ricequant-skills

使用本地 rqamsc CLI 查询和操作 RQAMS 时使用，覆盖产品、workspace、交易流水、估值表、持仓报表、模拟交易、对账、报表和分析数据等标准任务。

使用 rqamsc Python SDK 查询 API、编写最小脚本、导入交易流水和结算流水、定位工作空间与初始化问题。当任务涉及 RQAMS 产品、产品组、头寸、交易流水、估值表或相关 Python 接口时使用。

处理 RQAMS 数据查询和操作时使用。标准产品、workspace、交易流水、估值表、持仓报表、模拟交易、对账、报表和分析任务优先路由到 rqams-cli；需要 Python SDK 脚本、多 API 组合处理、本地 Python 环境诊断或 CLI 未覆盖接口时路由到 rqamsc-python。

Ricequant量化平台文档阅读和API查询工具。当Claude需要访问Ricequant量化工具时使用，特别是提到某类金融相关数据或者RQ等字眼时：包括RQAlphaPlus回测框架、RQData数据API、RQFactor因子计算、RQOptimizer优化器、RQPAttr归因分析、RQAMS资产管理系统、RQAMSC Python SDK等文档的查询和阅读。

RQData数据API使用指南。当需要查询RQData数据接口、获取金融数据时使用。支持A股、港股、期货、期权、指数、基金、可转债等市场数据查询，包含HTTP API和Python API文档。

创建模板驱动的催化剂日历报告，追踪覆盖股票池未来 30 天的重要事件和催化剂。 使用 RQData CLI 获取财报、分红、公告等结构化公司事件；当需要补充宏观、行业会议或政策催化时，可额外使用 `web_search` 获取实时信息，并先落为结构化 JSON，再统一生成 Markdown 和 HTML 报告。 务必使用此技能当用户： - 明确请求催化剂日历、事件日历、earnings calendar、upcoming events - 想了解接下来一段时间的重要事件、本周/本月重点日期 - 需要追踪股票池的重要催化剂 - 需要把公司事件与宏观 / 行业催化放进同一份时间轴报告 不适用场景： - 单个公司财报深度分析 -> earnings-preview / earnings-analysis - 行业整体分析 -> sector-overview - 只需回答单一事实且不需要完整日历报告

创建模板驱动的财报分析报告，在财报披露后基于真实财务数据、市场预期、公告原文链接、卖方研报和股价反应完成结构化复盘。 `RQData CLI` 负责财务、估值、价格、公告和一致预期主数据；若需要补充财报电话会、管理层动态、行业或政策语境，可额外使用 `web_search` 获取实时信息，并先落为结构化 JSON，再统一生成 Markdown 与 HTML 报告。 务必使用此技能当用户： - 明确请求财报分析、季度业绩点评、earnings update、post-earnings report - 想知道财报发布后是超预期、符合预期还是低于预期 - 需要结合财务数据、市场预期和股价反馈做复盘 不适用场景： - 财报前瞻 -> earnings-preview - 首次覆盖 -> initiating-coverage - 只要一句话快评

创建模板驱动的财报预览报告，在财报发布前基于历史财务、近期股价、卖方一致预期、研报口径与网络搜索结果搭建可追踪的预判框架。 `RQData CLI` 负责历史财务、价格、一致预期、研报与公告主数据；若需要补充目标季度预计披露日、电话会安排或近期行业动态，可额外使用 `web_search` 获取实时信息，并先落为结构化 JSON，再由 earnings-preview/scripts/generate_report.py 以客户可读方式纳入正文。 务必使用此技能当用户： - 明确请求财报预览、earnings preview、pre-earnings、财报前瞻 - 想知道财报前看什么、哪些指标最关键 - 需要结合市场预期和近期股价定位财报前 setup - 需要在财报前形成一份结构化关注清单和情景分析 不适用场景： - 财报发布后的复盘分析 -> earnings-analysis - 首次覆盖深度研究 -> initiating-coverage - 只问一句“什么时候发财报”

创建模板驱动的投资创意生成报告，基于真实股票池与财务指标完成系统化量化筛选，并在必要时结合主题/政策/行业实时信息做第二阶段验证，输出价值、成长、质量三类候选及其跟踪重点。 `RQData CLI` 负责股票池、公司元数据、财务与估值因子主数据；`web_search` 只在需要补充主题验证、政策催化或行业动态时使用，且必须先落为结构化 JSON，再由当前 LLM 基于结构化快照和 `assets/template.md` 回写客户可读正文，最后渲染 HTML。 务必使用此技能当用户： - 明确请求投资创意、idea generation、找投资机会、系统化选股 - 需要对一个股票池做价值 / 成长 / 质量筛选 - 想快速形成一份带量化依据的候选清单 - 需要把筛选规则、候选结果和跟踪重点整理成正式报告 不适用场景： - 单个公司首次深度覆盖 -> initiating-coverage - 财报发布后的单家公司分析 -> earnings-analysis - 只要一句话推荐且不需要完整报告

创建模板驱动的首次覆盖研究报告，基于真实财务、股权结构、交易、分红、市场预期、卖方摘要与可比公司数据输出长篇结构化报告。 `RQData CLI` 负责财务、交易、分红、预期、可比公司与公司基础资料主数据；若需要补充管理层履历、行业规模、竞争格局或政策背景，可额外使用 `web_search` 获取实时定性信息，并先落为结构化 JSON，再由当前报告脚本将其以客户可读方式纳入对应章节。 务必使用此技能当用户： - 明确请求首次覆盖、initiating coverage、深度公司研究、完整公司分析框架 - 需要为新纳入跟踪的公司建立完整的公司研究报告、对比框架和估值定位 - 需要公司概况、财务轨迹、股权结构、卖方预期、可比估值等一揽子分析输入 不适用场景： - 财报后单次复盘 -> earnings-analysis - 财报前瞻 -> earnings-preview - 行业整体研究 -> sector-overview

创建模板驱动的晨会纪要报告，汇总隔夜公告、最近披露的财务更新、昨日股价表现、盘前宏观/行业语境与今日重点观察名单。 `RQData CLI` 负责个股行情、公告、财报、分红等结构化主数据；若需要补充宏观政策、海外市场、行业新闻或监管变化，可额外使用 `web_search` 获取实时信息，并先落为结构化 JSON，再由当前脚本纳入最终正文。 务必使用此技能当用户： - 明确请求晨会纪要、morning note、晨会准备、morning meeting - 想了解隔夜动态、昨晚发生了什么、overnight developments - 询问今天看什么、今日重点、what to watch today - 需要盘前关注名单或交易观察 不适用场景： - 单一公司财报深度点评 -> earnings-analysis / earnings-preview - 首次覆盖深度研究 -> initiating-coverage - 仅需简单新闻摘要且不需要完整报告

将 Markdown 研究报告渲染为专业 HTML 文档。输入是其他 skill 已生成的 Markdown 报告，输出是可浏览、可打印的单文件 HTML。 务必使用此技能当用户： - 明确要求把 Markdown 报告转换成 HTML - 想生成网页版研报或打印版页面 - 已经有 `.md` 报告，只差最后的渲染步骤 不适用场景： - 还没有 Markdown 报告 - 需要 PDF / Word 导出

创建模板驱动的行业概览报告，基于显式行业股票池与真实财务/估值/价格数据完成行业层面的结构化分析。 使用 RQData CLI 获取股票池、行业分类、财务、估值与区间价格，再由 sector-overview/scripts/generate_report.py 严格按照 `assets/template.md` 生成 Markdown，并在本地可用时渲染 HTML。 务必使用此技能当用户： - 明确请求行业报告、行业概览、sector overview、行业研究 - 想看某个赛道/板块的整体财务、竞争格局和估值位置 - 需要行业内公司对比、龙头排序、集中度分析 - 需要从行业层面筛选潜在投资机会 不适用场景： - 单一公司首次覆盖 -> initiating-coverage - 财报后的单公司点评 -> earnings-analysis - 只要一句话介绍行业

创建模板驱动的投资论文跟踪报告，系统化跟踪核心观点、关键支柱、资本回报、催化剂和风险信号。 `RQData CLI` 负责财务、价格、估值、公告、分红和股东结构等结构化主数据；若需要补充公司新闻、管理层变化、行业趋势、竞争格局或分析师观点，可额外使用 `web_search` 获取实时信息，并先落为结构化 JSON，再由 thesis-tracker/scripts/generate_report.py 以客户可读方式纳入最终正文。 务必使用此技能当用户： - 明确请求投资论文、thesis、投资逻辑、论文跟踪 - 想建立或更新投资框架、验证关键假设、更新观点 - 需要追踪催化剂、里程碑、资本回报或信念度变化 - 需要把既有 thesis 和最新数据做系统化对照 不适用场景： - 首次覆盖深度研究 -> initiating-coverage - 财报发布后的单次点评 -> earnings-analysis - 只需简单投资建议且不需要完整跟踪报告