评分体系

July 3, 2026 · View on GitHub

screen_score 组成

screen_score 是选股专用的横向评分，用于在 L1 筛选后对候选进行排序。

子分数说明示例因子
factor_value_score估值横向分PE、PB，低且为正更优
factor_liquidity_score流动性横向分成交额
factor_momentum_score动量横向分当日涨跌幅、60 日涨幅、signal_score、MACD
factor_reversal_score反转横向分控制幅度下跌、RSI、60 日过热/过弱
factor_activity_score资金活跃横向分量比、换手率
factor_stability_score稳定性横向分极端波动、过热换手、负 PE、signal_score
factor_size_score容量横向分总市值
factor_theme_heat_score主题热度横向分board_heat_score、行业涨跌幅、行业排名、热度趋势

权重

当前实现优先使用策略 YAML 中的 factor_weights，可用因子包括：

因子含义
value低 PE、低 PB 的估值吸引力
liquidity成交额代表的可交易性
momentum建设性正向涨幅，避免极端追高
reversal控制幅度下跌后的修复观察价值
activity量比、换手率代表的资金活跃度
stability对极端波动、过热换手、负 PE 的惩罚
size总市值与容量
theme_heat行业/概念/板块热度，但会惩罚过热

示例：

screen_score = Σ(factor_score × normalized_factor_weight)

若策略未配置 factor_weights，会根据 tech_weight 自动映射到兼容权重。

可配置评分曲线

因子评分有默认曲线，但不再要求所有策略共用同一套硬编码阈值。策略 YAML 可以通过 scoring_profile 覆盖关键参数，例如：

  • momentum_chase_start_pct：动量分开始惩罚追高的涨幅
  • activity_ideal_volume_ratio：活跃度分偏好的量比中心
  • activity_ideal_turnover_rate：活跃度分偏好的换手中心
  • reversal_ideal_change_pct：反转策略偏好的当日跌幅中心
  • stability_hot_change_pct：稳定性分开始惩罚过热涨幅的位置
  • theme_heat_overheat_score：主题热度分开始惩罚过热的位置
  • theme_heat_trend_min_observations：使用板块热度趋势前要求的最少历史观测数
  • theme_heat_trend_slope / theme_heat_cooling_penalty_slope：升温加分和降温扣分斜率
  • theme_heat_persistence_min_score / theme_heat_persistence_slope：持续热度加分阈值和斜率
  • theme_heat_cooling_score_penalty_slope：最新一段降温信号的扣分斜率

默认参数代表通用基线，策略 profile 表达风格差异；例如短线题材可容忍更高换手，稳健价值则应更早惩罚过热。

行业/概念/主题热度

industry-cache 和本地映射文件可以提供以下字段：

  • industry / concepts：结构化行业和概念标签
  • industry_rank / industry_change_pct：板块截面排名和涨跌幅
  • industry_heat_score / concept_heat_score / board_heat_score：0-100 热度分
  • board_heat_latest_score / board_heat_trend_score / board_heat_observations：从 history sidecar 回填的最新热度、滚动热度变化和观测数
  • board_heat_persistence_score / board_heat_cooling_score / board_heat_state：滚动窗口内的持续热度、最新降温幅度和状态标签
  • board_heat_summary：可读热度摘要，例如 银行:+1.20%:rank=3

这些字段不会成为默认硬筛条件。它们进入 theme_heat 因子、候选池结构摘要和 LLM prompt，用于区分“有板块扩散支撑”“持续升温”“持续热但边际降温”和“单日孤立脉冲”。短线策略可以给 theme_heat 更高权重；价值/防守策略可以不给权重，仅让 LLM 作为软信息参考。

alphasift industry-cache 除了主 CSV/JSON，还会写：

  • *.meta.json：刷新时间、provider、抓取板块数、错误说明
  • *.history.jsonl：每次刷新时的板块热度快照；加载主映射时会自动读取同名 history sidecar，回填趋势、持续性、降温和状态字段

日 K 增强

默认主链只依赖全市场快照。策略声明以下字段时，或显式启用 --daily-enrich 时，系统会在 L1 快照硬筛后只对 Top N 候选补充日 K 特征：

  • change_60d
  • ma_bullish
  • price_above_ma20
  • macd_status
  • rsi_status
  • signal_score
  • breakout_20d_pct
  • range_20d_pct
  • volume_ratio_20d
  • body_pct
  • pullback_to_ma20_pct

这些特征会参与后续 hard filter 和因子评分，但日 K 增强不是全市场历史数据扫描。

日 K 拉取按单只候选执行，并通过 DAILY_FETCH_RETRIES 处理临时网络抖动。单只失败会记录到 degradation 并填充缺省特征，不拖垮同批其他候选；若某个策略硬性依赖日 K，失败候选会在日 K 硬筛中自然淘汰，避免在关键形态条件不可验证时继续入选。

L3 后置分析器

L3 是最终候选后处理层。默认启用本地 scorecard，因此即使不配置外部系统，也会有一层稳定、低成本的候选复核评分。当前支持：

分析器来源作用
scorecard本地规则评分默认启用，根据因子、LLM 置信度、催化/风险做轻量加减分
dsa外部 daily_stock_analysis对最终候选做单股深度分析并提取建议、趋势、风险
external_http自定义 HTTP 工具接入其他策略、评分器或研究系统

默认 scorecard 会覆盖全部最终输出候选；dsa 和 external_http 这类高成本后端默认只处理前 POST_ANALYSIS_MAX_PICKS 只。

scorecard 的加减分阈值也支持通过 scorecard_profile 覆盖，例如价值质量加分、量比脉冲扣分、LLM 置信度阈值、催化/风险标签加减分上限等。

DSA 不参与 L1 全市场初筛；它只在最终入围候选上调用，并在最后阶段作为 overlay 使用：

  • screen_score 仍决定进入最终名单前的主排序
  • DSA 返回的 signal_score、sentiment_score、operation_advice、趋势判断和风险因子会对最终 final_score 做修正
  • 因此 DSA 更适合作为低频、高成本的终审层，而不是高频主链评分器

当前实现中，DSA 不参与 L1 全市场初筛；它只在最终入围候选上调用，并在最后阶段作为 overlay 使用：

  • screen_score 仍决定进入最终名单前的主排序
  • DSA 返回的 signal_score、sentiment_score、operation_advice、趋势判断和风险因子会对最终 final_score 做修正
  • 因此 DSA 更适合作为低频、高成本的终审层，而不是高频主链评分器

LLM 排序 (L2)

LLM 只在 Top K 候选上做相对排序，输入为：

  1. 候选的 screen_score 和关键指标
  2. 策略 YAML 中的 ranking_hints
  3. 全市场快照摘要、候选池宽度、因子均值、因子领先候选和主评分分布
  4. 新闻/情报摘要（如有）
  5. 候选级 CSV/JSON/JSONL 外部线索（如有），通过 --candidate-context-file 按 code 对齐，只注入当前候选池相关行
  6. 可选 Top K 抓取线索，通过 --collect-candidate-context 或 LLM_CANDIDATE_CONTEXT_ENABLED=true 抓取新闻、公告、资金流摘要，并带 source_count、source_confidence、source_weight_score、context_summary、公告类别、事件标签和负面风险标签

LLM 输出：

  1. 全局 market_view：当前候选池和市场背景是否适合该策略
  2. 全局 selection_logic：本次排序最主要的判断维度
  3. 全局 portfolio_risk：最终名单共同风险或集中风险
  4. 重排后的排名
  5. 每个候选的 thesis、排序理由、风险摘要、潜在催化
  6. 候选 sector / theme，用于组合集中度控制和后续复盘归因
  7. 候选标签、风险标签、策略风格匹配说明和置信度
  8. watch_items 和 invalidators：后续跟踪项和会推翻候选逻辑的观察点

LLM 只能在候选池内重排，不能推荐候选池外股票，也不能替代硬筛条件。 LLM 输出会经过 JSON 解析、代码覆盖率校验、重复代码/未知代码检查；不满足阈值时会重试，仍失败则回退到 screen_score。调用层支持 LiteLLM JSON mode、fallback models、多渠道 key/base_url 解析和高级 Router YAML。

后验评估与形态标签

alphasift evaluate 和 evaluate-batch 会用保存时价格与最新快照价格计算 T+N 收益，可通过 EVALUATION_COST_BPS 扣除往返成本。对带日 K 形态字段的候选，还会输出：

  • breakout_follow_through：突破候选达到 EVALUATION_FOLLOW_THROUGH_PCT
  • failed_breakout：突破候选跌破 EVALUATION_FAILED_BREAKOUT_PCT
  • breakout_unconfirmed：介于两者之间
  • pullback_rebound / pullback_failed：MA20 回踩候选的后验表现

批量评估会按 by_shape_status 和 by_shape_tag 聚合，帮助发现某类形态是否反复失效。evaluate-batch 还会输出 portfolio_summary 和 portfolio_by_strategy，把每次 run 当作等权组合，统计组合收益、组合胜率，以及启用价格路径后的组合级平均最大回撤/最大浮盈。

evaluate-batch 和 evaluate-strategies 的 JSON payload 同时包含 failure_review，用于策略研发复盘：

  • summary：失败样本数、负收益数、缺报价数、失败突破数、严重回撤数、最差收益。
  • failure_samples：按严重程度排序的样本，包含 run、策略、代码、收益、LLM tags/catalysts/risks、后置分析标签、形态状态、风险/组合 flags、event_signals 和失败原因。
  • dimensions：按策略、行业/主题、LLM 催化/风险、后置分析标签、合并事件信号、风险 flag、组合 flag、形态状态、失败原因聚合失败样本。
  • recommendations：面向调参和数据检查的下一步建议。

可用 --failure-samples N 控制 explain/JSON 中保留的样本数量，0 表示只保留聚合和建议。

同一批量评估 payload 还会输出 event_signal_review，把 llm_tags、llm_catalysts、llm_risks 和 post_analysis_tags 统一成 tag:、catalyst:、risk:、post: 四类事件信号。每个信号会给出样本数、胜率、平均/中位/最优/最差收益、失败率和 prefer / avoid / watch 动作建议，方便把后验表现沉淀回策略的 preferred_event_tags、avoided_event_tags 或 risk profile。

event_signal_review.strategy_patch_suggestions 会进一步按策略汇总这些证据，生成可审阅的 screening.event_profile YAML 片段和 append_unique 字段变更建议。它只输出建议，不会自动改写策略文件；适合先在 UI/PR 中审核，再把稳定信号加入具体策略。

如果启用 --with-price-path 或 EVALUATION_PRICE_PATH_ENABLED=true，评估会额外抓取候选日 K 路径，并计算：

  • path_end_return_pct：路径最后一个交易日相对保存价的收益
  • max_drawdown_pct：路径内相对保存价的最大下探幅度
  • max_runup_pct：路径内相对保存价的最大上冲幅度
  • path_status：路径是否可用

这仍不是完整回测，但能补上“只看最后一天收益却不知道中途回撤”的短板。

LLM 配置

为便于复用 daily_stock_analysis 的配置，AlphaSift 支持同一套 LiteLLM 环境变量：

  • LITELLM_MODEL
  • LITELLM_FALLBACK_MODELS
  • LLM_CHANNELS + LLM_{NAME}_PROTOCOL/BASE_URL/API_KEY/API_KEYS/MODELS/ENABLED
  • LITELLM_CONFIG
  • OPENAI_API_KEY / OPENAI_BASE_URL
  • GEMINI_API_KEY / GEMINI_API_KEYS
  • DEEPSEEK_API_KEY
  • OLLAMA_API_BASE

旧变量 LLM_API_KEY、LLM_MODEL、LLM_BASE_URL 仍兼容。

风险覆盖层

风险覆盖独立于策略因子和 LLM。当前实现会根据以下字段做 penalty，也可通过 RISK_VETO_HIGH=true 直接剔除高风险候选：

检查项行为
单日涨幅过高或跌幅过大penalty / 可选 veto
异常量比、高换手penalty / 可选 veto
负 PE、高 PBpenalty
日 K 信号偏弱、MACD 空头、RSI 过热penalty
日 K 数据质量过低、拉取失败、过期缓存或 source fallbackpenalty / 可选 veto
LLM 风险标签、低置信度penalty
DSA 或其他后置分析器风险标签进入候选风险字段，DSA 自身也会影响后置分数

最终输出同时包含 risk_score、risk_level、risk_penalty 和 risk_flags，便于后续 agent 或人工复核。

策略 YAML 可以用 risk_profile 覆盖风险阈值和扣分点，例如 chase_change_pct、abnormal_volume_ratio、high_turnover_rate、low_llm_confidence、low_daily_quality_score、fetch_failed_daily_points。这避免把“8% 就算追高”“量比 6 就异常”“拉取失败扣多少分”这类市场风格和数据质量假设写死在代码里。

组合分散覆盖层

LLM 会为候选输出统一的 llm_sector 和 llm_theme。如果候选快照或外部数据提供 industry/concepts，这些字段会进入 LLM 上下文；当 LLM 行业标签缺失时，组合分散层会用 industry 作为后备锚点。默认配置下，AlphaSift 会把这些标签映射成组合风险桶，并在裁剪最终 Top N 前执行一次组合分散覆盖。例如银行、券商、保险会共同落到金融风险桶。

  • 同一 LLM 行业/风险桶超过 PORTFOLIO_MAX_SAME_LLM_SECTOR 后，后续候选会被扣除 PORTFOLIO_CONCENTRATION_PENALTY
  • 该层在 LLM 返回行业标签，或候选提供结构化 industry 字段时生效；两者都缺失时不改变排序
  • 扣分记录写入 portfolio_penalty、portfolio_flags 和 portfolio_concentration_notes

这不是硬性行业配额，而是对“同一拥挤交易占满最终名单”的温和约束；如果重复行业候选优势足够明显，仍可能保留在最终结果中。

默认风险桶可以用策略 YAML 的 portfolio_profile.buckets 覆盖或扩展。例如周期策略可以把钢铁、煤炭、有色归为一个周期桶；AI 策略可以把算力、光模块、服务器归为同一交易桶。