a-share-quant-report

SKILL.md

---
name: a-share-quant-report-reproducer
description: 面向A股金工研报复现的 skill，自动按研报框架拆解研究问题、选择至少1000只股票的数据集、调用标准化 Python 回测框架，并按研报逻辑系统性展示结果与图片。
version: 1.2.0
metadata:
  openclaw:
    emoji: "📈"
    homepage: "https://github.com/openclaw/clawhub/blob/main/docs/skill-format.md"
---

# A-Share Quant Report Reproducer

## 适用场景
当用户希望复现一篇A股量化/金工研报时使用本技能。它不只是“生成一个 alpha 再回测”，而是要尽量还原卖方金工研报的完整研究链路：
1. 明确研究问题
2. 识别研报属于哪一类研究范式
3. 把研报逻辑翻译成可计算信号/因子
4. 选定股票池与数据集规模
5. 用标准化 Python 回测框架完成检验
6. 按研报叙事顺序展示结论、表格与图片

## 你必须先判断：这篇研报属于哪种模式
不要把所有研报都当作“多空因子回测”处理。至少区分两类：

### A. 因子研究 / 多因子 / 纯因子定价型
典型特征：
- 研究某个因子是否被市场定价
- 有 IC / RankIC / 分层收益 / Long-Short / 中性化 / 纯因子回归
- 常见于“特质波动率”“估值因子”“盈利预期因子”“Barra风格因子”等

输出重点：
- 因子定义
- 样本与中性化口径
- 因子诊断
- IC / RankIC
- 分层单调性
- 多头、多空、基准、超额
- 风险暴露与稳健性

### B. 市场热点跟踪 / 趋势追踪 / 规则筛选型
典型特征：
- 研究“市场热点在什么地方”“哪些股票处于强趋势/创新高”
- 更强调指数、行业、概念、个股的分布统计
- 最终输出可能是“精选股票池”“跟踪名单”“热点概览”，而不是标准多空净值曲线

输出重点：
- 市场现象定义
- 指数/行业/概念/个股四层统计
- 规则筛选链条
- 筛选结果表
- 行业/风格/板块分布
- 若研报本身没有正式组合回测，则不要强行伪造完整多空回测

## 你必须收集的输入
如果用户没有明确给出，先补齐以下信息再执行：
- `report_input`：研报 URL / PDF / 文本摘要
- `max_download_stocks`：最多下载多少只股票用于回测
- `universe_preference`：全A / 沪深300 / 中证500 / 中证1000 / 行业池 / 跟随研报
- `rebalance_freq`：日 / 周 / 月
- `holding_count`：持有前N只股票，或是否做分组回测
- `backtest_platform`：自动选择 / Qlib / RQAlphaPlus / JoinQuant / FinQ4Cn-MCP / QMT-MCP / Python框架
- `cost_assumption`：双边费率、滑点
- `replication_mode`：严格复现 / 代理复现

默认值：
- `max_download_stocks = 1000`
- `universe_preference = 跟随研报`
- `rebalance_freq = 周`
- `holding_count = 20`
- `backtest_platform = Python框架优先，无法满足时再路由到其他平台`
- `cost_assumption = 手续费万3，冲击/滑点单边15bp`
- `replication_mode = 代理复现（若研报未披露全部细节）`

## 核心原则
### 1. 先尊重研报，再尊重用户的下载规模
数据集选择顺序：
1. 优先读取研报披露的股票池
2. 若研报未给股票池，则根据研究类型映射股票池
3. 应用流动性、停牌、ST、上市时长等过滤
4. 在满足研报约束的前提下，默认目标为至少1000只股票
5. 若研报本身股票池不足1000只，必须说明原因

### 2. 默认目标是至少1000只股票
- 除非研报原始股票池更小，否则默认候选池应不少于1000只
- `max_download_stocks` 表示候选池规模，不等于最终持仓数
- 一般应满足：`max_download_stocks >= holding_count * 5`
- 若用户要求过小样本，需提示稳定性风险

### 3. 标准化回测框架优先
当任务属于“因子研究 / 分层回测 / 多头多空组合”时，优先使用随 skill 一起提供的 `python_report_style_factor_backtest.py` 作为基础框架，再按研报替换：
- 股票池生成逻辑
- 因子表达式
- 调仓频率
- 分组数
- 中性化方式
- 成本与基准

### 4. 结果展示必须是“研报式”而不是“日志式”
输出不能只是：
- 跑完了
- 生成了若干 png
- 给几个指标表

必须改为：
1. 研究问题与原研报结论
2. 因子/信号定义与经济含义
3. 样本与回测设定
4. 因子有效性检验
5. 组合表现与超额来源
6. 风险暴露与稳健性
7. 与原研报对照
8. 结论与后续优化

## 数据集匹配规则
- 大盘增强：沪深300
- 中盘增强：中证500
- 小盘增强：中证1000
- 全市场多因子：流动性过滤后的全A，默认1000~2000只
- 行业内选股：目标行业成分股
- 事件驱动：满足事件条件后的股票集合
- 热点跟踪型：指数 + 行业 + 概念 + 个股四层样本

## 平台路由规则
- 用户强调开源、本地、可改代码：优先 Python框架 / Qlib
- 用户强调分钟级、A股真实制度细节：优先 RQAlphaPlus
- 用户强调快速在线验证：优先 JoinQuant
- 用户强调 MCP / AI 工作流：优先 FinQ4Cn-MCP
- 用户已有 QMT 环境：优先 QMT-MCP
- 若任务只是把研报逻辑直接落到一个可维护的研究脚本，优先使用 Python 框架

## 执行步骤
### Step 1：识别研究类型
判断是：
- 因子定价型
- 多因子选股型
- 热点跟踪型
- 趋势筛选型
- 事件驱动型

### Step 2：拆解研报逻辑
提取：
- 研究问题
- 信号来源
- 因子定义或规则定义
- 股票池与过滤规则
- 调仓频率 / 跟踪频率
- 评价指标
- 是否包含正式组合回测

### Step 3：生成表达式或规则链
- 因子型研报：输出最小可运行表达式 + 增强版表达式
- 热点/规则型研报：输出“规则链”，不要强行写成单一 alpha

### Step 4：确定数据集规模
输出：
- 原始候选池
- 过滤规则
- 最终下载股票数
- 是否达到 >=1000 默认目标
- 对稳定性的影响

### Step 5：选择执行框架
- 若属于标准因子研究，优先使用 `python_report_style_factor_backtest.py`
- 若属于热点追踪型研报，则以“统计追踪 + 规则筛选结果展示”为主，必要时补充轻量组合验证

### Step 6：按研报结构展示结果
必须至少包含：
1. 研究问题与核心结论
2. 因子/信号定义
3. 样本与回测设定
4. 因子有效性或规则统计结果
5. 分层/组合结果（若适用）
6. 风险与偏差说明
7. 图片逐张展示与解读

## 图片展示要求
- 图片必须逐张内联展示，不能只报文件名
- 每张图都要有一句解释
- 因子研究型至少展示：
  - 因子分布图
  - IC时间序列图
  - 月度IC热力图
  - 分层累计收益图
  - 多头 vs 基准净值图
  - 多空净值图
  - 超额与回撤图
  - 换手率/覆盖率图
- 若是热点跟踪型，则优先展示：
  - 指数新高距离图
  - 行业新高距离图
  - 概念新高距离图
  - 创新高个股行业/板块/指数分布图
  - 筛选结果股票池表

## 特别约束
- 如果用户给了具体研报，优先复原研报逻辑，不要直接套通用alpha
- 如果研报没有正式组合回测，就不要伪造完整回测结论
- 最终报告中必须明确写出“最终下载股票数”
- 如果实际可用样本少于目标值，要解释原因
- 最终回复中必须按章节 + 表格 + 图片方式输出，不要退化成纯文字摘要

## 建议配套文件
使用本 skill 时，优先参考以下文件：
- `research-framework-patterns.md`
- `dataset-selection-rules.md`
- `output-template.md`
- `report-presentation-guidelines.md`
- `image-display-guidelines.md`
- `conversation-push-template.md`
- `python_report_style_factor_backtest.py`

## 示例触发语句
- 复现这篇A股因子研报，并至少下载1000只股票做回测
- 读取这篇热点跟踪型研报，按其逻辑生成跟踪框架并展示结果
- 用Python框架复现这篇研报，输出完整研报式图表和结论
- 根据研报自动识别是因子研究还是热点研究，再决定是否做多空回测