定位与优势

一句话定位

AlphaSift 是面向 AI Agent 的全市场候选发现与横向排序引擎：先用可审计规则从全市场筛出候选，再用 LLM 做语义研究、相对取舍、风险归因和组合分散，最后用可插拔后置分析器复核。

它不是单股诊断工具，也不是传统条件选股器的简单包装。

与传统选股器的区别

传统选股器通常擅长“满足条件的股票有哪些”，但弱在候选之间的语义比较和组合取舍。AlphaSift 的差异点是：

• 三层职责分离：硬条件由代码执行，软判断由 LLM 执行，深度分析作为 L3 插件执行。
• 候选横向比较：不是只给每只股票一个孤立分数，而是在同一个候选池内比较风格、催化、风险和拥挤度。
• LLM 结构化输出：要求输出 thesis、risk_flags、sector、theme、watch_items、invalidators，而不是只生成自然语言点评。
• 候选级上下文对齐：可通过 --candidate-context-file 注入按股票代码对齐的新闻、公告、资金流或研究摘要；可选抓取会附带来源数、来源置信度、来源权重、公告类别、事件标签和压缩摘要，让 LLM 在候选池内做有材料的横向取舍。
• 主题热度软输入：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，进入因子和 LLM prompt，但不作为默认硬筛。
• 组合风险桶：LLM 负责识别行业/主题，代码负责把金融、消费、AI 算力、新能源等共同交易转成可审计扣分。
• 可配置规则 profile：默认能跑，但评分曲线、风险阈值、组合桶、scorecard 规则都能在策略 YAML 中覆盖。
• 后验评估闭环：保存运行结果后，可以用后续快照评估收益、胜率和缺失报价，逐步检验策略与 LLM 标签。

与 daily_stock_analysis 的关系

daily_stock_analysis 更适合“已有股票池/自选股”的单股深度分析、仪表盘和通知推送。AlphaSift 站在它上游：

• AlphaSift 负责从全市场发现候选，并做横向排序。
• daily_stock_analysis/DSA 负责对最终候选做更深的单股分析。
• AlphaSift 可以把 DSA 作为 L3 后置分析器，但不会把 DSA 作为主筛选依赖。

这样做的工程理由是成本和职责边界：全市场阶段必须轻量、快速、可回退；单股深度分析只适合最终少量候选。

与 daily_ai_assistant 的关系

daily_ai_assistant 更像 LLM 自动化/通知助手。AlphaSift 可以复用它的 LLM 配置和多渠道 key，但职责不同：

• daily_ai_assistant 偏任务执行、消息触达和自动化。
• AlphaSift 偏结构化选股、候选池管理、排序解释和评估闭环。

为什么 LLM 是核心优势

AlphaSift 不让 LLM 做确定性筛选，也不让 LLM 任意推荐池外股票。LLM 的核心价值放在这些传统规则难覆盖的地方：

• 解释因子冲突：估值好但趋势弱、资金强但追高、反转好但基本面风险大。
• 提炼交易逻辑：把候选归为低估值修复、资金热度、消费复苏、AI 算力等主题。
• 识别共同风险：发现最终名单是否全押在金融、地产链、同一主题或同一风格。
• 利用上下文识别事件：把新闻/公告/资金流里的回购、增持、减持、监管问询、业绩压力等转成候选级软标签。
• 输出可复盘字段：watch_items 和 invalidators 让后续评估能知道当时逻辑是否被证伪。

当前边界

• 当前主市场是 A 股。
• 当前不是完整复权回测系统，T+N 评估只是工程闭环；可选价格路径能补充最大回撤和最大浮盈，但不处理组合调仓。
• 候选链路已支持 industry/concepts/board_heat_score 作为 LLM、主题热度因子和组合风险桶锚点，可从本地映射文件或可选 AkShare 板块反查补充；industry-cache 会写 metadata 和 history JSONL，加载映射时会把同名 history sidecar 回填成滚动趋势、持续性、降温和状态字段。
• 当前突破、回踩等形态策略已有 20 日高点/区间/量能/实体/回踩距离/平台天数增强，评估层能标记突破延续/失败；启用价格路径后可看到最大回撤和最大浮盈，后续还需要压力密集度和盘中失效条件。