alphasift — 自動選股 Skill

alphasift — 自動選股 Skill 是做什麼的？

按策略篩選、評分並排序 A 股候選股票。

定位：全市場候選發現與橫向排序引擎。它站在 daily_stock_analysis 這類單股深度分析服務上游；DSA 只是可選 L3 後置分析器，不是主篩選依賴。

Use When

• 用戶要列出當前可用策略
• 用戶要按 dual_low、volume_breakout 這類策略篩選 A 股
• 用戶要拿到結構化 JSON 結果，供後續 agent 繼續分析
• 用戶要保存選股運行，並在之後用最新快照評估結果
• 用戶第一次接觸本專案，想用 alphasift quickstart 一鍵看到全市場→候選→排名的最小閉環

Preconditions

• 當前只支援 market="cn"
• 需要在倉庫根目錄安裝套件：pip install -e .
• 如需 LLM 排序，可設定 LITELLM_MODEL、LLM_CHANNELS、LITELLM_CONFIG 或舊變數 LLM_API_KEY/LLM_MODEL/LLM_BASE_URL
• 可直接複用 daily_stock_analysis 的 LiteLLM 配置字段，包括 OPENAI_*、GEMINI_*、DEEPSEEK_API_KEY、OLLAMA_API_BASE
• 策略 YAML 可透過 scoring_profile、risk_profile、portfolio_profile、scorecard_profile 覆蓋預設規則
• 策略 YAML 可透過 event_profile 配置偏好/規避事件、公告類別和候選上下文來源權重
• LLM 會輸出候選行業/主題標籤；如候選提供 industry/concepts/board_heat_score/board_heat_trend_score，會作為 LLM、主題熱度因子與組合分散層錨點；history sidecar 可回填持續性、降溫和狀態字段。默認組合分散層會用這些標籤映射風險桶，降低同一擁擠交易重複佔位
• L3 默認啟用本地 scorecard 後置評分器，也可追加 dsa 或 external_http
• 如需 DSA 後置分析，設定 DSA_API_URL，默認呼叫 POST /api/v1/analysis/analyze
• 依賴日 K 的策略會在 L1 後自動對 Top N 候選做日 K 增強
• 日 K 資料來源 DAILY_SOURCE 支援 akshare（預設）、baostock 或 auto，auto 會在 akshare 失敗時自動降級到 baostock 作為免費兜底

Operations

1. 列出策略

alphasift strategies

1.1 一鍵演示（無 API key）

alphasift quickstart
alphasift quickstart --strategy balanced_alpha --max-output 8

2. 執行選股

alphasift screen dual_low --no-llm
alphasift screen volume_breakout --max-output 10
alphasift screen balanced_alpha --no-llm
alphasift screen capital_heat
alphasift screen balanced_alpha --context "今日券商板塊放量，低估值金融獲得資金回流"
alphasift --env-file /home/ubuntu/daily_ai_assistant/.env screen balanced_alpha
alphasift screen balanced_alpha --explain
alphasift screen balanced_alpha --candidate-context-file candidate_context.csv
alphasift screen dual_low --no-post-analysis
alphasift screen shrink_pullback --no-llm
alphasift screen dual_low --post-analyzer dsa
alphasift audit
alphasift industry-cache --output data/industry_map.csv --explain
alphasift screen dual_low --no-llm --save-run
alphasift runs
alphasift evaluate <run_id> --explain
alphasift evaluate-batch --limit 20 --explain
alphasift evaluate <run_id> --with-price-path --explain

3. Python 呼叫

from alphasift import evaluate_saved_run, evaluate_saved_runs, list_strategies, screen

list_strategies()
screen("dual_low", market="cn", use_llm=False)
evaluate_saved_run("<run_id>")
evaluate_saved_runs(limit=20)

Output

返回 ScreenResult JSON，核心字段有：

• strategy
• market
• strategy_version
• snapshot_count
• after_filter_count
• picks
• llm_ranked
• llm_market_view
• llm_selection_logic
• llm_portfolio_risk
• llm_coverage
• post_analyzers
• daily_enriched
• risk_enabled
• portfolio_concentration_notes
• degradation
• snapshot_source
• source_errors

每個 Pick 包含：

• rank
• code
• name
• final_score
• screen_score
• ranking_reason
• risk_summary
• price
• change_pct
• amount
• total_mv
• turnover_rate
• volume_ratio
• pe_ratio
• pb_ratio
• industry
• concepts
• board_heat_score
• board_heat_latest_score
• board_heat_trend_score
• board_heat_persistence_score
• board_heat_cooling_score
• board_heat_observations
• board_heat_state
• board_heat_summary
• change_60d
• signal_score
• macd_status
• rsi_status
• breakout_20d_pct
• range_20d_pct
• volume_ratio_20d
• body_pct
• pullback_to_ma20_pct
• consolidation_days_20d
• factor_scores
• llm_confidence
• llm_sector
• llm_theme
• llm_tags
• llm_catalysts
• llm_risks
• llm_thesis
• llm_style_fit
• llm_watch_items
• llm_invalidators
• risk_score
• risk_level
• risk_penalty
• risk_flags
• portfolio_penalty
• portfolio_flags
• post_analysis_status
• post_analysis_score_deltas
• deep_analysis_status
• deep_analysis_summary
• deep_analysis_result
• deep_analysis_signal_score
• deep_analysis_sentiment_score
• deep_analysis_operation_advice
• deep_analysis_trend_prediction
• deep_analysis_risk_flags

Boundaries

• 當前沒有獨立的遠端 get_result 服務；本地用 --save-run、runs、evaluate、evaluate-batch 管理運行記錄
• audit 用於自檢策略 profile 覆蓋、已知能力短板和下一步優先級
• --candidate-context-file 支援 CSV/JSON/JSONL，透過 code 對齊候選級新聞、公告、資金流或研究摘要，只注入當前候選池相關行；可選抓取會附帶 source_count、source_confidence、source_weight_score、context_summary 和公告類別
• 候選級上下文會識別粗粒度事件標籤和負面風險標籤，供 LLM 橫向排序參考
• industry-cache 會快取行業/概念映射和板塊熱度字段，並寫入 history sidecar；後續載入映射時可回填板塊熱度滾動趨勢、持續性、降溫和狀態字段，供 LLM 上下文與 theme_heat 因子使用
• 組合分散層優先使用 LLM 返回的行業/主題標籤，也可回退到候選 industry 字段；兩者都缺失時不會改變規則分數
• L3 後置分析器只在最終候選上運行，不參與全市場初篩；本地 scorecard 默認啟用，DSA 只是其中一個可追加後端
• T+N 評估基於保存價和評估時最新快照價，不等同完整復權回測；可扣減交易成本並輸出突破/回踩形態後驗標籤；--with-price-path 會額外估算最大回撤和最大浮盈