横向比较与短板

对比对象

项目	主要定位	强项	与 AlphaSift 的关系
AlphaSift	全市场候选发现与 LLM 横向排序	A 股全市场硬筛、结构化 LLM 重排、组合风险桶、可插拔 L3、T+N 轻量评估	本项目主体
daily_stock_analysis	自选股/单股深度分析和通知	单股分析、仪表盘、推送、多市场自选股	AlphaSift 上游筛出候选后，可用 DSA 做 L3 深度分析
daily_ai_assistant	LLM 助手、自动化和通知	多渠道 LLM 配置、任务自动化、消息触达	AlphaSift 可复用其 LLM 配置，但不承担通知助手职责
OpenBB	金融数据平台和研究工作流	多数据源整合、Python/CLI/REST/MCP/Workspace 等多消费层	AlphaSift 不做通用金融数据平台，短板是数据源广度
Microsoft Qlib	AI 量化研究平台	数据、模型、回测、量化研究工作流	AlphaSift 不替代 Qlib；后续可把评估/回测向 Qlib 靠拢
FinGPT	金融 LLM 框架和模型生态	金融 LLM 数据、训练、适配、部署	AlphaSift 使用通用 LLM 接口，不训练金融基座模型
Backtrader	Python 回测和交易框架	策略回测、指标、分析器、交易模拟	AlphaSift 当前只有 T+N 轻量评估，完整回测是短板

AlphaSift 的优势

1. 位置清晰：不是单股分析，也不是通知助手，而是全市场候选发现。
2. LLM 用得克制：LLM 只在候选池内做横向排序和语义归因，不参与硬筛，也不能推荐池外股票。
3. 输出结构化：每个候选有因子分、LLM thesis、风险、催化、行业/主题、watch items、invalidators。
4. 组合风险可审计：LLM 给行业/主题，代码映射风险桶并写入 portfolio_penalty。
5. 主题热度进入软判断：行业/概念映射可以携带 board_heat_score、滚动趋势、持续性、降温状态和热度摘要，进入因子、LLM prompt 和后续归因。
6. 默认可跑、规则可覆盖：策略 YAML 可覆盖评分曲线、风险阈值、组合桶和 scorecard。
7. 能接下游系统：DSA、外部 HTTP 评分器都只是 L3 后置分析器，不侵入主筛选路径。

当前短板

短板	影响	补齐方向
行业/概念数据源不足	已支持本地映射文件、可选 AkShare 板块反查、industry-cache 缓存刷新、metadata/history sidecar、板块热度分、主题热度摘要、滚动趋势、持续性、降温信号和异常热度值过滤，但数据源广度仍弱	增加多源映射、板块层级口径归一和更完整的数据质量报告
新闻/公告/资金流上下文不足	已支持候选级上下文文件、可选 Top K 抓取、缓存、基础去重、来源置信度、来源权重分、压缩摘要、公告类别、事件标签、负面风险识别和策略级事件偏好，但事件效果还没有进入后验归因	将事件类型偏好纳入 T+N 归因统计，补更细公告分类和来源质量评估
完整回测不足	已支持 saved-run 批量 T+N 聚合、策略/行业/主题/风险标签/持有期维度、等权组合摘要、交易成本扣减和可选日 K 路径最大回撤/最大浮盈，但仍不能替代复权、持仓约束回测	继续补持仓约束和组合逐日权益曲线；后续接 Qlib/Backtrader
形态验证仍偏粗	已支持 20 日突破幅度、区间振幅、量能比、实体强度、MA20 回踩距离、平台持续天数、T+N 形态后验标签和可选价格路径回撤/浮盈，但还没有压力密集度和盘中失效条件	增加前高压力密集度、盘中失效条件和组合持仓路径
数据源广度弱于 OpenBB	已有 sina、efinance、akshare_em、em_datacenter、Tushare 兜底和日 K 多源降级，但暂不适合多资产、多市场通用研究平台	先做 A 股多源字段对账和质量报告，再扩展港股/美股
缺少 UI/通知层	不适合直接作为每日推送产品	与 daily_ai_assistant 或其他通知系统解耦集成

补短板优先级

1. 行业/概念映射
   候选、LLM 上下文和组合分散层已支持 industry/concepts/board_heat_score，industry-cache 可刷新本地缓存并写 metadata/history，加载映射时会回填滚动趋势、持续性、降温和状态字段，并跳过异常热度值；下一步补板块层级口径归一和更完整的数据质量报告。

2. 候选级新闻/公告/资金流摘要
   当前可用 --candidate-context-file 注入，也可用 --collect-candidate-context 对 Top K 抓取并缓存；抓取结果已有来源数、来源置信度、来源权重分、压缩摘要、公告类别、事件标签和负面风险识别，策略 YAML 可用 event_profile 配置偏好和来源权重。下一步把事件类型偏好纳入 T+N 归因统计。

3. 形态类日 K 特征增强
   volume_breakout 和 shrink_pullback 已使用 20 日突破/区间/量能/实体/回踩/平台天数字段，evaluate 会标记突破延续/失败，启用价格路径后会输出最大回撤/最大浮盈；下一步补压力密集度和盘中失效条件。

4. 批量评估报告
   当前已能按策略、行业、主题、标签、风险标记、组合标记、持有期和等权组合聚合，并可扣交易成本；启用价格路径后可估算最大回撤和最大浮盈。下一步补持仓约束和组合逐日权益曲线。

5. 外部框架对接
   Qlib/Backtrader 适合作为完整回测后端，但不应进入主筛选链路。

自检命令

alphasift audit
alphasift audit --json

自检会输出：

• 策略数量与分类
• 四类 profile 覆盖情况
• 策略级配置缺口
• 项目级短板
• 下一步优先级