型新闻要找后续数据印证（公告增持 → 查资金流是否真流入）
• 无新闻：明确标 [数据缺失]；禁止编造新闻。价值排序：政策 > 公司重大事件 > 行业动态 > 分析师观点 > 市场情绪文

4. 量化数据挖掘（基于 QuantDB 因子）

curl -s -H "$AUTH" "$BASE/api/v1/admin/data-platform/quantdb/catalog"
curl -s -H "$AUTH" "$BASE/api/v1/admin/data-platform/quantdb/preview?dataset=l1_factors&limit=5"

深度挖掘路径（因子组合分析）

分析主题	用到的 QuantDB 字段
动量挖掘	mom_ret_5d/20d/60d, mom_ma_gap_*, mom_rsi_*
波动率掘金	vol_std_*, vol_atr_14, vol_parkinson_*, vol_gk_20
流动性异常	liq_volume_ratio_5/20, liq_obv_20, liq_mfi_14
资金流异动	flow_net_*, flow_large_net, flow_money_flow_index（⚠️ l2 停更 20260227）
筹码集中	chip_profit_ratio_*, chip_concentration_20, chip_peak_distance
行业强度	ind_strength_20/60, ind_rotation_speed_20, ind_crowding_20
概念热度	concept_hot_score, concept_momentum_top3, concept_leader_score
微观结构	micro_vpin_*, micro_pin, micro_order_flow_toxicity, micro_kyle_lambda

5. 数据导出（CSV / Excel）

5.1 导出选股候选 CSV

curl -s -H "$AUTH" "$BASE/api/v1/selection/daily" -o /tmp/selection.json
python3 <<'EOF'
import json, csv
d = json.load(open('/tmp/selection.json'))
meta = d.get('meta', {}); ms = d.get('market_state', {})
cands = d.get('candidates', [])
with open('/tmp/selection.csv', 'w', newline='', encoding='utf-8-sig') as f:
    w = csv.writer(f)
    w.writerow(['代码','名称','分数','行业','趋势','买入理由'])
    for c in cands:
        w.writerow([c.get('symbol'), c.get('name'), round(c.get('score',0),4), c.get('industry'), c.get('trend'), c.get('buy_reason')])
print(f'导出 {len(cands)} 只选股 → /tmp/selection.csv（交易日 {meta.get("trade_date")}，市场状态 {ms.get("state")}）')
EOF

5.2 导出个股全维度特征 CSV

curl -s -X POST -H "$AUTH" -H "$CT" "$BASE/api/v1/research/symbols/features" \
  -d '{"symbols":["600519.SH"]}' -o /tmp/stock_features.json
python3 <<'EOF'
import json
d = json.load(open('/tmp/stock_features.json')).get('data', {})
snap = (d.get('items') or [d])[0]  # 快照：嵌套分类 {类: {字段: 值}} 或扁平字段
rows = []
for cat, fields in snap.items():
    if isinstance(fields, dict):
        for k, v in fields.items():
            rows.append([cat, k, v])
    elif cat not in ('code', 'symbol'):
        rows.append(['base', cat, fields])
with open('/tmp/stock_features.csv', 'w', newline='', encoding='utf-8-sig') as f:
    w = csv.writer(f)
    w.writerow(['类别','字段','值'])
    for r in rows: w.writerow(r)
print(f'导出 {len(rows)} 个字段 → /tmp/stock_features.csv（API 已换算：市值=亿元、flow=百万元）')
EOF

5.3 导出批量股票对比 CSV

curl -s -X POST -H "$AUTH" -H "$CT" "$BASE/api/v1/research/batch-features" \
  -d '{"symbols":["600519.SH","000858.SZ","601318.SH"],"fields":["pe","pb","roe","totalMv","momRet20d","volStd20","mainFlow"]}' \
  -o /tmp/batch_features.json
python3 <<'EOF'
import json, csv
d = json.load(open('/tmp/batch_features.json')).get('data', {}).get('items', [])
with open('/tmp/stock_compare.csv', 'w', newline='', encoding='utf-8-sig') as f:
    w = csv.writer(f)
    if d:
        w.writerow(['代码'] + list(d[0].get('values', {}).keys()))
        for it in d:
            w.writerow([it.get('symbol')] + list(it.get('values', {}).values()))
print(f'导出 {len(d)} 只股票对比 → /tmp/stock_compare.csv')
EOF

5.4 导出风险相关字段 CSV（无独立风险评分端点：导出原始字段供§7.1 风险提示表打分）

curl -s -X POST -H "$AUTH" -H "$CT" "$BASE/api/v1/research/batch-features" \
  -d '{"symbols":["600519.SH","000858.SZ","601318.SH"],"fields":["pe","pb","roe","totalMv","momRet20d","volStd20","mainFlow"]}' \
  -o /tmp/risk_fields.json
python3 <<'EOF'
import json, csv
d = json.load(open('/tmp/risk_fields.json')).get('data', {}).get('items', [])
with open('/tmp/risk_fields.csv', 'w', newline='', encoding='utf-8-sig') as f:
    w = csv.writer(f)
    if d:
        w.writerow(['代码'] + list(d[0].get('values', {}).keys()))
        for it in d:
            w.writerow([it.get('symbol')] + list(it.get('values', {}).values()))
print(f'导出 {len(d)} 只风险字段 → /tmp/risk_fields.csv（评分按§7.1 风险提示表人工/模型判读，不虚构端点）')
EOF

6. 全市场候选池分析（投研）

# 某次推理批次的候选池（含各股行业/概念/指数/分数）
curl -s -H "$AUTH" "$BASE/api/v1/research/overview?limit=100"
# 指定 run 的全池数据（筛选/排序需要全池）
curl -s -H "$AUTH" "$BASE/api/v1/research/universe?run_id=run_20260805_xxx&limit=2000"

7. 研报输出格式（券商研报级排版）

输出报告时必须采用以下结构。Markdown 表格承载所有数据， 每个表格列名带单位，每个计算指标在下方用小字注明公式与数据来源。

7.1 报告骨架

# {股票名}（{代码}）深度分析报告

> **报告日期**：{YYYY-MM-DD}　**数据截至**：{最新交易日，注明各数据集实际日期}
> **分析框架**：市场环境 → 基本面 → 估值 → 技术 → 资金筹码 → 行业 → 模型 → 舆情
> **免责声明**：本报告由 AI 自动生成，仅供研究参考，不构成投资建议。

## 一、投资要点（3-5 条，每条 ≤ 1 行，多空都写）

## 二、核心结论

| 维度 | 评级 | 核心依据（带数值） |
|---|---|---|
| 市场环境 | 中性/偏多/偏空 | 上证 3927 vs MA20 3890，建议仓位 40% |
| 基本面 | 优秀/良好/一般/恶化 | 单季营收 +12.3%，现金流/净利润 1.15 |
| 估值 | 低估/合理/高估 | PE 23.1x = 近5年 18% 分位 |
| 技术面 | 多头/空头/震荡 | 收盘站上 MA20/60，MACD 金叉后柱状放大 |
| 资金面 | 流入/流出/分歧 | 近5日大单净流入 +2.1 亿元 |
| 综合评级 | 买入/增持/中性/减持 | 好公司 + 好价格 + 时机待确认 |

## 三、公司概况与业务透视
（名称、代码、申万行业、上市日期、总市值/流通市值、两融标的与否）

## 四、财务分析（最近 8 个报告期表格 + 趋势解读）
| 报告期 | 营收(亿元) | 单季同比% | 归母净利(亿元) | 毛利率% | 净利率% | ROE% | EPS(元) | 经营现金流(亿元) |
|---|---|---|---|---|---|---|---|---|
（每个 % 值注明：毛利=利润表 sales_gross_profit，同比=本期/去年同期−1，现金流/净利=利润质量）

## 五、估值分析
| 指标 | 当前值 | 近5年分位 | 行业相对 | 判断 |
|---|---|---|---|---|
| PE(TTM) | 23.1x | 18% | 0.72 | 低估 |
| PB | … | … | — | … |
| 股息率 | 0.39% | … | — | … |

## 六、技术分析
（趋势/动能/波动/量价分层 + 关键支撑压力位 + 各指标当前值与判断依据）

## 七、资金面与筹码
（超大单/大单/散户三口径 + 近5日/20日趋势 + 融资融券 + 获利盘 + 派发/吸筹判断）

## 八、行业与概念
（行业强度/拥挤度/资金流排名 + 共振/逆势/掉队分类 + 概念热度）

## 九、AI 模型信号
| 模型 | 周期 | 最新分数 | 180日趋势 | 信号 | 排名 |
|---|---|---|---|---|---|
（共识度 + 与量价背离说明）

## 十、多空证据对照
| 层 | 多方证据 | 空方证据 |
|---|---|---|
（每格带数值，无证据写「—」）

## 十一、风险提示（按严重度排序）
1. **{风险}**：{触发条件 + 影响 + 监测指标}

## 十二、操作建议
| 持仓状态 | 建议 | 触发条件 |
|---|---|---|
| 未持仓 | 等待回踩 62 元或模型转 BUY | 放量突破 68 元可追 |
| 已持仓 | 持有，止损 58 元 | 跌破 MA60 或大单连续 3 日流出减仓 |

7.2 排版铁律

1. 每个数字带单位：亿元/百万元/万元/元、股/手、%、x（倍）——没有单位的数字禁止出现在报告里
2. 每个计算指标带公式：股息率 = 每10股派息 0.98 ÷ 10 ÷ 不复权收盘 66.19 × 100 = 0.148%
3. 每个时间序列注明口径：前复权/后复权/不复权、单季/累计/同比
4. 数据分层标注：API 数据标 [API]、parquet 直读标 [parquet]、模型信号标 [模型]、新闻标 [新闻]；缺失标 [数据缺失]（注明缺的是哪个数据集）
5. 禁止编造：拿不到的数据写缺失原因，绝不估一个数字
6. 评级统一：综合评级只允许 买入/增持/中性/减持/卖出 五档，且必须由多维证据推导，禁止只凭单一指标

7.3 报告落盘（必做，做完才叫交付）

报告生成后必须写入股票报告目录（前端「股票报告」页展示的就是这里）：

data/reports/stock_reports/{市场名}/{股票名}/{股票名}{代码}_{日期}_投研分析报告.{md,pdf}
例：data/reports/stock_reports/A股市场/工业富联/工业富联601138_2026-08-16_投研分析报告.md

• 市场名：A股市场（无空格）/ 美股市场 / 港股市场 / 区块链市场 / 期货市场
• 文件名三段下划线格式：{股票名}{代码}_{YYYY-MM-DD}_投研分析报告，前端按此解析股票名/代码/日期
• md → pdf 转换（reportlab 只有容器里有）：

  docker cp /tmp/report.md quantmind:/tmp/report.md
  docker exec quantmind bash -lc "cd /app && python3 backend/scripts/md_to_pdf_report.py /tmp/report.md /tmp/report.pdf"
  docker cp quantmind:/tmp/report.pdf /tmp/report.pdf
  

• 落盘权限陷阱：宿主机上 data/reports/stock_reports/ 的目录 owner 是容器内 root，宿主机直接 cp md 会 EACCES——必须走 docker cp（容器内路径 /data/reports/stock_reports/...，宿主机的 ./db 挂载到容器 /app/db）：

  docker cp /tmp/report.md quantmind:/data/reports/stock_reports/A股市场/{股票名}/{股票名}{代码}_{日期}_投研分析报告.md
  docker cp /tmp/report.pdf quantmind:/data/reports/stock_reports/A股市场/{股票名}/{股票名}{代码}_{日期}_投研分析报告.pdf
  

• 交付确认：ls 目标目录确认 md+pdf 都存在；只发 /tmp 路径 = 未交付

7.4 PDF 设计规范（研报级视觉）

backend/scripts/md_to_pdf_report.py 已按券商研报风格输出，报告沿用即可：

1. 配色语义（A股红涨绿跌，自动生效）：报告用词按语义自动着色——涨/买入/增持/偏多/流入→红（#C0392B），跌/卖出/减持/偏空/流出/高估→绿（#1E8449），中性/震荡/观望→琥珀（#B07D00）。表格里纯数值单元格按正负自动染红/绿底
2. 表格：深蓝表头白字 + 金色表头底线 + 斑马纹；列宽按内容自适应（CJK 全宽/ASCII 半宽估算，单列封顶 40%）；表头+数据单元格全部居中
3. 标题层级：H2 章节 = 金色竖线 + 深蓝粗体 + 金色细分隔线；H1 = 居中大标题
4. 封面页：深海军蓝底 + 金色双线 + 白字报告标题 + 报告日期/数据截至（自动取自 > **报告日期**/ **数据截至** blockquote 行）
5. 页眉页脚：金色细线 + 当前章节名（跨页延续上一章节）+「第 X 页 / 共 Y 页」+ 免责声明；封面页无页眉页脚
6. 引用块（>）：米色金边提示框；分隔线（---）：金色细线
7. 数字表达：表格中的数字避免夹杂说明文字（如「+24.9% 后回落」应拆到表格外），数值列保持纯数字才能触发红绿底色

8. 复杂度分级（智能体按需选择深度）

级别	用时	内容
快速体检	1-2 min	L0 市场 + 估值 + 技术 + 默认模型 + 风险卡，输出核心结论表
标准分析	3-5 min	全部 9 层 + 财务 4 期 + 估值分位 + 多模型 + L4b 截面分位 + L7 三步纵深简版 + 完整研报模板
深度尽调	10+ min	标准分析 + 财务 8 期三表 + 5 年估值分位 + 全模型逐拉 + 融资融券 30 日 + 股东户数趋势 + 分红历史 + L4b 全因子截面 + L7 21 条规律对照全量 + 多空证据对照 + 情景推演（目标价区间）

9. 相关技能联动

• [[quantdb-fields]] — 必读：全部数据集单位/口径速查（本技能计算正确性的前提）
• [[quantdb-sdk]] — QuantDB 数据源（Key 配置、28 数据集、字段清单）
• [[smart-strategy-stock-picking]] — 条件选股（QuantDB 字段字典 DSL 筛选）
• [[news-sentiment-research]] — 新闻七维方法论（本技能 L7 层的底座，21 条规律 + 三步纵深）
• [[quantmind-operations]] — 模型训练/推理/RSS 新闻
• [[rd-agent-factor-mining]] — 因子挖掘深化分析维度
• L2 微观结构报告 — scripts/L2_微观结构因子系统化分析报告.md（211 因子 IC 方向 + 截面分位框架，本技能 L4b 层的底座）

10. 常见问题

现象	处理
选股 candidates 空	检查 total_signals 与 market_state（MA20 空仓保护），或 ignore_ma20=true
个股特征空	确认 symbol 格式（600519.SH），用 /research/batch-features 批量试
财务/融资融券数据拿不到	这些不在 API 里，必须 docker exec 直读 parquet（见 3.2/3.5）
l2 资金流字段全 NaN	l2 分区停更 20260227（厂商侧），明确标注数据缺失，勿编造
股息率两个值对不上	valuation.dividend_rate 20260814 起切换百分数口径，跨日对比先 ×10 归一
risk 接口 MA 与实际价差一个量级（如 ma5=147 vs 价 26）	复权口径陷阱：接口曾混入后复权 features_daily 的 MA。必须先拉 /research/kline 用 pandas rolling 自算核对，以 K 线为准；20260817 起接口已改为前复权重算，但历史报告/旧缓存仍可能踩坑
市值/成交额数字离谱	单位错：API 市值=亿元、flow=百万元；parquet 市值=元；成交额永远是万元
导出乱码	CSV 用 utf-8-sig 编码（已内置 BOM）