Alphasift

alphasift — 自动选股 Skill

按策略筛选、评分并排序 A 股候选股票。

定位：全市场候选发现与横向排序引擎。它站在 daily_stock_analysis 这类单股深度分析服务上游；DSA 只是可选 L3 后置分析器，不是主筛选依赖。

Use When

• 用户要列出当前可用策略
• 用户要按 dual_low、volume_breakout、balanced_alpha、capital_heat 这类策略筛选 A 股
• 用户要拿到结构化 JSON 结果，供后续 agent 继续分析
• 用户要保存选股运行，并在之后用最新快照评估结果

Preconditions

alphasift 包已安装在当前 Python 环境中。如未安装，先执行：

pip install -e .

如需 LLM 排序，可设置 LITELLM_MODEL、LLM_CHANNELS、LITELLM_CONFIG 或旧变量 LLM_API_KEY/LLM_MODEL/LLM_BASE_URL。也可直接复用 daily_stock_analysis 的 LiteLLM 配置字段，包括 OPENAI_*、GEMINI_*、DEEPSEEK_API_KEY、OLLAMA_API_BASE。策略 YAML 可通过 scoring_profile、risk_profile、portfolio_profile、scorecard_profile、event_profile 覆盖默认规则、事件偏好和候选上下文来源权重。LLM 会输出候选行业/主题标签；如候选提供 industry/concepts/board_heat_score/board_heat_trend_score，会作为 LLM、主题热度因子与组合分散层锚点；history sidecar 可回填持续性、降温和状态字段。默认组合分散层会用这些标签映射风险桶，降低同一拥挤交易重复占位。

L3 默认启用本地 scorecard 后置评分器，也可追加 dsa 或 external_http。如需 DSA 后置分析，设置 DSA_API_URL；DSA 只作为后置增强，不参与全市场初筛。

依赖日 K 的策略会在 L1 后自动对 Top N 候选做日 K 增强。

如需 L3 深度分析，需要设置 DSA_API_URL。这里的 DSA 指外部项目 daily_stock_analysis，默认调用 POST /api/v1/analysis/analyze。

Operations

1. 查看可用策略

alphasift strategies

2. 执行选股

alphasift screen dual_low --no-llm
alphasift screen balanced_alpha --no-llm
alphasift screen capital_heat
alphasift screen volume_breakout --max-output 10
alphasift screen balanced_alpha --context "今日券商板块放量，低估值金融获得资金回流"
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. 通过 Python 调用

from alphasift import evaluate_saved_run, evaluate_saved_runs, screen, list_strategies

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: 策略名
• market: 市场
• strategy_version: 策略版本
• snapshot_count: 全市场股票数
• after_filter_count: 硬筛后剩余数量
• picks: 推荐列表
• llm_ranked: 是否经过 LLM 排序
• llm_market_view: LLM 对候选池和市场环境的整体判断
• llm_selection_logic: LLM 本次排序采用的核心判断维度
• llm_portfolio_risk: LLM 识别的最终名单共同风险
• llm_coverage: LLM 输出覆盖候选池比例
• post_analyzers: 已启用的 L3 后置分析器
• daily_enriched: 是否做过日 K 候选增强
• risk_enabled: 是否启用独立风险层
• portfolio_concentration_notes: 组合分散覆盖层的扣分说明
• degradation: 降级信息
• snapshot_source: 实际使用的数据源
• source_errors: 降级前失败的数据源错误

每个 Pick 会包含 factor_scores、industry/concepts/board_heat_score/board_heat_trend_score/board_heat_persistence_score/board_heat_cooling_score/board_heat_state/board_heat_summary、LLM 输出的 thesis/理由/风险/催化/行业/主题/标签/风格匹配/跟踪项/失效条件、风险层字段、组合分散扣分字段，以及可选的后置分析字段。DSA 字段只在启用 dsa 分析器时填充。

每个 Pick 还可能包含：

• 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

• 当前只支持 market="cn"
• 当前没有独立的远程 get_result 服务；本地用 --save-run、runs、evaluate、evaluate-batch 管理运行记录
• audit 用于自检策略 profile 覆盖、已知能力短板和下一步优先级
• --candidate-context-file 支持 CSV/JSON/JSONL，通过 code 对齐候选级新闻、公告、资金流或研究摘要，只注入当前候选池相关行；可选抓取会附带 source_count、source_confidence、source_weight_score、context_summary 和公告类别
• 候选级上下文会识别粗粒度事件标签和负面风险标签，供 LLM 横向排序参考
• industry-cache 会缓存行业/概念映射和板块热度字段，并写入 history sidecar；后续加载映射时可回填板块热度滚动趋势、持续性、降温和状态字段，供 LLM 上下文与 theme_heat 因子使用
• 组合分散层优先使用 LLM 返回的行业/主题标签，也可回退到候选 industry 字段；两者都缺失时不会改变规则分数
• L3 后置分析器只在最终候选上运行，不参与全市场初筛；本地 scorecard 默认启用，DSA 只是其中一个可追加后端
• T+N 评估基于保存价和评估时最新快照价，不等同完整复权回测；可扣减交易成本并输出突破/回踩形态后验标签；--with-price-path 会额外估算最大回撤和最大浮盈