factor-mining-research

name	factor-mining-research
description	因子挖掘与策略研究唯一默认入口。Use when: 需要继续量化研究、挑战当前策略 preset、用 CogAlpha-first 流程生成候选因子、评测因子、做策略 overlay、用 version-review 对照现有 A 股策略版本。
argument-hint	描述当前策略瓶颈、已有数据字段、目标收益/回撤约束、希望挖掘的因子方向或资料来源
tags	["vortex","vortex/skill","vortex/research-domain","vortex/strategy-domain"]
obsidian_links	["[[因子研究与评测全流程说明]]","[[研究协作与产物治理]]","[[超级鹿鼎公资料集]]","[[CogAlpha因子研究落地路线]]","[[CogAlpha Agent体系设计]]"]

因子挖掘与策略研究

本 skill 是 Vortex 量化研究的唯一默认总入口。它不是直接抄论坛策略，也不是保证收益，而是把书籍、论坛、指数编制方案、公开策略样本、既有因子档案和当前策略版本转化为 可验证的因子假设 → CogAlpha 方法生成候选 → quality gate → fitness → factor-evaluation → 策略角色判定 → version-review preset 对照 → 失败复盘与下一轮 evolution。

默认原则：除非用户只要求单个已知因子的评测，否则新的量化研究任务都从本 skill 开始。 CogAlpha 是本流程内部的候选生成和进化方法，不是独立策略入口、不是因子本身；factor-evaluation 是多周期实证层；factor-evidence-reviewer 是研究结论评审和接力层；version-review 是策略 preset 对照层；因子档案是经验沉淀层。

历史研究结论不写在本 skill 主体。当前 baseline、challenger、PRV、regime、execution 和评价协议复评结论，统一查阅：docs/策略研究/策略研究结论档案.md。

---

一、适用场景

当出现以下情况时使用本 skill：

1. 当前策略未达到目标，例如 A 股回测年化不足、最大回撤或 Calmar 仍有优化空间。
2. 现有红利、价值、低波、动量等常见组合无法继续改善。
3. 需要阅读仓库中的 docs/book/、docs/index/、docs/html/ 资料，提炼新因子方向。
4. 需要参考聚宽、JoinQuant、GitHub 等公开社区中的策略思想，但不能直接复制代码。
5. 需要形成一批候选因子并进入 Vortex 的 factor-evaluation 标准评测流程。
6. 需要让 AI session 自动选择下一轮因子研究方向，并持续产生可归档 artifact。
7. 需要把新因子、overlay、容量 gate 或风险预算与当前策略 preset 做对照。
8. 需要判断“定版策略”是否仍可被新研究挑战，而不是只进入实盘维护。

---

二、资料使用原则

2.1 允许做什么

• 提炼思想、因子方向、数据需求和验证流程。
• 总结公开指数编制方案中的选样逻辑，例如红利质量、自由现金流。
• 从公开策略样本中识别常见因子族，例如小市值、成长价值、低波、反转、涨停动量。
• 将自然语言观点转化成 Vortex 可计算字段。

2.2 不允许做什么

• 不复制书籍正文、付费资料正文或论坛大段原文。
• 不直接搬运外部策略代码作为仓库实现。
• 不用未来函数、幸存者偏差、未披露数据或事后调参制造达标回测。
• 不把单段过拟合结果包装成最终策略。

---

三、已纳入的本地资料线索

3.0 统一研究主链

后续 Vortex 的量化研究不应在多个 skill 间分叉，而应走一条主链：

factor-mining-research
  → 读取当前策略版本、因子档案、数据可用性
  → 选择研究问题：收益增强 / 回撤降低 / 容量提升 / 容错率提升
  → 使用 CogAlpha 方法生成候选（agent/recipe/quality gate/lineage）
  → factor-evaluation 多周期实证
  → factor-evidence-reviewer 复核可信度、过拟合、重复度和下一步接力
  → 策略角色判定：排序 / 过滤 / 风险预算 / 执行 gate
  → 与现有 preset 做 version-review 对照
  → 归档结论：promote / keep shadow / reject / mutate

策略 preset 定版只是当前稳定基线，不是量化研究结束。后续任何新因子、新 overlay、新执行逻辑都必须以当前 preset 为靶子，证明它能改善收益、最大回撤、Calmar、成交覆盖或容错率。

3.1 CogAlpha 默认研究引擎

当前 Vortex 已有 vortex.research.cogalpha。它是本 skill 的内部候选生成和进化方法：

能力	当前状态
21 个 CogAlpha agent catalog	已登记
21 个 executable recipe	已实现，planned_recipes() 应为空
语义成熟度	proxy / faithful_proxy / mutation_proxy
质量门禁	字段、算子、PIT、覆盖率、数值稳定性
fitness	RankIC、ICIR、多空、coverage、决策分层
artifact	generation_report.json、generation_summary.json

本 skill 的默认动作不是手写一堆候选列表，而是：

读取因子档案和资料线索
  → 选择一个研究方向 CogAlphaResearchDirection
  → 映射到 CogAlpha agents / recipes
  → run_cogalpha_research_cycle(...)
  → 读取 semantic_status_counts、elite/qualified/rejected、parent_templates
  → 把 qualified/elite 送入 factor-evaluation 和 factor-evidence-reviewer
  → 由证据评审决定进入策略 overlay、风险复核、执行复核或下一轮 mutation/crossover
  → 用 version-review 与当前策略 preset 对照
  → 写入因子档案、实验总表和策略版本候选

当前默认自动化方向：

cogalpha_101_price_volume_defensive_evolution

研究重点：101/量价日频体系中的低波、反转、成交拥挤、静默流动性、路径质量、羊群拥挤和风险门控。选择它作为默认方向，是因为它与现有 DailyFactorInputs(open/high/low/close/volume/amount)、Alpha101 registry 和 CogAlpha 21 个 OHLCV recipe 最契合。

CogAlpha 相关细节可参考 .github/skills/cogalpha-factor-mining/SKILL.md，但默认不要把它作为并列入口调用；新研究应先从本 skill 开始。

3.2 超级鹿鼎公资料集

仓库索引：docs/book/超级鹿鼎公资料集.md

可提炼的因子方向：

因子方向	可量化代理
价值安全边际	PE、PB、股息率、FCF yield 相对历史分位
现金流质量	经营现金流、自由现金流、OCF/负债、OCF/营业利润
垄断/确定性	高 ROE 稳定性、毛利率稳定性、行业集中度代理、低费用率
盈利底线	近 8-12 季度盈利波动、扣非净利润同比、ROE 标准差
周期位置	行业价格、库存、产能、毛利率分位、盈利修复斜率
趋势确认	均线、动量、相对强弱、突破/回撤位置
流动性安全	成交金额、换手率、停牌/涨跌停约束
杠杆风险	资产负债率、有息负债、现金短债比

3.3 中证红利质量指数

本地文件：docs/index/932315_中证红利质量_编制方案.pdf

可转化为因子/筛选规则：

1. 过去三年连续现金分红。
2. 过去三年平均股利支付率在 10% 到 100% 之间。
3. 过去三年平均现金股息率较高。
4. 过去 12 个季度 ROE 标准差较低。
5. 非金融：综合 ROE、DROE、经营现金流/总负债、现金分红/总市值。
6. 金融：综合 ROE、DROE、现金分红/总市值。
7. 权重约束：单样本不超过 10%，前五大不超过 40%，一级行业不超过 30%。

3.4 国证自由现金流指数

本地文件：docs/index/980092_自由现金流_编制方案.pdf

可转化为因子/筛选规则：

1. 剔除 ST、重大违规、经营异常、重大亏损。
2. 剔除最近半年日均成交金额排名后 20%。
3. 剔除金融和房地产行业。
4. 剔除近 12 个季度 ROE 稳定性排名后 10%。
5. 近一年自由现金流、企业价值、近三年经营现金流均为正。
6. 剔除经营现金流/营业利润排名后 30%。
7. 按自由现金流率 FCF / EV 排名。

3.5 公开社区/代码样本线索

直接抓取 JoinQuant 社区页面时可能只得到前端加载壳；可以改用公开搜索、GitHub 代码搜索和本地资料交叉验证。已观察到的公开样本类型包括：

线索	可提炼方向
smallcap / 小市值策略	小市值 + 流动性 + ST/停牌过滤，但必须严控容量和回撤
growth_value / 成长价值	估值便宜 + 盈利增长 + 质量过滤
multi_factor_OOP / 多因子框架	标准化、排序、组合因子、定期调仓
涨停/龙头策略	情绪动量，可能高收益但高回撤、高交易约束
机器学习多因子	需要严格训练/验证分割，不能直接用全样本调参

---

四、因子挖掘工作流

Step 1：把资料转成“因子假设”

每条候选必须写成下面格式：

假设：高 FCF/EV 且 ROE 稳定的公司，未来 20-60 日收益更高。
原因：自由现金流代表真实可分配能力，ROE 稳定降低价值陷阱概率。
适用周期：20d / 60d / 120d。
风险：周期行业现金流高点、财报 PIT 延迟、行业暴露过重。

Step 2：映射到 Vortex 数据字段

优先从已落盘数据中找字段：

数据集	典型字段
bars	close、amount、volume
valuation	pe_ttm、pb、dv_ttm、total_mv、turnover_rate_f
fina_indicator	roe、roe_dt、gross_margin、dt_netprofit_yoy、ocf_yoy、profit_dedt
cashflow	n_cashflow_act、free_cashflow、c_cash_equ_end_period
balancesheet	total_assets、total_liab、money_cap、st_borr、lt_borr
events/dividend	分红、送转、除权除息
stock_st/instruments	ST、上市时间、行业

Step 3：生成候选因子队列

优先从低实现成本、高解释力的候选开始，但不要只停留在自然语言列表；每条候选都要映射到 CogAlpha agent、recipe 或待实现 recipe。

1. dividend_quality_score
   • 股息率 + 分红连续性 + payout 合理性 + ROE 稳定性。
2. fcf_yield_quality
   • FCF/EV + OCF/营业利润 + ROE 稳定性。
3. value_reversal_quality
   • 低 PB/PE + 短期反转 + 财务质量过滤。
4. low_vol_dividend_momentum
   • 高股息 + 低波 + 中期趋势确认。
5. smallcap_quality_guarded
   • 小市值 + 盈利/现金流过滤 + 流动性约束。
6. cycle_recovery_score
   • 毛利率改善 + 盈利同比修复 + 价格趋势确认。
7. smart_money_volume
   • 成交额结构、放量持续性、量价位置；可与 volume-peak-ridge-valley skill 联动。

如果没有用户指定方向，默认先从 cogalpha_101_price_volume_defensive_evolution 展开，因为它是当前因子档案中的 active queue，且不依赖新增财务/事件数据。

Step 4：低成本批量评测

对每个候选因子先做 CogAlpha generation + 低成本准入：

1. 调用 run_cogalpha_research_cycle() 或 run_cogalpha_generation() 生成本轮 generation_report.json、generation_summary.json、research_cycle.json。
2. 先看 invalid/rejected 原因，禁止绕过 quality gate。
3. 只把 qualified/elite 或具备明确研究价值的 rejected 送入后续 factor-evaluation。
4. 对 mutation/crossover 子代，必须记录 parent_templates 和 lineage。

低成本评测之后必须增加证据评审，不允许只凭 qualified/elite 状态继续推进：

1. 检查是否回答原始假设卡。
2. 检查是否只在单一 horizon、单一年份、单个参数窗口有效。
3. 检查与已有因子或父代的重复度。
4. 检查搜索预算和失败路径是否被记录。
5. 输出下一位 Agent 和接力包：CogAlpha PI、归档审计员、风险官、策略晋升专员或执行运营。

进入 factor-evaluation 后，再做：

1. 多周期 RankIC：1d, 5d, 20d, 60d, 120d。
2. 多空组合：默认 5 组，先看 5d/20d。
3. 稳定性：ICIR、positive_rate、年度分段。
4. 覆盖率：低于 70% 先降级或补数据。
5. 相关性：与已有效因子相关过高时降权。

准入建议：

条件	说明
IC_mean_20d > 0.03 或方向翻转后满足	有基础预测力
ICIR_20d > 0.3	稳定性最低线
positive_rate_20d > 55%	不是少数月份贡献
多空收益 > 0	能转成交易价值
分组收益大体单调	避免只由极端组贡献

Step 5：进入策略角色判定与 overlay

只有通过准入的 signal 才进入策略层。先判断它在策略里扮演什么角色，不要直接替代主策略：

角色	判断问题	接入方式
候选池排序	是否能在主策略候选池内改善买入优先级	candidate pool rerank / factor fusion
坏持仓过滤	是否能识别未来拖累组合的持仓	hard filter / trim / shadow warning
风险预算	是否能降低弱市左尾或拥挤风险	position haircut / regime gate
执行 gate	是否能提高可成交性、容量或补买质量	capacity gate / buy limit / participation replay
独立 alpha	是否与主策略低相关且独立贡献收益	单独策略或组合腿，不直接混入 live

策略搜索顺序：

1. 先固定简单组合：Top-N、等权、月频。
2. 再加风控：单股上限、行业上限、流动性、ST、停牌、涨跌停。
3. 再加择时：市场均线、宽度、波动、指数趋势。
4. 再加组合优化：多因子加权、低相关因子组合。
5. 最后做滚动样本验证。

Step 6：用策略 preset 做 version-review 对照

策略层有效不代表可以直接上线。必须与当前已定版 preset 对照，证明是否值得进入 shadow、paper/live 或新版本候选。

当前工程入口：

from vortex.strategy.earnings_forecast_runner import run_earnings_forecast_version_review

CLI：

vortex strategy earnings-forecast version-review \
  --root /path/to/workspace \
  --preset aggressive_100w \
  --start 20170101 \
  --end 20261231

当前还可使用的策略研究闭环入口：

# 选股有效性/稳定性审判：事件分桶、排名层级、赢家/输家画像、风格暴露
vortex strategy earnings-forecast selection-stability-review \
  --root /path/to/workspace \
  --start 20170101 \
  --end 20260430

# CogAlpha 按策略角色生成候选：bad_holder / candidate_quality / regime_execution
vortex strategy earnings-forecast cogalpha-role-cycle \
  --root /path/to/workspace \
  --role bad_holder \
  --start 20170101 \
  --end 20260430

# 把通过 CogAlpha 的候选按角色接入 preset，对照收益/回撤/Calmar
vortex strategy earnings-forecast factor-overlay-challenge \
  --root /path/to/workspace \
  --preset baseline_top110_large \
  --start 20170101 \
  --end 20260430

# 对 promoted overlay 做时间、成本、TopN 邻域扰动
vortex strategy earnings-forecast robustness-matrix \
  --root /path/to/workspace \
  --preset baseline_top110_large \
  --challenger rerank_tail_risk_w010 \
  --start 20170101 \
  --end 20260430

# 对 tail-risk 进行日频长窗口 mutation 网格：权重、候选池、soft trim、轻量 regime 二级腿
vortex strategy earnings-forecast daily-mutation-grid \
  --root /path/to/workspace \
  --preset baseline_top110_large \
  --start 20170101 \
  --end 20260430

# 对 promoted overlay 做整手撮合 + 目标价全天分钟容量执行复核
vortex strategy earnings-forecast overlay-execution-review \
  --root /path/to/workspace \
  --preset baseline_top110_large \
  --challenger tail_risk_soft_q10_p25 \
  --start 20170101 \
  --end 20260430

# 对 overlay challenger 测试轻量 market/regime 风险预算
vortex strategy earnings-forecast regime-budget-challenge \
  --root /path/to/workspace \
  --preset baseline_top110_large \
  --challenger tail_risk_soft_q10_p25 \
  --start 20170101 \
  --end 20260430

# 对已有全 A / long-window PRV panel 做目标池复验，判断 alpha、risk shadow、execution warning 或 reject
vortex strategy earnings-forecast prv-target-pool-review \
  --root /path/to/workspace \
  --preset baseline_top110_large \
  --challenger tail_risk_soft_q10_p25 \
  --start 20170101 \
  --end 20260430

当前 preset：

preset	定位	规则
aggressive_100w	100 万进攻候选	Top60 候选池，amount20 liquidity rerank，选 Top30，整手撮合
stable_100w	100 万稳健参考	baseline Top50，整手撮合
liquidity_top80	5000 万/1 亿研究版	Top160 候选池，amount20 liquidity rerank，选 Top80
liquidity_top90_1000w	1000 万候选版	Top180 候选池，amount20 liquidity rerank，选 Top90
baseline_top110_large	中大资金 challenger	baseline Top110，不做 rerank，按 1 亿整手执行口径复核

version-review 至少产出：

1. JSON summary。
2. 指标 CSV。
3. 每日权重。
4. 整手成交明细。
5. 买单意图。
6. 执行诊断。

策略评价协议：不只看年化和最大回撤

后续策略晋级必须使用 Strategy Evaluation Protocol，而不是只看年化、最大回撤或单一 Sharpe。

主次顺序：

层级	指标	用途
第一核心	Calmar / MAR	年化收益相对最大回撤，衡量单位回撤换来的收益
第二核心	Sortino	只惩罚下行波动，避免把上涨波动当成坏事
辅助参考	Sharpe	收益平滑度参考，不作为唯一晋级标准
左尾风险	CVaR 5%、worst5d、worst20d	衡量坏日子、最差一周和最差一个月的压力
路径质量	最大回撤恢复天数、回撤持续天数	衡量资金和心理占用
执行质量	容量折损后 Calmar、成交覆盖率、成本敏感性	判断理论收益是否可实现

术语白话定义：

指标	中文解释	计算口径
CVaR 5%	平均极端亏损	把每日收益从差到好排序，取最差 5% 的交易日，计算这些坏日子的平均收益
worst5d	最差 5 日累计收益	在所有滚动 5 个交易日窗口中，找累计收益最低的一段
worst20d	最差 20 日累计收益	在所有滚动 20 个交易日窗口中，找累计收益最低的一段
recovery days	回撤恢复天数	从净值创新高后跌入回撤，到重新创新高之间的交易日数

Hard gate：任一失败直接 reject

gate	具体标准
PIT	不得使用未来公告、未来财务、未来复权、未来成分或未来成交信息
数据覆盖	核心字段覆盖低于 70% 时必须降级；无解释则 reject
成本	必须计入当前 preset 对应成本，不能只看零成本回测
交易约束	必须处理涨跌停、停牌、ST/风险警示、整手约束
参数透明	不允许只展示最优参数；必须展示邻域、分段或样本外
执行复核	大资金策略必须做整手/分钟容量或成交覆盖复核

promote_challenger

新策略、因子 overlay 或 preset mutation 想成为 paper/shadow challenger，至少满足：

维度	具体标准
收益	年化高于 baseline；或年化不低于 baseline - 1pct 且显著改善风险
Calmar	高于 baseline 至少 5%，或绝对提升 >= 0.20
Sortino	不低于 baseline，优先要求提升 >= 5%
最大回撤	不比 baseline 恶化超过 1pct，且相对恶化不超过 10%
回撤恢复	最大回撤恢复天数不比 baseline 恶化超过 20%
CVaR 5%	平均极端亏损不比 baseline 更差
worst5d / worst20d	最差 5 日 / 20 日累计亏损不比 baseline 更差超过 10%
稳健性	年度、牛熊、成本、TopN、资金规模场景中 Calmar 胜率 >= 60%
执行	容量折损后仍高于 baseline；理论收益保留率 >= 85%

keep_shadow

不能进入默认策略，但值得保留为 warning / risk shadow / 执行辅助：

维度	具体标准
收益	年化可低于 baseline，但降幅通常不超过 2pct
风险	最大回撤、CVaR、worst5d/worst20d、恢复天数至少一个明显改善
解释	能稳定解释坏持仓、拥挤、成交失败、极端状态或行业/事件风险
稳健性	至少在样本外或多年份中保持方向一致
接入	不改变默认持仓，只作为半权 shadow、warning、审计字段或下一轮 mutation parent

reject

满足任一项则拒绝：

情况	说明
单窗口有效	只在 2025-2026 或某个短窗口有效
执行后失效	理论回测胜出，但整手/分钟容量后输给 baseline
尾部变差	年化提升但 CVaR / worst5d / worst20d 明显变差
回撤恢复变差	最大回撤差不多，但恢复时间显著变长
参数脆弱	相邻 TopN、成本、权重参数一变就失效
与 baseline 重复	增量来自已有 liquidity/tail-risk 等因子，不能提供独立价值

阶段性结论档案：

• 具体 baseline/challenger、tail-risk、execution、regime、PRV 与评价协议复评结论，不写在本 skill 主体。
• 查询 docs/策略研究/策略研究结论档案.md。
• 每次新研究若形成阶段性结论，应追加到该档案，并记录 workspace artifact 路径。

训练 / 验证 / 测试与 CPCV

后续研究必须区分样本角色：

阶段	用途	是否允许调参
Discovery / 训练集	找因子方向、调阈值、生成候选	可以，但必须记录参数搜索范围
Validation / 验证集	选择少数候选，做参数邻域和 robustness	可以有限选择，不能反复回看
Test / 测试集	最终样本外验收	不允许调参，只能一次性报告

默认低成本方法是 Walk-forward：

用过去一段训练 → 下一段测试 → 向前滚动。

更严格的方法是 CPCV（Combinatorial Purged Cross-Validation，组合式净化交叉验证）：

把时间序列切成 N 个连续区块。
每次选择其中 k 个区块作为测试集，剩余区块作为训练集。
遍历多种测试区块组合，得到很多条样本外路径。
训练集与测试集之间做 purge / embargo，避免标签重叠和信息泄漏。

概念	解释
N groups	把 2017-2026 按时间切成 N 段
k test groups	每次拿 k 段做测试，其余做训练
Purge	删除训练集中与测试标签窗口重叠的样本，避免收益标签泄漏
Embargo	测试集前后留出缓冲期，避免持仓期或事件影响穿透
Path distribution	不只看一个 OOS 结果，而看多条 OOS 路径的分布

CPCV 验收建议：

输出	标准
OOS Calmar 分布	中位数高于 baseline，且 25% 分位不明显低于 baseline
OOS Sortino 分布	中位数不低于 baseline
OOS 年化分布	中位数高于 baseline，极差不能过大
OOS max drawdown 分布	75% 分位回撤不比 baseline 明显差
OOS win rate	多数 CPCV path 打赢 baseline，建议 >= 60%

Quant harness engineer

harness engineer 在 Vortex 里应理解为 量化评测线束工程师：不是只发明因子的人，而是负责把“怎么测策略”工程化的人。

职责	Vortex 落地
设计测试集	年度、牛熊、事件密度、行业、流动性、资金规模切分
防数据泄漏	PIT、purge、embargo、未来数据检查
建指标协议	Calmar、Sortino、CVaR、worst5d、执行折损、OOS win rate
自动化回归	新因子不能破坏已有 baseline / paper challenger
实验可复现	固定 artifact schema、参数、数据版本、随机种子
失败归因	区分 alpha 失败、执行失败、容量失败、过拟合失败
晋级门禁	promote / shadow / reject 不靠感觉，而靠协议

产品判断：Vortex 后续不仅要做 factor engineering，也要做 quant harness engineering。评测协议和回测线束的重要性不低于因子本身。

Step 7：失败复盘

未达标时必须归因：

问题	下一步
年化不足	挖更强 alpha：动量、反转、周期修复、小市值质量
回撤过大	加市场过滤、行业约束、低波、止损冷却、降低集中度
换手过高	延长调仓周期、加入因子自相关过滤
IC 有效但回测无效	检查交易成本、涨跌停、容量、分组单调性
回测好但样本外差	降低参数自由度，做 Walk-Forward

---

五、A 股收益/回撤目标的处理

这是优化方向，不是可保证承诺，也不是对所有研究阶段都强制适用的硬门槛。skill 执行时必须遵守：

1. 不把某个固定回撤阈值当作用户永久硬约束；除非用户在当前任务中明确指定。
2. 可以输出“当前最优策略候选”和剩余风险，不因未触及某个单一阈值否定已有增量。
3. 必须继续生成下一轮因子或风控实验队列。
4. 不允许用未来函数、全样本调参、未计成本或错误数据单位制造达标。
5. 策略 preset 定版只代表“当前稳定基线/可复核候选”，不代表量化研究结束。
6. 新研究必须挑战当前 preset，而不是绕开基线重新讲故事。

当前研究主线：

研究线	目标	与 preset 的关系
版本 hardening	年度分段、牛熊、成本、停牌/涨跌停、数据缺失压力测试	验证 preset 是否可 paper/live
因子融合	候选池排序、坏持仓过滤、风险预算、执行 gate	必须用 version-review 打赢或解释 current preset
分钟容量	目标价全天容量、partial/AON、补买、容量退化曲线	提高可成交性和容错率
PRV / 微观结构	拥挤风险、成交结构、容量质量、极端 guard	先 shadow，不直接进默认 alpha
CogAlpha 下一轮	事件 alpha + 流动性安全、regime-gated 变体、坏持仓识别	生成候选，再回到本流程评测和对照

---

六、与其他 Vortex skills 的协作

skill	协作方式
cogalpha-factor-mining	CogAlpha 方法附录；提供 agent/recipe、quality gate、semantic status、lineage 和 mutation/crossover 细节。默认不要作为并列入口直接调用
factor-evaluation	对新因子做多周期 IC、多空组合和准入判断
factor-research-archive	把 CogAlpha artifact、好坏因子、失败原因和下一轮队列沉淀到 Obsidian 档案
dividend-yield-strategy	处理红利/股息率、4 进 3 出、分红持续性
volume-peak-ridge-valley	挖掘分钟成交量微观结构因子
tushare	补齐缺失数据、检查字段权限和导出研究表

---

七、输出模板

每次使用本 skill 后，至少输出：

1. 本轮资料来源和可用性。
2. 本轮 CogAlpha research direction、agents、recipes。
3. generation_report.json、generation_summary.json、research_cycle.json 路径。
4. semantic_status_counts、elite/qualified/rejected/invalid 分布。
5. 每个因子的字段映射、lineage、parent_templates。
6. 评测周期和准入阈值。
7. 策略角色判定：排序、过滤、风险预算、执行 gate、独立 alpha 或 reject。
8. 与当前 preset 的 version-review 对照结果：收益、回撤、Calmar、成交覆盖、执行诊断。
9. 是否进入因子档案、factor-evaluation、策略 overlay、新 preset 候选或下一轮 mutation/crossover。
10. 未达标时的下一轮实验队列。
11. 若做了 overlay：输出 promote_challenger / keep_shadow / reject / mutate，并说明是否已通过 robustness matrix。