| 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_statusdeep_analysis_summarydeep_analysis_resultdeep_analysis_signal_scoredeep_analysis_sentiment_scoredeep_analysis_operation_advicedeep_analysis_trend_predictiondeep_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
