AI-Powered Stock Selection Engine / 智能选股引擎#

English: AI-powered intelligent stock selection engine for China A-share market — combines quantitative factor screening, fundamental analysis, technical signals, and sector rotation analysis. Solves pain points: information overload, emotional decision-making, and inconsistent stock picking criteria. Built for investors and analysts at all levels.

中文: 智能选股引擎——整合量化因子筛选、基本面分析、技术信号检测、行业轮动分析的全流程选股工具。解决痛点：信息过载、情绪化决策、选股标准不统一。适用：各级投资者、基金经理、量化分析师。

---

数据最小化声明与执行边界 / Data Minimisation & Execution Boundary#

数据最小化前置声明： 使用本技能时，请只提供构建筛选规则所必需的字段——股票代码、因子数值、报告期、已脱敏的持仓与可用资金规模。 不要 粘贴证券账户号、身份证号、银行账号、实际成交明细或他人持仓信息。若需基于个人持仓做再平衡分析，请用“标的+权重”的脱敏形式输入，不提供账户标识。

保存与预览确认： 本技能不执行任何保存动作。若你在自己环境中依据本技能生成候选池、组合方案或回测脚本，请在落盘或提交交易前 先预览结果、确认参数与阈值无误，再保存或执行。

代码块性质与执行边界

内容性质谁来执行StockScreener 类与因子权重表因子定义、打分与归一化的口径说明由研究员在自己的量化环境中取数并复现；技能不取数、不运行THEMATIC_SCREENING主题产业链拆解与筛选标准的结构化字典由研究员按公开资料自行更新标的与标准TechnicalSignals 类均线/支撑压力/量价异常的计算口径示意由研究员在自有行情终端或回测框架中实现FraudDetection 类财报异常指标的判定阈值说明由研究员用公开财报数据计算，结论需人工复核PortfolioBuilder 类等权重与风险平价的权重算法示意由研究员在自有系统中运行；技能不下单、不调仓

本技能未配置任何工具调用权限，不执行代码、不读写文件、不访问行情或财报数据源，也不产生可直接执行的交易指令。文中代码块均为模型与阈值的教学示意，读者可在自己环境中参考实现；选股结果不构成投资建议，实盘前须独立核验数据与合规要求。

---

证券监管最新动态 [2026-09-30更新]#

动态类型内容摘要影响范围选股侧应对动作责任岗优先级证券监管2026年A股量化资金占比30%-40%，选股模型需考虑量化冲击选股引擎需增加量化冲击识别和极端行情风控模型输出附带流动性冲击提示与成交结构说明研究高证券监管2026年3月23日量化踩踏案例（单日蒸发4.29万亿），风控需加强选股引擎需增加量化冲击识别和极端行情风控引入集中度与拥挤度指标，作为风控前置条件研究高证券监管上证周线级别中枢震荡，2026年核心区间3200-4000点选股引擎需增加量化冲击识别和极端行情风控震荡区间内降低趋势类因子权重研究中程序化交易程序化交易报告与异常交易监控要求细化与量化资金相关的流动性与波动分析在流动性评估中单独列示程序化交易影响研究中信息披露财务信息披露质量监管持续强化财报异常检测、因子取数因子取数须标注报告期与公告编号研究高市值管理上市公司市值管理行为披露要求趋严涉及回购、增减持的个股筛选筛选中单列股东行为事件标签研究中业绩预告业绩预告披露质量受关注事件驱动类选股使用预告数据时区分预告口径与实际口径研究高投资者保护投顾与荐股类内容传播边界收紧选股结果对外输出输出结果保留风险提示与免责声明合规高程序化交易2026年9月下旬：程序化交易报备与异常交易监控的执行细节进一步明确高频与量化相关策略的流动性评估冲击成本估算中单列程序化交易影响假设研究中信息披露2026年三季度：财务信息披露质量监管强化，业绩预告与实际数据偏差受关注因子取数、事件驱动选股预告与实际数据分栏并建立偏差跟踪字段研究高

数据截止: 2026-09-30 | 来源：证监会、交易所公开规则、行业公开信息 声明: 以上动态供参考，具体以官方最新发布为准

动态解读示例（四类高频场景）

• 场景A｜量化冲击识别：某标的近20日成交额中位数仅0.8亿元，模型给出买入信号 → 命中"流动性冲击"风险 → 输出中增加"预估冲击成本"，并提示单笔建仓不超过日均成交额的5%。

• 场景B｜拥挤度预警：某板块因子暴露高度集中、机构持仓占比快速抬升 → 命中"踩踏风险" → 在风控前置条件中加入拥挤度阈值，超阈值则降低该板块权重。

• 场景C｜因子取数可追溯：ROE取数未标注报告期 → 命中"取数须可追溯" → 因子表增加"报告期"与"公告编号"两列，便于回溯与复算。

• 场景D｜预告口径混用：用业绩预告中值直接作为当年利润因子 → 命中"预告与实际口径混用" → 预告期数据单列"预告口径"标记，与实际披露数据分栏展示。

• 场景E｜程序化交易影响未计入：策略回测收益良好，实盘却因滑点大幅衰减 → 命中“程序化交易影响须单列” → 在冲击成本模型中增加“程序化成交占比”假设参数，并对小市值标的提高滑点设定，回测与实盘差异超过1个百分点时重新校准参数。

• 场景F｜预告偏差未跟踪：依据预告中值选出的标的，实际披露后大面积不及预期 → 命中“预告与实际偏差受关注” → 因子表新增“预告偏差”字段（实际值−预告中值），连续两期偏差超过10%的公司下调其预告数据可信度权重。

口径自检三条：因子看报告期、回测看滑点假设、预告看历史偏差。三者缺一，选股结果的可信度无法自证。

Industry Pain Points / 行业痛点#

Pain Point / 痛点Impact / 影响Solution / 本Skill解决方案量化基线指标 / Baseline信息过载A股5000+股票，无法逐一研究多维度因子筛选，快速缩小范围一次筛选候选池 ≤50只情绪化决策追涨杀跌，高买低卖量化标准选股，避免主观干扰交易决策中规则触发占比 ≥80%选股标准模糊没有系统性方法论完整选股框架+评分模型每条选股逻辑可量化复现财报造假风险康美药业、瑞幸等案例警示财报异常信号检测+预警高风险标的排除率 100%行业轮动难把握踏错节奏，板块轮动踏空宏观+情绪+资金三维轮动模型轮动判断命中率 ≥60%流动性陷阱小市值标的无法顺利进出流动性门槛+冲击成本估算单笔建仓 ≤日均成交额5%拥挤度风险机构持仓过度集中引发踩踏拥挤度指标与阈值监控超阈值板块权重自动下调样本外失效因子在样本内有效、样本外失效分区间验证与滚动检验样本外IC保持同向 ≥60%窗

---

Trigger Keywords / 触发关键词#

English Triggers: stock selection, quantitative screening, factor investing, fundamental analysis, technical analysis, China A-share, stock picker, AI investing, momentum stocks, value investing, growth stocks, sector rotation, portfolio construction

中文触发词（须落在“构造/检验一个选股规则”任务上才触发）： 智能选股 / 量化选股 / 因子选股 / 因子有效性检验 / 基本面选股 / 技术面选股 / 行业轮动模型 / 板块轮动模型 / 主题选股 / 财报异常检测 / 组合构建 / 风险平价配置 / 建仓节奏 / 选股策略回测

不触发（Scope Exclusions）： 以下泛化词单独出现时 不 触发本技能——选股、价值投资、成长股、蓝筹股、小盘股、低估值、高成长、破净股、涨停板、龙虎榜、北向资金、资金流向、业绩超预期、AI选股、机器选股。它们只有在明确指向“设定筛选条件、检验因子、构建候选池或组合”时才路由到本技能；仅查询单只股票的行情、基本面或新闻，请改用行情与研报类技能。

路由判定三步： ① 任务是否要产出“一篮子股票”或“一条可复用的筛选规则”？② 是否涉及因子打分、信号检测、财报异常或组合权重？③ 两者同时为“是”才启用。只问“某只股票怎么样”的请求不启用。

---

Core Capabilities / 核心能力#

1. Quantitative Factor Screening / 量化因子筛选#

python

import pandas as pd
import numpy as np
from typing import List, Dict, Optional

class StockScreener:
    """智能选股引擎"""

    def __init__(self):
        self.factors = {
            # 估值因子
            "pe": {"name": "市盈率", "weight": 0.13, "direction": "low_better", "bounds": (0, 100)},
            "pb": {"name": "市净率", "weight": 0.10, "direction": "low_better", "bounds": (0, 10)},
            "ps": {"name": "市销率", "weight": 0.05, "direction": "low_better", "bounds": (0, 20)},
            "pcf": {"name": "市现率", "weight": 0.05, "direction": "low_better", "bounds": (0, 30)},

            # 成长因子
            "revenue_growth": {"name": "营收增速", "weight": 0.14, "direction": "high_better", "bounds": (-50, 100)},
            "profit_growth": {"name": "利润增速", "weight": 0.13, "direction": "high_better", "bounds": (-100, 200)},
            "gross_margin": {"name": "毛利率", "weight": 0.08, "direction": "high_better", "bounds": (0, 100)},

            # 质量因子
            "roe": {"name": "ROE", "weight": 0.10, "direction": "high_better", "bounds": (-20, 50)},
            "debt_ratio": {"name": "资产负债率", "weight": 0.05, "direction": "low_better", "bounds": (0, 100)},
            "current_ratio": {"name": "流动比率", "weight": 0.03, "direction": "high_better", "bounds": (0.5, 10)},

            # 动量因子
            "momentum_20d": {"name": "20日动量", "weight": 0.03, "direction": "high_better", "bounds": (-30, 50)},
            "momentum_60d": {"name": "60日动量", "weight": 0.01, "direction": "high_better", "bounds": (-50, 100)},

            # 股东回报因子
            "dividend_yield": {"name": "股息率", "weight": 0.05, "direction": "high_better", "bounds": (0, 8)},

            # 科创属性因子
            "rd_ratio": {"name": "研发投入占比", "weight": 0.05, "direction": "high_better", "bounds": (0, 30)}
        }

    def screen(self, stocks: pd.DataFrame,
               criteria: Dict[str, tuple],
               min_score: float = 60) -> pd.DataFrame:
        """
        量化筛选主函数
        Args:
            stocks: 股票数据（含各因子列）
            criteria: 筛选条件 {因子名: (最小值, 最大值)}
            min_score: 最低综合评分
        Returns:
            符合条件的股票
        """
        result = stocks.copy()

        # Step 1: 硬性条件筛选
        for factor, (min_val, max_val) in criteria.items():
            if factor in result.columns:
                result = result[(result[factor] >= min_val) & (result[factor] <= max_val)]

        # Step 2: 因子打分
        result = self._factor_scoring(result)

        # Step 3: 综合评分排序
        result = result[result["综合评分"] >= min_score].sort_values("综合评分", ascending=False)

        return result

    def _factor_scoring(self, df: pd.DataFrame) -> pd.DataFrame:
        """因子打分（百分制）"""
        scores = pd.DataFrame(index=df.index)

        for factor, config in self.factors.items():
            if factor in df.columns:
                raw = df[factor].copy()
                min_val, max_val = config["bounds"]

                # 标准化到0-100
                normalized = (raw - min_val) / (max_val - min_val) * 100
                normalized = normalized.clip(0, 100)

                # 方向调整（部分因子越低越好）
                if config["direction"] == "low_better":
                    normalized = 100 - normalized

                scores[factor] = normalized * config["weight"]

        df["综合评分"] = scores.sum(axis=1)
        return df

因子权重与方向一览（可直接核对权重合计）

类别因子权重方向区间震荡市调整建议估值市盈率/市净率/市销率/市现率0.13/0.10/0.05/0.05越低越好见配置维持或上调成长营收增速/利润增速/毛利率0.14/0.13/0.08越高越好见配置维持质量ROE/资产负债率/流动比率0.10/0.05/0.03前三者高好、负债率低好见配置维持动量20日/60日动量0.03/0.01越高越好见配置下调至合计0.05股东回报股息率0.05越高越好0-8%上调科创属性研发投入占比0.05越高越好0-30%维持合计—1.00———

说明：权重合计必须为 1.00，新增因子时须同步下调其他因子权重；震荡市中可临时下调动量类因子权重（合计不超过0.05），以降低追高风险。

示例 1｜单只标的打分手算（含低估值因子反向处理）

因子原始值归一到0-100方向调整后权重加权得分市盈率18(18-0)/(100-0)×100=18100-18=820.1310.66营收增速25%(25+50)/150×100=50500.147.00利润增速40%(40+100)/300×100=46.746.70.136.07ROE18%(18+20)/70×100=54.354.30.105.43股息率3.2%3.2/8×100=40400.052.00研发投入占比8%8/30×100=26.726.70.051.33合计————（其余因子相加后）

要点：低估值因子必须先归一再用"100−归一值"翻转，否则会把高PE标的误判为最优。

示例 2｜因子有效性检验（避免"看着好用"）

检验项方法通过标准不通过时处置检验频率单因子IC因子值与下期收益的秩相关绝对值 ≥0.03 且方向稳定降低权重或剔除每月分组单调性分5组看收益排序收益随分组单调检查极值处理方式每季度样本外表现分年度滚动验证样本外方向一致缩短回看窗口每半年换手成本统计换仓频率与手续费年化换手成本 <3%引入换手惩罚每次调仓相关性因子间相关系数两两相关 <0.7合并或删减冗余因子每次新增因子

示例 3｜权重调整与再平衡（新增因子后如何不破坏权重合计）

操作调整前调整后理由新增“ESG评分”因子权重合计1.00新增0.05需占用权重额度下调动量类0.03+0.010.02+0.01震荡市降低追高风险下调市销率0.050.03与市现率信息重叠校验合计—1.00必须回归1.00

再平衡规则：任何新增因子都必须从现有因子中等额扣减，扣减优先选择信息重叠度高或当前市场状态下失效的因子；调整后须重跑历史检验，确认样本外表现未显著恶化。

2. Thematic Stock Screening / 主题投资筛选#

python

THEMATIC_SCREENING = {
    "AI人工智能": {
        "核心标的": ["科大讯飞", "海康威视", "中科曙光", "寒武纪", "商汤-W"],
        "概念股池": {
            "基础层": ["芯片", "算力", "服务器"],
            "技术层": ["大模型", "算法", "API"],
            "应用层": ["办公", "医疗", "金融", "教育"]
        },
        "筛选标准": {
            "市值": ">100亿",
            "研发投入": ">10%",
            "AI收入占比": ">30%"
        },
        "风险提示": "技术迭代快，竞争格局未定，估值波动大"
    },

    "新能源汽车": {
        "核心标的": ["比亚迪", "宁德时代", "理想汽车-W", "小鹏汽车-W"],
        "筛选维度": {
            "整车": ["销量增速", "毛利率", "智能化水平"],
            "电池": ["能量密度", "成本", "产能"],
            "配件": ["单车价值量", "客户集中度"]
        },
        "政策催化": "以旧换新补贴、购置税减免、新能源渗透率目标"
    },

    "创新药": {
        "核心标的": ["恒瑞医药", "百济神州", "信达生物", "药明康德"],
        "筛选标准": {
            "管线丰富度": ">10个临床管线",
            "first-in-class": "至少1个",
            "BD能力": "有海外授权记录"
        },
        "风险因素": "医保谈判降价、临床失败风险、同靶点竞争"
    },

    "红利低波": {
        "筛选标准": {
            "股息率": ">3%",
            "连续分红年数": ">=3年",
            "近1年波动率": "低于全市场中位数",
            "自由现金流": "为正且覆盖分红"
        },
        "适用环境": "利率下行、市场震荡、追求现金流回报",
        "风险提示": "股息率因股价下跌被动抬高需剔除；分红不可持续的高股息为陷阱"
    },

    "高端制造": {
        "筛选维度": {
            "机床/母机": ["订单增速", "国产化率", "毛利率"],
            "自动化": ["下游资本开支", "在手订单"],
            "精密零部件": ["单车/单机价值量", "客户集中度"]
        },
        "政策催化": "设备更新改造、国产替代、制造业投资周期",
        "风险因素": "下游资本开支不及预期、价格竞争、应收账款回收"
    }
}

主题筛选执行清单（从主题到候选池）

步骤动作产出卡点责任岗1拆解产业链上下游环节环节清单环节定义须无重叠研究2为每个环节设定量化筛选标准标准表标准须可用财报数据验证研究3拉取候选池并剔除不达标标的候选清单剔除理由须留档研究+数据4补充流动性与拥挤度过滤可交易候选池单笔建仓 ≤日均成交额5%风控5计算综合评分排序排序表标注数据报告期研究6输出并附风险提示主题选股报告保留免责声明合规

示例｜同一主题的两种筛选口径对比

口径条件候选数量入选标的特征适用场景风险提示重点严格口径研发占比>10% + 主题收入占比>30% + 市值>100亿8只纯度高、弹性中等中长期配置纯度高但数量少，注意流动性宽松口径主题收入占比>10% 或 有明确订单26只纯度低、弹性大主题轮动早期须注明纯度较低事件口径近3个月有订单/中标/产能公告12只催化明确、波动大事件驱动交易催化退坡后回撤大

使用要点：三种口径不可混用；若报告使用宽松口径，必须在结论中注明"纯度较低、可能与主题关联度不足"。

示例 2｜主题生命周期与筛选口径的选择

阶段特征推荐口径仓位建议退出信号萌芽期政策出台、标的少事件口径轻仓试错政策落地不及预期成长期订单落地、业绩兑现严格口径逐步加仓增速连续两季下滑扩散期概念股大量增加宽松口径转严格降低纯度低标的龙头见顶退潮期业绩证伪、估值回落停止新增逐步退出跌破止损位

要点：同一主题在不同阶段应切换口径，而不是全程用一种口径；从成长期进入扩散期时，应把“宽松口径”切回“严格口径”，避免买入仅有关联度而无实际业务的标的。

3. Technical Signal Detection / 技术信号检测#

python

class TechnicalSignals:
    """技术信号检测"""

    @staticmethod
    def detect_moving_average_signals(prices: pd.Series,
                                      short_ma: int = 20,
                                      long_ma: int = 60) -> dict:
        """均线信号检测"""
        ma_short = prices.rolling(short_ma).mean()
        ma_long = prices.rolling(long_ma).mean()

        # 金叉/死叉判断
        current_ma_diff = ma_short.iloc[-1] - ma_long.iloc[-1]
        prev_ma_diff = ma_short.iloc[-2] - ma_long.iloc[-2]

        if current_ma_diff > 0 and prev_ma_diff <= 0:
            signal = "GOLDEN_CROSS"  # 金叉
        elif current_ma_diff < 0 and prev_ma_diff >= 0:
            signal = "DEAD_CROSS"  # 死叉
        else:
            signal = "NEUTRAL"

        return {
            "signal": signal,
            "short_ma": round(ma_short.iloc[-1], 2),
            "long_ma": round(ma_long.iloc[-1], 2),
            "ma_diff_pct": round((current_ma_diff / ma_long.iloc[-1]) * 100, 2)
        }

    @staticmethod
    def detect_support_resistance(prices: pd.Series,
                                 lookback: int = 60) -> dict:
        """支撑压力位检测"""
        recent = prices.tail(lookback)

        # 计算枢轴点
        pivot = (recent.max() + recent.min() + recent.iloc[-1]) / 3

        r1 = 2 * pivot - recent.min()
        s1 = 2 * pivot - recent.max()
        r2 = pivot + (recent.max() - recent.min())
        s2 = pivot - (recent.max() - recent.min())

        return {
            "resistance_1": round(r1, 2),
            "resistance_2": round(r2, 2),
            "pivot": round(pivot, 2),
            "support_1": round(s1, 2),
            "support_2": round(s2, 2),
            "current_price": round(prices.iloc[-1], 2)
        }

    @staticmethod
    def detect_volume_anomaly(prices: pd.Series,
                             volumes: pd.Series,
                             threshold: float = 2.0) -> dict:
        """量价异常检测"""
        avg_volume = volumes.tail(20).mean()
        current_volume = volumes.iloc[-1]
        volume_ratio = current_volume / avg_volume

        # 价格与成交量背离
        price_change = (prices.iloc[-1] - prices.iloc[-2]) / prices.iloc[-2]

        return {
            "volume_ratio": round(volume_ratio, 2),
            "is_volume_surge": volume_ratio > threshold,
            "price_change": round(price_change * 100, 2),
            "divergence": "量价背离" if (price_change > 0 and volume_ratio < 0.5) or
                                      (price_change < 0 and volume_ratio > 2) else "正常"
        }

信号组合矩阵（单一信号不决策，组合才决策）

均线信号量能状态价格位置综合判断建议动作仓位参考金叉放量（>2倍）突破压力位强势确认可分批建仓可至八成金叉缩量（<0.8倍）未突破压力位信号弱，可能反复观察，暂不动不超过四成金叉放量已连续大涨后追高风险不追，等回调不加仓死叉放量跌破支撑位趋势转弱按纪律减仓降至两成死叉缩量支撑位附近可能假跌破观察一日再定维持观察中性量价背离高位滞涨分歧加大降低仓位降至四成

示例｜信号有效性统计（先验证再使用）

信号样本数5日胜率20日胜率平均20日收益结论适用市场状态金叉+放量32058%61%+3.2%保留，作为主要信号上涨/震荡金叉（缩量）41049%47%+0.4%弱化，需叠加其他条件仅上涨死叉+跌破支撑260——-2.8%保留，作为减仓信号全状态量价背离18044%41%-1.1%作为预警信号使用高位预警

使用要点：胜率需按市场状态分层统计（上涨/震荡/下跌），单一整体胜率可能掩盖失效区间；若某信号在震荡市胜率低于45%，应暂停使用。

示例｜信号与仓位对应（把信号变成纪律）

综合评分信号状态建议仓位上限单标的上限止损参考检查频率≥80金叉+放量80%15%−8%每日70-79金叉（等确认）60%12%−8%每日60-69中性40%10%−10%每周<60死叉或背离20%8%立即评估每日

示例 2｜信号失效的排查流程（按状态分层）

步骤动作判定标准处置1按市场状态分层统计胜率上涨/震荡/下跌三组分别统计找出失效区间2检查样本量是否充足每组样本 ≥100不足则延长回看窗口3检查是否含未来函数信号是否用到了当时不可得的数据有则剔除重算4检查交易成本假设是否计入滑点与印花税未计入则补算5复核结论净收益是否仍为正为正则保留，否则停用

排查原则：信号整体胜率达标但在某状态下失效时，应“按状态停用”而非整体停用；同时必须检查未来函数，这是实盘失效最常见的原因。

4. Financial Fraud Detection / 财报异常检测#

python

class FraudDetection:
    """财报异常信号检测"""

    @staticmethod
    def check_revenue_quality(stock_code: str,
                             financial_data: dict) -> dict:
        """营收质量检测"""
        indicators = {
            # 应收账款异常
            "ar_growth_vs_revenue": financial_data.get("ar_growth", 0) -
                                    financial_data.get("revenue_growth", 0),

            # 存货异常
            "inventory_growth_vs_cost": financial_data.get("inv_growth", 0) -
                                        financial_data.get("cost_growth", 0),

            # 现金流匹配
            "cash_flow_ratio": financial_data.get("cfo", 0) /
                              max(financial_data.get("net_profit", 1), 1),

            # 毛利率异常
            "gross_margin_volatility": financial_data.get("gm_std", 0),

            # 关联交易占比
            "related_party_ratio": financial_data.get("rpt_revenue", 0) /
                                  max(financial_data.get("total_revenue", 1), 1)
        }

        # 预警信号
        warnings = []
        if indicators["ar_growth_vs_revenue"] > 30:
            warnings.append("应收账款增速显著高于营收增速，可能存在虚构收入")
        if indicators["cash_flow_ratio"] < 0.5:
            warnings.append("经营现金流显著低于净利润，盈利质量存疑")
        if indicators["related_party_ratio"] > 0.5:
            warnings.append("关联交易占比过高，存在利益输送风险")

        return {
            "indicators": indicators,
            "warnings": warnings,
            "overall_risk": "高" if len(warnings) >= 2 else
                           "中" if warnings else "低"
        }

    @staticmethod
    def check_auditor_warnings(audit_reports: list) -> dict:
        """审计意见检测"""
        risk_keywords = ["保留意见", "无法表示意见", "非标准无保留",
                        "持续经营重大不确定性", "强调事项段"]

        findings = []
        for report in audit_reports:
            for keyword in risk_keywords:
                if keyword in report:
                    findings.append({
                        "keyword": keyword,
                        "context": report
                    })

        return {
            "has_warnings": len(findings) > 0,
            "findings": findings,
            "risk_level": "高" if findings else "低"
        }

财报异常指标阈值表（触发即预警）

指标计算口径关注阈值预警阈值说明数据来源应收增速−营收增速两个同比增速之差>15pct>30pct可能虚构收入或放宽信用资产负债表/附注存货增速−成本增速同比增速之差>15pct>30pct可能存货积压或虚增资产负债表/附注经营现金流/净利润CFO ÷ 归母净利润<0.8<0.5盈利质量存疑现金流量表毛利率波动率近8期标准差>2.5pct>4pct可能人为调节利润表关联交易收入占比关联收入 ÷ 营收>30%>50%利益输送风险关联交易章节商誉/净资产商誉 ÷ 净资产>20%>40%减值风险资产负债表审计意见类型意见段带强调事项段保留/无法表示意见直接排除审计报告意见段

示例｜综合风险判定（三项指标联动）

标的应收−营收CFO/净利润关联占比命中预警数风险判定处置复核要求标的A+8pct1.1212%0低正常纳入评分常规复核标的B+34pct0.6221%2高直接排除，不参与评分出具排除说明并留档标的C+18pct0.7533%2高核查后决定是否排除完成核查前不得纳入标的D+5pct0.958%0低正常纳入评分常规复核

使用要点：命中2项及以上预警阈值即判定为高风险，无论综合评分多高均不纳入候选池；单一指标命中需在报告中说明核查进展，不得直接作为结论。

示例 2｜造假信号的误报排查（避免错杀）

预警信号可能的正常解释核查动作结论处理应收增速高于营收大客户账期延长、并表新增查客户结构与账期政策有合理解释则降为关注存货增速高于成本备货旺季、原材料涨价查存货结构与周转天数周转未恶化则降为关注CFO低于净利润大额资本开支、票据结算查现金流量表附注经营性应收增加过快才预警关联交易占比高集团内统购统销模式查定价依据与公允性说明定价公允则降为关注毛利率波动大产品结构变化、会计政策变更查分品类毛利率结构性变化则不预警

排查原则：单一指标命中只触发“核查”，不直接判定造假；须至少两项指标同时异常且无合理解释，方可判定高风险并排除。

5. Portfolio Construction / 组合构建#

python

class PortfolioBuilder:
    """智能组合构建"""

    def __init__(self, target_stocks: List[dict],
                 total_capital: float = 1000000):
        self.stocks = target_stocks
        self.capital = total_capital

    def build_equal_weight(self, max_positions: int = 10) -> dict:
        """等权重配置"""
        selected = self.stocks[:max_positions]
        per_stock = self.capital / len(selected)

        positions = []
        for stock in selected:
            shares = int(per_stock / stock["price"] / 100) * 100  # 100股整数
            positions.append({
                "code": stock["code"],
                "name": stock["name"],
                "shares": shares,
                "amount": shares * stock["price"],
                "weight": 1 / len(selected)
            })

        return {
            "strategy": "等权重",
            "positions": positions,
            "total_invested": sum(p["amount"] for p in positions),
            "cash_remaining": self.capital - sum(p["amount"] for p in positions),
            "expected_return": sum(s.get("expected_return", 0) for s in selected) / len(selected),
            "estimated_risk": self._calculate_portfolio_risk(positions)
        }

    def build_risk_parity(self, max_positions: int = 10) -> dict:
        """风险平价配置"""
        selected = self.stocks[:max_positions]

        # 使用波动率倒数作为权重
        inv_vol = [1 / s.get("volatility", 0.3) for s in selected]
        total_inv_vol = sum(inv_vol)
        weights = [v / total_inv_vol for v in inv_vol]

        positions = []
        for stock, weight in zip(selected, weights):
            amount = self.capital * weight
            shares = int(amount / stock["price"] / 100) * 100
            positions.append({
                "code": stock["code"],
                "name": stock["name"],
                "shares": shares,
                "amount": shares * stock["price"],
                "weight": round(weight * 100, 2)
            })

        return {
            "strategy": "风险平价",
            "positions": positions,
            "total_invested": sum(p["amount"] for p in positions)
        }

    def _calculate_portfolio_risk(self, positions: list) -> float:
        """简化组合风险估算"""
        # 假设相关性0.3
        individual_risks = [0.25] * len(positions)  # 默认25%波动率
        correlation = 0.3

        portfolio_var = 0
        for i, risk_i in enumerate(individual_risks):
            for j, risk_j in enumerate(individual_risks):
                weight_i = 1 / len(positions)
                weight_j = 1 / len(positions)
                corr = correlation if i != j else 1
                portfolio_var += weight_i * weight_j * risk_i * risk_j * corr

        return round(np.sqrt(portfolio_var) * 100, 2)

示例 1｜等权重 vs 风险平价（同一候选池两种结果）

标的预期收益波动率等权重风险平价权重差异说明相关性分组标的A18%20%10.0%12.5%低波动，风险平价提升权重防御组标的B25%35%10.0%7.1%高波动，风险平价下调权重周期组标的C15%18%10.0%13.9%最低波动，权重最高防御组标的D30%45%10.0%5.6%最高波动，权重最低周期组

结论：等权重简单透明、易执行；风险平价会在不牺牲过多收益的前提下降低组合波动，适合波动容忍度较低的账户。两种方式都应同时给出，便于对照选择。

示例 2｜组合风控阈值表（建仓前先设红线）

风控项阈值超限动作检查频率责任人单标的权重≤15%触发即减仓至阈值内每周投研负责人单一行业权重≤35%新增买入暂停，优先调出每周投研负责人前三大标的合计≤40%降低集中度每两周风控组合预估波动率≤25%降仓或增加低波动资产每月风控单标的浮亏−8%至−10%按纪律评估减仓每日交易执行组合最大回撤−15%启动整体降仓预案每日风控

示例 3｜建仓分批节奏（避免一次性买在高点）

批次触发条件投入比例备注失败处理第1批信号确认（金叉+放量）40%建立底仓信号证伪则停止后续批次第2批回踩支撑不破30%摊薄成本破位则转为减仓第3批突破前高确认30%趋势延续加仓未突破则观望例外跌破止损位0%（不补）按纪律减仓立即执行减仓**示例 4｜组合再平衡的触发条件（避免频繁调仓）**触发类型条件动作是否立即执行阈值触发单标的权重偏离目标 ±5pct调回目标权重是时间触发每季度末全面复核并再平衡是风险触发组合波动率超25%降低高波动标的权重是事件触发标的命中财报预警剔除并补入候选池下一名是噪声波动偏离 <±3pct不动作否

再平衡原则：设置“噪声带”（±3pct以内不动）以控制换手成本；再平衡前须先检查是否触发风控阈值，风控优先于再平衡。

---

Usage Examples / 使用示例#

启动选股：

text

用以下条件筛选股票：
- 市盈率 < 30
- 营收增速 > 20%
- ROE > 15%
- 综合评分 > 70

主题选股：

text

筛选AI人工智能概念中估值最低的10只股票

技术面选股：

text

找出所有出现均线金叉且放量突破的股票

因子有效性检验：

text

对[因子名称]做有效性检验：输出IC值、分组单调性、
样本外方向一致性、换手成本与因子间相关性，并给出是否保留的结论。

组合构建与风控：

text

用以下候选池构建组合，同时输出等权重与风险平价两种方案，
并检查单标的上限（15%）、行业上限（35%）、组合波动率（≤25%）是否超限。

---

Disclaimer#

This skill provides stock screening tools and analysis for educational purposes. Stock selection results are based on quantitative models and historical data, which do not guarantee future performance. All investment decisions should be made based on independent research and professional advice. Past performance does not indicate future results.