name	factor_research
description	定义、清洗、回测和评估A股因子，输出是否可进入生产的因子卡片。
category	a_share_investment
metadata	{"domain":"china_a_share","maturity":"production_template","version":"1.0.0","owner":"investment_research_team","risk_level":"high","requires_human_review_for_trading":true,"openclaw":{"skillKey":"factor_research"}}

因子研究 Skill

Skill ID

a_share.factor_research.v1

功能定位

定义、清洗、回测和评估A股因子，输出是否可进入生产的因子卡片。

适用场景

量化研究、基本面量化、因子库扩展。

必填输入

as_of_date: 分析截止日期，必须使用当时已公开可得数据。
object_type: stock / industry / portfolio / market / theme / factor。
object_id: 股票代码、行业名称、组合ID、主题名称或因子名称。
investment_horizon: intraday / 1w / 1m / 3m_6m / 1y_3y。
benchmark: 沪深300、中证500、中证1000、行业指数或自定义基准。
data_bundle: 已加载的数据清单、来源、时间戳和质量评分。

可选输入

portfolio_context: 当前持仓、成本、权重、产品约束。
risk_budget: 单票、行业、风格、流动性和回撤约束。
previous_thesis: 历史投资假设、上次评级、上次目标价。
manual_notes: 研究员补充信息或人工调研纪要。

依赖 Skill

data_quality_audit
trading_calendar_adjustment

通用执行流程

校验输入参数，确认 as_of_date、对象、投资期限、基准、股票池和组合约束。
检查依赖数据是否齐全，并调用或引用数据质量审计结果。
按本 Skill 的专业框架进行分析，不跳步，不省略反证。
对所有关键判断打分：事实强度、影响程度、可验证性、时效性、组合相关性。
生成结构化 JSON、Markdown 报告和审计日志。
给出下游建议：进入哪个 workflow、是否需要人工复核、何时再次更新。

本 Skill 专业步骤

定义因子经济含义、公式、数据口径和披露时点。
去极值、标准化、行业市值中性化。
计算IC、Rank IC、分层收益、多空收益、换手率。
分市场状态、市值、行业检验稳定性。
检查因子拥挤度、相关性和未来函数。

判断与打分框架

fact_strength: 事实强度，公告/财报/交易所数据最高，二手新闻和传闻最低。
impact_score: 对盈利、估值、现金流、风险偏好、组合风险的影响程度。
time_sensitivity: 信息有效期和是否需要盘中处理。
verification_score: 是否可被其他数据源交叉验证。
portfolio_relevance: 对当前组合、候选池、禁投池的影响程度。

标准输出

同时输出两种形态：

result.json：供下游 Agent / workflow 读取；
report.md：供投研人员阅读。

result.json 至少包含：

{
  "skill_id": "a_share.factor_research.v1",
  "run_id": "test_run_0001",
  "as_of_date": "2026-05-22",
  "object_type": "factor",
  "object_id": "quality_growth_factor",
  "conclusion": "待生成，禁止作为投资建议直接执行",
  "confidence": 0.0,
  "evidence": [],
  "counter_evidence": [],
  "risks": [],
  "action_suggestion": "research_only",
  "required_followups": [],
  "human_review_required": true,
  "data_quality_score": 0.0,
  "audit_trail": []
}

报告结构

# 因子研究报告

## 1. 一句话结论
## 2. 核心证据
## 3. 关键数据与图表建议
## 4. 正方观点
## 5. 反方观点
## 6. 风险与证伪条件
## 7. 对估值/盈利/组合/交易的影响
## 8. 后续跟踪指标
## 9. 人工复核事项
## 10. 审计日志

强制约束

不得把传闻、新闻标题、管理层口头表述当成确定事实；所有关键结论必须标注证据来源与时间戳。
不得使用未来函数：财务数据、公告、研报、价格、指数成分必须以 as_of_date 当时已公开可得为准。
不得绕过人工复核直接给出实盘下单指令；涉及买入、卖出、加仓、减仓、禁投、强制平仓的结论必须输出 human_review_required: true。
数据缺失、数据冲突、来源不可靠时，必须降低置信度，并列出不可验证项。
对 ST、*ST、停牌、退市整理、重大违法、财务造假、流动性不足标的，必须优先触发风险检查。
报告中必须同时给出正方观点、反方观点、证伪条件和后续跟踪指标。

下游流转

若输出影响投资评级、仓位或禁投状态，必须传递给 investment_memo、portfolio_risk_monitor 和 compliance_check。
若发现数据异常，必须回流给 data_quality_audit 或 data_conflict_resolution。
若发现投资假设变化，必须回流给 thesis_review。

Más de este repositorio

mismo repositorio

a-share-investment-router

nexaforgelab/a-share-investment-skill-pack

用于任何中国A股投研、组合、风控、交易、复盘任务的总控路由 Skill。先识别用户意图，再选择正确 workflow 和下游 skills，避免 Agent 在大量 skills 中随机调用或遗漏关键步骤。

2026-05-220

a-share-master-data

nexaforgelab/a-share-investment-skill-pack

构建和维护A股证券主数据、板块、行业、上市状态、交易资格、指数成分和可投范围。

2026-05-220

data-conflict-resolution

nexaforgelab/a-share-investment-skill-pack

当Wind/Choice/Tushare/AkShare/交易所/巨潮等数据不一致时，给出源优先级、冲突解释和最终采用值。

2026-05-220

data-quality-audit

nexaforgelab/a-share-investment-skill-pack

审计行情、财务、公告、估值、资金流、持仓和交易数据的完整性、一致性与时点正确性。

2026-05-220

stock-universe-governance

nexaforgelab/a-share-investment-skill-pack

根据投资授权和策略约束生成机构级可投股票池、观察池、禁投池。

2026-05-220

trading-calendar-adjustment

nexaforgelab/a-share-investment-skill-pack

统一A股交易日、公告披露日、财报可用日、指数调样日和调仓日。

2026-05-220

name	factor_research
description	定义、清洗、回测和评估A股因子，输出是否可进入生产的因子卡片。
category	a_share_investment
metadata	{"domain":"china_a_share","maturity":"production_template","version":"1.0.0","owner":"investment_research_team","risk_level":"high","requires_human_review_for_trading":true,"openclaw":{"skillKey":"factor_research"}}

因子研究 Skill

Skill ID

a_share.factor_research.v1

功能定位

定义、清洗、回测和评估A股因子，输出是否可进入生产的因子卡片。

适用场景

量化研究、基本面量化、因子库扩展。

必填输入

as_of_date: 分析截止日期，必须使用当时已公开可得数据。
object_type: stock / industry / portfolio / market / theme / factor。
object_id: 股票代码、行业名称、组合ID、主题名称或因子名称。
investment_horizon: intraday / 1w / 1m / 3m_6m / 1y_3y。
benchmark: 沪深300、中证500、中证1000、行业指数或自定义基准。
data_bundle: 已加载的数据清单、来源、时间戳和质量评分。

可选输入

portfolio_context: 当前持仓、成本、权重、产品约束。
risk_budget: 单票、行业、风格、流动性和回撤约束。
previous_thesis: 历史投资假设、上次评级、上次目标价。
manual_notes: 研究员补充信息或人工调研纪要。

依赖 Skill

data_quality_audit
trading_calendar_adjustment

通用执行流程

校验输入参数，确认 as_of_date、对象、投资期限、基准、股票池和组合约束。
检查依赖数据是否齐全，并调用或引用数据质量审计结果。
按本 Skill 的专业框架进行分析，不跳步，不省略反证。
对所有关键判断打分：事实强度、影响程度、可验证性、时效性、组合相关性。
生成结构化 JSON、Markdown 报告和审计日志。
给出下游建议：进入哪个 workflow、是否需要人工复核、何时再次更新。

本 Skill 专业步骤

定义因子经济含义、公式、数据口径和披露时点。
去极值、标准化、行业市值中性化。
计算IC、Rank IC、分层收益、多空收益、换手率。
分市场状态、市值、行业检验稳定性。
检查因子拥挤度、相关性和未来函数。

判断与打分框架

fact_strength: 事实强度，公告/财报/交易所数据最高，二手新闻和传闻最低。
impact_score: 对盈利、估值、现金流、风险偏好、组合风险的影响程度。
time_sensitivity: 信息有效期和是否需要盘中处理。
verification_score: 是否可被其他数据源交叉验证。
portfolio_relevance: 对当前组合、候选池、禁投池的影响程度。

标准输出

同时输出两种形态：

result.json：供下游 Agent / workflow 读取；
report.md：供投研人员阅读。

result.json 至少包含：

{
  "skill_id": "a_share.factor_research.v1",
  "run_id": "test_run_0001",
  "as_of_date": "2026-05-22",
  "object_type": "factor",
  "object_id": "quality_growth_factor",
  "conclusion": "待生成，禁止作为投资建议直接执行",
  "confidence": 0.0,
  "evidence": [],
  "counter_evidence": [],
  "risks": [],
  "action_suggestion": "research_only",
  "required_followups": [],
  "human_review_required": true,
  "data_quality_score": 0.0,
  "audit_trail": []
}

报告结构

# 因子研究报告

## 1. 一句话结论
## 2. 核心证据
## 3. 关键数据与图表建议
## 4. 正方观点
## 5. 反方观点
## 6. 风险与证伪条件
## 7. 对估值/盈利/组合/交易的影响
## 8. 后续跟踪指标
## 9. 人工复核事项
## 10. 审计日志

强制约束

不得把传闻、新闻标题、管理层口头表述当成确定事实；所有关键结论必须标注证据来源与时间戳。
不得使用未来函数：财务数据、公告、研报、价格、指数成分必须以 as_of_date 当时已公开可得为准。
不得绕过人工复核直接给出实盘下单指令；涉及买入、卖出、加仓、减仓、禁投、强制平仓的结论必须输出 human_review_required: true。
数据缺失、数据冲突、来源不可靠时，必须降低置信度，并列出不可验证项。
对 ST、*ST、停牌、退市整理、重大违法、财务造假、流动性不足标的，必须优先触发风险检查。
报告中必须同时给出正方观点、反方观点、证伪条件和后续跟踪指标。

下游流转

若输出影响投资评级、仓位或禁投状态，必须传递给 investment_memo、portfolio_risk_monitor 和 compliance_check。
若发现数据异常，必须回流给 data_quality_audit 或 data_conflict_resolution。
若发现投资假设变化，必须回流给 thesis_review。