beauty-contest-screening

name	beauty-contest-screening
description	选美博弈选股策略：基本面 × 叙事动量 × 资金流三层筛选。 触发词：选股、筛选股票、选美、资金流选股、叙事选股、多因子选股、板块轮动选股。 Use when: 用户要求从全市场或特定范围中筛选股票，使用多层过滤策略。
argument-hint	选股范围 + 策略类型 + 输出数量
user-invocable	true

选美博弈选股策略 Skill

基于凯恩斯选美博弈理论的三层股票筛选框架。核心理念：选股不是选"好公司"，而是选"多数人即将选择的公司"。

理论基础

"投资如同报纸选美比赛：获奖的不是你认为最美的，而是你认为多数人认为最美的。" — John Maynard Keynes

三层筛选逻辑：

• 基本面是入场券（备选者必须足够"美"）
• 叙事是催化剂（故事正在被更多人传播）
• 资金流是验证（评委团正在用脚投票）

学术支撑

研究	核心发现	对本策略的启示
Shiller (2017) 叙事经济学	叙事像病毒传播，驱动资产价格	选叙事"正在加速"而非"已经最热"的
Lou (2012) RFS	资金流驱动的动量持续 3-12 月	跟随资金流方向，但注意反转
Frazzini & Lamont (2008)	高流入股长期跑输 4-10%/年	基本面筛选是防"击鼓传花"的关键
AFA 2025 叙事注意力定价	趋势叙事 vs 衰退叙事：7% 年价差	叙事动量是独立于传统因子的 alpha
BigQuant 2023 概念动量	概念动量 1.35%/月，独立于 FF5 因子	A 股概念轮动策略有统计显著性

执行流程

Phase 0  前置检查
   │  ├── 检查 analysis/_index.json 是否有历史选股报告
   │  └── 确认选股范围和策略类型
   │
Phase 1  叙事识别（并行）
   │  ├── get_sector_info(mode="ranking")     → 板块涨幅排名
   │  ├── get_northbound_flow()               → 北向资金方向
   │  ├── screen_market(sort_by="amount")     → 成交额 Top N
   │  └── 可选: sector_rotation_team Swarm    → 行业轮动深度分析
   │
Phase 2  候选池生成
   │  ├── 从叙事主线中提取候选标的（20-30 只）
   │  └── 优先从 DuckDB 查询本地数据
   │
Phase 3  三层筛选
   │  ├── Layer 1: 基本面 → scripts/screening/layer1_fundamental.py
   │  ├── Layer 2: 叙事动量 → scripts/screening/layer2_narrative.py
   │  └── Layer 3: 资金流 → scripts/screening/layer3_flow.py
   │
Phase 4  量化验证（可选）
   │  ├── vibe-trading factor-research → IC/IR 截面分析
   │  ├── scripts/backtest/ → Walk-Forward 回测
   │  └── 消融表：每层增量 Sharpe + 显著性
   │
Phase 5  报告输出
   │  ├── analysis-report → 保存标准报告 + 更新 _index.json
   │  ├── html-report → 生成交互式 HTML
   │  └── 钉钉推送
   │
Phase 6  后续引导
   │  ├── 个股深入分析 → 场景 A
   │  ├── 回测验证 → 场景 B
   │  └── 周期执行 → 场景 D

筛选条件标准

Layer 1: 基本面筛选

通过 scripts/screening/layer1_fundamental.py 执行，使用 DuckDB 本地数据。

条件	阈值	字段	理由
ROE（加权平均）	>= 8%	fin_indicator.roe_waa	盈利能力底线
营收同比增长	> 0%	fin_indicator.or_yoy	成长性验证
净利润同比增长	> -20%	fin_indicator.netprofit_yoy	排除业绩恶化
经营现金流/股	> 0	fin_indicator.ocfps	盈利质量验证
ST 排除	—	stk_st_daily	规避退市风险
市值下限	> 50 亿	stk_factor_pro.total_mv	排除微盘股

调用方式:

from scripts.screening.layer1_fundamental import screen_fundamental
df = screen_fundamental()  # 默认参数
df = screen_fundamental(roe_min=15, trade_date="2026-06-27")  # 自定义

Layer 2: 叙事动量筛选

条件	数据源	说明
行业动量	idx_sw_classify + stk_factor_pro	申万行业涨幅排名 Top 30%
成交额变化率	stk_factor_pro.amount	近 20 日 vs 近 60 日成交额比
换手率变化率	stk_factor_pro.turnover_rate	近 20 日 vs 近 60 日换手率比
研报覆盖	get_research_reports() API	近 30 日新增研报数

叙事阶段判断（招商证券"四季法则"）：

阶段	特征	操作
乘势期	少数人讲，股价开始反应	建仓
造势期	媒体扩散，资金跟进	持有/加仓
退势期	散户蜂拥，研报密集	减仓
休耕期	叙事耗尽，无人提起	回避

Layer 3: 资金流共振

条件	数据源	说明
主力净流入	stk_moneyflow.net_mf_amount	大单+超大单净流入 > 0
5 日主力方向	stk_moneyflow_ths.net_d5_amount	5 日主力净流入 > 0
融资余额增长	stk_margin.rzye	融资余额近 5 日增长 > 0
北向资金	get_northbound_flow() API	北向近 20 日净买入

输出格式

选股池分级

级别	条件	建议
Tier 1 强共振	三层全部通过 + 叙事处于造势期	核心配置
Tier 2 中共振	三层通过 + 叙事处于乘势期	配置
Tier 3 观察	基本面通过 + 叙事非主峰	等待叙事加速

必须包含的内容

1. 每层筛选的通过/淘汰数量和名单
2. 叙事阶段标注（乘势/造势/退势/休耕）
3. 资金流共振评分（⭐1-4）
4. 仓位建议（初始仓位 + Tier 分配）
5. 止损/止盈规则
6. 核心风险预警

选股策略模板

策略名	Layer 1	Layer 2	Layer 3	适用场景
选美博弈	ROE+增长+现金流	叙事动量+阶段	资金流共振	趋势行情
价值选股	PE/PB/股息率	行业景气度	北向+融资	价值回归
质量选股	ROE+毛利率+现金流	研报覆盖	筹码集中	稳健配置
动量选股	营收增速+利润增速	概念热度	主力净流入	趋势跟踪

关键约束

• 选股结果必须标注叙事阶段，避免推荐退势期标的
• 必须给出仓位建议和止损规则
• 必须区分 Tier 1（强共振）和 Tier 2（中共振）
• 基本面筛选是硬门槛，不可因叙事热度跳过
• 优先使用 DuckDB 本地数据，本地不足时再用 API
• 完成后必须更新 analysis/_index.json

关联 Skill 和工具

用途	Skill/工具
基本面筛选	scripts/screening/layer1_fundamental.py
因子 IC 分析	vibe-trading factor-research
多因子合成	vibe-trading multi-factor
回测验证	scripts/backtest/ (Walk-Forward + HPO)
报告保存	analysis-report
HTML 报告	html-report (render_from_markdown 或 render_screening_html)
周期执行	periodic-execution
行业轮动分析	sector_rotation_team Swarm
情绪信号分析	sentiment_intelligence_team Swarm