⚙️ 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。

stock-picks — 每日复盘后的股票推荐（多维度选股）

把「每日复盘」（市场广度）和「个股深度分析」（个股深度）两张皮缝起来：先用复盘产物定市场环境（该不该进场、主线在哪、资金方向），再用多维度筛选条件从全市场挑候选，对 Top N 做 9 层深分，最后输出一份报告：综合复盘 + 候选榜 + Top 个股深分。报告 Markdown + PDF，落盘前端「股票报告」页可见目录，聊天回复速览。

定位：[[daily-review]] 是广度（今天市场发生了什么），[[stock-market-analysis]] 是深度（某只股票值不值得看），本 skill 是两者合一的推荐——先选再深挖，产出可执行的候选池，不是复盘报告。

⚠️ 铁律（先读，最高优先级）

执行流程（固定 6 步）

第 1 步：跑每日复盘取数（复用 [[daily-review]]）

# ① 宿主机：daily_review.py 出 指数/广度/板块/资金/L1/L2 + 模型推理信号 + 次日方向
cd <repo>/skills/daily-review/scripts
python3 daily_review.py --date 20260821              # 不带 --date 取最新交易日

# ② 容器内：news_review.py 聚合当日新闻情绪（先跑这个，新闻维度才能加权）
docker cp <repo>/skills/daily-review/scripts/news_review.py quantmind:/tmp/
docker exec quantmind python3 /tmp/news_review.py --date 20260821

产出：data/reports/daily_review/{YYYY-MM-DD}_stats.json + {YYYY-MM-DD}_facts.md + {YYYY-MM-DD}_news.json。 这一步给推荐提供：市场方向（六维）、主线板块、资金流向、新闻聚焦板块、L2 微观结构状态——推荐必须和市场环境自洽（大盘空仓日不该推满仓，杀跌板块的个股即使分数高也要警惕）。

第 2 步：多维度选股（本 skill 脚本）

python3 <repo>/skills/stock-picks/scripts/pick_candidates.py --data-date 20260821 --window 3 --top 30 --json   # 跨3日聚合
python3 <repo>/skills/stock-picks/scripts/pick_candidates.py --data-date 20260821 --window 1 --top 30 --json   # 严格单日（无未来视觉）
python3 <repo>/skills/stock-picks/scripts/pick_candidates.py --top 30 --json   # 默认最近全量推理日
python3 <repo>/skills/stock-picks/scripts/pick_candidates.py --top 30 --json --no-l2  # 跳过 L2（更快）

产出：data/reports/stock_picks/{YYYYMMDD}_picks.json（全量候选 + 每维分解）+ {YYYYMMDD}_picks.md（排名表骨架）。 多维度打分 = 六维加权（满分 1.0，L2 主导）：L2 40% / 融合 25% / L1动量 15% / 仓位 10% / 板块 5% / 新闻 5%。趋势不纳入。单模型铁律：只用默认日推模型（5eea5418）的单一 run 分数，杜绝多模型融合。默认精选 5 只。 跨日聚合：--window N 从数据日起往前 N 个推理日，每股取跨日复合分均值后排名（--window 1 = 严格单日无未来视觉）。 硬过滤：① 无融合分数剔除；② 仓位门 position_score>0 或 行业百分位≥80%（避免大盘空仓日推满仓）；③ 默认排除 ST。 未含维度（如当日无 news.json、L2 分区缺失）时该维中性 0.5，picks.md 头部会标注「未含：L2, 新闻」——报告里要声明，不能假装都有。

第 3 步：Top N 深分（复用 [[stock-market-analysis]]）

对候选榜前 5~10 只跑 9 层深分，取 --json 输出供报告引用：

python3 <repo>/scripts/stock_9layer_fetch.py 001237.SZ --json   # 宿主机
# 输出 /tmp/001237_9layer.json（23 因子 vs 全市场截面分位 + IC 方向）

深分重点核对（和候选维度互相印证，发现矛盾要写进报告）：

• L3 技术位：候选时点 vs MA20/前高——分数高但跌破 MA20 的是矛盾项
• L4b 微观结构：正 IC 因子（VPIN 族）是否处于健康分位
• L6 模型：该股历史推理信号 vs 当日融合分，是否一致
• L7 新闻：有没有个股直接消息/相关行业消息，和三步纵深结论

第 4 步：综合报告写作（Markdown，模板见下）

报告 = facts.md 的事实 + picks 骨架的数字 + 深分的数值 + 你的解读。facts/picks/深分没有的数字禁止出现。 推荐榜数字必须照抄 picks.json，深分数字必须照抄 /tmp/{code}_9layer.json，禁止臆造。

第 5 步：Markdown → PDF + 落盘（必做，只发 /tmp = 未交付）

# Markdown → PDF（研报风，复用 md_to_pdf_report.py）
docker cp 选股推荐.md quantmind:/tmp/picks.md
docker exec quantmind bash -lc "cd /app && python3 backend/scripts/md_to_pdf_report.py /tmp/picks.md /tmp/picks.pdf"
docker cp quantmind:/tmp/picks.pdf 选股推荐.pdf

# 落盘股票报告目录（宿主机必须 docker cp，目录 owner 是容器 root）
docker cp 选股推荐.md quantmind:/data/reports/trading_agents/每日选股/每日选股推荐_2026-08-21.md
docker cp 选股推荐.pdf quantmind:/data/reports/trading_agents/每日选股/每日选股推荐_2026-08-21.pdf

落盘后 ls 确认 md + pdf 都在（前端「股票报告」页 → 每日选股 文件夹）。

第 6 步：聊天回复速览

**每日选股推荐 2026-08-21（周五）**

一句话：…（市场环境 → 推荐逻辑 → 候选池特征）

市场：上证 +0.01% / 深成 +0.45%；涨停 64 / 跌停 14；主线 …；资金 …；次日方向 看多/看空（xx/11，★★★）

Top5 候选（五维综合，L2 主导）：
1. 惠康科技 001237 — L2 0.80 / 融合 0.0365 / 仓位 84% / 行业分位 100%
2. 今天国际 300532 — …（每只 1 行，标注最强维度 + 该股风险点）
3. …

深分亮点：Top3 中 X 只技术位健康、L2 VPIN 分位 >70%……（哪些候选通过了深分、哪些有矛盾）

⚠️ 以上为模型信号合成的相对强势候选，非投资建议；数据截至 2026-08-21（两融/北向滞后见数据说明）

→ 完整报告已落盘「股票报告 → 每日选股」目录

多维度筛选条件详解（写报告时逐维引用）

报告里每只候选必须能说清「它强在哪几个维度」+「弱在哪」，禁止只贴数字不解读。候选若和市场主线、次日方向冲突，必须明说。

报告模板

# 每日选股推荐 2026-08-21（周五）

> **报告日期**：2026-08-21
> **数据截至**：2026-08-21（信号日）
> **口径**：候选来自最近全量推理日 engine_signal_scores + l2_factors + 当日新闻情绪；五维加权（L2 40/融合 30/仓位 15/板块 10/新闻 5，趋势不纳入）

## 一、市场环境（综合复盘，从 facts.md 提炼）
指数/广度/量能/主线/资金 2-4 句 + 次日方向（六维合成）+ 一句话「该不该进场/什么风格占优」。
**这里定推荐基调**：市场偏强推进攻型，震荡降仓位，弱势只列观察不推荐。

## 二、候选榜（Top10，照抄 picks.md）
表格：# / 代码 / 名称 / 综合分 / L2 / 融合 / 仓位 / 行业分位 / 覆盖日 / 行业 / 板块大单
每只标注最强维度 + 一句话依据。

## 三、Top 个股深度分析（前 3-5 只，用 stock_9layer_fetch --json 结果）
每只分节：
### {名称}（{代码}）
- **候选维度**：最强维度 + 分数
- **9层核对**：L3 技术位（vs MA20）、L4b 微观结构（VPIN 分位）、L6 模型一致性、L7 新闻（三步纵深结论）
- **风险点**：弱维度 / 技术矛盾 / 板块杀跌风险
- **综合判断**：推荐 / 观察 / 剔除（剔除要写原因）

## 四、推荐逻辑与风险声明
- 候选池与市场主线一致性：命中/偏离
- 数据滞后声明（从 facts.md 复制）
- ⚠️ 本报告为模型信号合成的相对强势候选，非投资建议。股市有风险，投资需谨慎。

## 五、明日验证清单
2-4 条可验证预期（明天能判断对错的）：如「Top5 平均跑赢全市场」「候选集中板块继续走强」等

维护

• 核心脚本：scripts/pick_candidates.py（宿主机跑；PG engine_signal_scores + stock_aliases，QuantDB l2_factors，news_review.py 产物）
• 依赖技能：[[daily-review]]（复盘取数）、[[stock-market-analysis]]（深分）、[[quantdb-fields]]（单位口径）
• 权重/阈值改 pick_candidates.py 顶部常量（W_*、_POSITION_GATE、_MIN_SIGNAL_COVERAGE）
• 单测：cd scripts && python3 -m pytest tests/ -q（覆盖打分/过滤/趋势/单位）