alphasift

name alphasift description 自动选股 Skill。Use when: 用户要按策略筛选 A 股、列出可用策略、运行双低/放量突破/均衡多因子/资金热度等选股，或保存运行并做 T+N 后验评估。通过 alphasift CLI 或 Python 接口输出候选股票列表。 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