A股研究与选股

总原则

把输出定位为证据化研究和条件式情景推演，不把代理指标写成已知账户行为，不承诺收益。

区分两种模式：

个股诊断：输入一只股票，完成完整研究并给出观察结论。
股票筛选：输入股票池或行业，先执行硬性排除和统一打分，再对排名靠前者执行个股诊断。

若用户只给股票简称，先确认证券代码、交易所和公司全称。存在同名、简称变更或跨市场歧义时，不要继续猜测。

加载参考资料

每次执行完整研究时：

读取 references/data-contract.md，按数据文件、状态和完成门槛使用本地数据。
读取 references/evidence-and-sources.md，按来源层级和时效要求取证。
读取 references/analysis-framework.md，统一指标、评分和风险否决规则。
读取 references/institutional-retail-behavior.md，执行机构与散户博弈推演。
读取 references/output-template.md，严格按模板输出。

若用户只要求其中一个模块，只加载对应参考文件，但仍遵守本文件的证据、措辞和安全规则。

第一次本地部署

始终把依赖安装到用户工作区的 .venv，不静默修改全局 Python。安装会联网并写入本地环境；若环境尚未就绪，先征得用户许可，再运行：

powershell -ExecutionPolicy Bypass -File <skill目录>\scripts\setup_local.ps1 -Workspace <工作区>

安装后统一使用 <工作区>\.venv\Scripts\python.exe。不要在 Skill 分析中临时下载包；若运行环境禁止下载，应说明需要先完成一次部署，而不是把依赖缺失误报为股票数据缺失。

发布包已在 Python 3.10 验证，部署脚本接受 Python 3.10—3.12。系统命令不是 python 时用 -PythonCommand <python.exe路径>；已有本地包缓存且禁止联网时可加 -Offline。部署成功会打印 Python、AkShare、pandas、NumPy 和 PyYAML 版本。常见恢复顺序：确认 Python 命令可用、删除失败创建且未包含用户数据的工作区 .venv、重新运行部署；不要删除 data 目录。

工作流

1. 明确任务口径

记录：

证券代码、交易所、公司全称、分析截止时间。
个股诊断或股票筛选模式。
持有周期、风险偏好、是否持仓及成本价；未提供时分别给出短线、波段和中期视角，不虚构个人情况。
行业分类口径。优先同时给出证监会行业和一个主流二级行业；不得混用不同时点或不同体系的行业均值。

2. 收集可追溯证据

完整报告先用统一采集器建立可复现的本地数据包。每个数据源独立失败，一个接口故障不得使整个报告停止：

& <工作区>\.venv\Scripts\python.exe <skill目录>\scripts\collect_a_share_bundle.py `
  --code <六位代码> `
  --as-of <YYYY-MM-DD> `
  --output <工作区>\data\a_share\<六位代码> `
  --years 3 `
  --margin-days 10 `
  --institution-quarters 8

先读取输出目录中的 manifest.json，再读取成功生成的CSV和 market_signals.json。按 success、no_event、empty、failed、structurally_limited 解释状态。不得在运行采集器前笼统声称数据缺失，也不得把接口失败说成市场无数据。

完整报告至少要求 price_history_253_ok、financial_8_periods_ok 和 recent_price_3_rows_ok 为真，并能核验公司身份、最近完整收盘和重大公告。未达到时输出降级报告并降低对应权重，不给伪精确总分。

随后联网核验会随时间变化的数据。优先读取交易所公告、公司定期/临时报告、监管部门、政府和统计机构等一手来源。行情、资金和一致预期可使用可靠数据平台，但必须标注平台、口径和时间。

覆盖：

最新盘口或最近收盘行情，以及5/20/60/120/252个交易日价格和成交量。
最近一期财务报告，并回看至少8个季度；年度趋势至少3年。
估值历史分位及同业可比公司。
最近12个月公司、行业、政策和产业链事件。
已公布的未来事件日历；把未来内容分为确定日历、市场预期和情景推演。
融资融券、龙虎榜、大宗交易、股东人数、机构持仓等可获得的资金代理。

不得用搜索摘要代替关键原文。列出缺失、冲突、延迟和未经确认的数据。

若截止日尚未收盘、当日数据未落库或只有不完整盘中数据，自动回退到最近一个完整交易日作为日线计算截止日，同时把报告生成时间和行情截止日分开标注。只有用户明确要求盘中分析时才使用盘中快照。

3. 计算量化指标

统一采集器会自动生成 market_signals.json 和 fund_flow_proxy.csv。优先使用平台订单大小口径的 fund_flow_daily.csv；平台资金接口失败时，使用本地OHLCV代理，并明确其不是机构、大单、小单或真实净流入：

signed_amount_proxy：收盘位置值乘成交额。
signed_volume_proxy：按当日涨跌方向赋号的成交量。
3/5/10/20日滚动值：只表示量价压力，不能识别账户身份。

最近几日分析至少检查最近3个完整交易日的收盘、成交量/额、量价压力代理和可得的融资融券。龙虎榜、大宗交易无记录写“区间内无事件”；北向单股日频结构性不可得时，仅使用最近公开季度口径并注明披露期。

如只需为用户自带CSV计算指标，可运行：

& <工作区>\.venv\Scripts\python.exe <skill目录>\scripts\compute_market_signals.py <行情.csv> --symbol <证券代码> --pretty

CSV至少包含 date,close，可选 symbol,open,high,low,volume,amount,turnover。脚本兼容常见中文列名。把脚本结果当作量价证据，不把其中的启发式代理分数当作真实资金身份。

股票池筛选时，可结合项目根目录已有的 stock_picker.py 论文动量信号，但必须额外加入流动性、停牌、风险警示、行业暴露、交易成本和基本面约束；不得把单一因子直接当成最终推荐。

4. 完成七层分析

依次分析：

公司与主营业务。
基本面质量和财务异常。
估值与同业比较。
多周期走势、量价、筹码和资金代理。
行业景气、政策、产业链、公司事件和未来日历。
机构多头、空头/对冲、量化资金的竞争性情景。
散户群体、心理偏差、触发价位和情绪脆弱性。

为每项重要判断提供支持证据、反对证据、置信度和失效条件。

5. 进行情景推演

至少输出乐观、中性、悲观三种情景。每个情景给出：

主导参与者和可能目标。
可观察的触发条件。
可能路径而非确定点位。
反证与失效条件。
主观概率及其依据。

概率总和保持100%。数据不足时扩大“不确定”而不是编造精确概率。

6. 评分与结论

使用参考框架的统一权重。先检查风险否决项，再评分。输出“值得关注、继续观察、谨慎、回避”之一，并说明适用周期。不要仅凭技术面或资金流给出结论。

强制措辞规则

写“数据显示/代理指标提示/更符合某种情景”，不要写“主力已经吸筹/庄家必然拉升”。
写“若条件A出现，则情景B概率上升”，不要无条件预测具体下一步。
把事实、市场一致预期、分析推断、未证实传闻分开。
把做空、减仓、套期保值、套利和风险控制分开。
不推断具体机构账户、真实成本或仓位，除非有公开披露。
不提供虚假申报、对倒、拉抬打压、诱多诱空或其他操纵市场的执行方法。
可以识别疑似异常形态，但同时提供正常调仓、流动性和指数再平衡等替代解释。
引用网页时链接到支持结论的原始页面，并在结论附近标注。

完成检查

交付前确认：身份无歧义、数据有截止时间、财务无错期、价格使用一致复权口径、行业比较同口径、无未来函数、消息有来源、主力与散户均为概率推断、三种情景概率合计100%、结论包含反方论证和失效条件。