| name | batch-inference-analysis |
| description | 批量推理结果分析 — 用 QuantMind 选股策略方法论分析每日信号、行业轮动、个股分数区间、负分参考。在 QuantBot / Claude Code 中分析批量推理结果、解读每日信号、判断市场状态、选股决策、做空参考时使用。触发词：分析批量推理、解读信号、每日选股、市场状态判断、行业轮动分析、负分参考、信号分析、批次分析、选股决策 |
批量推理结果分析技能
基于 QuantMind 选股策略方法论，分析批量推理产出的每日信号，做出入场/选股/买卖/做空决策。
数据基础
批量推理产出：
- batch：多个交易日的推理集合（
/models/inference/batch/{batch_id}）
member_runs：每个交易日的 run 记录（run_id/trade_date/signals_count）
- 单日 run：
/models/inference/runs/{run_id}
items：5377+ 只股票信号，每只含 fusion_score（分数）/board（板块）/industry（行业）/market_cap_tier（市值分档）/trend（趋势）/prev_score/prev2_score/next_score
认证
BASE=http://127.0.0.1:8000
TOKEN=$(curl -s -X POST $BASE/api/v1/auth/login -H "Content-Type: application/json" \
-d '{"username":"admin","password":"admin123","tenant_id":"default"}' \
| python3 -c "import sys,json; print(json.load(sys.stdin).get('access_token',''))")
AUTH="Authorization: Bearer $TOKEN"
1. 拉取批量推理数据
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/batches?page=1&page_size=10"
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/batch/{batch_id}"
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/runs/{run_id}"
分析入口：用 batch 的 member_runs 拿到每日 run_id，逐个拉取信号分析，或用最近一个 run 分析今日。
批量聚合（推荐，一次拿全）
/models/inference/batch/{batch_id}/aggregate 一次性返回整批的聚合分析（免去逐日拉取）：
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/batch/{batch_id}/aggregate"
2. 市场状态判断（三层过滤）
第1层：行业信号强度 — 决定是否入场
用 Python 计算行业 avg Top1：
import json, urllib.request
def fetch_run(run_id):
req = urllib.request.Request(f"{BASE}/api/v1/models/inference/runs/{run_id}",
headers={"Authorization": f"Bearer {TOKEN}"})
return json.load(urllib.request.urlopen(req))
def market_signal(items, top_n=20):
top = sorted(items, key=lambda x: -(x.get("fusion_score") or 0))[:top_n]
ind_top = {}
for it in top:
ind = it.get("industry", "") or "未知"
s = it.get("fusion_score") or 0
if ind not in ind_top or s > ind_top[ind]:
ind_top[ind] = s
ind_avg_top1 = sum(ind_top.values()) / max(1, len(ind_top))
strong = sum(1 for s in ind_top.values() if s >= 0.10)
return {"ind_avg_top1": ind_avg_top1, "strong_industries": strong, "top_industries": ((ind_top.items(), key= x:-x[])[:])}
入场阈值（参数扫描优化）：
| 策略 | 入场线 | 空仓线 | 强行业数 |
|---|
| 保守 | ≥0.10 | <0.10 | ≥5 |
| 平衡（推荐） | ≥0.09 | <0.06 | ≥2 |
| 激进 | ≥0.07 | <0.06 | ≥1 |
判断：
ind_avg_top1 < 0.06 → 绝对空仓0.06-0.09 → 观望/极轻仓≥0.09 → 正常选股
第2层：大盘均线过滤 — 防崩盘
模型在暴跌时给高分是反向信号。用指数 K 线判断：
curl -s -H "$AUTH" "$BASE/api/v1/market/kline?symbol=000001.SH&market=A&period=daily&days=30"
规则：上证指数 < MA20 → 强制空仓（避开 2024 年 2 月微盘崩盘）。
第3层：强行业数仓位管理
| 强行业数 | 市场状态 | 仓位 |
|---|
| ≥5 | 强势 | 100% 满仓 |
| 3-5 | 震荡偏强 | 50% 半仓 |
| 2-3 | 震荡 | 30% 轻仓 |
| <1.5 | 弱势 | 空仓 |
3. 个股选股（分数区间）
核心分数区间
| 个股分数 | 操作 | 理由 |
|---|
| 0.10-0.12 | 首选（黄金区间） | 胜率64.8%，均收+1.19%，最大亏损-10.4% |
| 0.12-0.15 | 可选（主板优先） | 胜率79%但样本少，警惕追高 |
| 0.15-0.20 | 谨慎 | 仅强市有效 |
| ≥0.20 | 极谨慎 | 趋势加速，样本少 |
| <0.10 | 不买 | 信号太弱 |
注意：0.12-0.14 是"追高陷阱"（动量特征强，易买山顶）；0.10-0.11 假信号区必须配合行业确认。
重要：以上绝对阈值基于特定模型分布，换模型后先看 score_distribution（第7节）用分位数映射。
def pick_stocks(items, market_sig):
picks = []
for it in items:
s = it.get("fusion_score") or 0
if not (0.10 <= s <= 0.12): continue
if market_sig["ind_avg_top1"] < 0.09 and s < 0.11: continue
board = it.get("board", "")
if "创业" in board or "科创" in board: continue
name = it.get("stock_name", "")
if "ST" in name or "退" in name: continue
picks.append(it)
picks.sort(key=lambda x: -(x.get("fusion_score") or 0))
return picks[:5]
3天趋势（决定买点）
用 prev_score/next_score 判断：
| 趋势 | 模式 | 操作 |
|---|
| 先升后降 | 低→高→降 | 最佳买点（胜率78%） |
| 连续上升 | 低→高→更高 | 过热不追 |
| 连续下降 | 高→降→降 | 信号衰退不买 |
反直觉：分数下降比上升好——高位回落说明绝对分仍高。
4. 负分参考（做空/回避）
精确做空分数线
| 条件 | 下跌概率 | 做空均收 |
|---|
| 微盘(<30亿) + 分数≤-0.20 | 72.0% | +5.14% |
| 微盘 + 分数≤-0.15 | 68.6% | +3.17% |
| 小盘 + 分数≤-0.20 | 65.5% | +2.62% |
| 中盘 + 分数≤-0.17 | 60.4% | +1.16% |
| 大盘/超大盘 + 任何负分 | ≤52% | 不做空 |
负分也会涨（错杀）
- 超大盘负分 -0.13~-0.14：下跌概率仅 42%，均收 +3%——错杀最佳例证
- 大盘负分 -0.11：上涨概率 51%
- 科创板负分 -0.06~-0.15：均收全为正，做空价值最低
- 警戒线 -0.22：即使大盘股低于此分也会崩
一句话落地
做空只做微盘/小盘 + 分数≤-0.15；大盘/超大盘/科创板的负分是错杀，-0.22 以下才真危险；轻负分(>-0.06)无信息。
def short_candidates(items):
shorts = []
for it in items:
s = it.get("fusion_score") or 0
if s > -0.15: continue
tier = it.get("market_cap_tier", "")
if tier in ("大盘", "超大盘"): continue
if "科创" in it.get("board", ""): continue
shorts.append(it)
shorts.sort(key=lambda x: x.get("fusion_score") or 0)
return shorts[:10]
5. 行业轮动分析
def sector_rotation(batch_runs):
from collections import Counter
ind_days = Counter()
for run in batch_runs[:30]:
items = fetch_run(run["run_id"]).get("items", [])
top = sorted(items, key=lambda x: -(x.get("fusion_score") or 0))[:20]
for it in top:
if (it.get("fusion_score") or 0) >= 0.10:
ind_days[it.get("industry", "")] += 1
return ind_days.most_common(10)
判断：
- 行业信号持续 ≥3 天 = 真轮动（非一日游）
- 新行业出现 Top1 ≥0.10 = 资金切换方向
- 强行业数 ≥3/天 = 有行情；≤1.5/天 = 空仓
6. 完整分析流程
当用户要求"分析批量推理结果"时：
- 确认批次：
/models/inference/batches 找最近 completed 的 batch
- 拿 member_runs：
/models/inference/batch/{id} 得到每日 run_id
- 拉今日信号：取最新 run 的 items
- 市场状态：行业 avg Top1 + 强行业数 + 大盘均线
- 选股：分数 0.10-0.12 + 主板 + 3天趋势"先升后降"
- 负分参考：微盘/小盘极端负分列出做空候选
- 行业轮动：跨日统计强行业
- 输出决策：入场/仓位/个股清单/做空清单/规避
7. 不同模型分数范围的处理（关键）
每个模型训练后分数范围不同（实测：这个融合模型 fusion_score 范围 -0.996 ~ 0.965，而方法论假设 0-0.2 是另一套模型）。绝对阈值不能直接套用，必须先了解当前模型的分数分布。
def score_distribution(items):
scores = sorted(x.get("fusion_score") or 0 for x in items)
n = len(scores)
return {
"min": round(scores[0], 3),
"max": round(scores[-1], 3),
"p10": round(scores[int(n*0.1)], 3),
"p25": round(scores[int(n*0.25)], 3),
"p50": round(scores[int(n*0.5)], 3),
"p75": round(scores[int(n*0.75)], 3),
"p90": round(scores[int(n*0.9)], 3),
}
模型分数范围 → 方法论阈值映射
方法论阈值（0.10-0.12 黄金区间等）基于特定模型的分布。使用时：
- 先跑
score_distribution 了解当前模型分布
- 用分位数替代绝对分数判断高低：
- 黄金区间 ≈ 高分位带（如 p75-p90，需结合回测验证）
- 追高区 ≈ 最高分位（p90+）
- 负分做空 ≈ 最低分位（p10 以下）
- 跨模型对比时，统一用百分位排名，不用原始分数
模型选择（多模型择优）
不同模型分数分布和预测能力不同，分析时可对比：
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/stock/{symbol}/history"
curl -s -H "$AUTH" "$BASE/api/v1/models"
择优标准：
- 分数分布合理（不过度集中、有区分度）
- 该模型回测胜率/IC 高（见 [[backtest-center]]）
- 黄金区间候选数量适中（太多=无区分度，太少=过严）
融合模型特殊处理
融合模型已按百分位加权合成，fusion_score 可直接用，但分数范围仍因源模型而异——同样先看分布再定阈值。
8. 模型分数校准回测（核心新增）
每个模型训练后分数范围不同，用历史信号自动回测找出该模型最适合的分数区间。
8.1 调用校准接口（异步任务 + 进度）
校准是后台任务，提交立即返回 task_id，轮询查进度（避免阻塞引擎）：
curl -s -X POST -H "$AUTH" "$BASE/api/v1/selection/score-calibration?days=180&horizons=1,3,5,10&top_n=50"
curl -s -H "$AUTH" "$BASE/api/v1/selection/score-calibration/{task_id}"
参数：
days：回测历史交易日数（30~478）horizons：未来 N 日列表（1,3,5,10 / 1,5,20 等）top_n：重点标注排名前 N
流程：POST 提交 → 每 2 秒轮询 GET → 状态 completed 后取 result。后台任务阶段：读取信号(5%)→分组(15%)→价格面板(30%)→市值(45%)→回测(55%+逐日推进)→汇总(95%)→完成(100%)
8.2 输出解读
score_summary（分数档 × 多周期）：
| 字段 | 含义 |
|---|
score_band | 分数档（≤-0.25 ~ ≥0.20，正负对称） |
n | 该档样本数 |
top50_count | 该档内排名前50样本数 |
avg_rank | 该档股票平均绝对排名 |
horizons | 每个 T+N 的：胜率/下跌概率/均收/中位收益 |
matrix（分数档 × 市值 × 下跌概率）：主周期的市值分档下跌概率
neg_industry_avg（负分行业 avg）：负分最深行业排序
neg_board_avg（板块负分 avg）：主板/创业板/科创板/北交所
recommended_band：系统推荐的最优分数档
8.3 关键洞察（当前模型实测）
用 days=60&horizons=1,3,5,10 实测（94万样本）：
- 正分最优档：0.05~0.08 → T+5 胜率 53%、下跌 46.1%、均收 +0.753%
- 方法论黄金区 0.10~0.12 在此模型反而均收 -0.387%（负！）→ 必须按模型校准
- 极端负分 ≤-0.25 → T+5 下跌 62.1%、T+10 下跌 67.5%、均收 -4.971%（做空信号）
- 负分行业 avg：林业/油服/种植业/农产品加工负分最深（做空首选）
- 板块负分：创业板 -0.50 最深、科创板 -0.38 抗跌
8.4 校准方法
- 训练完新模型 → 跑
score-calibration
- 看
recommended_band → 该模型的最佳分数区间
- 对比不同模型 → 用各自 calibrated 区间，不用统一阈值
- 动态更新选股阈值 → 用该校准结果替换方法论默认值
9. 完整分析流程（含模型适配）
当用户要求"分析批量推理结果"时：
- 确认批次：
/models/inference/batches 找最近 completed
- 拿每日 run：
/models/inference/batch/{id} 的 member_runs
- 拉最新信号：
/models/inference/runs/{run_id} 的 items
- 分数校准：
/selection/score-calibration 看该模型最优分数档
- 市场状态：行业 avg Top1（用校准档映射阈值）+ 强行业数 + 大盘均线
- 选股：按校准档定位黄金区间 + 主板 + 3天趋势
- 负分参考：校准出的极端负分档 + 微盘/小盘
- 行业轮动：跨日统计强行业
- 输出决策：入场/仓位/个股/做空/规避
10. 常见问题
| 现象 | 处理 |
|---|
| 信号分数普遍偏低/偏高 | 不同模型分布不同，先 score-calibration 再定阈值 |
| 黄金区间选不出 | 用校准档，或放宽到 p70-p90 |
| 行业为空 | 部分 run 行业缺失，按 board 分组替代 |
| 跨模型对比 | 统一用百分位排名，不用原始分数 |
| 想选最优模型 | 对比各模型校准结果 + 回测指标 |
| 校准接口慢 | 减少 days 或 horizons，或缓存结果 |
