a-share-quant-report

面向A股金工研报复现的 skill，自动按研报框架拆解研究问题、选择至少1000只股票的数据集、调用标准化 Python 回测框架，并按研报逻辑系统性展示结果与图片。

A-Share Quant Report Reproducer

适用场景

当用户希望复现一篇A股量化/金工研报时使用本技能。它不只是“生成一个 alpha 再回测”，而是要尽量还原卖方金工研报的完整研究链路：

1. 明确研究问题
2. 识别研报属于哪一类研究范式
3. 把研报逻辑翻译成可计算信号/因子
4. 选定股票池与数据集规模
5. 用标准化 Python 回测框架完成检验
6. 按研报叙事顺序展示结论、表格与图片

你必须先判断：这篇研报属于哪种模式

不要把所有研报都当作“多空因子回测”处理。至少区分两类：

A. 因子研究 / 多因子 / 纯因子定价型

典型特征：

• 研究某个因子是否被市场定价
• 有 IC / RankIC / 分层收益 / Long-Short / 中性化 / 纯因子回归
• 常见于“特质波动率”“估值因子”“盈利预期因子”“Barra风格因子”等

输出重点：

• 因子定义
• 样本与中性化口径
• 因子诊断
• IC / RankIC
• 分层单调性
• 多头、多空、基准、超额
• 风险暴露与稳健性

B. 市场热点跟踪 / 趋势追踪 / 规则筛选型

典型特征：

• 研究“市场热点在什么地方”“哪些股票处于强趋势/创新高”
• 更强调指数、行业、概念、个股的分布统计
• 最终输出可能是“精选股票池”“跟踪名单”“热点概览”，而不是标准多空净值曲线

输出重点：

• 市场现象定义
• 指数/行业/概念/个股四层统计
• 规则筛选链条
• 筛选结果表
• 行业/风格/板块分布
• 若研报本身没有正式组合回测，则不要强行伪造完整多空回测

你必须收集的输入

如果用户没有明确给出，先补齐以下信息再执行：

• report_input：研报 URL / PDF / 文本摘要
• max_download_stocks：最多下载多少只股票用于回测
• universe_preference：全A / 沪深300 / 中证500 / 中证1000 / 行业池 / 跟随研报
• rebalance_freq：日 / 周 / 月
• holding_count：持有前N只股票，或是否做分组回测
• backtest_platform：自动选择 / Qlib / RQAlphaPlus / JoinQuant / FinQ4Cn-MCP / QMT-MCP / Python框架
• cost_assumption：双边费率、滑点
• replication_mode：严格复现 / 代理复现

默认值：

• max_download_stocks = 1000
• universe_preference = 跟随研报
• rebalance_freq = 周
• holding_count = 20
• backtest_platform = Python框架优先，无法满足时再路由到其他平台
• cost_assumption = 手续费万3，冲击/滑点单边15bp
• replication_mode = 代理复现（若研报未披露全部细节）

核心原则

1. 先尊重研报，再尊重用户的下载规模

数据集选择顺序：

1. 优先读取研报披露的股票池
2. 若研报未给股票池，则根据研究类型映射股票池
3. 应用流动性、停牌、ST、上市时长等过滤
4. 在满足研报约束的前提下，默认目标为至少1000只股票
5. 若研报本身股票池不足1000只，必须说明原因

2. 默认目标是至少1000只股票

• 除非研报原始股票池更小，否则默认候选池应不少于1000只
• max_download_stocks 表示候选池规模，不等于最终持仓数
• 一般应满足：max_download_stocks >= holding_count * 5
• 若用户要求过小样本，需提示稳定性风险

3. 标准化回测框架优先

当任务属于“因子研究 / 分层回测 / 多头多空组合”时，优先使用随 skill 一起提供的 python_report_style_factor_backtest.py 作为基础框架，再按研报替换：

• 股票池生成逻辑
• 因子表达式
• 调仓频率
• 分组数
• 中性化方式
• 成本与基准

4. 结果展示必须是“研报式”而不是“日志式”

输出不能只是：

• 跑完了
• 生成了若干 png
• 给几个指标表

必须改为：

1. 研究问题与原研报结论
2. 因子/信号定义与经济含义
3. 样本与回测设定
4. 因子有效性检验
5. 组合表现与超额来源
6. 风险暴露与稳健性
7. 与原研报对照
8. 结论与后续优化

数据集匹配规则

• 大盘增强：沪深300
• 中盘增强：中证500
• 小盘增强：中证1000
• 全市场多因子：流动性过滤后的全A，默认1000~2000只
• 行业内选股：目标行业成分股
• 事件驱动：满足事件条件后的股票集合
• 热点跟踪型：指数 + 行业 + 概念 + 个股四层样本

平台路由规则

• 用户强调开源、本地、可改代码：优先 Python框架 / Qlib
• 用户强调分钟级、A股真实制度细节：优先 RQAlphaPlus
• 用户强调快速在线验证：优先 JoinQuant
• 用户强调 MCP / AI 工作流：优先 FinQ4Cn-MCP
• 用户已有 QMT 环境：优先 QMT-MCP
• 若任务只是把研报逻辑直接落到一个可维护的研究脚本，优先使用 Python 框架

执行步骤

Step 1：识别研究类型

判断是：

• 因子定价型
• 多因子选股型
• 热点跟踪型
• 趋势筛选型
• 事件驱动型

Step 2：拆解研报逻辑

提取：

• 研究问题
• 信号来源
• 因子定义或规则定义
• 股票池与过滤规则
• 调仓频率 / 跟踪频率
• 评价指标
• 是否包含正式组合回测

Step 3：生成表达式或规则链

• 因子型研报：输出最小可运行表达式 + 增强版表达式
• 热点/规则型研报：输出“规则链”，不要强行写成单一 alpha

Step 4：确定数据集规模

输出：

• 原始候选池
• 过滤规则
• 最终下载股票数
• 是否达到 >=1000 默认目标
• 对稳定性的影响

Step 5：选择执行框架

• 若属于标准因子研究，优先使用 python_report_style_factor_backtest.py
• 若属于热点追踪型研报，则以“统计追踪 + 规则筛选结果展示”为主，必要时补充轻量组合验证

Step 6：按研报结构展示结果

必须至少包含：

1. 研究问题与核心结论
2. 因子/信号定义
3. 样本与回测设定
4. 因子有效性或规则统计结果
5. 分层/组合结果（若适用）
6. 风险与偏差说明
7. 图片逐张展示与解读

图片展示要求

• 图片必须逐张内联展示，不能只报文件名
• 每张图都要有一句解释
• 因子研究型至少展示：
  • 因子分布图
  • IC时间序列图
  • 月度IC热力图
  • 分层累计收益图
  • 多头 vs 基准净值图
  • 多空净值图
  • 超额与回撤图
  • 换手率/覆盖率图
• 若是热点跟踪型，则优先展示：
  • 指数新高距离图
  • 行业新高距离图
  • 概念新高距离图
  • 创新高个股行业/板块/指数分布图
  • 筛选结果股票池表

特别约束

• 如果用户给了具体研报，优先复原研报逻辑，不要直接套通用alpha
• 如果研报没有正式组合回测，就不要伪造完整回测结论
• 最终报告中必须明确写出“最终下载股票数”
• 如果实际可用样本少于目标值，要解释原因
• 最终回复中必须按章节 + 表格 + 图片方式输出，不要退化成纯文字摘要

建议配套文件

使用本 skill 时，优先参考以下文件：

• research-framework-patterns.md
• dataset-selection-rules.md
• output-template.md
• report-presentation-guidelines.md
• image-display-guidelines.md
• conversation-push-template.md
• python_report_style_factor_backtest.py

示例触发语句

• 复现这篇A股因子研报，并至少下载1000只股票做回测
• 读取这篇热点跟踪型研报，按其逻辑生成跟踪框架并展示结果
• 用Python框架复现这篇研报，输出完整研报式图表和结论
• 根据研报自动识别是因子研究还是热点研究，再决定是否做多空回测