Tushare Daily Market Sense

基于 Tushare Pro A 股 daily 日线数据生成盘后市场研报的方法论 skill。当用户要求做每日盘面趋势、上证/创业板指数趋势、情绪指数趋势、赚钱效应与上涨主线分析、爆量下跌识别、低位异动/科创板月线突破/10:30前涨停等特征分组分析、指数背离/抗跌股分析、历史某日复盘、基于 daily/daily_basic/涨跌停/指数数据做量化选股观察时，必须优先使用本 skill。本 skill 先生成确定性证据包，再由模型或 Codex/Claude Code 等通用 agent 的 subagent 编排能力按模块撰写；不在脚本中调用 LLM，不提供买卖建议，不按申万、同花顺、东方财富等现成行业/概念口径分组。

目标

基于 Tushare 日线、指数、成交额与本地情绪历史，为 A 股盘后复盘生成结构化研报：盘面趋势、成交额集中度、赚钱效应与上涨主线、爆量下跌风险、特征分组分析、弱指数环境下的抗跌股。

不做单股基本面深度研究、港股/美股/基金/期货/加密分析、分钟级交易决策、自动下单、组合优化或买卖建议。脚本只负责取数、计算、筛选、切分 JSON；主题归纳、风险措辞和研报写作由模型完成。

核心理念

成交额优先。所有强弱判断都要有成交额证据：上涨主线按成交额厚度确认，爆量下跌按放量异常与跌幅强度识别，特征分组按命中规则与成交额证据分开呈现，抗跌股要求有至少 1 亿成交额证明资金参与。

主题主线由模型基于业务事实临时归纳，不套现成行业或概念标签。共同性不足时明确写“暂不构成主线”或“资金轮动”。

工作流程

1. 确定交易日：解析“今天/最近”或具体日期，默认只使用 D 及以前数据；只有用户明确要求后验时才允许 --allow-future。
2. 生成证据包：运行 scripts/run_daily_panel.py。脚本会直接调用数据管线，写出完整 evidence、轻量 report_context 和模块级 JSON。
3. 选择撰写模式：
   • 有 subagent 编排能力时，主 agent 将 6 个模块 JSON 分发给 6 个 subagent 并行撰写。
   • 没有 subagent 能力时，按同样模块顺序单会话执行，每次只加载当前模块的 JSON、方法论和模板段。
4. 聚合成稿：主 agent 读取 6 段输出、assembled_checks.json 与 reference/methodology/output_discipline.md，补一句话盘面判断、风险传导提示和最终语气校准。默认不做外部收评校验、不搜索第三方行情综述、不在报告中加入“外部校验参考”；只有用户明确要求时才补充外部来源。
5. 清理临时产物：确认 reports/report_YYYYMMDD.md 已写入并可读后，删除同日期的临时证据与上下文文件，只保留最终报告。必须清理：
   • reports/evidence_YYYYMMDD_utf8.json
   • reports/evidence_YYYYMMDD_utf8.stderr.log
   • reports/report_context_YYYYMMDD.json
   • reports/module_context_YYYYMMDD/ 不要删除 reports/report_YYYYMMDD.md，不要跨日期批量清理，除非用户明确要求。

数据获取

环境变量：

TUSHARE_TOKEN=your_token

运行脚本会先更新 reference/market_data.csv 再生成情绪趋势：AKShare stock_market_activity_legu() 提供情绪明细，Tushare daily 补充成交额和必要的上涨/下跌 fallback，Tushare daily_basic.circ_mv 用于计算流通市值加权的全市场换手率；因此环境中还需安装 akshare。

基础命令：

cd C:\Users\chenh\OneDrive\skills\stock-skills\a-stock-daily-market-sense
python scripts\run_daily_panel.py --asof 20260429 --lookback 120 --market-trend-days 90 --index 000300.SH

主要输出：

• reports/evidence_YYYYMMDD_utf8.json：完整证据包。
• reports/report_context_YYYYMMDD.json：兼容旧流程的轻量上下文。
• reports/module_context_YYYYMMDD/：供 subagent 分工的模块级 JSON。

这些文件是研报撰写过程中的临时产物。最终报告生成并核对后，应按工作流程第 5 步删除，只保留 reports/report_YYYYMMDD.md。

常用参数：

参数	含义	默认
--fetch-workers	cache/API 获取线程数；排查限流时设为 1	6
--money-pct-threshold	赚钱效应最低当日涨幅	7.0
--money-amount-threshold	赚钱效应最低成交额，单位亿元	2.0
--decline-pct-max	爆量下跌最大当日涨幅	-3.0
--decline-volume-ratio	爆量下跌最低 20 日放量倍数	2.0
--low-lookback-days	低位放量触发回看窗口	5
--resilient-index-5d-max	抗跌股模块的弱指数 5 日门槛	-2.0

Subagent 编排契约

主 agent 先生成模块级 JSON，然后按下列最小上下文分发。每个 subagent 只看自己的模块数据，不读取其他模块数据。

模块	JSON	方法论	模板
1 盘面趋势	module1_market_trend.json	reference/methodology/module1_trend.md	reference/template/section1.md
2 集中度	module2_concentration.json	reference/methodology/module2_concentration.md	reference/template/section2.md
3 赚钱效应	module3_money_effect.json	reference/methodology/module3_money_effect.md	reference/template/section3.md
4 爆量下跌	module4_decline.json	reference/methodology/module4_decline.md	reference/template/section4.md
5 特征分组	module5_feature_groups.json	reference/methodology/module5_feature_groups.md	reference/template/section5.md
6 抗跌股	module6_resilient.json	reference/methodology/module6_resilient.md	reference/template/section6.md

聚合 agent 额外读取：

• assembled_checks.json：M3 赚钱效应池与 M4 爆量下跌池的确定性交叉检查。
• reference/methodology/output_discipline.md：最终成稿纪律。

Python 不调用 Anthropic API、不调用任何 LLM、不硬编码模型名。Codex、Claude Code 或其他通用 agent 的 subagent 编排能力负责并行撰写。

输出规范

完整研报仍按六个模块输出。每段结论先行，表格只放关键证据，所有强弱判断必须有成交额或放量倍数支撑。不要写“板块轮动明显”这类空句；要写“候选数、合计成交额、最大主题占比、代表股成交额”。

每个一级大章节（1-6）里已有的总结/定性段落必须使用 Markdown 高亮样式 ==...== 包裹，例如“盘面定性”“拥挤度判断”“主线 vs 资金轮动结论”“风险传导提示”“特征分组一句话判断”“抗跌方向判断”。不要为了高亮额外新增“本节总结”段落；高亮的是原本就承担总结作用的段落。

禁止输出买卖建议。可以写“风险传导”“持续性待验证”“主线确认度”，不要写“买入/卖出/止损/目标价”。

示例

用户：复盘 2026-04-29 的 A 股盘面，重点看赚钱效应和低位放量。

执行：

python scripts\run_daily_panel.py --asof 20260429

然后按 subagent 契约加载 reports/module_context_20260429/ 下的模块 JSON。若没有 subagent，就顺序加载每个模块的 JSON + 方法论 + 模板段，最后聚合为完整研报。