rq-idea-generation

name	rq-idea-generation
description	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
compatibility	Requires rqdata CLI, Bash, python3. Report structure is managed by idea-generation/assets/template.md.

RQ 股票研究 - 投资创意生成

核心原则

• 所有内容必须遵循三阶段流程：数据采集 -> LLM 生成正文 -> HTML 渲染
• assets/template.md 是唯一报告模板来源；Python 只做数据归一化、指标计算、结构化快照生成、占位符填充和结构校验
• Python 只输出结构化 facts / tables / thresholds，不在代码里硬写推荐语、主题判断或客户可读结论
• 报告必须严格使用真实 rqdata 原始文件，不得在代码里硬写候选名单、日期、行业结论或投资判断
• 候选名单只代表“进入下一轮研究池的线索”，不代表最终投资结论
• 缺少数据时必须明确写“无数据 / 未启用该策略 / 未验证”，不能留空

数据源分工

RQData CLI 负责

• 股票池、公司名称、行业归属
• 财务快照、历史财务、同比增速
• ROE、市值、PE、PB 等定量筛选指标
• 候选排序、覆盖率、行业分布、交叉命中等结构化事实

web_search 负责

• 量化结果出来后的主题验证
• 行业景气、政策变化、监管动态
• 候选池相关的最新新闻、会议、产业催化

web_search 禁止替代的内容

• 财务数字、估值指标、股票池和公司基础信息
• 正式公告、价格、成交额、一致预期等结构化金融数据
• 任何候选排序、阈值判断和基础量化筛选结果

web_search 使用规则

详细字段、来源等级、落盘示例和 fallback 规则见 references/web_search.md。

允许补充的内容：

• 某条主题线索是否存在最新政策或产业催化
• 候选集中行业的景气验证和关键争议点
• 候选公司是否存在影响研究优先级的最新公开事件

落盘要求：

• 所有 web_search 结果必须先写入 web_search_findings.json
• 只写结构化记录，不把自然语言草稿直接塞进报告
• generate_report.py 不直接消费该文件；当前 LLM 应在回写 idea_screening_snapshot.json -> summaries.* 前读取它
• 若未做 web_search，报告必须保持“量化候选池”定位，不能伪装成已完成主题验证

硬性规则

以下任一条违反，视为输出失败：

• [MUST-1] 所有定量筛选指标必须来自 RQData CLI
• [MUST-2] web_search 只用于第二阶段主题验证，不能替代量化主数据
• [MUST-3] 金额类数据在正文和表格中必须换算为“亿元”等客户可读口径
• [MUST-4] 候选池不是最终结论；正文必须写清筛选逻辑、催化剂线索和关键风险，不能把候选直接写成“推荐买入”
• [MUST-5] idea_screening_snapshot.json -> summaries.* 必须由当前 LLM 直接回写；Python 不负责代写正文
• [MUST-6] 每个关键数据点或关键结论都要标 数据来源：XXX，置信度X
• [MUST-7] 若某策略未启用或未形成候选，仍要由 LLM 明确写清该章节当前用途和缺口，不能留空
• [MUST-8] 低置信度外部信息不得改写量化筛选结论或候选优先级
• [MUST-9] 最终输出必须严格来自模板，不得在脚本中自由拼写整篇报告

确信度评级

• 5：RQData CLI、交易所公告、上市公司官网、官方监管披露
• 4：政府 / 监管 / 行业协会 / 官方机构、权威财经媒体
• 3：一般媒体或二手整理，但来源清晰且与其他来源一致
• 2：单一来源、细节不完整、时点未充分验证
• 1：推断、估算窗口、未验证信息

使用规则：

• 混合结论的置信度取关键来源中的最低值
• 推断、主题映射或媒体传闻不得标成高置信度
• 低置信度信息只能作为跟踪线索，不能直接升级为核心投资判断

图表 / 图片需求

当前脚本以表格交付最小可用版本，但本 skill 仍必须定义达标报告所需的视觉载体；若未生成图表，必须由等价表格降级，不能省略关键问题。

• 图表名称：股票池覆盖与行业分布

• 图表目的：说明股票池规模、最新财报季度覆盖和行业集中情况

• 使用的数据文件：stock_pool.json、instrument_meta.json、financials_history.json

• 关键字段：order_book_id、quarter、sector_code_name / industry_name

• 建议图表类型：柱状图或分布表

• 回答问题：当前筛选结果是否受样本覆盖或行业集中度影响

• 放置位置：## 股票池与筛选框架

• 若图表缺失：保留覆盖率表、财报季度分布表、行业分布表

• 图表名称：指标看板与候选对比

• 图表目的：比较全池中位数与各策略候选的关键指标

• 使用的数据文件：idea_screening_snapshot.json

• 关键字段：universe.median_metrics、strategies.*.median_metrics、strategies.*.candidate_count

• 建议图表类型：分组柱状图、雷达图或对比表

• 回答问题：价值 / 成长 / 质量三组候选的主要特征差异是什么

• 放置位置：## 指标看板

• 若图表缺失：保留指标看板说明与候选表格

• 图表名称：交叉命中与风险暴露

• 图表目的：展示多策略共振程度与候选集中风险

• 使用的数据文件：idea_screening_snapshot.json

• 关键字段：overlap.display_candidates、risk_flags.*

• 建议图表类型：交叉矩阵、热力表或风险摘要表

• 回答问题：哪些候选值得优先进入下一轮研究，当前结果的主要结构性风险是什么

• 放置位置：## 候选组合与交叉验证、## 风险与跟踪重点

• 若图表缺失：保留交叉命中表和风险事实表

目标产出

• 报告长度：8-12 页
• 正文目标：约 3000-5000 中文字符
• 输出文件：
  • Markdown 报告
  • HTML 报告（若本地已安装渲染器）
• 输出目录必须由 --data-dir / --output 指定，不能写死固定路径

目录结构

idea-generation/
├── SKILL.md
├── scripts/
│   ├── build_screening_snapshot.py
│   └── generate_report.py
├── assets/
│   └── template.md
└── references/
    ├── data_contract.md
    └── web_search.md

输入文件契约

原始数据目录由 --data-dir 指定，脚本会按下列文件名查找输入：

• stock_pool.json
• instrument_meta.json
• latest_financials.json
• financials_history.json
• roe.json
• market_cap.json
• pe_ratio.json
• pb_ratio.json
• web_search_findings.json（可选，仅供 LLM 回写 summary 前读取）

这些文件都允许以下结构：

• { "data": [...] }
• { "data": { ... } }
• [...]
• { ... }

其中：

• stock_pool.json 用于定义股票池
• instrument_meta.json 用于公司名称和行业字段补充
• latest_financials.json 用于读取每只股票最近一期财务快照
• financials_history.json 用于计算同比增长
• roe.json、market_cap.json、pe_ratio.json、pb_ratio.json 用于估值与质量筛选
• web_search_findings.json 只作为第二阶段主题验证输入，不参与 Python 打分或排序

完整字段说明见 references/data_contract.md。

工作流

步骤 1：准备参数

REPORT_DATE="${REPORT_DATE:-$(date +%F)}"
TOP_N="${TOP_N:-10}"
STRATEGY="${STRATEGY:-all}"
START_QUARTER="$(python3 - <<PY
from datetime import date
report_date = date.fromisoformat("${REPORT_DATE}")
print(f"{report_date.year - 2}q1")
PY
)"
END_QUARTER="$(python3 - <<PY
from datetime import date
report_date = date.fromisoformat("${REPORT_DATE}")
print(f"{report_date.year}q4")
PY
)"

DATA_DIR="${DATA_DIR:-$HOME/rq_equities_reports/idea_generation}"
SNAPSHOT_JSON="${SNAPSHOT_JSON:-$DATA_DIR/idea_screening_snapshot.json}"
OUTPUT_MD="${OUTPUT_MD:-$DATA_DIR/idea_generation_${STRATEGY}_${REPORT_DATE}.md}"

步骤 2：采集全市场股票池

mkdir -p "$DATA_DIR"

rqdata stock cn list --payload "{
  \"date\": \"$REPORT_DATE\",
  \"type\": \"CS\"
}" --format json > "$DATA_DIR/stock_pool.json"

步骤 3：分批采集基础信息、财务和估值指标

python3 - "$DATA_DIR" "$REPORT_DATE" "$START_QUARTER" "$END_QUARTER" <<'PY'
import json
import subprocess
import sys
from pathlib import Path

data_dir = Path(sys.argv[1])
report_date = sys.argv[2]
start_quarter = sys.argv[3]
end_quarter = sys.argv[4]

stock_pool = json.loads(data_dir.joinpath("stock_pool.json").read_text(encoding="utf-8"))
rows = stock_pool if isinstance(stock_pool, list) else stock_pool.get("data", [])
ids = [row["order_book_id"] for row in rows if isinstance(row, dict) and row.get("order_book_id")]

def fetch_batches(command_prefix, payload_builder, output_file):
    collected = []
    for start in range(0, len(ids), 800):
        chunk = ids[start:start + 800]
        payload = json.dumps(payload_builder(chunk), ensure_ascii=False)
        output = subprocess.check_output([*command_prefix, "--payload", payload, "--format", "json"], text=True)
        batch = json.loads(output)
        collected.extend(batch if isinstance(batch, list) else batch.get("data", []))
    data_dir.joinpath(output_file).write_text(json.dumps(collected, ensure_ascii=False, indent=2), encoding="utf-8")

fetch_batches(
    ["rqdata", "stock", "cn", "instruments"],
    lambda chunk: {"order_book_ids": chunk},
    "instrument_meta.json",
)
fetch_batches(
    ["rqdata", "stock", "cn", "financial"],
    lambda chunk: {
        "order_book_ids": chunk,
        "fields": ["revenue", "net_profit", "total_assets", "total_liabilities"],
        "start_quarter": start_quarter,
        "end_quarter": end_quarter,
        "statements": "all",
    },
    "financials_history.json",
)
data_dir.joinpath("latest_financials.json").write_text(
    data_dir.joinpath("financials_history.json").read_text(encoding="utf-8"),
    encoding="utf-8",
)
for factor, output_file in [
    ("return_on_equity_weighted_average", "roe.json"),
    ("market_cap", "market_cap.json"),
    ("pe_ratio", "pe_ratio.json"),
    ("pb_ratio", "pb_ratio.json"),
]:
    fetch_batches(
        ["rqdata", "stock", "cn", "financial-indicator"],
        lambda chunk, current_factor=factor: {
            "order_book_ids": chunk,
            "factor": current_factor,
            "start_date": report_date,
            "end_date": report_date,
        },
        output_file,
    )
PY

说明：

• idea-generation 默认以全市场 A 股作为筛选覆盖范围，不再优先局限于单一指数成分股
• financial-indicator 使用 factor 参数，不是 fields
• financials_history.json 与 latest_financials.json 可以复用同一份查询结果，脚本会自动按股票抽取最新季度并计算同比
• 全市场数据量较大，必须按批次抓取，不能把全部 order_book_id 一次性塞给单个命令

步骤 4：生成结构化筛选快照

python3 idea-generation/scripts/build_screening_snapshot.py \
  --strategy "$STRATEGY" \
  --data-dir "$DATA_DIR" \
  --report-date "$REPORT_DATE" \
  --top-n "$TOP_N" \
  --value-pe-median-multiplier "${VALUE_PE_MEDIAN_MULTIPLIER:-1.00}" \
  --value-pb-max "${VALUE_PB_MAX:-1.50}" \
  --value-roe-min "${VALUE_ROE_MIN:-10.0}" \
  --growth-revenue-yoy-min "${GROWTH_REVENUE_YOY_MIN:-15.0}" \
  --growth-profit-yoy-min "${GROWTH_PROFIT_YOY_MIN:-20.0}" \
  --growth-roe-min "${GROWTH_ROE_MIN:-15.0}" \
  --quality-roe-min "${QUALITY_ROE_MIN:-15.0}" \
  --quality-debt-ratio-max "${QUALITY_DEBT_RATIO_MAX:-50.0}" \
  --output "$SNAPSHOT_JSON"

步骤 4.5：可选的主题 / 催化剂验证

当用户明确要求主题扫描，或量化结果需要实时外部语境时，才执行这一步。

• 先用 web_search 收集主题、行业、政策或候选公司最新事件
• 结果写入 web_search_findings.json
• 不得把 web_search 结果直接喂给 Python 做打分、排序或阈值判断
• 若没有执行这一步，最终报告应保持“量化候选池 + 后续验证建议”的口径

步骤 5：当前 LLM 直接回写 summary

运行完快照脚本后，当前 LLM 必须直接读取 "$SNAPSHOT_JSON"，并在存在时一并读取 "$DATA_DIR/web_search_findings.json"，基于结构化数据和 template.md 回写：

• summaries.exec_summary
• summaries.universe_overview
• summaries.metric_scoreboard
• summaries.value_section
• summaries.growth_section
• summaries.quality_section
• summaries.overlap_section
• summaries.risk_section
• summaries.appendix

要求：

• 这些 summary 必须是客户可读正文，不得写“LLM 总结”“脚本生成”“流程说明”
• 文字结论只允许由当前 LLM 基于快照事实和可选 web_search_findings.json 生成
• 未启用策略也要写清楚“本轮未启用，但保留该视角作为对照 / 后续扩池方向”
• 若只重复表格字段、输出项目符号堆砌或泄露文件名 / summaries.* / workflow 术语，视为未完成

步骤 6：渲染最终 Markdown 报告

常用参数：

• --data-dir：原始 JSON 数据目录
• --snapshot：显式指定结构化快照路径；默认读取 --data-dir/idea_screening_snapshot.json
• --output：输出 Markdown 路径
• --template：自定义模板路径，默认 idea-generation/assets/template.md
• --no-render：不生成 HTML
• 快照阶段阈值参数全部显式传入，例如 --growth-revenue-yoy-min、--quality-roe-min；这些阈值由用户决定，脚本只负责执行

步骤 7：渲染 HTML

脚本会优先尝试调用本地安装的 rq-report-renderer，若未安装则回退到仓库内 report-renderer/scripts/render_report.py；仍不可用时保留 Markdown 并打印警告。

阶段门控

Gate 1：数据采集完成

• 原始 JSON 文件齐全
• 股票池、财务、ROE、PE、PB 都有真实记录
• 没有用固定股票名单或手填候选替代数据采集

Gate 2：结构化快照完成

• idea_screening_snapshot.json 已生成
• strategies.*.thresholds 记录了本次真实参数
• summaries.* 仍为空，说明 Python 没有越界代写正文

Gate 3：LLM 正文完成

• summaries.* 已全部回写
• 正文是客户可读内容，不是字段复读或内部流程描述
• 若使用 web_search，其信息只体现在总结与跟踪建议，不改写量化主结论

Gate 4：交付完成

• Markdown 已生成
• 若本地渲染器可用，HTML 已生成
• 报告长度、章节、来源标注和风险提示均达标

模板规则

• 报告必须严格基于 template.md 生成
• 占位符采用 [[TOKEN]] 语法，不使用 Jinja
• 当前模板仅允许以下占位符：
  • [[REPORT_DATE]]
  • [[STRATEGY]]
  • [[EXEC_SUMMARY]]
  • [[UNIVERSE_OVERVIEW]]
  • [[UNIVERSE_FACTS]]
  • [[QUARTER_TABLE]]
  • [[SECTOR_TABLE]]
  • [[METRIC_SCOREBOARD]]
  • [[METRIC_TABLE]]
  • [[VALUE_SUMMARY]]
  • [[VALUE_FACTS]]
  • [[VALUE_TABLE]]
  • [[GROWTH_SUMMARY]]
  • [[GROWTH_FACTS]]
  • [[GROWTH_TABLE]]
  • [[QUALITY_SUMMARY]]
  • [[QUALITY_FACTS]]
  • [[QUALITY_TABLE]]
  • [[OVERLAP_SUMMARY]]
  • [[OVERLAP_FACTS]]
  • [[OVERLAP_TABLE]]
  • [[RISK_SUMMARY]]
  • [[RISK_FACTS]]
  • [[APPENDIX_SUMMARY]]
  • [[APPENDIX_FACTS]]

报告质量要求

• 完整包含模板中的主章节
• 候选股票必须来自真实股票池与真实财务 / 估值指标
• 不得残留 [XX]、[需要补充]、[股票A] 这类占位文本
• 文本必须说明筛选规则、覆盖范围、候选意义和关键风险，不能只有空表格
• 每个策略都要说明“启用 / 未启用”和结果数量
• 不能把量化候选直接写成确定性投资结论，必须保留“候选池 / 下一轮验证”边界
• 建议正文达到 3000-5000 中文字符；单策略模式也应保留足够的筛选框架、预览和跟踪说明，不能退化成简表

阶段验收清单

• idea_screening_snapshot.json 成功生成，且 summaries.* 完整回写
• Markdown 文件存在
• 若本地渲染器存在则 HTML 文件存在
• 模板占位符无残留
• 主章节完整
• 报告长度达到 8-12 页的最低可交付标准
• 关键数据点与关键结论带 数据来源：XXX，置信度X
• 至少一个启用策略生成非空候选表
• 未启用策略章节仍有合格说明，不是空白
• 若使用 web_search，相关记录已落盘且未越权替代 RQData 主数据

常见错误

• 把 financial-indicator 返回字段错误地当成统一 value
• 直接在 Python 里硬写“推荐股票名单”或评论句，而不是让当前 LLM 基于快照生成正文
• 使用固定日期、固定季度、固定输出路径
• 只输出表格，不解释规则、覆盖率和风险
• 把候选池直接写成确定性结论，忽略第二阶段验证
• 继续依赖旧版 ~/.claude/skills/... 或仓库级 utils