Files

T

claude_dev c377023bbc docs(factor): 补提被代码引用的选型/红线文档——survey§7口径红线+dsa深查+P0晨报 [nas]

fundamental_adapter/library docstring 引用 survey §7 口径红线与 §3 候选池,
三文档一直未入库(仅存本机),合流后将成悬空引用:
- fundamental_factor_survey_20260907.md: 96 候选池+P0 32 选型+§7 五条红线
- dsa_fundamental_factors_20260907.md: dsa 因子库深查(可搬/不搬结论)
- factor_fundamental_morning_report_20260908.md: P0 批晨报(存档)

Co-Authored-By: Claude Code <noreply@anthropic.com>

2026-09-09 12:12:00 +08:00

25 KiB

Raw Blame History

dsa 基本面因子/评分/信号全量挖掘报告（2026-09-07）

调研对象：/Users/chufeng/.openclaw/sanguo_projects/daily_stock_analysis/（git @ 972c3146）方法：系统性过 strategies 全部 YAML、src/ 全树 grep（factor/score/fundamental/financial/roe/pe/pb/margin/yoy/growth/revenue/profit/earnings/dividend）、data_provider/ 全部 provider、因子/评分引擎、主 agent 流程。每条结论带 file:line，读码不猜。已知背景（不重复）：data_provider/fundamental_adapter.py AkshareFundamentalAdapter 与 strategies/growth_quality.yaml 之前查过，本报告收录并补齐其余所有层。

0. 一句话总结论（回答用户问题）

dsa 的基本面因子：有，但呈「浅量化、深定性」结构。

量化截面层（真因子）：只有估值 + 市值两类——value 因子（PE/PB 双截面秩）、size 因子（log 市值秩），加一圈 PE/PB/市值硬过滤、PE 无效惩罚、PB 过高风险罚点、value×stability 复合加分。成长/盈利质量（ROE/毛利率/双 YoY/现金流）从未进入量化截面评分。
定性层：ROE、营收/净利 YoY、毛利率、经营现金流、TTM 分红、业绩预告等 ~15 个基本面字段全部走「单票 fail-open 快照 → LLM prompt 表格 → LLM 定性打分」路径，无截面化、无回测、无 IC。
总量：截面可回测真因子 2 个（value/size）+ 边界/罚点配置族 4 处 + 规则复合加分 1 处；LLM 定性基本面框架 3 个（growth_quality/expectation_repricing/event_driven）+ 估值带宽策略配置 4 个（dual_low/blue_chip_income/quality_value/low_volatility_quality）；单票基本面字段 bundle ~15 字段（3 个市场 adapter）；公告/业绩事件关键词规则 2 组词表。
对我们的净新增价值：不在 PE/PB 因子本身（我们 101/158 批已有估值+市值），而在 ① TTM 分红事件级精算口径 ② 业绩预告/快报事件词表与截面化潜力 ③ 「同一因子按策略风格参数化不同带宽」的组织方式。

1. dsa 架构总览（基本面数据流向）

dsa 里存在两套策略体系、一条主分析流程，基本面在三者中角色完全不同：

┌─ 体系A：量化筛选管线（AlphaSift 衍生，src/services/screening/）
│   L1 全市场快照(snapshot.py: PE/PB/市值 来自实时行情)
│     → 硬过滤(filter.py: PE/PB/市值边界)
│     → 9因子截面评分(scorer.py: value/liquidity/momentum/reversal/activity/stability/size/theme_heat/topic_alignment)
│     → screen_score = Σ 因子×权重
│   L2 LLM 重排(ranker.py: final_score = screen_score×0.6 + llm_score×0.4)
│   L3 后置分析(post_analysis.py: dsa overlay / 本地 scorecard / external_http)
│     → 风险覆盖层(risk.py: invalid PE/high PB 罚点) → 组合分散惩罚 → Top N
│
├─ 体系B：LLM 技能策略（strategies/*.yaml 16个，自然语言 prompt）
│   主分析流程(analyzer.py) 拉单票 fundamental_context(bundle)
│     → prompt 里渲染成 markdown 表格(财报/分红/资金流/三大法人/PE PB)
│     → LLM 输出 sentiment_score + fundamental_analysis(文字) + signal_attribution.fundamentals(0-100)
│     → 决策稳定器(analyzer.py: 资金流bias×价格位置 硬规则后处理)
│
└─ 元评估层：skill_opinion_weight_service（LLM技能观点的贝叶斯后验命中率→权重，非基本面）

关键事实：体系A（量化）与体系B（LLM定性）通过 analysis_skills 字段桥接——如 momentum_quality.yaml:10 声明 analysis_skills: [bull_trend, growth_quality]，即量化筛出的候选交给 growth_quality 这个 LLM 框架做基本面定性复核（src/services/screening/strategy.py:243,306 解析）。

2. 完整清单：基本面因子/信号总表

2.1 层A：量化截面因子引擎（`src/services/screening/`，AlphaSift 衍生）

A1. `value` 估值因子 ★真因子

项	内容
位置	`src/services/screening/scorer.py:191-204`（`_compute_value_score`）
输入	`pe_ratio`、`pb_ratio` 列，来自全市场实时快照（`snapshot.py:46-47` 标准列；各源列名映射 `snapshot.py:684-790`，如 akshare_em 的「动态市盈率/市净率」`snapshot.py:701-702`；tushare 源直接取 `pe,pb,total_mv,circ_mv` `snapshot.py:604`）
逻辑	`score=50`；若有 PE：`rank(0<PE<500, 越低越好, na=25) → score = score×0.35 + pe_rank×0.65`；再若有 PB：`rank(0<PB<50, 越低越好, na=25) → score = score×0.55 + pb_rank×0.45`，clip(0,100)。秩归一化用 `pct rank ×100`（`scorer.py:490-505 _rank_score`）
输出	`factor_value_score`（0-100，截面百分位秩，`scorer.py:11`）
使用	加权进 `screen_score`（`scorer.py:102-108`），权重按策略 YAML 配置：dual_low 0.34 / quality_value 0.32 / blue_chip_income 0.30 / balanced_alpha 0.22 / low_volatility_quality 0.20 / momentum_quality 0.15 / capital_heat 0（`src/services/screening/strategies/*.yaml`）

A2. `size` 市值因子 ★真因子

项	内容
位置	`scorer.py:376-384`（`_compute_size_score`）
输入	`total_mv`（快照实时总市值）
逻辑	`log10(total_mv)` 截面秩（市值越大分越高，`lower_is_better=False`），clip(0,100)
输出	`factor_size_score`（`scorer.py:17`）
使用	权重 0.02~0.12（blue_chip_income 0.12 最高；大市值倾斜）

A3. `stability` 因子内的 PE 无效惩罚

项	内容
位置	`scorer.py:336-338`
逻辑	`PE<=0`（亏损股）→ stability 扣 `stability_invalid_pe_penalty`（默认 18 分，`scorer.py:60`）
输出	并入 `factor_stability_score`
性质	半因子：亏损惩罚，等效于 E>0 过滤的软化版

A4. PE/PB/市值硬过滤（10 个量化策略的估值带宽配置族）

项	内容
配置定义	`src/services/screening/models.py:19-22`（`pe_ttm_min/max, pb_min/max, market_cap_min/max`）
实现位置	`src/services/screening/filter.py:66-71`（沪深）与 `filter.py:146-151,246-251`（边界记录）
典型带宽	dual_low `pe 0-15 / pb 0-2 / 市值 50-3000亿`（`dual_low.yaml:23-29`）；blue_chip_income `pe 0-22 / pb 0-3.2 / 市值≥300亿`（`blue_chip_income.yaml:23-30`）；quality_value `pe 0-25 / pb 0-4`（`quality_value.yaml:23-29`）；balanced_alpha `pe 0-80 / pb 0-8`（`balanced_alpha.yaml`）；低波质量 `pe 0-45 / pb 0-5`；momentum_quality `pe 0-60 / pb 0-8`
性质	不是因子，是同一估值维度按风格参数化的硬边界——思想可借鉴

A5. 风险覆盖层的 PE/PB 罚点

项	内容
位置	`src/services/screening/risk.py:19-21`（默认 `invalid_pe_points=3.0, high_pb=8.0, high_pb_points=2.0`）；应用在 `risk.py:164-169`
逻辑	`PE<=0` → +3 风险点（flag `negative_or_invalid_pe`）；`PB>=8` → +2 点（flag `high_pb`）；风险点→bounded penalty 扣 `final_score`（`risk.py:66-78`）
输出	`risk_flags` 标签 + `final_score` 扣减

A6. scorecard 复合加分（value×stability 交互项）

项	内容
位置	`src/services/screening/post_analysis.py:32-55`（profile 默认值）、`post_analysis.py:306-308`（规则）
逻辑	`value≥75 且 stability≥65` → final_score +2.4（tag `value_quality`）；各策略 YAML 覆盖阈值（如 blue_chip_income `value_quality_value_min: 74.0, value_quality_bonus: 2.5`）
性质	估值×稳定性交互项，规则加分，可作为因子交互设计参考

A7. L2 LLM 重排混合（估值字段进 prompt）

项	内容
位置	`src/services/screening/ranker.py:196-197`：`final_score = screen_score×(1-0.40) + llm_score×0.40`；候选行渲染带 `total_mv/PE/PB/factor_scores/dsa_context`（`ranker.py:382-403`）
性质	LLM 见到 PE/PB 做语义归因，40% 权重混入最终分——不可回测部分

A8. L3 DSA overlay（LLM 深分析分数词表化）

项	内容
位置	`src/services/screening/dsa.py:248-265`（`_compute_dsa_overlay_score`）、词表 `dsa.py:18-34`
逻辑	`(signal_score-50)×0.20 + (sentiment_score-50)×0.12 + 操作建议词表(强烈买入+10…卖出-12) + 趋势词表(看多+4…看空-6) - min(风险数×2, 6)`
性质	LLM 输出的规则化映射，非基本面因子

层A小结：9 因子中 momentum/reversal/activity/stability/liquidity/theme_heat/topic_alignment（scorer.py:142-150）均为量价/热度类（输入 change_pct/change_60d/volume_ratio/turnover_rate/signal_score/macd/rsi/波动/回撤/ATR/板块热度，见 scorer.py:218-311,387-466），基本面相关的只有 A1-A6。

2.2 层B：单票基本面数据 bundle（fail-open，喂 LLM 的原料）

B1. AkshareFundamentalAdapter（A 股）——已知背景，收录行号

块	字段	位置	数据源
growth	`revenue_yoy / net_profit_yoy / roe / gross_margin`（关键词抓取最新一期）	`data_provider/fundamental_adapter.py:315-330`	`stock_financial_abstract` / `stock_financial_analysis_indicator`（`fundamental_adapter.py:306-310`）
earnings.financial_report	`report_date / revenue / net_profit_parent / operating_cash_flow / roe`	`fundamental_adapter.py:331-339`	同上
earnings.forecast_summary	业绩预告文字（截 200 字）	`fundamental_adapter.py:343-356`	`stock_yjyg_em` / `stock_yjbb_em`
earnings.quick_report_summary	业绩快报文字	`fundamental_adapter.py:359-370`	`stock_yjkb_em`
earnings.dividend	事件级 TTM 精算：按除息/登记/公告日过滤+未来事件剔除+(日期,金额)去重 → `events[:5] / ttm_event_count / ttm_cash_dividend_per_share`（税前现金口径）	`fundamental_adapter.py:168-237`（`_build_dividend_payload`）	`stock_fhps_detail_em` / `stock_history_dividend_detail` / `stock_dividend_cninfo`（`fundamental_adapter.py:373-377`）；每股金额从「10派X元」中文方案文本解析（`fundamental_adapter.py:107-142`）
institution	`institution_holding_change`（机构增减原始值）/ `top10_holder_change`	`fundamental_adapter.py:386-410`	`stock_institute_hold/recommend`、`stock_gdfx_top_10_em`、`stock_zh_a_gdhs_detail_em`
capital_flow	`main_net_inflow / inflow_5d / inflow_10d` + 板块资金排名	`fundamental_adapter.py:416-473`	东财资金流
dragon_tiger	龙虎榜 flag（20 日窗口）	`fundamental_adapter.py:473+`	—

B2. TTM 股息率派生（A 股路径）★口径精华

项	内容
位置	`data_provider/base.py:4349-4380`
逻辑	`ttm_dividend_yield_pct = round(ttm_cash_dividend_per_share / latest_price × 100, 4)`，价格复用已拉的实时 quote 不额外请求；失败记 `invalid_price_for_ttm_dividend_yield`；落 `yield_formula` 字段自证口径
对齐	港美股同口径：`yfinance_fundamental_adapter.py:316-354`（分子分母同币种，`info.dividendYield` 仅末位兜底且按 percent 直通）；`futu_fundamental_adapter.py:169-199`（TTM 事件截断 + 实时价）

B3. YfinanceFundamentalAdapter（港/美股）

项	内容
位置	`data_provider/yfinance_fundamental_adapter.py:146-374`
growth 4 点	`revenueGrowth/earningsGrowth/returnOnEquity/grossMargins`（info 比率 ×100 转百分比，`yfinance_fundamental_adapter.py:187-195`）；若季报有 ≥5 期则改用同比真值（`(latest-prev_year)/
financial_report	季报营收/归母净利/经营现金流 + 币种分离（`financialCurrency` 报表币种 vs `currency` 交易币种，`yfinance_fundamental_adapter.py:183-184`）
belong_boards	`info.sector + info.industry` 映射成行业/概念板块（`yfinance_fundamental_adapter.py:356-366`）

B4. FutuFundamentalAdapter（港，OpenD 配置时优先）

项	内容
位置	`data_provider/futu_fundamental_adapter.py:76-136`（`_financials`）
逻辑	拉-income/balance_sheet/cash_flow/indicators 四表各 8 期；growth 三点 `revenue_yoy/net_profit_yoy`（取 futu 自带 yoy）+ `gross_margin=毛利/营收×100`（自算，`futu_fundamental_adapter.py:104-112`）；full report 含基本 EPS
兜底合并	futu 部分失败时 yfinance 字段级补洞（`base.py:3669-3760`，`_field_gaps` 检查 growth 三字段+报表四字段+分红契约）

B5. valuation 块（三市场统一）

项	内容
位置	`data_provider/base.py:3919-3924`（离岸）；A 股同构
逻辑	`pe_ratio/pb_ratio/total_mv/circ_mv` 直接取实时行情快照字段——注意这是「动态市盈率」快照，非按报告期计算的 PE_TTM

B6. TW 三大法人（台股筹码，institution 块）

项	内容
位置	`data_provider/tw_institutional_fetcher.py:103-171`（`get_institutional_net`）；TWSE T86 三大法人买卖超日报，`foreign=外陆资(不含外资自营商)` 口径对齐官方合计（`tw_institutional_fetcher.py:48-59`）
注入	`analyzer.py:4241-4252` 渲染成「三大法人动向（台股筹码过滤器）」表格

2.3 层C：主分析流程中基本面的最终用法（analyzer.py）

#	环节	位置	形态
C1	PE/PB/市值进实时行情表	`src/analyzer.py:4108-4120`	LLM prompt 表格
C2	财报与分红表（价值投资口径）：营收/归母净利/经营现金流/ROE/TTM 每股分红/TTM 股息率/TTM 事件数	`src/analyzer.py:4122-4165`	LLM prompt 表格；缺数据时强制写「数据缺失，无法判断」禁编造（`analyzer.py:4164`）
C3	主力资金流向表（操作建议过滤器）：主力净流入/5 日/10 日/板块排名	`src/analyzer.py:4167-4218`	LLM prompt + 硬规则（见 C6）
C4	LLM 输出字段：`fundamental_analysis`（文字）、`earnings_outlook`（业绩预期文字，`analyzer.py:1974`）、`signal_attribution.fundamentals`（基本面贡献度 0-100，LLM 自报，`analyzer.py:2010-2017`）、checklist 检查项「PE估值合理」（`analyzer.py:1996`）	—	文字/自报分数
C5	`sentiment_score` 评分标准由 LLM 按策略技能加减（见层D）	—	LLM 打分
C6	决策稳定器 decision_stability（硬规则后处理）	`src/analyzer.py:1040-1175`（bias 计算 `analyzer.py:1279-1318`）	规则：资金流三值（主力/5日/10日）全同向才给 inflow/outflow，否则 neutral（`analyzer.py:1309-1318`）；再与价格位置矩阵组合——近压力+非流入→禁止追高；流出+未突破→降级；近支撑+非流出+无重大风险→持有观察（`analyzer.py:1093-1171`）。这是全 dsa 唯一的基本面类硬规则信号（资金流维度）

2.4 层D：LLM 技能策略 YAML（`strategies/`，16 个全部过完）

基本面实质涉及的 3 个（其余 13 个纯技术/量价/情绪——bull_trend/ma_golden_cross/shrink_pullback/volume_breakout(仅一句 PE 提示 volume_breakout.yaml:41)/box_oscillation/chan_theory/wave_theory/one_yang_three_yin/bottom_volume(仅「基本面催化」确认项)/dragon_head(仅业绩催化列举)/emotion_cycle(仅机构持仓一项特征)/hot_theme/capital_heat 不涉财务计算）：

策略	基本面逻辑	评分规则（LLM sentiment_score 调整建议）	位置
growth_quality 成长质量	①成长性：营收/归母净利/经营现金流/ROE 四字段，查增收不增利 ②质量：ROE 高且稳 + 现金流与利润同向 ③估值承受力：PE/PB/市值 vs 增长覆盖	四同向改善 +15；行业景气与新闻互证 +6；高估值成长未验证 -8；增收不增利或现金流恶化 -12	`strategies/growth_quality.yaml:27-39,50-54`
expectation_repricing 预期重估	预期差方向判定 + 估值重估是否有基本面支撑（PE/PB/市值/ROE/现金流）	正向预期差未兑现 +15；已兑现 -5；负向/证伪 -15	`strategies/expectation_repricing.yaml:35-38,44-51`
event_driven 事件驱动	事件五分类（业绩/政策/订单产品/资本运作/监管风险）+ 影响路径（收入/利润率/估值/融资/份额/情绪）+ 兑现程度	高可信未反映 +14；利好兑现 -6；负面发酵 -15	`strategies/event_driven.yaml:29-43`

性质：全部是自然语言指令，依赖 B 层数据 + LLM 判断，输出文字+分数建议，不可回测、不可截面。

2.5 层E：候选事件关键词规则（`src/services/screening/candidate_context.py`）

#	词表	关键词	位置	用法
E1	正面事件	回购增持/订单经营/业绩改善（预增/扭亏/增长/净利润增长）/股东回报/激励	`candidate_context.py:25-31`	`classify_context_events`（`candidate_context.py:307-317`）打 event_tags
E2	负面事件	减持/监管/业绩压力（预亏/亏损/业绩下滑/业绩减少/净利润下降）/财务风险（债务/逾期/违约/商誉减值/资产减值）/退市风险/诉讼风险	`candidate_context.py:17-24`	同上 + `negative_event_flags`
E3	公告类别	业绩/回购增持/减持/监管问询/重大合同/分红融资/诉讼担保/股权激励	`candidate_context.py:32-41`	`classify_announcement_categories`（`candidate_context.py:331-343`）
E4	来源置信	source_confidence/source_weight_score（announcement 1.0 > quote 0.85 > fund_flow 0.75 > news 0.65）	`candidate_context.py:42-47,456-477`	标注上下文可信度

用途：tags 注入 L2 排序 prompt 上下文（pipeline.py:354-390 采集；ranker.py 消费），不直接进分数——但词表本身是现成的「公告事件分类器」。

2.6 元层：LLM 技能观点绩效权重（非基本面，记录备查）

src/services/skill_opinion_weight_service.py:48-197：按可归因的技能观点结局算贝叶斯后验命中率 → direction_score = 2×hit_rate - 1 → 运行时权重因子；src/agent/skills/aggregator.py:65-100 加权聚合多技能观点。src/services/screening/models.py:241-284 有 PickEvaluation/EvaluationResult dataclass（选股结果回评模型），评估实现未在 src/api 中接线（仅 tests）。

3. 性质判定：真因子 vs 定性框架

3.1 可截面化可回测的真因子（可借鉴进因子池）

判定	名称	理由
✅ 真因子（简单）	A1 value = PE 秩×PB 秩混合	全市场快照、截面 pct-rank、0-100、日频可复算。等价于我们已有的 EP/BP rank——逻辑无新增，实现可参考（na 给 25 分而非剔除的软处理、0<PE<500 值域过滤）
✅ 真因子（简单）	A2 size = log 市值秩	标准市值因子，与我们 Size 因子同构
⚠️ 半因子	A3 PE≤0 亏损惩罚 / A5 invalid PE + high PB 罚点	本质是 E>0 过滤 + BP 极值惩罚的软化实现，我们已有更干净的 EP/BP 处理
⚠️ 半因子	A6 value×stability 交互加分	「低估值×低波动」交互项思想可测（我们因子池有估值和低波，可造交互因子验证增量）
✅ 数据工程真价值	B2 TTM 分红事件级精算	除息/登记/公告日三级取日 + 未来事件剔除 + (日期,金额)去重 + 中文「10派X」解析 + 分子分母同币种 + yield_formula 自证——这是分红因子的正确口径，直接可抄进我们的数据层
✅ 数据工程真价值	E1-E3 业绩预告/快报/财务风险词表	`预增/扭亏/预亏/商誉减值/债务违约` 等词表是现成的公告分类标签集，配合我们 NAS corpus（ann_meta/ann_pdf 43万公告）可截面化成事件因子
✅ 可借鉴思路	A4 估值带宽参数化	同一 PE/PB 维度按策略风格给不同硬边界（防御 0-15 vs 动量 0-80）——对我们 Selector/Overlay 层的「风格化阈值」设计有直接参考价值
✅ 可借鉴思路	C6 资金流×价格位置决策稳定器	三窗资金流同向确认 + 支撑/压力位置矩阵的规则组合，可作为 Overlay 层规则参考（数据源我们有 margin/hotrank 墙）

3.2 单票定性框架（只可借鉴思路，不可直接搬）

判定	名称	理由
❌ 定性	B1 growth 4 点（revenue_yoy/net_profit_yoy/roe/gross_margin）	关键词抓「最新一行」，无报告期对齐、无 point-in-time——直接截面化会引入前视（用了未按披露日过滤的最新报表）与滞后（慢报公司拖尾）双坑。我们已有 `_latest_published_annual` 点时修复（fundamentals-lookahead-bias-fix），用我们自己的管线做，别搬它的取数
❌ 定性	D 层 growth_quality 四框架 / expectation_repricing / event_driven	LLM prompt 指令，输出不可复现不可回测；其中「增收不增利」「现金流<利润→应收回款风险」是可量化的好假设，应转成我们自己的因子假设
❌ 定性	C4 signal_attribution.fundamentals / LLM sentiment_score	LLM 自报贡献度，无监督信号
❌ 不可搬	A7/A8 LLM 重排混合 + DSA overlay	final_score 40% 来自 LLM 主观分——回测无法复现
❌ 不适用	B6 TW 三大法人	台股专属，A 股无对应口径（A 股等价物=北向/两融，已在我们的 margin/hotrank 数据里）

4. 并入我们因子批的建议（按优先级）

优先	建议并入	改造方式	理由
P1	TTM 股息率因子（dividend_yield_ttm）	数据口径照抄 `fundamental_adapter.py:168-237` + `base.py:4349-4380`（事件级去重/税前现金/除息日截断/同币种），数据源换成我们的巨潮公告（ann_meta 已有分红公告）或东财 `stock_fhps_detail_em`；截面化 = 每日全市场 TTM 股息率 → rank。防前视：除息日 ≤ T 当日才计入事件	我们 101/158 因子批目前无分红类因子（族分析 12 独立源里无）；红利风格在 A 股长期有效且与量价族相关性低，是天然的独立源；口径工程 dsa 已趟过坑（中文方案解析/去重/币种）
P1	业绩预告事件因子（forecast_surprise 品类）	词表起点用 `candidate_context.py:20,28`（预增/扭亏/预亏/亏损/净利润增长/下降）；数据源用东财 `stock_yjyg_em`（全市场表，含预告类型+变动幅度）或我们 corpus 的 ann_meta 标题分类；截面化 = 预告类型哑变量（预增+1/扭亏+1.5/预亏-1）+ 变动幅度数值化，披露日对齐防前视	业绩预告是 A 股最强事件源之一（预告→正式报表之间有 1-4 月信息窗）；我们 corpus 43 万公告已就位，正好复用；这是 dsa 有而我们没有的数据维度（vs PE/PB 只是实现差异）
P2	财务风险 flag 因子（distress_flags）	词表照抄 `candidate_context.py:21-23`（债务/逾期/违约/商誉减值/资产减值/质押/退市）；从 ann_meta 公告标题批量打标 → 月频 0/1 或计数因子，作负向 Overlay	商誉减值/债务违约在 A 股有强烈的年报季集中爆雷效应，可作价值策略的风控 Overlay；成本极低（词表+标题匹配）
P2	估值带宽风格化（Selector 层设计，非因子）	参考 `strategies/*.yaml` 的 pe/pb 带宽分层：防御型 Selector 用 PE 0-15/PB 0-2，动量型放宽到 0-60/0-8，价值因子权重 0.30-0.34 vs 0.15	我们的「验证文化平台」定位下多策略共用因子池，同一估值维度按策略风格参数化带宽是成熟做法，避免一套阈值包打天下
P3	value×lowvol 交互因子	A6 思想：EP_rank × 低波_rank 交互项，进候选池走 ICIR 验证	交互项是否优于线性组合是个可检验假设，成本低
不做	growth 4 点直接截面化 / LLM 打分层 / TW 法人	见 §3.2	前视坑/不可复现/无对应数据

5. 附：查证覆盖面声明

strategies/ 16 个 LLM YAML 全文读完（§2.4）；src/services/screening/strategies/ 10 个量化 YAML 全文读完（§2.1-A4）。
src/ 全树 grep 关键词：fundamental/财务/基本面/factor/score/scoring/roe/pe_ratio/pb/margin/yoy/growth/revenue/profit/earnings/dividend/peg/ebitda/sue/accrual/负债率/周转率/每股收益/净资产收益——确认无 PEG/EBITDA/SUE/应计/周转率/负债率等深度财务比率计算。
data_provider/ 20 个文件全列，fundamental 相关 4 个（base.py 聚合 + 3 个 adapter）全读；akshare_fetcher.py 确认无独立财务报表函数（财务全走 fundamental_adapter）。
评分引擎 scorer/ranker/risk/post_analysis/dsa/filter/models/snapshot/candidate_context/pipeline 全读。
主流程 analyzer.py 基本面段（1000-1200, 1270-1350, 4100-4300, 1950-2050）+ notification.py 渲染段（2230-2340）+ data_tools.get_stock_info（496-547）+ analysis_context_builder/prompt_pack 全查。

25 KiB Raw Blame History Unescape Escape

dsa 基本面因子/评分/信号 全量挖掘报告（2026-09-07）