⚙️ 运行环境契约（最高优先级，先于本文其余内容执行）

本技能可能运行在 QuantBot（QwenPaw 容器） 或宿主机/本地 Claude Code。执行前先探测环境（which docker、API 连通性），并遵守以下映射规则：

1. 后端 API 地址：QwenPaw / 容器网络内一律用 http://quantmind:8000（quantmind 是 docker 网络别名）；仅宿主机调试用 http://127.0.0.1:8000。正文中出现的 127.0.0.1:8000、localhost:800x，在 QwenPaw 环境下自动替换为 http://quantmind:8000。
2. 取数脚本执行：凡 import 了 pandas / duckdb / psycopg2 / numpy / sqlalchemy 等重依赖或 backend 包的脚本，必须在 quantmind 容器内执行（QwenPaw 本地 venv 无这些依赖）：

   docker cp <脚本路径> quantmind:/tmp/<脚本名> && docker exec -w /app quantmind python3 /tmp/<脚本名> <参数>
   

   脚本源三选一：宿主机 repo skills/<name>/scripts/、QwenPaw 工作区 /app/working/workspaces/default/skills/<name>/scripts/、挂载目录 /quantmind/skills/<name>/scripts/。纯标准库脚本（无重依赖）可在 QwenPaw 本地直接跑。
3. 报告落盘：股票报告页可见的 MD/PDF 报告，直接写 /data/reports/trading_agents/{市场或类别}/{股票名}/（QwenPaw 对 /app/db 有写权限，直接写文件，不要 docker cp）；过程数据 facts 写 /data/reports/<类别>/（/data 可写）。
4. MD → PDF 转换（按优先级降级）： ① docker exec -w /app quantmind python3 backend/scripts/md_to_pdf_report.py <输入.md> <输出.pdf>（研报级排版，首选）； ② docker 不可用时，改用 QwenPaw 内置 pdf 技能把 MD 转成 PDF； ③ 两者都不可用则只交付 MD，并明确告知用户 PDF 未能生成及原因。
5. 本文中的 ~/.claude、cp -r ... ~/.claude/skills 等说明仅适用于本地 Claude Code 维护者，QuantBot 不要执行。

QuantMind 运营操作技能

QuantMind 量化平台的完整运营操作指南。所有 API 都通过 API 网关（默认 http://127.0.0.1:8000 或 http://192.168.31.68:3080）访问，统一加 /api/v1 前缀。

认证

所有请求需要 Bearer Token：

# 获取 token（admin 账号）
TOKEN=$(curl -s -X POST $BASE/api/v1/auth/login \
  -H "Content-Type: application/json" \
  -d '{"username":"admin","password":"admin123","tenant_id":"default"}' \
  | python3 -c "import sys,json; print(json.load(sys.stdin).get('access_token',''))")

# 通用请求头
AUTH="Authorization: Bearer $TOKEN"
CT="Content-Type: application/json"

1. 模型训练（5 步流程）

模型训练分 5 步，与前端 ModelTrainingPage 一致：

特征选择 → 训练目标 → 参数配置 → 执行训练 → 结果入库

1.1 特征选择（筛选输入因子）

# 获取特征字典（13 类 273 特征，含默认勾选）
curl -s -H "$AUTH" "$BASE/api/v1/models/feature-catalog"

# 带数据覆盖统计（含建议训练/验证/测试区间）
curl -s -H "$AUTH" "$BASE/api/v1/models/feature-catalog?include_coverage=true"

# 管理端特征字典（含扫描详情）
curl -s -H "$AUTH" "$BASE/api/v1/admin/models/feature-catalog"

选择特征 key 列表（如 ["mom_ret_5d", "vol_std_20"]）或按类别（feature_categories）。 特征类别：ohlcv / valuation / momentum / volatility / liquidity / fundFlow / fundamental / style / industry / chip / concept / microstructure / sentiment

1.2 训练目标（定义 T+N 标签口径）

• target_horizon_days：预测周期（T+1 / T+5 / T+20 等）
• target_mode：regression（回归）或 classification（分类）
• label_formula：标签计算公式（如 close_future/close - 1）
• effective_trade_date：生效交易日
• training_window：训练窗口（如 rolling）

1.3 参数配置（设置超参与训练上下文）

• 时间划分：train_start/end、valid_start/end、test_start/end、val_ratio
• 模型超参：num_boost_round、early_stopping_rounds、lgb_params/xgb_params/catboost_params/dl_params
• 训练上下文 context：initial_capital、benchmark、commission_rate、slippage、deal_price、market、industry_as_feature

1.4 执行训练（编排请求与日志预览）

curl -s -X POST "$BASE/api/v1/models/run-training" -H "$AUTH" -H "$CT" -d '{
  "model_type": "lightgbm",
  "model_types": ["lightgbm", "xgboost", "catboost"],
  "ensemble": "stacking",
  "job_name": "我的模型",
  "display_name": "我的模型",
  "train_start": "2022-01-01",
  "train_end": "2024-12-31",
  "valid_start": "2023-06-01",
  "valid_end": "2024-06-30",
  "test_start": "2024-07-01",
  "test_end": "2024-12-31",
  "val_ratio": 0.15,
  "num_boost_round": 1000,
  "early_stopping_rounds": 100,
  "features": ["mom_ret_5d", "vol_std_20"],
  "feature_categories": ["momentum", "volatility"],
  "target_horizon_days": 1,
  "target_mode": "regression",
  "label_formula": "close_future/close - 1",
  "effective_trade_date": "2025-01-02",
  "training_window": "rolling",
  "context": {"initial_capital": 1000000, "benchmark": "000300.SH", "commission_rate": 0.0003, "slippage": 0.001, "deal_price": "close", "market": "CN", "industry_as_feature": false},
  "deploy_to_production": false
}'

支持的 model_type（15 种）：

• 树模型：lightgbm / xgboost / catboost / linear / random_forest
• 深度学习：gru / lstm / alstm / transformer / tabnet / tcn
• 自定义：nativetft / mlp / hybrid_gru_tree

ensemble 取值：none / stacking / blending / voting 可选高级参数：horizons（多周期 T+1/T+5/T+20）、optuna（Optuna 自动超参搜索）、n_folds（交叉验证折数）、wfa（walk-forward）、lgb_params/xgb_params/catboost_params/dl_params（各模型专属超参） 返回：runId + 有效/缺失特征统计

1.5 结果入库（查看元数据与产物）

# 轮询训练状态（pending→running→completed/failed）
curl -s -H "$AUTH" "$BASE/api/v1/models/training-runs/{run_id}"

# 训练完成后模型进入 /models，可设为默认
curl -s -X PATCH -H "$AUTH" -H "$CT" "$BASE/api/v1/models/default" -d '{"model_id":"xxx"}'

# 查看模型列表确认入库
curl -s -H "$AUTH" "$BASE/api/v1/models"
curl -s -H "$AUTH" "$BASE/api/v1/models?include_archived=true"

# 系统内置模型
curl -s -H "$AUTH" "$BASE/api/v1/models/system-models"

# 多模型融合
curl -s -X POST "$BASE/api/v1/models/ensemble/create" -H "$AUTH" -H "$CT" -d '{
  "name": "融合模型",
  "model_ids": ["model1", "model2"]
}'

2. 模型管理（管理端）

2.1 扫描本地模型目录

curl -s -H "$AUTH" "$BASE/api/v1/admin/models/scan"

2.2 数据状态

# Qlib + 特征快照数据状态
curl -s -H "$AUTH" "$BASE/api/v1/admin/models/data-status"

2.3 推理前置检查（生成明日信号）

curl -s -H "$AUTH" "$BASE/api/v1/admin/models/precheck-inference"

2.4 滚动回测

curl -s -X POST "$BASE/api/v1/admin/models/backtest" -H "$AUTH" -H "$CT" -d '{
  "model_id": "xxx",
  "start": "2024-01-01",
  "end": "2024-12-31"
}'
# 可用回测日期
curl -s -H "$AUTH" "$BASE/api/v1/admin/models/backtest/trading-dates"
# 回测历史
curl -s -H "$AUTH" "$BASE/api/v1/admin/models/backtest/history/{model_id}"

2.5 推理回测（选股策略事件驱动）

curl -s -X POST "$BASE/api/v1/admin/models/inference-backtest" -H "$AUTH" -H "$CT" -d '{
  "model_id": "xxx"
}'

3. 后台数据更新（五市场）

3.1 统一日同步（推荐）

# 提交同步任务，返回 task_id（market: A/CN=QuantDB, US=QuantUS, HK=QuantHK, BC=区块链, FUTURES=期货）
curl -s -X POST "$BASE/api/v1/admin/data-platform/daily-sync" -H "$AUTH" -H "$CT" -d '{
  "market": "A",
  "symbols": [],
  "incremental": true,
  "calibrate": true
}'
# 查询同步状态
curl -s -H "$AUTH" "$BASE/api/v1/admin/data-platform/daily-sync/status/{task_id}"

各市场同步数据源：

3.2 定时同步调度（每市场独立配置）

# 查看全部市场定时配置
curl -s -H "$AUTH" "$BASE/api/v1/admin/data-platform/sync-schedule"
# 查看单市场配置
curl -s -H "$AUTH" "$BASE/api/v1/admin/data-platform/sync-schedule/{market}"
# 保存单市场配置（enabled/time/days/datasets/with_qlib）
curl -s -X POST -H "$AUTH" -H "$CT" "$BASE/api/v1/admin/data-platform/sync-schedule/{market}" \
  -d '{"enabled": true, "time": "22:30", "days": [1,2,3,4,5], "datasets": ["all"], "with_qlib": true}'
# 立即触发一次同步（测试）
curl -s -X POST -H "$AUTH" "$BASE/api/v1/admin/data-platform/sync-schedule/{market}/run"

3.3 同步状态 / 进度

curl -s -H "$AUTH" "$BASE/api/v1/admin/data-platform/sync-status"
curl -s -H "$AUTH" "$BASE/api/v1/admin/data-platform/sync-progress"

3.4 Qlib 同步（增量重建缓存）

# 同步数据集时带 with_qlib 触发 Qlib 缓存重建
curl -s -X POST -H "$AUTH" -H "$CT" "$BASE/api/v1/admin/data-platform/quantdb/sync-datasets" \
  -d '{"datasets":["l1_factors","l2_factors"],"with_qlib":true}'
# 查看 Qlib + 特征快照数据状态（含年度快照详情）
curl -s -H "$AUTH" "$BASE/api/v1/admin/models/data-status"

Qlib 路径（QlibDataBuilder.for_market）：A股 .qlib_cache/cn_data，HK/US/BC/FUTURES 各目录下 .qlib_cache/{hk,us,bc,futures}_data。

3.5 特征快照（更新特征 parquet）

# 指定年份（A股按年生成 model_features_{year}.parquet）
curl -s -X POST -H "$AUTH" "$BASE/api/v1/admin/data-platform/update-feature-parquet?year=2026"
# 多市场特征更新
curl -s -X POST -H "$AUTH" "$BASE/api/v1/admin/data-platform/update-market-features"
# 特征快照年度详情（A股逐年 metadata.json）
curl -s -H "$AUTH" "$BASE/api/v1/admin/models/data-status"

特征快照结构：A股 db/feature_snapshots/model_features_{year}.parquet（含 .metadata.json 年度详情），非A股单体 model_features_{market}.parquet。

3.6 基本面同步 / 数据新鲜度

curl -s -X POST -H "$AUTH" "$BASE/api/v1/admin/data-platform/sync-fundamentals"
curl -s -H "$AUTH" "$BASE/api/v1/admin/data-platform/freshness"

3.7 在线状态 / 数据源健康

curl -s -H "$AUTH" "$BASE/api/v1/admin/data-platform/online-status"
curl -s -H "$AUTH" "$BASE/api/v1/admin/data-platform/sources"
curl -s -H "$AUTH" "$BASE/api/v1/admin/data-platform/sources/{name}/health"

3.8 万得 L2 原始数据导入（手动，不走 daily-sync）

逐笔委托/成交/十档盘口由 wind_l2_import.py 从万得逐日 7z 手动导入 （schema/单位/坑见 [[quantdb-fields]] 第三章，含深市成交量≈2×、tick_data 单位混源）：

python backend/scripts/wind_l2_import.py --archive /path/to/20260511.7z                  # 全市场
python backend/scripts/wind_l2_import.py --archive /path/to/20260511.7z --symbols 000001.SZ

落盘 1_kline_data/l2_data/order_|trade_{code}_{date}.parquet + tick_data/{code}_{date}.parquet； 文件名即日期（20260511.7z → 20260511），增量跳过已存在，--force 覆盖，可断点续跑。

4. 字段信息

4.1 字段覆盖矩阵（市场 × 字段 × 源）

curl -s -H "$AUTH" "$BASE/api/v1/admin/data-platform/health-matrix?market=A"

4.2 字段覆盖表

curl -s -H "$AUTH" "$BASE/api/v1/admin/data-platform/field-coverage"

4.3 质量告警

curl -s -H "$AUTH" "$BASE/api/v1/admin/data-platform/quality-alerts"

4.4 支持的字段类别（特征字典）

通过 /api/v1/models/feature-catalog 获取，返回 13 个类别： ohlcv（基础行情）/ valuation（估值）/ momentum（动量）/ volatility（波动率）/ liquidity（流动性）/ fundFlow（资金流）/ fundamental（基本面）/ style（风格）/ industry（行业）/ chip（筹码）/ concept（概念）/ microstructure（微观结构）/ sentiment（情绪）

6. 推理研究（推理中心 + 推理历史）

推理研究涵盖：单日推理、批量多日推理、批量单日推理、推理历史、股票历史分数。

6.1 推理前置检查

# 生成明日信号前置检查（确认数据就绪）
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/precheck"

6.2 单日推理（核心）

# 对指定模型在指定日期执行推理（可能耗时数分钟）
curl -s -X POST "$BASE/api/v1/models/inference/run" -H "$AUTH" -H "$CT" \
  -d '{"model_id":"xxx", "inference_date":"2026-08-07"}' \
  -w "\nHTTP %{http_code}\n"

6.3 批量推理（单日批量 / 多日批量）

批量推理支持两种模式，提交后立即返回 batch_id，逐日推理在后台执行：

A. 批量单日推理（range 模式）——区间内每个交易日逐日执行单日推理

curl -s -X POST "$BASE/api/v1/models/inference/batch" -H "$AUTH" -H "$CT" -d '{
  "model_id": "xxx",
  "mode": "range",
  "start_date": "2026-08-01",
  "end_date": "2026-08-07",
  "top_k": 20,
  "side": "both"
}'

B. 批量多日推理（lookback 模式）——锚定日回溯 N 个交易日

curl -s -X POST "$BASE/api/v1/models/inference/batch" -H "$AUTH" -H "$CT" -d '{
  "model_id": "xxx",
  "mode": "lookback",
  "anchor_date": "2026-08-07",
  "window_days": 30,        # 默认 = 模型 horizon，所有信号梯队仍持有中
  "top_k": 20,
  "side": "both",
  "reuse_existing": true
}'

参数完整说明：

返回：HTTP 202 + batch_id。之后用 batch_id 轮询进度。

6.4 批量推理历史与进度

# 批量推理历史
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/batches?page=1&page_size=20"
# 单个批次进度（status: pending/running/completed/failed）
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/batch/{batch_id}"
# 删除批次记录
curl -s -X DELETE -H "$AUTH" "$BASE/api/v1/models/inference/batch/{batch_id}"

6.5 批量推理实战流程

1. 确认模型：/models/default 或 /models 选模型
2. 提交：range（指定区间）或 lookback（锚定+窗口）
3. 轮询：/inference/batch/{batch_id} 查进度，completed 后取结果
4. 汇总：批量结果含每日信号，可对比多日信号变化
5. 清理：不需要的批次 DELETE

6.6 推理历史（单日推理记录）

# 推理历史（支持按 run_id/状态/日期过滤）
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/runs?model_id=xxx&page=1&page_size=20"
# 单次推理结果明细（排名/信号/行业等）
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/runs/{run_id}"
# 删除推理记录
curl -s -X DELETE -H "$AUTH" "$BASE/api/v1/models/inference/runs/{run_id}"

6.7 单只股票历史推理分数

# 某股票的历史推理分数趋势（用于交叉验证选股）
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/stock/600036.SH/history?days=180"

6.8 推理自动设置 / 最新批次

# 自动推理设置（每日定时）
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/settings/{model_id}"
curl -s -X PUT -H "$AUTH" -H "$CT" "$BASE/api/v1/models/inference/settings/{model_id}" -d '{"auto_enabled": true}'
# 当前生效推理批次
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/latest"

6.9 批量聚合分析（推理分析）

# 某批次的聚合分析（per_symbol/groups/movers/daily/meta，含 IC/趋势/共识带）
curl -s -H "$AUTH" "$BASE/api/v1/models/inference/batch/{batch_id}/aggregate"

6.10 融合模型 pred 生成（回测信号）

融合模型（ensemble_config.json）本身无 pred.pkl，AI-IDE 回测/信号生成时会自动调用 generate_ensemble_pred：读取子模型 pred.pkl → 按 (datetime, instrument) 对齐 → 截面排名百分位加权融合 → 落到融合模型目录 pred.pkl。单模型无 pred 时提示"请先推理"。

7. RSS 新闻对接与分析

5.1 新闻源列表

curl -s -H "$AUTH" "$BASE/api/v1/news/sources"
# 返回: {sources: [{source_id, source_name, subscribe_url, type, folder_id, folder_name}], folders, total}

5.2 拉取新闻文章（核心接口，支持丰富过滤）

curl -s -H "$AUTH" "$BASE/api/v1/news/articles" \
  -G \
  --data-urlencode "tickers=600519.SH,000858.SZ" \
  --data-urlencode "industries=白酒,消费" \
  --data-urlencode "sentiment=bullish" \
  --data-urlencode "event_tags=财报,业绩预增" \
  --data-urlencode "keyword=茅台" \
  --data-urlencode "sort=sentiment_bullish" \
  --data-urlencode "since=2026-08-01T00:00:00Z" \
  --data-urlencode "page=1"

过滤参数：

• source_id / source_ids — 新闻源过滤
• folder_id — 文件夹过滤
• keyword — 标题关键词
• tickers — 股票代码（逗号分隔）
• industries — 行业
• sentiment — bullish / bearish / neutral
• event_tags — 事件标签（财报/业绩预增/减持等）
• countries / regions — 国家/地区
• key_terms — 关键词（AI/半导体等）
• date_entities — 提及日期
• starred — 仅收藏
• strong_only — 仅强信号（|score|>=0.5）
• sort — time_desc（最新）/ time_asc / sentiment_bullish（利好强度）/ sentiment_bearish（利空强度）

5.3 单篇文章详情

curl -s -H "$AUTH" "$BASE/api/v1/news/articles/{article_id}"

5.4 新闻富化统计 / 触发富化

curl -s -H "$AUTH" "$BASE/api/v1/news/enrichment/stats"
curl -s -X POST -H "$AUTH" "$BASE/api/v1/news/enrichment/run"
curl -s -X POST -H "$AUTH" "$BASE/api/v1/news/enrichment/rebuild-all"

5.5 刷新新闻源

curl -s -X POST -H "$AUTH" "$BASE/api/v1/news/sources/{source_id}/refresh"

8. 实战分析流程（推荐顺序）

当用户要求分析某股票/行业时，按此流程：

1. 查新闻：/news/articles 带 tickers + sentiment + since，看利好/利空
2. 查模型分数：/models/inference/stock/{symbol}/history 看历史推理分数趋势
3. 查数据健康：/admin/data-platform/health-matrix?market=A 确认数据完整
4. 查当前模型：/models/default 确认生效模型
5. 需要更新数据：/admin/data-platform/daily-sync 提交增量同步
6. 需要训练：先 feature-catalog 拿字段，再 run-training

当用户要求挖掘新因子时，使用 [[rd-agent-factor-mining]] 技能（RD-Agent 自动演化管线）。 当用户要求按条件选股 / 筛选股票池时，使用 [[smart-strategy-stock-picking]] 技能（基于 QuantDB 的 183 字段条件选股）。 当用户要求查询 QuantDB 数据 / 配置 API Key / 查看数据集字段时，使用 [[quantdb-sdk]] 技能。 当用户要求深度分析市场 / 数据挖掘 / 导出分析数据 / 生成投研报告时，使用 [[stock-market-analysis]] 技能。 当用户要求运行回测 / 对比策略 / 参数优化 / 分析回测结果时，使用 [[backtest-center]] 技能。 当用户要求用 AI 写策略 / 生成 Qlib 策略代码时，使用 [[ai-ide-strategy-writing]] 技能。 当用户要求模拟交易 / 下单 / 查持仓时，使用 [[simulation-trading]] 技能。 当用户要求分析批量推理结果 / 解读信号 / 选股决策 / 负分参考时，使用 [[batch-inference-analysis]] 技能。 当用户要求生成投研报告 / 深度研报 / 多Agent分析时，使用 [[trading-agents]] 技能。

9. 相关技能

• [[rd-agent-factor-mining]] — 自动调用 RD-Agent 挖掘因子（evolve/tasks/factors/backtest/export）
• [[smart-strategy-stock-picking]] — 基于 QuantDB 数据的条件选股（自然语言/条件/DSL 三种方式，183 字段）
• [[quantdb-sdk]] — QuantDB 数据 SDK（API Key 配置、28 数据集目录、字段查询、远程查询、同步）
• [[stock-market-analysis]] — 市场深度分析 + 数据导出（全市场扫描/行业轮动/个股371字段/风险评分/CSV导出）
• [[backtest-center]] — 回测中心（快速回测/专家模式/策略对比/参数优化/高级分析/向量化极速回测）
• [[ai-ide-strategy-writing]] — AI-IDE 写策略并执行（Docker runner 运行/回测）
• [[simulation-trading]] — 模拟交易（下单买卖/持仓/成交/账户/模拟盘启动）
• [[batch-inference-analysis]] — 批量推理结果分析（市场状态/选股/负分参考/行业轮动）
• [[trading-agents]] — 投研分析（多 Agent 研究报告、7 分析师、风险评估）

10. 常见排查