[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M7F5GFG5KMN7933TKYFSWTHR":3,"skill-same:01M7F5GFG5KMN7933TKYFSWTHR":56},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":24,"commitSha":25,"skillDirectory":26,"forksCount":27,"repositoryHtmlUrl":28,"repositoryHomepageUrl":6,"ownerHtmlUrl":29,"ownerBlogUrl":6,"ownerDescription":30,"updatedAt":31,"install":32,"resources":45},"01M7F5GFG5KMN7933TKYFSWTHR","stock-market-analysis",null,"股票市场深度数据分析与导出 — 全市场信号扫描、行业轮动、个股研报级深度分析（基本面\u002F估值\u002F技术\u002F资金筹码\u002F情绪\u002F风险六维）、数据挖掘、CSV\u002FExcel 导出。在 QuantBot \u002F Claude Code 中分析股票市场、挖掘机会、导出分析数据、生成选股\u002F投研报告时使用。触发词：分析市场、数据分析、数据挖掘、全市场扫描、行业轮动、导出数据、导出CSV、生成报告、投研分析、深度分析、挖掘机会、个股研报、个股分析","lza6\u002FArmor-piercing-system-prompts","lza6","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F128880206?v=4","01M7EB3K7WPX5T28EJ2NVHE6EG","Chinese-tingfeng","01M7EB3K97E1KQ16QWKJMFNGX8",11,"MIT","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F05-技能与代理开发\u002Fstock-market-analysis\u002FSKILL.md",[],[],"2026-11-16 10:05:34",false,"---\nname: stock-market-analysis\ndescription: \"股票市场深度数据分析与导出 — 全市场信号扫描、行业轮动、个股研报级深度分析（基本面\u002F估值\u002F技术\u002F资金筹码\u002F情绪\u002F风险六维）、数据挖掘、CSV\u002FExcel 导出。在 QuantBot \u002F Claude Code 中分析股票市场、挖掘机会、导出分析数据、生成选股\u002F投研报告时使用。触发词：分析市场、数据分析、数据挖掘、全市场扫描、行业轮动、导出数据、导出CSV、生成报告、投研分析、深度分析、挖掘机会、个股研报、个股分析\"\n---\n\n> ## ⚙️ 运行环境契约（最高优先级，先于本文其余内容执行）\n>\n> 本技能可能运行在 **QuantBot（QwenPaw 容器）** 或**宿主机\u002F本地 Claude Code**。执行前先探测环境（`which docker`、API 连通性），并遵守以下映射规则：\n>\n> 1. **后端 API 地址**：QwenPaw \u002F 容器网络内一律用 `http:\u002F\u002Fquantmind:8000`（`quantmind` 是 docker 网络别名）；仅宿主机调试用 `http:\u002F\u002F127.0.0.1:8000`。正文中出现的 `127.0.0.1:8000`、`localhost:800x`，在 QwenPaw 环境下自动替换为 `http:\u002F\u002Fquantmind:8000`。\n> 2. **取数脚本执行**：凡 import 了 `pandas \u002F duckdb \u002F psycopg2 \u002F numpy \u002F sqlalchemy` 等重依赖或 `backend` 包的脚本，**必须在 quantmind 容器内执行**（QwenPaw 本地 venv 无这些依赖）：\n>    ```bash\n>    docker cp \u003C脚本路径> quantmind:\u002Ftmp\u002F\u003C脚本名> && docker exec -w \u002Fapp quantmind python3 \u002Ftmp\u002F\u003C脚本名> \u003C参数>\n>    ```\n>    脚本源三选一：宿主机 repo `skills\u002F\u003Cname>\u002Fscripts\u002F`、QwenPaw 工作区 `\u002Fapp\u002Fworking\u002Fworkspaces\u002Fdefault\u002Fskills\u002F\u003Cname>\u002Fscripts\u002F`、挂载目录 `\u002Fquantmind\u002Fskills\u002F\u003Cname>\u002Fscripts\u002F`。纯标准库脚本（无重依赖）可在 QwenPaw 本地直接跑。\n> 3. **报告落盘**：股票报告页可见的 MD\u002FPDF 报告，直接写 `\u002Fdata\u002Freports\u002Ftrading_agents\u002F{市场或类别}\u002F{股票名}\u002F`（QwenPaw 对 `\u002Fapp\u002Fdb` 有写权限，**直接写文件，不要 docker cp**）；过程数据 facts 写 `\u002Fdata\u002Freports\u002F\u003C类别>\u002F`（`\u002Fdata` 可写）。\n> 4. **MD → PDF 转换（按优先级降级）**：\n>    ① `docker exec -w \u002Fapp quantmind python3 backend\u002Fscripts\u002Fmd_to_pdf_report.py \u003C输入.md> \u003C输出.pdf>`（研报级排版，首选）；\n>    ② docker 不可用时，**改用 QwenPaw 内置 `pdf` 技能**把 MD 转成 PDF；\n>    ③ 两者都不可用则只交付 MD，并明确告知用户 PDF 未能生成及原因。\n> 5. 本文中的 `~\u002F.claude`、`cp -r ... ~\u002F.claude\u002Fskills` 等说明仅适用于本地 Claude Code 维护者，**QuantBot 不要执行**。\n\n# 股票市场深度数据分析与导出\n\n基于 QuantDB 全量数据（K线\u002F财务\u002F估值\u002F技术\u002F315维因子\u002F融资融券\u002F股东户数）的股票市场深度分析 + 数据导出技能。\n\n> **⚠️ 数据计算零容忍（本技能最高优先级）**\n> 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**，\n> 并在报告中注明换算步骤。单位\u002F口径错 = 结论全部作废。核心陷阱：\n>\n> | 陷阱 | 正确口径 |\n> |---|---|\n> | 个股 volume=**股**、amount=**万元** | 指数 volume=**手**、amount=万元 |\n> | `close*volume\u002Famount ≈ 1e4`（个股自检公式） | 指数 ≈ 2e4 |\n> | technical_indicators 的 close=**后复权** | valuation\u002Fmarket_sentiment=**不复权** |\n> | 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 |\n> | l1 `vol_std_*` 是**小数**（0.0406） | technical_indicators `vol_std_*` 是 **%**（4.06），差 100 倍 |\n> | `\u002Fresearch\u002Ffeatures` API 已换算：市值→亿元、flow*→百万元 | parquet 原值：市值=元、flow=元（差 1e8\u002F1e6） |\n> | 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 |\n> | min1\u002Fmin5 停更 20260724、hsgt_north 停更 202408 | 别当实时数据用 |\n> | 财务 parquet 单位=**元** | instrument_detail `J_*`=万元、`Zsz\u002FLtsz`=亿元 |\n> | 股息：dividend_factors `interest`=**每10股派息** | 算每股股息要 \u002F10 |\n> | **risk\u002Ffeatures 接口的 MA\u002FATR 是复权口径陷阱（高危）**：ma*\u002Fma_gap*\u002Fvol_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\u002Fgap\u002FATR 改为基于前复权 close 重算（ma_gap_N=(close\u002FmaN−1)×100，ATR=Wilder）。引用接口 MA 前必须用 `\u002Fresearch\u002Fkline` 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** |\n\n## 认证\n\n```bash\nBASE=http:\u002F\u002F127.0.0.1:8000\nTOKEN=$(curl -s -X POST $BASE\u002Fapi\u002Fv1\u002Fauth\u002Flogin -H \"Content-Type: application\u002Fjson\" \\\n  -d '{\"username\":\"admin\",\"password\":\"admin123\",\"tenant_id\":\"default\"}' \\\n  | python3 -c \"import sys,json; print(json.load(sys.stdin).get('access_token',''))\")\nAUTH=\"Authorization: Bearer $TOKEN\"\nCT=\"Content-Type: application\u002Fjson\"\n```\n\n## 1. 全市场信号扫描（选股）\n\n```bash\n# 全市场扫描：11000+ 信号 → 精简候选\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fdaily\"\n# 返回: {meta:{trade_date, total_signals, strategy_config}, market_state:{state,should_enter,position_advice}, candidates, industry_signals}\n# candidates 每项: {symbol, name, score, industry, trend, buy_reason, warnings}\n\n# 指定策略 \u002F 指定日期 \u002F 忽略 MA20 空仓保护\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fdaily?strategy=aggressive\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fdaily?date=2026-08-14&ignore_ma20=true\"\n\n# 选股历史 \u002F 做空候选（负分分析）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fhistory\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fnegative\"\n```\n\n## 2. 行业轮动与板块分析\n\n选股响应的 `industry_signals` 字段包含各行业强度信号（行业 Top1 分数均值、强行业数等）：\n\n| 信号 | 阈值 | 含义 |\n|---|---|---|\n| `industry_avg_top1` | ≥ 0.09 | 行业整体强度达标 |\n| `strong_industry_count` | ≥ 2 | 强行业（Top1≥0.10）数量足够 → 可入场 |\n| 谨慎 | 强行业数不足 | 降低仓位预期 |\n| 空仓观望 | 无强行业 | 不参与 |\n\n板块热度交叉验证（页面版端点，`\u002Fapi\u002Fv1\u002Fmarket-analysis\u002F*`）：\n```bash\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmarket-analysis\u002Fmoney-flow\u002Fperiod?period=5d&dimension=sector&category=shenwan&limit=25\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmarket-analysis\u002Fheatmap?trade_date=2026-08-14\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmarket-analysis\u002Ftags\u002Fby-tag?tag=半导体\"\n```\n\n## 3. 个股研报级深度分析（核心流程）\n\n用户要求\"分析\u002F深度分析\"某股票时，按 **REFERENCES\u002Fquantdb-full-analysis-design.md** 的 9 层框架执行（L0 市场 → L1 估值 → L2 财务 → L3 技术 → L4 资金筹码 → **L4b 订单微结构截面** → L5 行业 → L6 模型 → L7 新闻七维）。\n**每层必须有具体数值、必须展示计算公式**，不做泛泛之谈。输出格式见第 7 节研报模板。\n\n> **⚡ 跑全流程先读 `REFERENCES\u002Fstock-9layer-runbook.md`**（端到端操作手册）：一键取数 `scripts\u002Fstock_9layer_fetch.py {code}` →\n> 九层判读模板 → 跨层合成 → 报告落盘命令 → 双案例校准（法拉电子\u002F振华科技）→ 红线清单。设计原则看 design doc，执行标准看 runbook。\n\n> 两个特化子方法（2026-08 集成）：\n> - **L4b 订单微结构**：按《L2 微观结构因子系统化分析报告》判 IC 方向 + 计算个股 vs 全市场**截面分位**。铁律：VPIN 族是正 IC（高位偏多，别当毒性利空）、vol_persistence\u002Ftoxicity_persistence 是负 IC（高位偏空）、L2 是 T+5\u002FT+10 持续信号（看状态分位而非单日变化）。\n> - **L7 新闻七维**：按 [[news-sentiment-research]] + `docs\u002Fnews_sentiment_deep_report.md` §13 做**三步纵深**——①直接消息判定（无则明写）→ ②相关行业归类（禁止冒充个股消息）→ ③21 条规律对照打分（来源\u002F时段\u002F多篇\u002F首日动量\u002F反转\u002F标签\u002F板块）→ 输出明确新闻面结论。\n\n### 3.1 数据采集（先全量拉取，再按需深挖）\n\n```bash\n# ① 全维度特征（估值\u002F技术\u002F动量\u002F波动\u002F流动性\u002F资金流\u002F风格\u002F行业\u002F筹码\u002F概念\u002F微观结构\u002F情绪，371 字段）\n#    注意：API 已换算单位（市值→亿元、flow*→百万元、totalMv→亿元），引用时注明\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fresearch\u002Ffeatures\u002F600519.SH\"\n\n# ② K线（120 日，不复权价 + adj_factor）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fresearch\u002Fkline\u002F600519.SH?days=120\"\n# 多市场 K 线（A-HK-US，daily；A股 QuantDB 本地 parquet 优先）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmarket\u002Fkline?symbol=600519.SH&market=A&period=daily&days=120\"\n\n# ③ 模型信号（按 model_id 逐个拉，多模型共识；详见 3.7）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\"                    # 用户模型列表（items[]，含 id\u002Fmetadata\u002Fis_default）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\u002Finference\u002Fstock\u002F600519.SH\u002Fhistory?days=180\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\u002Finference\u002Fstock\u002F600519.SH\u002Fhistory?days=180&model_id=xxx\"\n\n# ④ 风险评分卡（6 维度 + veto 项）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Frisk\u002Fscore\u002F600519.SH\"\n\n# ⑤ 大盘环境（L0，先于一切）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fdaily\"           # market_state 牛熊+仓位建议\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmarket\u002Findex-kline?symbol=000001.SH&days=60\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmarket\u002Foverview\"           # 多市场指数概览\n\n# ⑥ 订单微结构截面分位（L4b，2026-08 新增；先确认最新分区）\ndocker exec quantmind ls \u002Fdata\u002Fquantdb\u002F6_ml_datasets\u002Fl2_factors\u002F | tail -1   # → dt=YYYYMMDD\ndocker exec quantmind python3 - \u003C\u003C'EOF'\nimport duckdb, pandas as pd\ndt = \"YYYYMMDD\"   # 上一步最新分区\nmkt = duckdb.connect().execute(f\"SELECT * FROM read_parquet('\u002Fdata\u002Fquantdb\u002F6_ml_datasets\u002Fl2_factors\u002Fdt={dt}\u002Fdata.parquet')\").df()\ns = mkt[mkt.symbol == \"600519.SH\"].iloc[0]\nfor f in [\"vol_persistence\",\"micro_vpin_vol_ratio\",\"flow_buy_amount\",\"flow_sell_amount\",\n          \"micro_toxicity_persistence\",\"flow_order_duration_p90\",\"flow_cancel_lifetime\",\n          \"flow_order_arrival_rate\",\"micro_trade_interval_mean\",\"vol_tick_density\",\"vol_realized_jump\",\n          \"micro_vpin_50\",\"micro_vpin_ma_20\",\"vol_realized_rrv\"]:\n    print(f, round(float(s[f]),4), f\"{round(100*(mkt[f].astype(float)\u003Cfloat(s[f])).mean(),1)}%\")\n# 判读：负IC族(v_persist\u002Ftoxicity_persist\u002Fflow_buy\u002Fsell\u002Forder_arrival\u002Ftick_density\u002Frealized_jump)≥70%高位=利空；\n#       正IC族(vpin_vol_ratio\u002Forder_duration\u002Fcancel_lifetime\u002Ftrade_interval_mean\u002Fvpin_50\u002Fma_20)≤40%低位=缺资金\nEOF\n\n# ⑦ 新闻三步纵深（L7，方法论见 docs\u002Fnews_sentiment_deep_report.md §13）\n#    ①直接消息：Huntly 库按标题\u002F正文搜 {名称}\u002F{代码}（窗口 T-2~T）；②相关行业归类；③21 条规律对照\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fnews\u002Farticles?tickers=600519&industries=白酒&limit=30&strong_only=true\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fnews\u002Farticles?tickers=600519&sort=sentiment_bullish&limit=10\"\n```\n\n### 3.2 财务基本面（三表联动 + 每股指标，parquet 直读）\n\n财务数据在 parquet（单位=**元**，季频），`\u002Fresearch\u002Ffeatures` 拿不到，\n**必须 docker exec 直读**：\n\n```bash\ndocker exec quantmind python3 - \u003C\u003C'EOF'\nimport pandas as pd\nbase = \"\u002Fdata\u002Fquantdb\u002F3_financial_data\"\ncode = \"600519.SH\"\ninc  = pd.read_parquet(f\"{base}\u002Fincome\u002F{code}.parquet\")        # 利润表（元）\nbal  = pd.read_parquet(f\"{base}\u002Fbalance\u002F{code}.parquet\")       # 资产负债表（元）\ncf   = pd.read_parquet(f\"{base}\u002Fcashflow\u002F{code}.parquet\")      # 现金流量表（元）\nps   = pd.read_parquet(f\"{base}\u002Fpershare_index\u002F{code}.parquet\")# 每股指标（ROE 直接可用）\ndv   = pd.read_parquet(f\"{base}\u002Fdividend_factors\u002F{code}.parquet\")\nhn   = pd.read_parquet(f\"{base}\u002Fholder_num\u002F{code}.parquet\")\n# 最新 8 期趋势（每期 m_timetag=YYYYMMDD）\nfor df in (inc, bal, cf, ps):\n    print(df.tail(8)[[\"m_timetag\"] + [c for c in df.columns if c in (\n        \"revenue\",\"net_profit_incl_min_int_inc\",\"net_cash_flows_oper_act\",\"s_fa_eps_basic\",\n        \"s_fa_bps\",\"s_fa_ocfps\",\"equity_roe\",\"net_roe\",\"sales_gross_profit\",\n        \"inc_net_profit_rate\",\"inventory_turnover\",\"goodwill\",\"tot_assets\",\"tot_liab\",\n        \"account_receivable\",\"inventories\",\"tot_shrhldr_eqy_excl_min_int\")]])\nprint(hn.tail(4)[[\"endDate\",\"shareholder\"]])   # 股东户数（户）\nprint(dv.tail(4)[[\"time\",\"interest\"]])         # interest=每10股派息（元），每股股息=interest\u002F10\nEOF\n```\n\n**指标公式（全部写死在报告里，禁止心算）**：\n- 单季营收增速 = 本期营收 \u002F 去年同期营收 − 1（找去年同期行：`m_timetag - 10000`）\n- 毛利率 = `sales_gross_profit`（%）；净利率 = `inc_net_profit_rate`（%）\n- 经营现金流\u002F净利润（利润质量）：`cf.net_cash_flows_oper_act \u002F inc.net_profit_incl_min_int_inc`，连续 2 期 \u003C 1 → 红牌\n- 应收+存货增速 vs 营收增速（压货检测）；商誉\u002F净资产 > 30% → 减值风险\n- ROE = `equity_roe`（%）；股息率 = `interest\u002F10\u002Fclose(不复权)×100`，与 valuation.dividend_rate 互验\n- 股东户数环比 = (本期−上期)\u002F上期：户数↓筹码集中，↑派发\n\n### 3.3 估值（三维对照 + 历史分位，parquet 直读）\n\n```bash\ndocker exec quantmind python3 - \u003C\u003C'EOF'\nimport pandas as pd, glob\n# 拉近 5 年 valuation 序列算历史分位（Hive 分区 dt=YYYYMMDD\u002Fdata.parquet）\nfiles = sorted(glob.glob(\"\u002Fdata\u002Fquantdb\u002F5_technical_derived\u002Fvaluation\u002Fdt=*\u002Fdata.parquet\"))[-1260:]\nrows = []\nfor f in files:\n    df = pd.read_parquet(f, columns=[\"symbol\",\"time\",\"pe_ttm\",\"pb\",\"ps_ttm\",\"dividend_rate\",\"total_mv\",\"float_mv\"])\n    r = df[df.symbol == \"600519.SH\"]\n    if len(r): rows.append(r.iloc[0])\nv = pd.DataFrame(rows).sort_values(\"time\").dropna(subset=[\"pe_ttm\"])\ncur = v.iloc[-1]\nprint(\"当前 PE %.2f 处于近5年 %.0f%% 分位（%d 个交易日）\" % (cur.pe_ttm, (v.pe_ttm \u003C= cur.pe_ttm).mean()*100, len(v)))\nprint(\"PB %.2f 分位 %.0f%%，股息率 %.3f%%\" % (cur.pb, (v.pb \u003C= cur.pb).mean()*100, cur.dividend_rate))\nprint(\"总市值 %.0f 亿元 \u002F 流通市值 %.0f 亿元\" % (cur.total_mv\u002F1e8, cur.float_mv\u002F1e8))\nEOF\n```\n\n- **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）\n- 负 PE \u002F 无盈利 → 用 PB\u002FPS；行业相对：l1 `ind_relative_pe`（\u003C1 = 相对行业折价，从 \u002Fresearch\u002Ffeatures 的 industry 类取）\n- 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`\n\n### 3.4 技术分析（分层递进 + 关键价位）\n\n- **趋势层**：MA5\u002F10\u002F20\u002F60 排列（多头\u002F空头\u002F粘合），收盘价在均线系统的位置\n- **动能层**：MACD（dif\u002Fdea\u002Fhist 方向 + 柱状收敛\u002F放大）、RSI 6\u002F14（超买超卖 + 背离）、KDJ\n- **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）\n- **量价层**：`vol_to_ma5\u002F20`（量比）、`volume_trend_3d`（放量上涨 vs 缩量反弹）\n- 支撑\u002F压力：K 线近 20\u002F60 日高低点（**注意 \u002Fresearch\u002Fkline 是不复权价**，与后复权指标对比时要先换算）\n\n### 3.5 资金与筹码（多口径交叉 + 融资融券）\n\n- **分单口径**（l2，API 已换算为百万元）：`flowSuperNet`（超大单）\u002F`flowLargeNet`（大单）\u002F`flowMediumNet`\u002F`flowSmallNet`——三口径同向才可信；parquet 原值是元（差 1e6）\n- **全口径**：`flowNetAmount` + `flowNetRatio`（净流入占成交比）\n- **筹码**（l1）：`chipProfitRatio20\u002F60`（获利盘%）、`chipConcentration20`、`chipPeakDistance`、`chipProfitDelta5`（5日获利盘变化——散户接盘还是主力吸筹）\n- **⚠️ l2 分区停滞 20260227**：flow\u002Fchip\u002Fmicro 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\n- **融资融券**（parquet，单位：finance_*=**万元**、slo_volume=**股**）：\n\n```bash\ndocker exec quantmind python3 - \u003C\u003C'EOF'\nimport pandas as pd, glob\nfiles = sorted(glob.glob(\"\u002Fdata\u002Fquantdb\u002F2_base_sector\u002Fmargin_trading\u002Fdt=*\u002Fdata.parquet\"))[-30:]\nrows = []\nfor f in files:\n    df = pd.read_parquet(f, columns=[\"symbol\",\"time\",\"finance_balance\",\"finance_buy\",\"finance_repay\",\"finance_net\",\"slo_volume\",\"slo_net\"])\n    r = df[df.symbol == \"600519.SH\"]\n    if len(r): rows.append(r.iloc[0])\nm = pd.DataFrame(rows).sort_values(\"time\")\ncur = m.iloc[-1]\nprint(\"融资余额 %.1f 亿元（近30日 %+.1f%%）\" % (cur.finance_balance\u002F1e4, (cur.finance_balance\u002Fm.iloc[0].finance_balance-1)*100))\nprint(\"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()))\nEOF\n```\n- 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**\n\n### 3.6 行业与概念（个股强 ≠ 行业强）\n\n- 行业：`indStrength20\u002F60`、`indRotationSpeed20`、`indCrowding20`（拥挤度——太热警惕）、`indBreadthUp20`、`indNetflowRank20`、`indRelativePe`\n- 概念：`conceptHotScore`、`conceptMomentumTop3`、`conceptLeaderScore`、`conceptCrowdingMax`\n- 结论三分类：**行业强+个股强**（共振，最理想）\u002F **行业弱+个股强**（逆势，持续性存疑）\u002F **行业强+个股弱**（掉队）\n\n### 3.7 模型信号（多模型共识，不只看一个）\n\n- `\u002Fapi\u002Fv1\u002Fmodels` 拉**用户模型列表**（`items[]`，字段 `id` + `is_default`）；`\u002Fapi\u002Fv1\u002Finference\u002Fmodels`（engine 直连）拉系统模型（字段 `model_id`）\n- 按 `model_id` 逐个拉 `history`——不同模型是独立视角（不同训练期\u002F周期 T3\u002FT10\u002FT15\u002F融合）\n- 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\u002F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）\n- `signal_side`（BUY\u002FHOLD\u002FSELL）+ `score_rank`（当天批次内截面排名，越小越靠前）并列引用\n- **模型与量价\u002F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\"）\n\n### 3.8 新闻舆情（催化剂 vs 印证）\n\n```bash\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fnews\u002Farticles?tickers=600519&limit=30\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fnews\u002Farticles?tickers=600519&industries=白酒&strong_only=true\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fnews\u002Farticles?tickers=600519&sort=sentiment_bullish&limit=10\"\n```\n- 个股 + 行业双通道；`sentiment=bullish|bearish|neutral` 分类统计；`event_tags` 事件标签（并购\u002F财报\u002F解禁\u002F政策）\n- 事件型新闻要找**后续数据印证**（公告增持 → 查资金流是否真流入）\n- 无新闻：明确标 `[数据缺失]`；**禁止编造新闻**。价值排序：政策 > 公司重大事件 > 行业动态 > 分析师观点 > 市场情绪文\n\n## 4. 量化数据挖掘（基于 QuantDB 因子）\n\n```bash\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fadmin\u002Fdata-platform\u002Fquantdb\u002Fcatalog\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fadmin\u002Fdata-platform\u002Fquantdb\u002Fpreview?dataset=l1_factors&limit=5\"\n```\n\n### 深度挖掘路径（因子组合分析）\n\n| 分析主题 | 用到的 QuantDB 字段 |\n|---|---|\n| **动量挖掘** | `mom_ret_5d\u002F20d\u002F60d, mom_ma_gap_*, mom_rsi_*` |\n| **波动率掘金** | `vol_std_*, vol_atr_14, vol_parkinson_*, vol_gk_20` |\n| **流动性异常** | `liq_volume_ratio_5\u002F20, liq_obv_20, liq_mfi_14` |\n| **资金流异动** | `flow_net_*, flow_large_net, flow_money_flow_index`（⚠️ l2 停更 20260227） |\n| **筹码集中** | `chip_profit_ratio_*, chip_concentration_20, chip_peak_distance` |\n| **行业强度** | `ind_strength_20\u002F60, ind_rotation_speed_20, ind_crowding_20` |\n| **概念热度** | `concept_hot_score, concept_momentum_top3, concept_leader_score` |\n| **微观结构** | `micro_vpin_*, micro_pin, micro_order_flow_toxicity, micro_kyle_lambda` |\n\n## 5. 数据导出（CSV \u002F Excel）\n\n### 5.1 导出选股候选 CSV\n```bash\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fdaily\" -o \u002Ftmp\u002Fselection.json\npython3 \u003C\u003C'EOF'\nimport json, csv\nd = json.load(open('\u002Ftmp\u002Fselection.json'))\nmeta = d.get('meta', {}); ms = d.get('market_state', {})\ncands = d.get('candidates', [])\nwith open('\u002Ftmp\u002Fselection.csv', 'w', newline='', encoding='utf-8-sig') as f:\n    w = csv.writer(f)\n    w.writerow(['代码','名称','分数','行业','趋势','买入理由'])\n    for c in cands:\n        w.writerow([c.get('symbol'), c.get('name'), round(c.get('score',0),4), c.get('industry'), c.get('trend'), c.get('buy_reason')])\nprint(f'导出 {len(cands)} 只选股 → \u002Ftmp\u002Fselection.csv（交易日 {meta.get(\"trade_date\")}，市场状态 {ms.get(\"state\")}）')\nEOF\n```\n\n### 5.2 导出个股全维度特征 CSV\n```bash\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fresearch\u002Ffeatures\u002F600519.SH\" -o \u002Ftmp\u002Fstock_features.json\npython3 \u003C\u003C'EOF'\nimport json\nd = json.load(open('\u002Ftmp\u002Fstock_features.json')).get('data', {})\nrows = []\nfor cat, fields in d.items():\n    if isinstance(fields, dict):\n        for k, v in fields.items():\n            rows.append([cat, k, v])\nwith open('\u002Ftmp\u002Fstock_features.csv', 'w', newline='', encoding='utf-8-sig') as f:\n    w = csv.writer(f)\n    w.writerow(['类别','字段','值'])\n    for r in rows: w.writerow(r)\nprint(f'导出 {len(rows)} 个字段 → \u002Ftmp\u002Fstock_features.csv（API 已换算：市值=亿元、flow=百万元）')\nEOF\n```\n\n### 5.3 导出批量股票对比 CSV\n```bash\ncurl -s -X POST -H \"$AUTH\" -H \"$CT\" \"$BASE\u002Fapi\u002Fv1\u002Fresearch\u002Fbatch-features\" \\\n  -d '{\"symbols\":[\"600519.SH\",\"000858.SZ\",\"601318.SH\"],\"fields\":[\"pe\",\"pb\",\"roe\",\"totalMv\",\"momRet20d\",\"volStd20\",\"mainFlow\"]}' \\\n  -o \u002Ftmp\u002Fbatch_features.json\npython3 \u003C\u003C'EOF'\nimport json, csv\nd = json.load(open('\u002Ftmp\u002Fbatch_features.json')).get('data', {}).get('items', [])\nwith open('\u002Ftmp\u002Fstock_compare.csv', 'w', newline='', encoding='utf-8-sig') as f:\n    w = csv.writer(f)\n    if d:\n        w.writerow(['代码'] + list(d[0].get('values', {}).keys()))\n        for it in d:\n            w.writerow([it.get('symbol')] + list(it.get('values', {}).values()))\nprint(f'导出 {len(d)} 只股票对比 → \u002Ftmp\u002Fstock_compare.csv')\nEOF\n```\n\n### 5.4 导出风险评分卡 CSV\n```bash\ncurl -s -X POST -H \"$AUTH\" -H \"$CT\" \"$BASE\u002Fapi\u002Fv1\u002Frisk\u002Fscores\" \\\n  -d '{\"symbols\":[\"600519.SH\",\"000858.SZ\",\"601318.SH\"]}' -o \u002Ftmp\u002Frisk_batch.json\npython3 \u003C\u003C'EOF'\nimport json, csv\nd = json.load(open('\u002Ftmp\u002Frisk_batch.json')).get('data', {}).get('items', {})\nwith open('\u002Ftmp\u002Frisk_scores.csv', 'w', newline='', encoding='utf-8-sig') as f:\n    w = csv.writer(f)\n    w.writerow(['代码','风险分','等级','否决','否决原因','日期'])\n    for sym, v in d.items():\n        w.writerow([sym, v.get('risk_score'), v.get('risk_level'), v.get('veto'), ';'.join(v.get('veto_reasons') or []), v.get('trade_date')])\nprint(f'导出 {len(d)} 只风险评分 → \u002Ftmp\u002Frisk_scores.csv')\nEOF\n```\n\n## 6. 全市场候选池分析（投研）\n\n```bash\n# 某次推理批次的候选池（含各股行业\u002F概念\u002F指数\u002F分数）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fresearch\u002Foverview?limit=100\"\n# 指定 run 的全池数据（筛选\u002F排序需要全池）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fresearch\u002Funiverse?run_id=run_20260805_xxx&limit=2000\"\n```\n\n## 7. 研报输出格式（券商研报级排版）\n\n> 输出报告时**必须**采用以下结构。Markdown 表格承载所有数据，\n> 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。\n\n### 7.1 报告骨架\n\n```markdown\n# {股票名}（{代码}）深度分析报告\n\n> **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}\n> **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\n> **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。\n\n## 一、投资要点（3-5 条，每条 ≤ 1 行，多空都写）\n\n## 二、核心结论\n\n| 维度 | 评级 | 核心依据（带数值） |\n|---|---|---|\n| 市场环境 | 中性\u002F偏多\u002F偏空 | 上证 3927 vs MA20 3890，建议仓位 40% |\n| 基本面 | 优秀\u002F良好\u002F一般\u002F恶化 | 单季营收 +12.3%，现金流\u002F净利润 1.15 |\n| 估值 | 低估\u002F合理\u002F高估 | PE 23.1x = 近5年 18% 分位 |\n| 技术面 | 多头\u002F空头\u002F震荡 | 收盘站上 MA20\u002F60，MACD 金叉后柱状放大 |\n| 资金面 | 流入\u002F流出\u002F分歧 | 近5日大单净流入 +2.1 亿元 |\n| 综合评级 | 买入\u002F增持\u002F中性\u002F减持 | 好公司 + 好价格 + 时机待确认 |\n\n## 三、公司概况与业务透视\n（名称、代码、申万行业、上市日期、总市值\u002F流通市值、两融标的与否）\n\n## 四、财务分析（最近 8 个报告期表格 + 趋势解读）\n| 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) |\n|---|---|---|---|---|---|---|---|---|\n（每个 % 值注明：毛利=利润表 sales_gross_profit，同比=本期\u002F去年同期−1，现金流\u002F净利=利润质量）\n\n## 五、估值分析\n| 指标 | 当前值 | 近5年分位 | 行业相对 | 判断 |\n|---|---|---|---|---|\n| PE(TTM) | 23.1x | 18% | 0.72 | 低估 |\n| PB | … | … | — | … |\n| 股息率 | 0.39% | … | — | … |\n\n## 六、技术分析\n（趋势\u002F动能\u002F波动\u002F量价分层 + 关键支撑压力位 + 各指标当前值与判断依据）\n\n## 七、资金面与筹码\n（超大单\u002F大单\u002F散户三口径 + 近5日\u002F20日趋势 + 融资融券 + 获利盘 + 派发\u002F吸筹判断）\n\n## 八、行业与概念\n（行业强度\u002F拥挤度\u002F资金流排名 + 共振\u002F逆势\u002F掉队分类 + 概念热度）\n\n## 九、AI 模型信号\n| 模型 | 周期 | 最新分数 | 180日趋势 | 信号 | 排名 |\n|---|---|---|---|---|---|\n（共识度 + 与量价背离说明）\n\n## 十、多空证据对照\n| 层 | 多方证据 | 空方证据 |\n|---|---|---|\n（每格带数值，无证据写「—」）\n\n## 十一、风险提示（按严重度排序）\n1. **{风险}**：{触发条件 + 影响 + 监测指标}\n\n## 十二、操作建议\n| 持仓状态 | 建议 | 触发条件 |\n|---|---|---|\n| 未持仓 | 等待回踩 62 元或模型转 BUY | 放量突破 68 元可追 |\n| 已持仓 | 持有，止损 58 元 | 跌破 MA60 或大单连续 3 日流出减仓 |\n```\n\n### 7.2 排版铁律\n\n1. **每个数字带单位**：亿元\u002F百万元\u002F万元\u002F元、股\u002F手、%、x（倍）——没有单位的数字禁止出现在报告里\n2. **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%`\n3. **每个时间序列注明口径**：前复权\u002F后复权\u002F不复权、单季\u002F累计\u002F同比\n4. **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）\n5. **禁止编造**：拿不到的数据写缺失原因，绝不估一个数字\n6. **评级统一**：综合评级只允许 买入\u002F增持\u002F中性\u002F减持\u002F卖出 五档，且必须由多维证据推导，禁止只凭单一指标\n\n### 7.3 报告落盘（必做，做完才叫交付）\n\n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）：\n\n```\ndb\u002Ftrading_agents_results\u002F{市场名}\u002F{股票名}\u002F{股票名}{代码}_{日期}_投研分析报告.{md,pdf}\n例：db\u002Ftrading_agents_results\u002FA股市场\u002F工业富联\u002F工业富联601138_2026-08-16_投研分析报告.md\n```\n\n- 市场名：`A股市场`（**无空格**）\u002F 美股市场 \u002F 港股市场 \u002F 区块链市场 \u002F 期货市场\n- 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\u002F代码\u002F日期\n- **md → pdf 转换**（reportlab 只有容器里有）：\n  ```bash\n  docker cp \u002Ftmp\u002Freport.md quantmind:\u002Ftmp\u002Freport.md\n  docker exec quantmind bash -lc \"cd \u002Fapp && python3 backend\u002Fscripts\u002Fmd_to_pdf_report.py \u002Ftmp\u002Freport.md \u002Ftmp\u002Freport.pdf\"\n  docker cp quantmind:\u002Ftmp\u002Freport.pdf \u002Ftmp\u002Freport.pdf\n  ```\n- **落盘权限陷阱**：宿主机上 `db\u002Ftrading_agents_results\u002F` 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 `\u002Fdata\u002Freports\u002Ftrading_agents\u002F...`，宿主机的 `.\u002Fdb` 挂载到容器 `\u002Fapp\u002Fdb`）：\n  ```bash\n  docker cp \u002Ftmp\u002Freport.md quantmind:\u002Fdata\u002Freports\u002Ftrading_agents\u002FA股市场\u002F{股票名}\u002F{股票名}{代码}_{日期}_投研分析报告.md\n  docker cp \u002Ftmp\u002Freport.pdf quantmind:\u002Fdata\u002Freports\u002Ftrading_agents\u002FA股市场\u002F{股票名}\u002F{股票名}{代码}_{日期}_投研分析报告.pdf\n  ```\n- 交付确认：ls 目标目录确认 md+pdf 都存在；只发 \u002Ftmp 路径 = 未交付\n\n### 7.4 PDF 设计规范（研报级视觉）\n\n`backend\u002Fscripts\u002Fmd_to_pdf_report.py` 已按券商研报风格输出，报告沿用即可：\n\n1. **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\u002F买入\u002F增持\u002F偏多\u002F流入→**红**（#C0392B），跌\u002F卖出\u002F减持\u002F偏空\u002F流出\u002F高估→**绿**（#1E8449），中性\u002F震荡\u002F观望→**琥珀**（#B07D00）。表格里纯数值单元格按正负自动染红\u002F绿底\n2. **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\u002FASCII 半宽估算，单列封顶 40%）；**表头+数据单元格全部居中**\n3. **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\n4. **封面页**：深海军蓝底 + 金色双线 + 白字报告标题 + 报告日期\u002F数据截至（自动取自 `> **报告日期**\u002F **数据截至**` blockquote 行）\n5. **页眉页脚**：金色细线 + 当前章节名（跨页延续上一章节）+「第 X 页 \u002F 共 Y 页」+ 免责声明；封面页无页眉页脚\n6. **引用块**（`>`）：米色金边提示框；分隔线（`---`）：金色细线\n7. **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\n\n## 8. 复杂度分级（智能体按需选择深度）\n\n| 级别 | 用时 | 内容 |\n|---|---|---|\n| 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 |\n| 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 |\n| 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） |\n\n## 9. 相关技能联动\n\n- **[[quantdb-fields]]** — **必读**：全部数据集单位\u002F口径速查（本技能计算正确性的前提）\n- **[[quantdb-sdk]]** — QuantDB 数据源（Key 配置、28 数据集、字段清单）\n- **[[smart-strategy-stock-picking]]** — 条件选股（183 字段 DSL 筛选）\n- **[[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）\n- **[[quantmind-operations]]** — 模型训练\u002F推理\u002FRSS 新闻\n- **[[rd-agent-factor-mining]]** — 因子挖掘深化分析维度\n- **L2 微观结构报告** — `scripts\u002FL2_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）\n\n## 10. 常见问题\n\n| 现象 | 处理 |\n|---|---|\n| 选股 candidates 空 | 检查 `total_signals` 与 `market_state`（MA20 空仓保护），或 `ignore_ma20=true` |\n| 个股特征空 | 确认 symbol 格式（600519.SH），用 `\u002Fresearch\u002Fbatch-features` 批量试 |\n| 财务\u002F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\u002F3.5） |\n| 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 |\n| 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 |\n| 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 `\u002Fresearch\u002Fkline` 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\u002F旧缓存仍可能踩坑 |\n| 市值\u002F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 |\n| 导出乱码 | CSV 用 `utf-8-sig` 编码（已内置 BOM） |\n","> ## ⚙️ 运行环境契约（最高优先级，先于本文其余内容执行）\n>\n> 本技能可能运行在 **QuantBot（QwenPaw 容器）** 或**宿主机\u002F本地 Claude Code**。执行前先探测环境（`which docker`、API 连通性），并遵守以下映射规则：\n>\n> 1. **后端 API 地址**：QwenPaw \u002F 容器网络内一律用 `http:\u002F\u002Fquantmind:8000`（`quantmind` 是 docker 网络别名）；仅宿主机调试用 `http:\u002F\u002F127.0.0.1:8000`。正文中出现的 `127.0.0.1:8000`、`localhost:800x`，在 QwenPaw 环境下自动替换为 `http:\u002F\u002Fquantmind:8000`。\n> 2. **取数脚本执行**：凡 import 了 `pandas \u002F duckdb \u002F psycopg2 \u002F numpy \u002F sqlalchemy` 等重依赖或 `backend` 包的脚本，**必须在 quantmind 容器内执行**（QwenPaw 本地 venv 无这些依赖）：\n>    ```bash\n>    docker cp \u003C脚本路径> quantmind:\u002Ftmp\u002F\u003C脚本名> && docker exec -w \u002Fapp quantmind python3 \u002Ftmp\u002F\u003C脚本名> \u003C参数>\n>    ```\n>    脚本源三选一：宿主机 repo `skills\u002F\u003Cname>\u002Fscripts\u002F`、QwenPaw 工作区 `\u002Fapp\u002Fworking\u002Fworkspaces\u002Fdefault\u002Fskills\u002F\u003Cname>\u002Fscripts\u002F`、挂载目录 `\u002Fquantmind\u002Fskills\u002F\u003Cname>\u002Fscripts\u002F`。纯标准库脚本（无重依赖）可在 QwenPaw 本地直接跑。\n> 3. **报告落盘**：股票报告页可见的 MD\u002FPDF 报告，直接写 `\u002Fdata\u002Freports\u002Ftrading_agents\u002F{市场或类别}\u002F{股票名}\u002F`（QwenPaw 对 `\u002Fapp\u002Fdb` 有写权限，**直接写文件，不要 docker cp**）；过程数据 facts 写 `\u002Fdata\u002Freports\u002F\u003C类别>\u002F`（`\u002Fdata` 可写）。\n> 4. **MD → PDF 转换（按优先级降级）**：\n>    ① `docker exec -w \u002Fapp quantmind python3 backend\u002Fscripts\u002Fmd_to_pdf_report.py \u003C输入.md> \u003C输出.pdf>`（研报级排版，首选）；\n>    ② docker 不可用时，**改用 QwenPaw 内置 `pdf` 技能**把 MD 转成 PDF；\n>    ③ 两者都不可用则只交付 MD，并明确告知用户 PDF 未能生成及原因。\n> 5. 本文中的 `~\u002F.claude`、`cp -r ... ~\u002F.claude\u002Fskills` 等说明仅适用于本地 Claude Code 维护者，**QuantBot 不要执行**。\n\n# 股票市场深度数据分析与导出\n\n基于 QuantDB 全量数据（K线\u002F财务\u002F估值\u002F技术\u002F315维因子\u002F融资融券\u002F股东户数）的股票市场深度分析 + 数据导出技能。\n\n> **⚠️ 数据计算零容忍（本技能最高优先级）**\n> 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**，\n> 并在报告中注明换算步骤。单位\u002F口径错 = 结论全部作废。核心陷阱：\n>\n> | 陷阱 | 正确口径 |\n> |---|---|\n> | 个股 volume=**股**、amount=**万元** | 指数 volume=**手**、amount=万元 |\n> | `close*volume\u002Famount ≈ 1e4`（个股自检公式） | 指数 ≈ 2e4 |\n> | technical_indicators 的 close=**后复权** | valuation\u002Fmarket_sentiment=**不复权** |\n> | 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 |\n> | l1 `vol_std_*` 是**小数**（0.0406） | technical_indicators `vol_std_*` 是 **%**（4.06），差 100 倍 |\n> | `\u002Fresearch\u002Ffeatures` API 已换算：市值→亿元、flow*→百万元 | parquet 原值：市值=元、flow=元（差 1e8\u002F1e6） |\n> | 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 |\n> | min1\u002Fmin5 停更 20260724、hsgt_north 停更 202408 | 别当实时数据用 |\n> | 财务 parquet 单位=**元** | instrument_detail `J_*`=万元、`Zsz\u002FLtsz`=亿元 |\n> | 股息：dividend_factors `interest`=**每10股派息** | 算每股股息要 \u002F10 |\n> | **risk\u002Ffeatures 接口的 MA\u002FATR 是复权口径陷阱（高危）**：ma*\u002Fma_gap*\u002Fvol_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\u002Fgap\u002FATR 改为基于前复权 close 重算（ma_gap_N=(close\u002FmaN−1)×100，ATR=Wilder）。引用接口 MA 前必须用 `\u002Fresearch\u002Fkline` 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** |\n\n## 认证\n\n```bash\nBASE=http:\u002F\u002F127.0.0.1:8000\nTOKEN=$(curl -s -X POST $BASE\u002Fapi\u002Fv1\u002Fauth\u002Flogin -H \"Content-Type: application\u002Fjson\" \\\n  -d '{\"username\":\"admin\",\"password\":\"admin123\",\"tenant_id\":\"default\"}' \\\n  | python3 -c \"import sys,json; print(json.load(sys.stdin).get('access_token',''))\")\nAUTH=\"Authorization: Bearer $TOKEN\"\nCT=\"Content-Type: application\u002Fjson\"\n```\n\n## 1. 全市场信号扫描（选股）\n\n```bash\n# 全市场扫描：11000+ 信号 → 精简候选\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fdaily\"\n# 返回: {meta:{trade_date, total_signals, strategy_config}, market_state:{state,should_enter,position_advice}, candidates, industry_signals}\n# candidates 每项: {symbol, name, score, industry, trend, buy_reason, warnings}\n\n# 指定策略 \u002F 指定日期 \u002F 忽略 MA20 空仓保护\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fdaily?strategy=aggressive\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fdaily?date=2026-08-14&ignore_ma20=true\"\n\n# 选股历史 \u002F 做空候选（负分分析）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fhistory\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fnegative\"\n```\n\n## 2. 行业轮动与板块分析\n\n选股响应的 `industry_signals` 字段包含各行业强度信号（行业 Top1 分数均值、强行业数等）：\n\n| 信号 | 阈值 | 含义 |\n|---|---|---|\n| `industry_avg_top1` | ≥ 0.09 | 行业整体强度达标 |\n| `strong_industry_count` | ≥ 2 | 强行业（Top1≥0.10）数量足够 → 可入场 |\n| 谨慎 | 强行业数不足 | 降低仓位预期 |\n| 空仓观望 | 无强行业 | 不参与 |\n\n板块热度交叉验证（页面版端点，`\u002Fapi\u002Fv1\u002Fmarket-analysis\u002F*`）：\n```bash\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmarket-analysis\u002Fmoney-flow\u002Fperiod?period=5d&dimension=sector&category=shenwan&limit=25\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmarket-analysis\u002Fheatmap?trade_date=2026-08-14\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmarket-analysis\u002Ftags\u002Fby-tag?tag=半导体\"\n```\n\n## 3. 个股研报级深度分析（核心流程）\n\n用户要求\"分析\u002F深度分析\"某股票时，按 **REFERENCES\u002Fquantdb-full-analysis-design.md** 的 9 层框架执行（L0 市场 → L1 估值 → L2 财务 → L3 技术 → L4 资金筹码 → **L4b 订单微结构截面** → L5 行业 → L6 模型 → L7 新闻七维）。\n**每层必须有具体数值、必须展示计算公式**，不做泛泛之谈。输出格式见第 7 节研报模板。\n\n> **⚡ 跑全流程先读 `REFERENCES\u002Fstock-9layer-runbook.md`**（端到端操作手册）：一键取数 `scripts\u002Fstock_9layer_fetch.py {code}` →\n> 九层判读模板 → 跨层合成 → 报告落盘命令 → 双案例校准（法拉电子\u002F振华科技）→ 红线清单。设计原则看 design doc，执行标准看 runbook。\n\n> 两个特化子方法（2026-08 集成）：\n> - **L4b 订单微结构**：按《L2 微观结构因子系统化分析报告》判 IC 方向 + 计算个股 vs 全市场**截面分位**。铁律：VPIN 族是正 IC（高位偏多，别当毒性利空）、vol_persistence\u002Ftoxicity_persistence 是负 IC（高位偏空）、L2 是 T+5\u002FT+10 持续信号（看状态分位而非单日变化）。\n> - **L7 新闻七维**：按 [[news-sentiment-research]] + `docs\u002Fnews_sentiment_deep_report.md` §13 做**三步纵深**——①直接消息判定（无则明写）→ ②相关行业归类（禁止冒充个股消息）→ ③21 条规律对照打分（来源\u002F时段\u002F多篇\u002F首日动量\u002F反转\u002F标签\u002F板块）→ 输出明确新闻面结论。\n\n### 3.1 数据采集（先全量拉取，再按需深挖）\n\n```bash\n# ① 全维度特征（估值\u002F技术\u002F动量\u002F波动\u002F流动性\u002F资金流\u002F风格\u002F行业\u002F筹码\u002F概念\u002F微观结构\u002F情绪，371 字段）\n#    注意：API 已换算单位（市值→亿元、flow*→百万元、totalMv→亿元），引用时注明\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fresearch\u002Ffeatures\u002F600519.SH\"\n\n# ② K线（120 日，不复权价 + adj_factor）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fresearch\u002Fkline\u002F600519.SH?days=120\"\n# 多市场 K 线（A-HK-US，daily；A股 QuantDB 本地 parquet 优先）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmarket\u002Fkline?symbol=600519.SH&market=A&period=daily&days=120\"\n\n# ③ 模型信号（按 model_id 逐个拉，多模型共识；详见 3.7）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\"                    # 用户模型列表（items[]，含 id\u002Fmetadata\u002Fis_default）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\u002Finference\u002Fstock\u002F600519.SH\u002Fhistory?days=180\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\u002Finference\u002Fstock\u002F600519.SH\u002Fhistory?days=180&model_id=xxx\"\n\n# ④ 风险评分卡（6 维度 + veto 项）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Frisk\u002Fscore\u002F600519.SH\"\n\n# ⑤ 大盘环境（L0，先于一切）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fdaily\"           # market_state 牛熊+仓位建议\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmarket\u002Findex-kline?symbol=000001.SH&days=60\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmarket\u002Foverview\"           # 多市场指数概览\n\n# ⑥ 订单微结构截面分位（L4b，2026-08 新增；先确认最新分区）\ndocker exec quantmind ls \u002Fdata\u002Fquantdb\u002F6_ml_datasets\u002Fl2_factors\u002F | tail -1   # → dt=YYYYMMDD\ndocker exec quantmind python3 - \u003C\u003C'EOF'\nimport duckdb, pandas as pd\ndt = \"YYYYMMDD\"   # 上一步最新分区\nmkt = duckdb.connect().execute(f\"SELECT * FROM read_parquet('\u002Fdata\u002Fquantdb\u002F6_ml_datasets\u002Fl2_factors\u002Fdt={dt}\u002Fdata.parquet')\").df()\ns = mkt[mkt.symbol == \"600519.SH\"].iloc[0]\nfor f in [\"vol_persistence\",\"micro_vpin_vol_ratio\",\"flow_buy_amount\",\"flow_sell_amount\",\n          \"micro_toxicity_persistence\",\"flow_order_duration_p90\",\"flow_cancel_lifetime\",\n          \"flow_order_arrival_rate\",\"micro_trade_interval_mean\",\"vol_tick_density\",\"vol_realized_jump\",\n          \"micro_vpin_50\",\"micro_vpin_ma_20\",\"vol_realized_rrv\"]:\n    print(f, round(float(s[f]),4), f\"{round(100*(mkt[f].astype(float)\u003Cfloat(s[f])).mean(),1)}%\")\n# 判读：负IC族(v_persist\u002Ftoxicity_persist\u002Fflow_buy\u002Fsell\u002Forder_arrival\u002Ftick_density\u002Frealized_jump)≥70%高位=利空；\n#       正IC族(vpin_vol_ratio\u002Forder_duration\u002Fcancel_lifetime\u002Ftrade_interval_mean\u002Fvpin_50\u002Fma_20)≤40%低位=缺资金\nEOF\n\n# ⑦ 新闻三步纵深（L7，方法论见 docs\u002Fnews_sentiment_deep_report.md §13）\n#    ①直接消息：Huntly 库按标题\u002F正文搜 {名称}\u002F{代码}（窗口 T-2~T）；②相关行业归类；③21 条规律对照\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fnews\u002Farticles?tickers=600519&industries=白酒&limit=30&strong_only=true\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fnews\u002Farticles?tickers=600519&sort=sentiment_bullish&limit=10\"\n```\n\n### 3.2 财务基本面（三表联动 + 每股指标，parquet 直读）\n\n财务数据在 parquet（单位=**元**，季频），`\u002Fresearch\u002Ffeatures` 拿不到，\n**必须 docker exec 直读**：\n\n```bash\ndocker exec quantmind python3 - \u003C\u003C'EOF'\nimport pandas as pd\nbase = \"\u002Fdata\u002Fquantdb\u002F3_financial_data\"\ncode = \"600519.SH\"\ninc  = pd.read_parquet(f\"{base}\u002Fincome\u002F{code}.parquet\")        # 利润表（元）\nbal  = pd.read_parquet(f\"{base}\u002Fbalance\u002F{code}.parquet\")       # 资产负债表（元）\ncf   = pd.read_parquet(f\"{base}\u002Fcashflow\u002F{code}.parquet\")      # 现金流量表（元）\nps   = pd.read_parquet(f\"{base}\u002Fpershare_index\u002F{code}.parquet\")# 每股指标（ROE 直接可用）\ndv   = pd.read_parquet(f\"{base}\u002Fdividend_factors\u002F{code}.parquet\")\nhn   = pd.read_parquet(f\"{base}\u002Fholder_num\u002F{code}.parquet\")\n# 最新 8 期趋势（每期 m_timetag=YYYYMMDD）\nfor df in (inc, bal, cf, ps):\n    print(df.tail(8)[[\"m_timetag\"] + [c for c in df.columns if c in (\n        \"revenue\",\"net_profit_incl_min_int_inc\",\"net_cash_flows_oper_act\",\"s_fa_eps_basic\",\n        \"s_fa_bps\",\"s_fa_ocfps\",\"equity_roe\",\"net_roe\",\"sales_gross_profit\",\n        \"inc_net_profit_rate\",\"inventory_turnover\",\"goodwill\",\"tot_assets\",\"tot_liab\",\n        \"account_receivable\",\"inventories\",\"tot_shrhldr_eqy_excl_min_int\")]])\nprint(hn.tail(4)[[\"endDate\",\"shareholder\"]])   # 股东户数（户）\nprint(dv.tail(4)[[\"time\",\"interest\"]])         # interest=每10股派息（元），每股股息=interest\u002F10\nEOF\n```\n\n**指标公式（全部写死在报告里，禁止心算）**：\n- 单季营收增速 = 本期营收 \u002F 去年同期营收 − 1（找去年同期行：`m_timetag - 10000`）\n- 毛利率 = `sales_gross_profit`（%）；净利率 = `inc_net_profit_rate`（%）\n- 经营现金流\u002F净利润（利润质量）：`cf.net_cash_flows_oper_act \u002F inc.net_profit_incl_min_int_inc`，连续 2 期 \u003C 1 → 红牌\n- 应收+存货增速 vs 营收增速（压货检测）；商誉\u002F净资产 > 30% → 减值风险\n- ROE = `equity_roe`（%）；股息率 = `interest\u002F10\u002Fclose(不复权)×100`，与 valuation.dividend_rate 互验\n- 股东户数环比 = (本期−上期)\u002F上期：户数↓筹码集中，↑派发\n\n### 3.3 估值（三维对照 + 历史分位，parquet 直读）\n\n```bash\ndocker exec quantmind python3 - \u003C\u003C'EOF'\nimport pandas as pd, glob\n# 拉近 5 年 valuation 序列算历史分位（Hive 分区 dt=YYYYMMDD\u002Fdata.parquet）\nfiles = sorted(glob.glob(\"\u002Fdata\u002Fquantdb\u002F5_technical_derived\u002Fvaluation\u002Fdt=*\u002Fdata.parquet\"))[-1260:]\nrows = []\nfor f in files:\n    df = pd.read_parquet(f, columns=[\"symbol\",\"time\",\"pe_ttm\",\"pb\",\"ps_ttm\",\"dividend_rate\",\"total_mv\",\"float_mv\"])\n    r = df[df.symbol == \"600519.SH\"]\n    if len(r): rows.append(r.iloc[0])\nv = pd.DataFrame(rows).sort_values(\"time\").dropna(subset=[\"pe_ttm\"])\ncur = v.iloc[-1]\nprint(\"当前 PE %.2f 处于近5年 %.0f%% 分位（%d 个交易日）\" % (cur.pe_ttm, (v.pe_ttm \u003C= cur.pe_ttm).mean()*100, len(v)))\nprint(\"PB %.2f 分位 %.0f%%，股息率 %.3f%%\" % (cur.pb, (v.pb \u003C= cur.pb).mean()*100, cur.dividend_rate))\nprint(\"总市值 %.0f 亿元 \u002F 流通市值 %.0f 亿元\" % (cur.total_mv\u002F1e8, cur.float_mv\u002F1e8))\nEOF\n```\n\n- **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）\n- 负 PE \u002F 无盈利 → 用 PB\u002FPS；行业相对：l1 `ind_relative_pe`（\u003C1 = 相对行业折价，从 \u002Fresearch\u002Ffeatures 的 industry 类取）\n- 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`\n\n### 3.4 技术分析（分层递进 + 关键价位）\n\n- **趋势层**：MA5\u002F10\u002F20\u002F60 排列（多头\u002F空头\u002F粘合），收盘价在均线系统的位置\n- **动能层**：MACD（dif\u002Fdea\u002Fhist 方向 + 柱状收敛\u002F放大）、RSI 6\u002F14（超买超卖 + 背离）、KDJ\n- **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）\n- **量价层**：`vol_to_ma5\u002F20`（量比）、`volume_trend_3d`（放量上涨 vs 缩量反弹）\n- 支撑\u002F压力：K 线近 20\u002F60 日高低点（**注意 \u002Fresearch\u002Fkline 是不复权价**，与后复权指标对比时要先换算）\n\n### 3.5 资金与筹码（多口径交叉 + 融资融券）\n\n- **分单口径**（l2，API 已换算为百万元）：`flowSuperNet`（超大单）\u002F`flowLargeNet`（大单）\u002F`flowMediumNet`\u002F`flowSmallNet`——三口径同向才可信；parquet 原值是元（差 1e6）\n- **全口径**：`flowNetAmount` + `flowNetRatio`（净流入占成交比）\n- **筹码**（l1）：`chipProfitRatio20\u002F60`（获利盘%）、`chipConcentration20`、`chipPeakDistance`、`chipProfitDelta5`（5日获利盘变化——散户接盘还是主力吸筹）\n- **⚠️ l2 分区停滞 20260227**：flow\u002Fchip\u002Fmicro 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\n- **融资融券**（parquet，单位：finance_*=**万元**、slo_volume=**股**）：\n\n```bash\ndocker exec quantmind python3 - \u003C\u003C'EOF'\nimport pandas as pd, glob\nfiles = sorted(glob.glob(\"\u002Fdata\u002Fquantdb\u002F2_base_sector\u002Fmargin_trading\u002Fdt=*\u002Fdata.parquet\"))[-30:]\nrows = []\nfor f in files:\n    df = pd.read_parquet(f, columns=[\"symbol\",\"time\",\"finance_balance\",\"finance_buy\",\"finance_repay\",\"finance_net\",\"slo_volume\",\"slo_net\"])\n    r = df[df.symbol == \"600519.SH\"]\n    if len(r): rows.append(r.iloc[0])\nm = pd.DataFrame(rows).sort_values(\"time\")\ncur = m.iloc[-1]\nprint(\"融资余额 %.1f 亿元（近30日 %+.1f%%）\" % (cur.finance_balance\u002F1e4, (cur.finance_balance\u002Fm.iloc[0].finance_balance-1)*100))\nprint(\"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()))\nEOF\n```\n- 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**\n\n### 3.6 行业与概念（个股强 ≠ 行业强）\n\n- 行业：`indStrength20\u002F60`、`indRotationSpeed20`、`indCrowding20`（拥挤度——太热警惕）、`indBreadthUp20`、`indNetflowRank20`、`indRelativePe`\n- 概念：`conceptHotScore`、`conceptMomentumTop3`、`conceptLeaderScore`、`conceptCrowdingMax`\n- 结论三分类：**行业强+个股强**（共振，最理想）\u002F **行业弱+个股强**（逆势，持续性存疑）\u002F **行业强+个股弱**（掉队）\n\n### 3.7 模型信号（多模型共识，不只看一个）\n\n- `\u002Fapi\u002Fv1\u002Fmodels` 拉**用户模型列表**（`items[]`，字段 `id` + `is_default`）；`\u002Fapi\u002Fv1\u002Finference\u002Fmodels`（engine 直连）拉系统模型（字段 `model_id`）\n- 按 `model_id` 逐个拉 `history`——不同模型是独立视角（不同训练期\u002F周期 T3\u002FT10\u002FT15\u002F融合）\n- 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\u002F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）\n- `signal_side`（BUY\u002FHOLD\u002FSELL）+ `score_rank`（当天批次内截面排名，越小越靠前）并列引用\n- **模型与量价\u002F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\"）\n\n### 3.8 新闻舆情（催化剂 vs 印证）\n\n```bash\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fnews\u002Farticles?tickers=600519&limit=30\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fnews\u002Farticles?tickers=600519&industries=白酒&strong_only=true\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fnews\u002Farticles?tickers=600519&sort=sentiment_bullish&limit=10\"\n```\n- 个股 + 行业双通道；`sentiment=bullish|bearish|neutral` 分类统计；`event_tags` 事件标签（并购\u002F财报\u002F解禁\u002F政策）\n- 事件型新闻要找**后续数据印证**（公告增持 → 查资金流是否真流入）\n- 无新闻：明确标 `[数据缺失]`；**禁止编造新闻**。价值排序：政策 > 公司重大事件 > 行业动态 > 分析师观点 > 市场情绪文\n\n## 4. 量化数据挖掘（基于 QuantDB 因子）\n\n```bash\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fadmin\u002Fdata-platform\u002Fquantdb\u002Fcatalog\"\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fadmin\u002Fdata-platform\u002Fquantdb\u002Fpreview?dataset=l1_factors&limit=5\"\n```\n\n### 深度挖掘路径（因子组合分析）\n\n| 分析主题 | 用到的 QuantDB 字段 |\n|---|---|\n| **动量挖掘** | `mom_ret_5d\u002F20d\u002F60d, mom_ma_gap_*, mom_rsi_*` |\n| **波动率掘金** | `vol_std_*, vol_atr_14, vol_parkinson_*, vol_gk_20` |\n| **流动性异常** | `liq_volume_ratio_5\u002F20, liq_obv_20, liq_mfi_14` |\n| **资金流异动** | `flow_net_*, flow_large_net, flow_money_flow_index`（⚠️ l2 停更 20260227） |\n| **筹码集中** | `chip_profit_ratio_*, chip_concentration_20, chip_peak_distance` |\n| **行业强度** | `ind_strength_20\u002F60, ind_rotation_speed_20, ind_crowding_20` |\n| **概念热度** | `concept_hot_score, concept_momentum_top3, concept_leader_score` |\n| **微观结构** | `micro_vpin_*, micro_pin, micro_order_flow_toxicity, micro_kyle_lambda` |\n\n## 5. 数据导出（CSV \u002F Excel）\n\n### 5.1 导出选股候选 CSV\n```bash\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fdaily\" -o \u002Ftmp\u002Fselection.json\npython3 \u003C\u003C'EOF'\nimport json, csv\nd = json.load(open('\u002Ftmp\u002Fselection.json'))\nmeta = d.get('meta', {}); ms = d.get('market_state', {})\ncands = d.get('candidates', [])\nwith open('\u002Ftmp\u002Fselection.csv', 'w', newline='', encoding='utf-8-sig') as f:\n    w = csv.writer(f)\n    w.writerow(['代码','名称','分数','行业','趋势','买入理由'])\n    for c in cands:\n        w.writerow([c.get('symbol'), c.get('name'), round(c.get('score',0),4), c.get('industry'), c.get('trend'), c.get('buy_reason')])\nprint(f'导出 {len(cands)} 只选股 → \u002Ftmp\u002Fselection.csv（交易日 {meta.get(\"trade_date\")}，市场状态 {ms.get(\"state\")}）')\nEOF\n```\n\n### 5.2 导出个股全维度特征 CSV\n```bash\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fresearch\u002Ffeatures\u002F600519.SH\" -o \u002Ftmp\u002Fstock_features.json\npython3 \u003C\u003C'EOF'\nimport json\nd = json.load(open('\u002Ftmp\u002Fstock_features.json')).get('data', {})\nrows = []\nfor cat, fields in d.items():\n    if isinstance(fields, dict):\n        for k, v in fields.items():\n            rows.append([cat, k, v])\nwith open('\u002Ftmp\u002Fstock_features.csv', 'w', newline='', encoding='utf-8-sig') as f:\n    w = csv.writer(f)\n    w.writerow(['类别','字段','值'])\n    for r in rows: w.writerow(r)\nprint(f'导出 {len(rows)} 个字段 → \u002Ftmp\u002Fstock_features.csv（API 已换算：市值=亿元、flow=百万元）')\nEOF\n```\n\n### 5.3 导出批量股票对比 CSV\n```bash\ncurl -s -X POST -H \"$AUTH\" -H \"$CT\" \"$BASE\u002Fapi\u002Fv1\u002Fresearch\u002Fbatch-features\" \\\n  -d '{\"symbols\":[\"600519.SH\",\"000858.SZ\",\"601318.SH\"],\"fields\":[\"pe\",\"pb\",\"roe\",\"totalMv\",\"momRet20d\",\"volStd20\",\"mainFlow\"]}' \\\n  -o \u002Ftmp\u002Fbatch_features.json\npython3 \u003C\u003C'EOF'\nimport json, csv\nd = json.load(open('\u002Ftmp\u002Fbatch_features.json')).get('data', {}).get('items', [])\nwith open('\u002Ftmp\u002Fstock_compare.csv', 'w', newline='', encoding='utf-8-sig') as f:\n    w = csv.writer(f)\n    if d:\n        w.writerow(['代码'] + list(d[0].get('values', {}).keys()))\n        for it in d:\n            w.writerow([it.get('symbol')] + list(it.get('values', {}).values()))\nprint(f'导出 {len(d)} 只股票对比 → \u002Ftmp\u002Fstock_compare.csv')\nEOF\n```\n\n### 5.4 导出风险评分卡 CSV\n```bash\ncurl -s -X POST -H \"$AUTH\" -H \"$CT\" \"$BASE\u002Fapi\u002Fv1\u002Frisk\u002Fscores\" \\\n  -d '{\"symbols\":[\"600519.SH\",\"000858.SZ\",\"601318.SH\"]}' -o \u002Ftmp\u002Frisk_batch.json\npython3 \u003C\u003C'EOF'\nimport json, csv\nd = json.load(open('\u002Ftmp\u002Frisk_batch.json')).get('data', {}).get('items', {})\nwith open('\u002Ftmp\u002Frisk_scores.csv', 'w', newline='', encoding='utf-8-sig') as f:\n    w = csv.writer(f)\n    w.writerow(['代码','风险分','等级','否决','否决原因','日期'])\n    for sym, v in d.items():\n        w.writerow([sym, v.get('risk_score'), v.get('risk_level'), v.get('veto'), ';'.join(v.get('veto_reasons') or []), v.get('trade_date')])\nprint(f'导出 {len(d)} 只风险评分 → \u002Ftmp\u002Frisk_scores.csv')\nEOF\n```\n\n## 6. 全市场候选池分析（投研）\n\n```bash\n# 某次推理批次的候选池（含各股行业\u002F概念\u002F指数\u002F分数）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fresearch\u002Foverview?limit=100\"\n# 指定 run 的全池数据（筛选\u002F排序需要全池）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fresearch\u002Funiverse?run_id=run_20260805_xxx&limit=2000\"\n```\n\n## 7. 研报输出格式（券商研报级排版）\n\n> 输出报告时**必须**采用以下结构。Markdown 表格承载所有数据，\n> 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。\n\n### 7.1 报告骨架\n\n```markdown\n# {股票名}（{代码}）深度分析报告\n\n> **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}\n> **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\n> **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。\n\n## 一、投资要点（3-5 条，每条 ≤ 1 行，多空都写）\n\n## 二、核心结论\n\n| 维度 | 评级 | 核心依据（带数值） |\n|---|---|---|\n| 市场环境 | 中性\u002F偏多\u002F偏空 | 上证 3927 vs MA20 3890，建议仓位 40% |\n| 基本面 | 优秀\u002F良好\u002F一般\u002F恶化 | 单季营收 +12.3%，现金流\u002F净利润 1.15 |\n| 估值 | 低估\u002F合理\u002F高估 | PE 23.1x = 近5年 18% 分位 |\n| 技术面 | 多头\u002F空头\u002F震荡 | 收盘站上 MA20\u002F60，MACD 金叉后柱状放大 |\n| 资金面 | 流入\u002F流出\u002F分歧 | 近5日大单净流入 +2.1 亿元 |\n| 综合评级 | 买入\u002F增持\u002F中性\u002F减持 | 好公司 + 好价格 + 时机待确认 |\n\n## 三、公司概况与业务透视\n（名称、代码、申万行业、上市日期、总市值\u002F流通市值、两融标的与否）\n\n## 四、财务分析（最近 8 个报告期表格 + 趋势解读）\n| 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) |\n|---|---|---|---|---|---|---|---|---|\n（每个 % 值注明：毛利=利润表 sales_gross_profit，同比=本期\u002F去年同期−1，现金流\u002F净利=利润质量）\n\n## 五、估值分析\n| 指标 | 当前值 | 近5年分位 | 行业相对 | 判断 |\n|---|---|---|---|---|\n| PE(TTM) | 23.1x | 18% | 0.72 | 低估 |\n| PB | … | … | — | … |\n| 股息率 | 0.39% | … | — | … |\n\n## 六、技术分析\n（趋势\u002F动能\u002F波动\u002F量价分层 + 关键支撑压力位 + 各指标当前值与判断依据）\n\n## 七、资金面与筹码\n（超大单\u002F大单\u002F散户三口径 + 近5日\u002F20日趋势 + 融资融券 + 获利盘 + 派发\u002F吸筹判断）\n\n## 八、行业与概念\n（行业强度\u002F拥挤度\u002F资金流排名 + 共振\u002F逆势\u002F掉队分类 + 概念热度）\n\n## 九、AI 模型信号\n| 模型 | 周期 | 最新分数 | 180日趋势 | 信号 | 排名 |\n|---|---|---|---|---|---|\n（共识度 + 与量价背离说明）\n\n## 十、多空证据对照\n| 层 | 多方证据 | 空方证据 |\n|---|---|---|\n（每格带数值，无证据写「—」）\n\n## 十一、风险提示（按严重度排序）\n1. **{风险}**：{触发条件 + 影响 + 监测指标}\n\n## 十二、操作建议\n| 持仓状态 | 建议 | 触发条件 |\n|---|---|---|\n| 未持仓 | 等待回踩 62 元或模型转 BUY | 放量突破 68 元可追 |\n| 已持仓 | 持有，止损 58 元 | 跌破 MA60 或大单连续 3 日流出减仓 |\n```\n\n### 7.2 排版铁律\n\n1. **每个数字带单位**：亿元\u002F百万元\u002F万元\u002F元、股\u002F手、%、x（倍）——没有单位的数字禁止出现在报告里\n2. **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%`\n3. **每个时间序列注明口径**：前复权\u002F后复权\u002F不复权、单季\u002F累计\u002F同比\n4. **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）\n5. **禁止编造**：拿不到的数据写缺失原因，绝不估一个数字\n6. **评级统一**：综合评级只允许 买入\u002F增持\u002F中性\u002F减持\u002F卖出 五档，且必须由多维证据推导，禁止只凭单一指标\n\n### 7.3 报告落盘（必做，做完才叫交付）\n\n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）：\n\n```\ndb\u002Ftrading_agents_results\u002F{市场名}\u002F{股票名}\u002F{股票名}{代码}_{日期}_投研分析报告.{md,pdf}\n例：db\u002Ftrading_agents_results\u002FA股市场\u002F工业富联\u002F工业富联601138_2026-08-16_投研分析报告.md\n```\n\n- 市场名：`A股市场`（**无空格**）\u002F 美股市场 \u002F 港股市场 \u002F 区块链市场 \u002F 期货市场\n- 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\u002F代码\u002F日期\n- **md → pdf 转换**（reportlab 只有容器里有）：\n  ```bash\n  docker cp \u002Ftmp\u002Freport.md quantmind:\u002Ftmp\u002Freport.md\n  docker exec quantmind bash -lc \"cd \u002Fapp && python3 backend\u002Fscripts\u002Fmd_to_pdf_report.py \u002Ftmp\u002Freport.md \u002Ftmp\u002Freport.pdf\"\n  docker cp quantmind:\u002Ftmp\u002Freport.pdf \u002Ftmp\u002Freport.pdf\n  ```\n- **落盘权限陷阱**：宿主机上 `db\u002Ftrading_agents_results\u002F` 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 `\u002Fdata\u002Freports\u002Ftrading_agents\u002F...`，宿主机的 `.\u002Fdb` 挂载到容器 `\u002Fapp\u002Fdb`）：\n  ```bash\n  docker cp \u002Ftmp\u002Freport.md quantmind:\u002Fdata\u002Freports\u002Ftrading_agents\u002FA股市场\u002F{股票名}\u002F{股票名}{代码}_{日期}_投研分析报告.md\n  docker cp \u002Ftmp\u002Freport.pdf quantmind:\u002Fdata\u002Freports\u002Ftrading_agents\u002FA股市场\u002F{股票名}\u002F{股票名}{代码}_{日期}_投研分析报告.pdf\n  ```\n- 交付确认：ls 目标目录确认 md+pdf 都存在；只发 \u002Ftmp 路径 = 未交付\n\n### 7.4 PDF 设计规范（研报级视觉）\n\n`backend\u002Fscripts\u002Fmd_to_pdf_report.py` 已按券商研报风格输出，报告沿用即可：\n\n1. **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\u002F买入\u002F增持\u002F偏多\u002F流入→**红**（#C0392B），跌\u002F卖出\u002F减持\u002F偏空\u002F流出\u002F高估→**绿**（#1E8449），中性\u002F震荡\u002F观望→**琥珀**（#B07D00）。表格里纯数值单元格按正负自动染红\u002F绿底\n2. **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\u002FASCII 半宽估算，单列封顶 40%）；**表头+数据单元格全部居中**\n3. **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\n4. **封面页**：深海军蓝底 + 金色双线 + 白字报告标题 + 报告日期\u002F数据截至（自动取自 `> **报告日期**\u002F **数据截至**` blockquote 行）\n5. **页眉页脚**：金色细线 + 当前章节名（跨页延续上一章节）+「第 X 页 \u002F 共 Y 页」+ 免责声明；封面页无页眉页脚\n6. **引用块**（`>`）：米色金边提示框；分隔线（`---`）：金色细线\n7. **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\n\n## 8. 复杂度分级（智能体按需选择深度）\n\n| 级别 | 用时 | 内容 |\n|---|---|---|\n| 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 |\n| 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 |\n| 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） |\n\n## 9. 相关技能联动\n\n- **[[quantdb-fields]]** — **必读**：全部数据集单位\u002F口径速查（本技能计算正确性的前提）\n- **[[quantdb-sdk]]** — QuantDB 数据源（Key 配置、28 数据集、字段清单）\n- **[[smart-strategy-stock-picking]]** — 条件选股（183 字段 DSL 筛选）\n- **[[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）\n- **[[quantmind-operations]]** — 模型训练\u002F推理\u002FRSS 新闻\n- **[[rd-agent-factor-mining]]** — 因子挖掘深化分析维度\n- **L2 微观结构报告** — `scripts\u002FL2_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）\n\n## 10. 常见问题\n\n| 现象 | 处理 |\n|---|---|\n| 选股 candidates 空 | 检查 `total_signals` 与 `market_state`（MA20 空仓保护），或 `ignore_ma20=true` |\n| 个股特征空 | 确认 symbol 格式（600519.SH），用 `\u002Fresearch\u002Fbatch-features` 批量试 |\n| 财务\u002F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\u002F3.5） |\n| 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 |\n| 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 |\n| 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 `\u002Fresearch\u002Fkline` 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\u002F旧缓存仍可能踩坑 |\n| 市值\u002F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 |\n| 导出乱码 | CSV 用 `utf-8-sig` 编码（已内置 BOM） |\n",{"name":5,"description":7},"main","d69096e239f2a89aabc2cd078c47664a9d3b1e11","05-技能与代理开发\u002Fstock-market-analysis",3,"https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts","https:\u002F\u002Fgithub.com\u002Flza6","个人vx：Tf00798\r\n个人✈：@TFGY999","2026-10-08 14:29:22",{"source":8,"skillName":5,"commands":33,"prompt":43,"zipAvailable":44},[34,37,40],{"tool":35,"command":36},"npx","npx skills add lza6\u002FArmor-piercing-system-prompts --skill stock-market-analysis",{"tool":38,"command":39},"bunx","bunx skills add lza6\u002FArmor-piercing-system-prompts --skill stock-market-analysis",{"tool":41,"command":42},"pnpm","pnpm dlx skills add lza6\u002FArmor-piercing-system-prompts --skill stock-market-analysis","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F05-技能与代理开发\u002Fstock-market-analysis\u002FSKILL.md",true,[46,52],{"path":47,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":50,"sourceHtmlUrl":51},"REFERENCES\u002Fquantdb-full-analysis-design.md","REFERENCE","参考文档",18892,"https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F05-技能与代理开发\u002Fstock-market-analysis\u002FREFERENCES\u002Fquantdb-full-analysis-design.md",{"path":53,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":54,"sourceHtmlUrl":55},"REFERENCES\u002Fstock-9layer-runbook.md",12144,"https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F05-技能与代理开发\u002Fstock-market-analysis\u002FREFERENCES\u002Fstock-9layer-runbook.md",[57,64,69,76,83,90],{"skillNo":58,"name":59,"nameZh":6,"description":60,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":61,"categories":62,"keywords":63,"publishedAt":19},"01M7FFG485KY83TD6HSC4YPCMC","obsidian-clipper-template-creator","Guide for creating templates for the Obsidian Web Clipper. Use when you want to create a new clipping template, understand available variables, or format clipped content.","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fobsidian-clipper-template-creator\u002FSKILL.md",[],[],{"skillNo":65,"name":59,"nameZh":6,"description":60,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":66,"categories":67,"keywords":68,"publishedAt":19},"01M7FFG0T6AZ0STEJPSB3CX84K","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fobsidian-clipper-template-creator-antigravity-awesome-skills-main\u002FSKILL.md",[],[],{"skillNo":70,"name":71,"nameZh":6,"description":72,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":73,"categories":74,"keywords":75,"publishedAt":19},"01M7FFFY0QEM14SKWPDYGMXM2P","python-api","Programmatic Object-Detection-Metrics API guidance for BoundingBox, BoundingBoxes, Evaluator, enums, coordinate conversion, AP\u002FmAP semantics, and source-style import diagnostics.","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fobject-detection-metrics\u002Fsub-skills\u002Fpython-api\u002FSKILL.md",[],[],{"skillNo":77,"name":78,"nameZh":6,"description":79,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":80,"categories":81,"keywords":82,"publishedAt":19},"01M7FFFVZQZ2GJ0C0TGP7JHD20","file-evaluation","Folder-based PASCAL VOC AP\u002FmAP evaluation from ground-truth and detection text files.","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fobject-detection-metrics\u002Fsub-skills\u002Ffile-evaluation\u002FSKILL.md",[],[],{"skillNo":84,"name":85,"nameZh":6,"description":86,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":87,"categories":88,"keywords":89,"publishedAt":19},"01M7FFFSFNYSE77SJ6PE1CK2DA","object-detection-metrics","Guides legacy Object-Detection-Metrics PASCAL VOC AP\u002FmAP evaluation from detection text folders and direct Python API classes.","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fobject-detection-metrics\u002FSKILL.md",[],[],{"skillNo":91,"name":92,"nameZh":6,"description":93,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":94,"categories":95,"keywords":96,"publishedAt":19},"01M7FFFP0GCK1RVXBCPQ8APBMT","nx-workspace-patterns","Configure and optimize Nx monorepo workspaces. Use when setting up Nx, configuring project boundaries, optimizing build caching, or implementing affected commands.","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fnx-workspace-patterns\u002FSKILL.md",[],[]]