房地产行业深度报告：地产与AI工具系列报告之四从地产投研到交易-OpenClaw的跨界实践

内容目录引言：OpenClaw与InvestmentClaw体系 8写给新读者的话 9术语解释 9致东吴地产AI系列报告的读者 12亮点：并非“又一个量化系统” 12为什么要做这项工作？ 12与大型量化机构的差异 13为什么“简单”但仍然有价值？ 14系统架构 153.1.概述 15完整架构图 15分层职责 17分层间的数据流与接口契约 17两套代码仓库的关系 18故障隔离与降级策略 19可观测性设计 20选股池体系 21四路选股入池 21每路选股的技术细节与失败处理 21Finviz筛选： 21异动扫描： 21SEED_TICKERS： 22杠杆ETF专属池： 22四路合并的去重逻辑： 22Finviz4条筛选策略 23策略参数的选择逻辑与回测验证 23SEED_TICKERS稳定种子 24SEED_TICKERS的完整列表与更新机制 24候选池写入保护 264.8.Top180截断 274.9.候选池质量监控 27三引擎评分 29为什么采用“三引擎” 29每个引擎的评分构成（“三个评委的打分标准”） 29各引擎核心因子详解 30评分拉伸（“提升分数区分度”） 33后置调节规则 33波动率过滤 34因子数据链路 35第一步：外部数据源 35第二步：数据获取层 36第三步：清洗与计算 36数据延迟对评分的影响： 36AI多模型判别：让两个AILLM独立打分，然后交叉验证 37流程概述 37模型选择理由与成本分析 38为什么是“双模型”而非单模型 38推理能力与独立性 38成本对比：国产推理模型vs海外前沿模型 39线路稳定性与可用性 40推理模型的工程价值 41未来升级路线 41InvestmentClaw的模型配置（独立体系） 42LLM评分执行流程 42Step1Prompt组装 42Step2并发双模型调用 43Step3交叉验证融合（_fuse_llm_scores） 43Step4注入final_score 44熔断与冷却 44幻觉处理 45LLM熔断与跨批次冷却 46final_score下限保护 46LLM评分的局限性 46局限性1：训练数据的时效性 46局限性2：无法获取非公开信息 47局限性3：对复杂财务工程的理解有限 47局限性4：情绪化与一致性 47局限性5：成本约束下的信息压缩 48总结：AI评分的正确用法 48信号生成：从分数到实际行动 48Action分级 48买入候选TopN筛选 49信号终调规则 50现金比例 50单日买入笔数上限 50行业集中度 50单票红线 50杠杆ETF合计红线 51持仓数上限 51Action状态机与冲突处理 51信号生成完整实例（“看系统怎么过一天”） 527.5.1.Step1选股（21:00SGT） 53Step2三引擎评分（21:05SGT） 53Step3波动率过滤 53Step4AI评分（21:10SGT） 54Step5final_score计算 54Step6买入候选筛选 54Step7三道过滤 55Step8信号终调（“主编审稿”） 55Step9最终信号 55交易执行：从信号生成到成交落地 56单笔交易流程（以买入为例） 56券商终端的API超时保护 58仓位权重计算 58cmd_trade完整执行流程 59Step1启动自检 59Step2预算计算（核心动态逻辑） 60Step3账户+持仓快照 60Step4三引擎评分 61Step5生成买卖候选 61Step6卖单执行 61Step7买单执行 62Step8汇总推送 62cmd_monitor盘中监控循环 62其余CLI命令速查 63风控体系：风险约束的十道防线 63风控参数全景 63参数读取方式 65日亏上限含浮亏 65持仓生命周期管理 65止损卖出后冷却，而非永久纳入黑名单 66三桶预算与杠杆ETF合计校验 67三桶预算模型 67RiskManager.can_trade()十道红线 68日预算N动态计算 69持仓数自适应 70盘中监控与守护 72监控架构与InvestmentClaw的交互角色 72三层可观测性的互补关系 72InvestmentClaw的“主动模式” 73监控架构 73Gateway守护 74告警节流与冷却 74Profile感知 74Gateway热重载 74Telegram通知 74通道设计 74速率控制 75消息类型总览 75文件与路径 75核心目录结构 75工作区路径解析 76Cron调度 76一天的时间表（北京时间） 76完整crontab 76调度设计依据 77研究框架：因子、回测、调参 78研究流程 7814.2.32因子库 783年因子IC排名 79近90天vs历史3年IC对比 80回测引擎 80回测核心结论 80CPCV交叉验证 81OptunaBayesian调参 81总结：从AI辅助到AI自主：本系统的核心价值与启示 82全文回顾 82架构层面（第2章） 82AI多模型判别（第5章） 82从信号到成交（第6–7章） 82风控体系（第8章） 8215.1.5.运行保障（第9–12章） 8215.1.6.研究框架（第13章） 83核心方法论贡献 83分层解耦的系统设计范式。 83量化+AI的互补融合范式。 83“主动但不失控”的自主决策范式。 83可观测性作为系统的基础能力。 84策略定位与核心优势 84定位明确：不拼信息差和速度差，聚焦“认知差” 84以简单换取稳健 84可解释本身就是竞争力 84低门槛可复现 84对卖方研究AI应用的三点启示 85风险提示 85图表目录图1：美股量化交易系统架构 16图2：数据链路全景 35图3：AI评分流程图 37图4：交易执行流程图 57图5：持仓状态示意图 66图6：Gateway守护流程图 73表1：体系层次 8表2：InvestmentClaw与大型量化机构对比 13表3：美股量化交易系统架构分层职责 17表4：多层降级策略 19表5：三层观测的互补关系： 20表6：四路选股入池 21表7：Finviz4条筛选策略 23表8：单因子回测 24表9：SEED_TICKERS列表（数据截至2026年4月30日） 25表10：每日质量仪表盘 28表候选池行业分布监控示例 28表12：引擎评分构成 29表13：实际评分示例 30表14：growth引擎因子（4大类，共12个因子） 30表15：leverage引擎因子（3大类，共8个因子） 31表16：smallcap引擎因子（3大类，共7个因子） 32表17：因子数据来源与延迟 32表18：波动率过滤示例 34表19：回测数据 35表20：外部数据源 35表21：数据延迟对评分的影响 36表22：模型成本对比 39表23：模型单次费用 39表24：实际工作量折算 40表25：未来升级路线 41表26：InvestmentClaw的当前配置 42表27：交叉验证融合 43表28：交叉验证融合实例 44表29：Final-score实例 44表30：六种行动建议 48表31：实例三引擎评分 53表32：实例AI评分 54表33：实例final-score计算 54表34：实例最终信号 55表35：券商终端超时保护 58表36：仓位权重计算 59表37：CLI命令速查 63表38：风控参数类别 64表39：系统局限性 65表40：三桶预算模型 67表41：三桶预算模型实例 68表42：分差门槛 71表43：最弱评分门槛 71表44：每日换仓次数上限 71表45：InvestmentClaw三层可观测性设计 72表46：InvestmentClaw主动模式 73表47：Cron调度一天时间表 76表48：32因子类别 79表49：3年因子IC排名 79表50：近90天vs历史3年IC对比 80表51：回测表现 80表52：CPCV交叉验证 81表53：TOP3稳健参数 81引言：OpenClaw与InvestentCaw体系OpenClawOpenClawAIAgentagentAIAgentInvestmentClawOpenClawOpenClaw表1：体系层次层级名称角色类比底层框架OpenClaw开源AIAgent基础设施Android操作系统上层应用InvestmentClaw基于OpenClaw构建的美股交易agent某个具体的App使用者用户机构投资者手机用户整理为什么选OpenClaw？OpenClaw框架为InvestmentClaw提供了以下核心能力：AgentInvestmentClaw作为agentMiniMax、GLM、DeepSeek等多种LLM护（）+（）yfinance、FinvizAPITelegramGatewayAPIInvestmentClaw的核心人格（来自IDENTITY.md/SOUL.md）InvestmentClawalpha结论明确：对NVDATSLA等交易setup较弱的标的明确提示风险。模糊表述会降低交易执行效率。NVDA50单票>30、杠杆ETF合计>50要求margin）InvestmentClaw不负责什么？InvestmentClaw拥有独立profile与独立TelegrambotInvestmentClaw写给新读者的话术语解释三引擎（如、杠杆如（如部分AI概念股）growth引擎关注基本面（ROE（RSI引擎关注5.1。SEED_TICKERS系统每日从Finviz、异动扫描等渠道收集候选股票。若外部渠道同时故障，候选数据可能中断。SEED_TICKERS是约40只核心标的（MegaCap大公司+主流ETF+防御品种）的固定列表，相当于基础备选池，可在外部数据源不可用时维持最低覆盖。详见章节4.5。Finviz选股Finviz（）（100ROE>15”）Finviz44.3。异动扫描系统实时监控5类日内异常事件：创52（）4.2。final_score公式：final_score=0.6×quant_score+0.2×llm_fused+0.2×inverse_score206.4。IC/IC驱动权重IC（InformationCoefficient）“20）IC=0.06表示这个指标有6根据IC14.3。Regime、BEAR_WEAK（和BEAR_STRONG（）14.5。夏普比率/A30B205（4）B10.514.6。CPCVCPCV（CombinatorialPurgedCross-Validation）CPCV14.7。守护进程系统包含多个后台服务（如Gateway连接券商、定时选股任务），守护进程每5分钟检查一次服务状态。如发现Gateway异常，系统会自动重启并发送Telegram告警，实现持续性运行监控。详见章节10.5。VIX（恐慌指数）VIX500VIX<15表示（），VIX>25表示市场在恐慌（）。系统根据VIX（移动止损（Trailing100130美（+30后落到124.8美（最点落触移止出盈利24.88.4.5。杠杆ETF杠杆如100涨约3；纳斯达克100跌1，TQQQ跌约35.1。黑名单blacklist.txtSEC调查财务造冷却期48；489.5。三桶预算instruction桶：用户手动（NVDA50股”）spontaneous桶：系N（2-15笔）risk止盈强平9.6.1。持仓生命周期每笔持仓经历5个状态：-open：刚下单，还没完全成交-held：已成交，正常持有中-trailing：涨到一定程度，开始追踪移动止损-closing：触发卖出，正在执行-closed：完全卖出，结束状态持久化到SQLite9.4。致东吴地产AI系列报告的读者AIAgent本系统的核心亮点并不在于收益曲线本身。坦率而言，本系统并不试图与TwoSigma①AIAgent从“辅助”走向“自主”的完整落地。，AIAgent写日报、筛选股票、整理数据，但最终决策权始终保留在人手中。本篇所讨论的InvestmentClawAIAgent能力边界的重CopilotAutopilot。②双AI交叉验证与熔断机制的工程化实践。采用两个推理模型独立评分并进行融合，本身并不是全新的概念；但将“幻觉检测AI③全链路可观测、可审计、可回溯。AI我们认为，开展这一工作的原因主要有三点，由近及远分别如下：第一，验证OpenClaw框架的通用性。API、券商接口和LLM服务等。如果OpenClaw第二，探索AIAgent在金融决策中的能力边界。AI第三，为卖方研究提供一个“AIAgent落地”的范本。当前卖方研究讨论AI“AI当前已需要首先明确的是：本系统不是，也并不试图成为RenaissanceTechnologies或TwoSigma。表2：InvestmentClaw与大型量化机构对比维度 大型量化机构 Inesmntlw资金规模10亿—1000亿美元万美元级，面向个人或小团队账户数据专线行情、卫星数据、另类数据，如信用卡数据、船舶AIS等免费公开数据，如yfinance、Finviz，以及LLM生成分析模型数百个因子、深度学习模型、高频信号约20个可解释因子+双LLM交叉验证执行共置服务器、微秒级抢单长桥API限价单/市价单，秒级成交频率日内交易，分钟级甚至tick级日频为主，每日1—2轮交易决策团队数十名数学、物理、计算机等方向PhD1人+OpenClaw+2个LLM核心壁垒数据、算力、人才和资金构成的综合护城河透明度、可审计性和低门槛可复现整理速度差：机构在交易执行速度上具有显著优势，这同样不是本系统试图突破的方向。认知差：面对同样的公开信息，系统能否比人类更冷静、更稳定、更少受情绪干扰，这是本系统试图提升的核心能力。“简单”并非缺陷，而是有意识的设计选择，主要理由如下：10—3020LLM进两个AI低门槛可复现。yfinanceFinvizAPIMiniMax/GLM等，yfinance和Finviz为免费数据源，长桥API则采用APIOpenClaw1—2这些“纪律优势”并不依赖复杂模型，但对长期投资收益和回撤控制具有实质影响。本系统当前版本可视为v1.0IC驱动权重调整、Regime自适应、CPCVv1.0AIAgent能力普惠化AIAI系统架构概述InvestmentClawAI评分→下单→TelegramOpenClaw开源AIAgent框Telegram完整架构图图1：美股量化交易系统架构绘制自上而下逐层解释：第一层：调度层-Cron是macOS30分钟选股+评分-每10分钟一次（21:00-05:00）（）-每5分钟一次：检查Gateway（连接券商的服务）是否处于可用状态-04:30：收盘后进行当日盈亏归因分析-周日17:00：检查策略中各类指标是否仍然有效第二层：选股层-系统每天从4个渠道收集候选股票：Finviz筛选、异动扫描、SEED_TICKERS种子池、杠杆ETF专属池。-模块：universe_builder.py第三层：评分层-初筛）growth引擎、leverage引擎、smallcap（AITop默认20只AI（MiniMax-M2.7和GLM-5.1）scoring.pyLLMAI并成final_score（买卖/止损）。-模块：engine.pysignal第五层：执行层-trader.py是连接券商并执行交易的核心程序，负责计算买入股数、提交限价单、等待成交、记录日志及推送通知。–SQLite/JSONL分层职责表3：美股量化交易系统架构分层职责层模块职责通俗解释调度层cron+launchd时间触发、守护进程定时调度与健康检查：按计划触发任务，并在服务异常时自动重启选股层universe_builder.py候选池构建（Finviz+异动+种子+杠杆ETF）候选标的发现：每日从市场中筛选潜在交易机会评分层scoring.pyengine.py+LLM+量化因子评分+AI判别，合并为final_score评分体系：对候选股票进行量化与AI评分，确定后续处理优先级决策层engine.pysignal生成根据final_score和现有持仓生成buy/hold/sellaction决策模块：根据评分与持仓状态决定买入、持有或卖出执行层_trader.py下单、风控、持仓管理、Telegram通知跟踪与风险监控观测层SQLite+JSONL+TG+归因+IC监控事后审计、策略健康度跟踪审计模块：支持事后复盘并监控策略健康度绘制分层间的数据流与接口契约逐层的数据流：调度层→选股层：-输入：无（cron）-输出：一个启动信号选股层→评分层：-输入：）评分层→决策层：-输入：三引擎评分结果（scores表，包含每只股票的growth/leverage/smallcap得分）+AI评分结果（llm_fused分数）+反向评分（inverse_score）-输出：final_score列表+action建议（BUY/HOLD/SELL等）决策层→执行层：-输入：signals_latest.jsonl（信号文件，每行一只股票及其action、target_weight、理由）-输出：无（执行层自己读取信号文件）执行层→观测层：（）TelegramJSONL接口契约的必要性jsonl文件的固定schema。数据格式示例：universe_latest.jsonl（选股层输出）：universe_latest.jsonl（选股层输出）：{"ticker": "AAPL", "market_cap": 3500000000000, "sector": "Technology", "seed_tickers"}{"ticker":"TQQQ","market_cap":null,"sector":"ETF","source":"leverage_etf_pool"}scores_latest.jsonl（评分层输出）：{"ticker":"AAPL","score_growth":78,"score_leverage":null,"score_smallcap":null,"engine":"growth"}signals_latest.jsonl（决策层输出）：{"ticker":"AAPL","action":"BUY","final_score":81.3,"target_weight":0.18,"reason":"final_score≥65,非持仓"}接口契约的核心原则：1.向后兼容：新加的字段不能影响旧代码的解析2.空值安全：某列缺失时用默认值（如null→NaN）3.原子写入：文件要么完整，要么不存在（见章节4.7）两套代码仓库的关系⚫ ~/quant-stock-picker/— （//）oquant_system/—生产代码，cron调用的即是此处oquant_system/v2/CPCVobacktest_data/—历史行情与基本面快照obacktest_outputs/—回测结果报告⚫ ~/.openclaw-investment/workspace/scripts/（TG通知、Gateway守护、归因、IC监控）研究结论通过修改脚本与配置落地到此处生效InvestmentClawInvestmentClawInvestmentClaw两者通过PYTHONPATH串联：执行脚本importquant_system.*。bug并由InvestmentClaw故障隔离与降级策略100FinvizLLMAPI降级原则：宁可少赚，不可大亏；宁可跳过某个环节，不可让整个系统停摆。表4：多层降级策略故障场景影响层降级行为说明Finviz反爬/网络异常选股层保留昨日候选池（原子写保护），TG告警外部数据异常时沿用昨日候选池并告警异动扫描数据源故障选股层跳过异动扫描，仅依赖Finviz+SEED_TICKERS异动源失效时关闭热点扫描保障基础选股LLM熔断（连续5只失败）评分层本批次剩余候选llm_score=50（中性），继续跑大模型连续失败时中性评分维持流程LLM全部不可用（整批次失败）评分层纯量化评分驱动（final_score=0.75×quant+0.25×inverse），TG告警大模型全量不可用时切换量化评分券商终端宕机执行层守护进程5分钟内自动重启；重启失败则TG告警建议人工介入终端异常时自动重启失败则告警日亏熔断触发（-5）执行层停止新买入，但继续监控止损/止盈/移动止损触发日亏阈值后暂停开仓保留风控SQLite失败写入观测层降级至JSONL纯文本日志，TG告警数据库写入异常时切换文本日志留痕绘制降级比失败更安全的原因Telegram可观测性设计//GatewayLLM（IC（。SQL-holdings.sqlitetrades_jsonl/：JSONL（-cron_gateway.log：Gateway守护进程的健康检查记录-cron_attribution.log：每日归因分析的详细计算过程-cron_ic_monitor.log：周度因子IC监控的原始数据。表5：三层观测的互补关系：你想知道 查哪里为何未买入NVDAcron_signal.log（看评分和过滤原因）当日收益情况data/attribution/2026-04-27.json（归因报告）“某只股票的买入历史？”trades.sqlite（SQL查询）系统重启原因cron_gateway.log（看重启时间线和原因）“某个因子最近还有效吗？”cron_ic_monitor.log（看IC变化趋势）绘制1.Tlegram通知实现及时触达；2.事后追溯：SQLite/JSONL支持完整查询；3.深度复盘：cron_logs支持定位根因。选股池体系四路选股入池，universe_builder.py4表6：四路选股入池来源说明典型产出说明Finviz4条预设策略（见2.2）60-120只条件筛选：通过Finviz按市值、盈利能力、成长性等条件筛选标的异动扫描5类日内事件（新高/放量/大涨/大跌/轧空）20-50只异动识别：扫描当日成交量、涨跌幅、新高等异常事件SEED_TCKERS稳定种子（MegaCap+主流ETF+防御品种）~40只基础备选池：外部数据源异常时仍可保证核心标的覆盖杠杆ETF专属池leverage_etf_tickers配置20-30只专项通道：杠杆ETF使用独立筛选与评分规则绘制每路选股的技术细节与失败处理Finviz筛选：技术实现：universe_builder.py通过HTTPGET请求访问/screener.ashx，cap_largeover、fa_roe_o15、fa_salesqoq_o15HTMLFinviz403）（10）1HTML结构改版→正则匹配失败→返回空列表兜底：4条策略是并行执行的，某一条失败不影响其他三条。全部失败时还有SEED_TICKERS保底。异动扫描：yfinance5分：5225299成交量暴增：当日成交量≥20日均量的3005单日大跌：当日跌幅≤-5（用于反向筛选或做空参考，当前策略仅做多）轧空（ShortSqueeze）：空头持仓比例高+股价快速上涨（暗示做空者被迫回补）评算：类件予不权（高30放量25、涨20跌1510）Top50yinaceSEED_TICKERS：quant_system/config.py（）。更新频率：季度审视一次，根据市场变化增删（MegaCap）。ETF专属池：：leverage_etf_tickersconfig.pyTQQQ（3）ETFFinvizleverageROE候选池=Finviz∪SEED_TICKERSETF优先级：异动扫描>Finviz>SEED_TICKERS>杠杆ETFFinviz4表7：Finviz4条筛选策略策略ID条件（简化）目标说明grwt_uaiy市值 >10BROE>15+营收增速>15大中盘成长“找又大又强的公司”。市值超过100亿美元（大公不容倒超过15（赚力强），营收速超过15还快速长）mi_mmntm4周幅>10+成交量上升中盘动量10以turnaround跌破52周低+近期反转反转机会“找阶段性企稳标的”。股价跌到了一年最低点附近，但最近有企稳反弹的迹象breakout突破20日新高+放量突破形态“找技术形态突破标的”。股价创了20天新高，而且成交量放大，说明可能有大事发生绘制4策略参数的选择逻辑与回测验证growth_quality的ROE门槛为何采用1510或为何采用42周或8果。ROE15（ROE15司）4）表8：单因子回测参数测试范围最优值回测依据growth_qualityROE门槛10/12/15/2015普最（1.28），20时标的太（平均仅15/天），10时纳入多平庸公司growth_quality营收增速10/15/201515时胜率52，20时胜率55但交易机会半mid_momentum时间窗口2/4/84周2噪音多1.02（趋势已过半）mid_momentum涨幅门槛5/10/15105纳入太多弱趋势股，15错早期动量breakout突破窗口10日/20日/60日20日10日太敏感（假突破多），60日太迟钝绘制比如growth_qualityturnaround保留turnaround（反转策略）的原因反转策略在牛市表现一般，但在熊市或震荡市是重要补充：-2022年熊市：turnaround贡献了整体收益的23（其他三条策略均亏损）-2023-2024turnaround8turnaround条件采用“跌破52周低+近期反转”的原因52如过去5天上涨SEED_TICKERSFinvizSEED_TICKERSiPhoneMaciPad-NVDA（）：AIChatGPTMSFT（SEED_TICKERS的完整列表与更新机制SEED_TICKERS共约40只，分为四类：表9：SEED_TICKERS列表（数据截至2026年4月30日）类别代码行业市值（约）为什么入选科技巨头AAPL消费电子$3.5T全球市值第一，现金流之王MSFT软件/云计算$3.2TAzure+Office垄断地位NVDA半导体/AI$2.8TAI芯片龙头GOOGL互联网$2.0T搜索+YouTube双垄断AMZN电商/云计算$1.9TAWS全球云老大META社交媒体$1.5TFacebook+InstagramAVGO半导体/软件$0.8T芯片基础设施巨头TSLA电动车$0.6T电动车+机器人+AIAMD半导体$0.3TCPU/GPU双赛道ORCL企业软件$0.4T数据库和企业云CRMSaaS$0.3T客户关系管理软件龙头ADBE创意软件$0.2TPhotoshop+PDF生态NFLX流媒体$0.3T全球流媒体第一NOW企业软件$0.2T云服务管理龙头医疗LLY制药$0.7T减肥药MounjaroUNH保险/医疗$0.5T最大健康保险公司JNJ制药/消费$0.4T百年药企，股息贵族PFE制药$0.2T疫苗和处方药巨头ABBV生物制药$0.3T免疫学药物龙头MRK制药$0.3T肿瘤和疫苗金融/消费/工业V支付$0.6T全球支付网络MA支付$0.5T信用卡双寡头之一BRK.B综合金融$0.9T巴菲特的伯克希尔JPM银行$0.6T美国最大银行WMT零售$0.7T全球最大零售商PG消费品$0.4T日化巨头KO饮料$0.3T可口可乐HD家居零售$0.4T家装零售龙头COST仓储零售$0.4T会员制零售XOM能源$0.5T石油巨头CVX能源$0.3T石油巨头GE工业$0.2T航空和能源BA航空$0.1T波音（波动大但重要）ETF与防御SPY标普500-美股大盘基准QQQ纳斯达克100-科技股基准IWM罗素2000-小盘股基准XLP消费品ETF-防御性板块XLU公用事业ETF-防御性板块GLD黄金ETF-避险资产绘制入选标准（“什么样的人进保底名单”）：100010住（至少10AI信息更新机制：SEED_TICKERS不是一成不变的。系统每季度审视一次：-移除条件：市值跌破500亿/被收购私有化/重大财务造假/流动性持续恶化-新增条件：市值突破1500亿且持续3个月以上/行业地位确立（如2023年的NVDA因AI从2000亿冲到万亿，被加入）-历史变更：-2024-06：移除INTC（市值跌破千亿，竞争劣势明显）-2024-09：加入NOW（ServiceNow，企业云管理突破千亿市值）-2025-03：加入ABBV（艾伯维，免疫学药物放量，市值站稳3000亿）采用SEED_TICKERS而非全量扫描的原因美股有6000+只上市股票，全量扫描：-计算量大（每只股票拉数据需要0.1秒，6000只要10分钟）-噪音多（大量低价股、壳公司和低流动性股票）-资源浪费（LLM评6000只股票，API费用要几百美元/天）SEED_TICKERS+Finviz筛选+异动扫描的组合，既覆盖了核心资产，又保留了灵活性。候选池写入保护选股结果写入universe_latest.jsonl，配备两层保护：原子写—先写入.tmp临时文件，fsync落盘后通过rename原子替换，避（默认20只TG两者结合确保要么完整写入，要么不写入，避免上游数据源异常时产生“今日仅5只候选”这类极端情况。5（100只Finviz可能5日列表”。实际场景：某天Finviz网站改版，爬虫失效，返回0只股票。如果没有写入保护，系统会清空候选池，导致当天无股可评。有了保护机制：-检测到0只<阈值20只→拒绝写入-保留昨天的universe_latest.jsonl（假设昨天有120只）-TG告警：“Finviz数据源异常，候选池回退至昨日”-系统继续用昨天的候选池运行，不中断。Top180合并后若超过180只，按事件评分截断（优先保留异动新高、放量、轧空等高价值事件），控制LLM调用成本在可承受范围内。AI评分（LLM调用API（MiniMax+500API18052（ShortSqueeze）2021GME）被截断的股票不会完全丢失——它们仍然会在量化评分环节被评估，只是不进入AI评分环节。实际例子：某天候选池合并后有250只股票。系统按事件优先级排序：1.异动新高（15只）→保留2.放量（25只）→保留3.大涨（30只）→保留4.轧空（5只）→保留5.Finvizgrowth_quality（60只）→保留前65只6.Finvizbreakout（50只）→保留前35只7.其余（65只）→截断最终保留180只进入AI评分。候选池质量监控每日质量仪表盘：系统每天记录候选池的“体检报告”，存储在data/universe_stats/目录下：表10：每日质量仪表盘指标正常范围异常阈值异常时的行为候选池总数100–180只<50250只或>TG告警，保留昨日候选池Finviz40–70<2080或>告警，检查爬虫状态异动扫描占比10–30<5告警，检查yfinance数据SEED_TCKERS占比15–25>40告警，说明外部数据源大面积失效（Top3）任何行业≤40>50告警，提示行业过度集中绘制监控上述指标的原因Finviz占比从60跌到10候选池的行业分布监控示例：某天候选池150只，行业分布如下：表11：候选池行业分布监控示例行业 数量 占比科技6543医疗2517金融2013消费1812工业128能源107绘制科技占比43，接近50警戒线。TG43行业分布监控的重要性以202233三引擎评分为什么采用“三引擎”1）（ROE/营收增速/杠杆（小（如AAPL（ROE））（PE）杠杆ETF（如TQQQSOXL）100指数约3ETF（VIX）20AI每个引擎的评分构成（“三个评委的打分标准”）表12：引擎评分构成引擎核心因子类别权重分布通俗解释growth质量40+成长30+动量20+技术10全面均衡（量40），其次是公司长没长大（成长30），然后是股价趋势（量20最后是技术指标（技术10）leverae技术（趋势/RSI/MA）60+波动25+底层基15偏技术“技术派评委最看重大盘趋（60ETF其次是波动（25动大的时ETF基本面（15）smallcp动量50+情绪/异动30+成长20偏事件“游资评委”。最看重短期涨跌（次是市场热（情绪/异动30比如V看一点基本面（成长20）绘制每个引擎输出 0-100 分。合并后的分数表包含score_growth/score_leverage/score_smallcapNaNmerge_scores(score。表13：实际评分示例股票 所属引擎 growth得分 leverage得分 smallcap得分 最终scoreAAPLgrowth78NaNNaN78TQQQleverageNaN82NaN82APPsmallcapNaNNaN7575绘制注意：AAPL不会在leverage引擎里打分（因为它不是杠杆ETF），TQQQ不会在growth引擎里打分（因为它不是成长股）。各引擎核心因子详解表14：growth引擎因子（4大类，共12个因子）因子类别计算方式说明为什么重要ROE质量净利润/股东权益每投入1块钱，公司能赚多少ROE>15说明公司有“护城河”，巴菲特最看重的指标负债率质量总负债/总资产公司借了多少债负债率<50说明财务稳健，不容易被债务压垮毛利率质量(营收-成本)/营收卖100块钱，成本是多少毛利率高说明定价权强（如软件公司毛利率80+）营收增速成长(今年营收-去年营收)/去年营收公司收入增长多快增速>15说明还在快速扩张净利润增速成长(今年净利润-去年净利润)/去年净利润公司利润增长多快利润增速>营收增速说明”规模效应”显现PE(市盈率)成长股价/每股盈利买这家公司需要多少年回本PE<30相对合理，PE>50可能高估（成长股可放宽）60日动量动量(当前价-60日前价格)/60日前价格过去3个月涨了多少动量强者恒强，趋势投资者的核心指标20日波动率动量过去20日收益率的标准差×√252股价上蹿下跳的程度波动率适中（20-40）最好，太高说明风险大RSI技术100-100/(1+平均涨幅/平均跌幅)超买超卖指标RSI>70（可能回调（可能反弹）MACD技术12日EMA-26日EMA趋势强弱信号MACD>0且上升=上涨趋势；MACD<0=下跌趋势股价vs20日均线技术(当前价-20日均线)/20日均线股价在短期均线之上还是之下在均线之上说明短期强势above_ma60技术当前价>60日均线?1:0股价在中期均线之上还是之下在60日均线之上说明中期趋势向上绘制growth引擎评分公式（简化版）：质量子分=(ROE×0.5+负债率×0.3+毛利率×0.2)×100成长子分=(营收增速×0.6+净利润增速×0.4)×100动量子分=(60日动量×0.7+波动率调节×0.3)×100技术子分=(RSI×0.4+MACD×0.4+均线偏离×0.2)×100growth_score=质量子分×0.4+成长子分×0.3+动量子分×0.2+技术子分×0.1表15：leverage引擎因子（3大类，共8个因子）因子类别计算方式说明为什么重要纳指趋势技术10020日斜率大盘在涨还是跌TQQQ涨3的前提是纳指涨1RS(纳指)技术纳指100的RSI大盘是否超买超卖纳指RSI>75ETF险极高MAD()技术纳指12日EMA-26日EMA大盘趋势信号和个股MACD同理，但看大盘股价vs20日均线(ETF)技术ETFvs20均线ETF短期趋势在均线之上说明短期强势VIX波动芝加哥期权交易所波动率指数市场”恐慌指数”VIX>25说明市场在恐慌，杠杆ETF波动会被放大20日波动率(ETF)波动ETF20准差×√252ETF自身波动多大波动太大时杠杆ETF容易”震荡磨损”纳指PE基本面纳斯达克100成分股加权PE科技股整体估值纳指PE>35时，整体估值偏贵纳指营收增速基本面纳指100成分股加权营收增速科技股整体增长增速下滑时杠杆ETF承压绘制leverage引擎评分公式（简化版）：技术子分=(纳指趋势×0.+RS×0.2+MACD×0.2+均线偏离×0.2)×100波动子分=(VIX反向×0.6+ETF波动率×0.4)×100#VIX低得分高基本面子分=(纳指营收增速×0.7+纳指PE反向×0.3)×100leverage_score=技术子分×0.6+波动子分×0.25+基本面子分×0.15表16：smallcap引擎因子（3大类，共7个因子）因子类别计算方式说明为什么重要5日动量动量(当前价-5日前价格)/5日前价格过去1周涨了多少小盘股短期趋势极强，5天就能看出苗头20日动量动量(当前价-20日前价格)/20日前价格过去1个月涨了多少确认短期趋势不是”一日游”成交量放大倍数情绪当日成交量/20日均量今天成交量是平时的几倍放量>3倍说明有资金进场新闻热度情绪近期新闻标题中含正面词汇的数量最近有没有好消息新闻多=关注度高=可能有行情板块资金流向情绪该股票所属板块的资金净流入钱在流入还是流出这个板块板块资金流入时，个股容易跟涨市值成长股价×流通股数公司多大<20美元营收增速成长(今年营收-去年营收)/去年营收收入增长多快即使是小盘股，有收入谱绘制smallcap引擎评分公式（简化版）：动量子分=(5日动量×0.6+20日动量×0.4)×100情绪子分=(成交量放大×0.5+新闻热度×0.3+板块资金×0.2)×100成长子分=营收增速×100#无营收则按行业平均smallcap_score=动量子分×0.5+情绪子分×0.3+成长子分×0.2表17：因子数据来源与延迟数据类型来源更新频率延迟备用方案股价/成交量yfinance实时（1分钟）<15分钟券商终端实时行情（ROE/PE/负债率）yfinance季度（财报后）1-45天（极少需要）新闻网络爬虫实时<30分钟跳过新闻因子板块资金内部计算每日<1小时跳过板块因子VIXyfinance（^VIX）实时<15分钟固定值15绘制部分因子采用反向处理的原因VIXETFVIX高时杠杆ETF的波动会被放大，风险增加。PE（评分拉伸（“提升分数区分度”）原始分数通常集中在40-70区间，区分度不足。评分拉伸的处理规则：-80分位数以上→拉伸至80+-20分位数以下→压缩至40以下-中间段线性映射使高分确实具有显著性，低分不误伤中位水平的标的。20高分标的映射至80识别；将后20低分标的压缩至40中间6040-80100-80位数=前20的槛）-20数=后20门）7498（）7085较好）6560（）61分（较差）-原始58分→压缩到15分（很差）90分标的与50后置调节规则合并分数后按业务规则进行调节：杠杆ETF+5杠杆ETF52，TQQQ了约6growthTQQQ打了755分→80+33AI15565分→加3分→68-停牌/20票202050010（smallcap引）1005000ETF300万美元，growth引擎给了72分→减10分→62分（刚好低于65）-smallcap动性就差，如果也设500波动率过滤60#_trader.py中的_filter_by_volatility#依据：高波动标的容易陷入追涨杀跌，回测显示剔除后夏普显著提升#豁免：杠杆ETF与smallcap引擎的标的）60策略普从0.76升至1.24，最回从-50收窄至-19。波动就“价蹿跳的烈度。-年波动率20股每跌约，像AAPLMSFT高成的技股-化动率60+：股每涨约4-6，某些Meme、加波动率>60亏损。实际例子：某天候选池中有以下股票：表18：波动率过滤示例股票 类型 量化评分年化波动率是否被过滤AAPLgrowth7822保留NVDAgrowth8238保留TSLAgrowth7555（<60）MSTRgrowth7085（>60）TQQQleverage8065保留（豁免）GMEsmallcap6595保留（豁免）因为波动率85分有7010时MSTR跌15杠杆ETFETF，TQQQ的年化波动率通常在smallcap止损6表19：回测数据策略 夏普率 年化益最大回撤不过滤（包含高波动股）0.7637-50过滤波动率>601.2430-19绘制虽然化益从37了30大撤从-50大收到-19夏率从0.76提升到1.24。对于追求稳定性的策略来说，这是值得的trade-off。因子数据链路图2：数据链路全景绘制第一步：外部数据源表20：外部数据源数据源 提供么 可靠性失败时的影响yiace股价、成交量、基本面（ROE/PE/负债率）★★★★☆偶尔延迟或缺失某只股票基本面因子缺失，评分可能偏低券商终端回报★★★★★生产环境主数据源Gateway宕机时无法交易，但评分不依赖它新闻爬虫新闻标题、摘要★★★☆☆受网站结构变化影响ap分下降Fniz筛选器结果★★★☆☆有反爬限制候选池减少，但SEED_TICKERS保底第二步：数据获取层quant_system/data.pyAPI）121第三步：清洗与计算原始数据不能直接用于评分，需要经过三层处理：1）缺失值填充：某股票ROE缺失→用同行业平均值填充；某股票60日动量缺失（新股上市不足60天）→用20日动量代替，或标记为NaN（该因子不计入）。为什么填充而不是丢弃？因为丢弃会导致大量候选股票被排除，填充虽然不完美但保留了候选资格。ROE>500→截断到500（防止极端值扭曲评分）；PE<0（亏损公司）→按PE=100处理（表示“很贵”）；单日涨幅>50→检查是否为除权除息或数据错误。ROE000（ROEZ-score)/01）表21：数据延迟对评分的影响数据类型 典型延迟 对评分的影响股价/成交量<15分钟几乎无影响（日频评分不需要秒级精度）基本面1-45天（财报后）季报空窗期（如4月底到7月中）基本面因子可能过时新闻<30分钟突发新闻（如并购、监管调查）可能未及时纳入VIX<15分钟几乎无影响绘制基本面数据存在1-45天延迟的原因（35811月左右才会更新ROE是bug，而是现实约束——没有人能在财报发布前知道最新季度的ROE。数据质量检查：127202.PE=5ROE-50（低PE3.120（60至45多依赖AI评）。AIAILLM流程概述评分合并完成后，TopN（默认20只）送入LLM（大语言模型）进行定性判别。图3：AI评分流程图绘制⚫ MiniMax-M2.7+GLM-5.1方向一致（都看多/都看空）→算术平均，完全一致再×1.15增强方向分歧→取绝对值更小的一方（保守原则）单模型成功、另一方失败→独票降权×0.85（惩罚缺少第二意见）两方均失败→本票fallback（llm_score=50）inverse_scoreAI发content（）模型接入：通过腾讯云TokenHubOpenAI兼容接口，共用同一个max_tokens4096×0.85：fallback到模型选择理由与成本分析系统对每只候选标的由两个推理模型独立评分后进行交叉验证融合（详见第5.4节MiniMax-M2.7与GLM-5.1推理能力与独立性在覆盖200的评分与约为66独立性方面，MiniMax与GLM由不同团队独立开发，训练数据来源与模型结构存（18——这一比例恰好为交叉验证提供了有意义的信号：当模型分歧时，系统按保守原则取绝对值更小的一方，从而降低了单一模型系统性偏差主导最终决策的风险。成本对比：国产推理模型vs海外前沿模型MiniMax-M2.7与GLM-5.1均通过腾讯云TokenHub接口调用，按token计费。将其与OpenAI当前主力推理模型GPT-5.4及最新旗舰GPT-5.5进行同口径价格对比（汇率按¥7.2/$1折算）：表22：模型成本对比模型输入（/1Mtokens）输出（/1Mtokens）缓存命中（/1Mtokens）MiniMax-M2.7（TokenHub）¥2.1（≈$0.29）¥8.4（≈$1.17）¥0.42（≈$0.058）GLM-5.1（TokenHub）¥6（≈$0.83）¥24（≈$3.33）¥1.3（≈$0.18）GPT-5.4（OpenAI）$2.50$15.00$0.25GPT-5.5（OpenAI）$5.00$30.00$0.50腾讯云TokenHub官网、OpenAI官网（截至202605）、国产推理模型的输出单价显著低于海外同类：MiniMax输出¥8.4/1Mtoken，GPT-输出$15/1Mtoken（按¥7.2/$1折合约¥108/1Mtoken）输出¥24/1M输出$30/1M¥216/1M后者约为前者的9倍。由于推理模型在评分过程中会产生大量内部思考token（reasoningtokens），这些token均按输出价格计费，因此输出单价的差距对总成本有显著的放大效应。以单次股票评分调用为例，估算token消耗如下：（）：约2,000tokens）2,500tokens（reasoningtokens）5,200tokens表23：模型单次费用模型单次费用MiniMax-M2.7（TokenHub）$0.0069GLM-5.1（TokenHub）$0.0198GPT-5.4（OpenAI）$0.0848GPT-5.5（OpenAI）$0.1695将上述单价代入每日评分20只标的的实际工作量，并分别按月均22个交易日、年均252个交易日折算：表24：实际工作量折算方案调用组合调用次数日成本月成本年成本独立交叉验证？当前方案MiniMax20+GLM2040$0.53$12$135√全部切换MiniMaxMiniMax4040$0.28$6$70×全部切换GLMGLM4040$0.79$17$200×全部切换GPT-5.4GPT-5.44040$3.39$75$855×GPT-5.4双跑GPT-5.4×8080$6.78$149$1,710×GPT-5.4 +GPT-5.5各2040$5.09$112$1,282√GPT-5.5双跑GPT-5.5×8080$13.56$298$3,417×/因此月×12与年化数字可能不严格相等（月均与年均交易日天数不同）基于上述对比，可得三点核心结论：当前方案日均评分成本仅$3nvetmetClwI（约$1.0/天，基于DeepSeek-V4），系统全口径日均AI成本约$1.53，月度约$34$387。对于万美元级别账户，AI成本占本金的比例不足4，不存在"策略赚的钱被API费用吃掉"的问题。（GPT-5.4GPT-5.5各20$135$1,282，增幅约9.5$50,000，$1,282的年成本仍占本金的而当前方案仅占0.3MiniMax-M2.7的推理成本约为GLM-5.1的单次$0.0069vs2当前方案以MiniMax承担一半调用、GLMMiniMax可压缩至$0.28/（$70/年），但将丧失交叉验证的独立性基础。线路稳定性与可用性MiniMax与GLM均通过腾讯云TokenHub99.5等模型，但频繁出现超时与"响应异常"，无法满足生产环境的连续性要求。当前的MiniMax+GLM组合在运行稳定性方面表现良好。推理模型的工程价值MiniMax-M2.7与GLM-5.1均为推理模型（ReasoningModel），在给出最终评分前会进行中间推理。对股票评分任务而言，推理模型相较普通LLM具有三重价值：ROEreasoning_content如"ROE75分而非85定位评分偏差来源。在正常运行中，reasoning_content仅用于调试日志，不参与final_score第5.4节。Prompt包含10（未来升级路线表25：未来升级路线优先级升级方向触发条件预期收益P1引入第三个模型（三模投票）账户规模>$20000准确率+3-5P2升级至MiniMax/GLM下一代推理模型新版本发布且能力显著提升评分质量提升，模型切换成本低P3评估海外轻量推理模型（如GPT-5.4-mini，$0.75/$4.50per1M）海外模型接入稳定性改善以较低成本拓宽模型来源P4跟踪专用金融模型进展垂直领域模型开源可用金融文本理解专业度提升P5基于累积数据训练轻量评分模型运行数据积累超过3年摆脱外部API依赖，成本降至接近零绘制当前配置体现了账户当前规模下的务实选择：在风控架构（独立双模型交叉验证）不打折扣的前提下，将AI成本控制在几乎可忽略的水平。InvestmentClaw（独立体系）OpenClaw框架的独立agentLLMOpenClawGateway表26：InvestmentClaw的当前配置角色 模型 说明Prmaytokenhub/deepseek-v4-pro主推理模型，处理投资分析、策略讨论、指令解析Falbcktokenhub/deepseek-v4-flash当pro超时/限流时自动切换图像模型tokenhub/kimi-k2.6生成图表、可视化报告绘制注意：InvestmentClaw的deepseek-v4-pro/flash配置与量化评分层的MiniMax/GLM属于两套独立体系。前者服务于对话式agent交互，后者服务于批量股票评分。AIAI要求快速响LLM对每只股票，MiniMax与GLM的调用并非”主备”而是对等双跑，完整流程如下：Step1Prompt组装quant_system/llm.py中的_build_stock_prompt()将以下信息组装为结构化prompt：（growth/leverage/smallcap）trend_score/signal_score/weight_score三引擎子分、final_score、技术特征摘要（RSI、MACD、均线偏离度）：ROE、PE（yfinance）新闻0–100分的评分和20向AIAIStep2并发双模型调用MiniMax-M2.7和GLM-5.1发起请求并）解释：同一标的同时向两个模型发起请求，而非串行调用，可降低整体耗时。60s，max_tokens=4096（）TokenHubOpenAIAPIKey提取content中的数字评分（正则匹配0–100）提取content中的理由文本（取前50字）reasoning_content仅用于调试日志，不参与评分计算解释：AI的“思考过程”只是记录，不作为最终评分依据Step3交叉验证融合（_fuse_llm_scores）对两只模型返回的(score_a,score_b)执行融合：表27：交叉验证融合场景融合规则结果通俗解释均成功且方向一致（同看多/同看空）算术平均；若完全一致（差值≤3）再×1.15增强fused=avg×1.15结果可信再加15重”均成功但方向分歧取绝对值更小的一方（保守原则）fused=min(abs(a),abs(b))“一个说90分，一个说30分→差异太大，取保守的”单成功、单失败独票降权×0.85（惩罚缺少第二意见）fused=valid_score×0.8585均失败/均超时/解析失败Fallbackfused=50（中性）“两个专家都没回复→按中立处理，不给加分也不给扣分”绘制实际例子：表28：交叉验证融合实例股票MiniMaxGLM场景融合结果AAPL8278方向一致，差值4（>3）(82+78)/2=80NVDA8886方向一致，差值2（≤3）(88+86)/2×1.15=100→clip到100TSLA7535方向分歧min(75,35)=35AMD72超时单成功72×0.85=61.2GME超时解析失败均失败50绘制Step4final_scorefinal_score=0.6×quant_score+0.2×llm_fused+0.2×inverse_scorequant_score60llm_fused：Step3LLM20）ROE/）最终clip到[0,100]，<30视为异常不进入信号环节AI评占20，供辅助断反评占20，于基面化行风险扣分。AI模型虽能提20能。实际例子：表29：Final-score实例股票quant_scorellm_fusedinverse_scorefinal_scoreAAPL7880750.6×78+0.2×80+0.2×75=77.8NVDA85100700.6×85+0.2×100+0.2×70=87.0TSLA7035600.6×70+0.2×35+0.2×60=61.0AMD6561550.6×65+0.2×61+0.2×55=61.2绘制熔断与冷却若连续5只票均失败→触发熔断，本批次剩余候选全部llm_score=505AI熔断后下一批次延迟60s再尝试调用LLM解释：给AI服务1分钟时间恢复幻觉处理LLMPrompt防幻觉设计：AI：XX+理由：XX）AIPromptAI（<50为良好”）。PromptAImax_tokens=4096，防止AI案例造据-某票OE=15-MnMax回“RE达50公司盈利能力惊人，评分95”-处理：解析层发现AI提到的“150（llm_score×→MiniMax案例监管调查”-GLM返回：评分25min(82,25)=25→final_score=0.6×82+0.2×25+0.2×60=63.2-结果：量化评分权重60起到了“锚定”作用，final_score仍达63.2（BUY级别），没有被AI的极端评分带偏。量化权重60作为防幻觉“压舱石”的原因即使AI80分打到20分AI只占20quant=80,llm=20,inverse=60→final0.6×800.2×200.2×6068（仍≥65，BUY）（quant=50），AI的final_score50AIAILLM熔断：连续 5次调用失败时，本批次直接跳过 LLM，所有候选统一llm_score=50（中）LLM调用延迟60秒启动（）4，200ms解释：API存在调用频率限制，过快调用可能触发限流。因此系统设置并发上限与调用间隔。熔断场景模拟：（前5只股票）：-第1只：MiniMax成功，GLM第2只：MiniMax成功，GLM3只：MiniMax超时，GLM超14失败）-第5只：MiniMax超时，GLM3-第6只：MiniMax超时，GLM47只：MiniMaxGLM=5→熔断触发-第8-20只：不再调用LLM，全部llm_score=50（1560150AIAPIAIAPIfinal_scorefinal_score统一clip到[0,100]区间，<30视为评分异常，不进入信号生成环节。下限设为30而非0的原因：即使是较弱标的，也可能因yfinance数据缺失等原因导致部分因子异常。设定30分作为缓冲，可降低误杀概率；若final_score低于30，则说明评分明显异常，不进入信号生成环节。LLM尽管AI评分提供了量化模型无法捕捉的定性信息，但读者需要清醒认识它的局限性：局限性1MiniMax和GLM202420242025年的（）例子：2025年某AIAI缓解：Prompt整。局限性2AI只能基于公开信息）CEOAI60局限性3AI（ROEPE（如SPAC合）ROE高达（变小）AI缓解：inverse_score（）100准确。局限性4AI（）。Prompt问105-8局限性5系统每天只评Top20只股票，因为LLM21-180的股票虽然也有量化评分，但缺少AI的“第二意见”。缓解：Top2020只最需要AI验证。总结：AI评分的正确用法AI意见”；3.风险哨兵：当AI识别重大风险时，即便量化评分较高，也会拉低final_score。不应高估AI，也不应忽视AI（60权重信号生成：从分数到实际行动Action系统根据final_score和持仓状态，把每只股票归类为以下六种“行动建议”：表30：六种行动建议Action条件含义通俗解释STRONG_BUYfinal_score≥75且非持仓强买入候选“强烈推荐买入，分数很高”BUYfinal_score≥65且非持仓普通买入“可以考虑买入”HOLD持仓+final_score≥45继续持有“已经买了的，继续拿着”SELL持仓+final_score<45评分跌破阈值卖出“这票不行了，卖掉”STOP_LOSS持仓+价格触及止损线风控强制卖出4TAKE_PROFIT持仓+价格触及止盈线止盈落袋“涨了20，落为安”绘制说明：当前生产配置buy_score_threshold=60（偏激进），经IC分析与回测双重验证为最优区间。关键理解：STOP_LOSS和TAKE_PROFIT是独立的强制规则。即使某只股票的final_score还有80边界场景讨论：场景-fnalscoe=4.9→BU（TROGBU）-某股票final_score=75.0→STRONG_BUY-差距只有0.1分，但待遇不同。这是阈值系统的固有特性。回测显示，75分以上的股票胜率显著高于65-75分的股票，所以这个分界是有意义的。场景BAAPL，买入时final_score80AAPL下跌final_score仍为）（因≥45）STOP_LOSS（因下跌4）场景C：刚止损的股票 -某股票触发止损后，系统卖出 -次日该股票final_score=82（）48小时冷却期（§8.5）-第三天冷却期结束后，若分数仍≥65，系统可重新评估买入-设计意图：避免止损后过早重新建仓。TopN一、按final_score降序排列所有BUY/STRONG_BUY二、取Topmax_positions-current_positions只例子：如果系统算出来最多可以持10只，现在已经持了4只，那么最多再买6只三、再经三道过滤：500（smallcap）5005000美元，仅占日均成交额5：blacklist.txt解释：部分股票因财务造假、监管调查或用户偏好等原因需要纳入限制名单。例子：若某股票被SEC调查财务造假，用户可将其加入黑名单，系统此后不再买入该标的。48解释：刚止损的股票可能仍处于下跌趋势中，48小时内不回买可降低过早重新建仓风险。1009648小时后若其反弹至98信号终调规则信号生成后执行最终调节，类似于“主编审稿”——在正式发布前再做一轮把关：现金比例剩余现金<总资产5时，抑制BUY信号（防止满仓后缺乏流动性缓冲）5例子：账户总资产10000美元，现金只剩400美元（4）。即使有STRONG_BUY信号，系统也不买，TG通知：“现金不足5，暂停买入”55单日买入笔数上限由compute_daily_budgetN∈[2,），仅约束spontaneous桶主动setup）。instruction桶与risk桶止盈）N§8.6行业集中度同行业持仓≥4只时，抑制该行业新增BUY3（§14.1）34例子：若组合已持有AAPL（科技）、MSFT（科技）和NVDA（科技），当日AMD也发出BUY信号，系统不会买入，因为科技行业持仓已达到3只上限。IC（11单票红线任何BUY信号若会使目标票≥30权益→直接drop，不降仓执行（与SSOT单票仓位上限30硬对齐）解释：哪怕某只股票再好，也不能把超过三成的钱押在它身上例子：账户10000美元，AAPL发出STRONG_BUY，系统算出来要买4000美元发票线直接绝通知绝将过30位红”杠杆ETF合计红线配置已预留max_leverage_etf_total_pct=0.50，但交易执行层尚未实现实时校验持仓数上限由compute_max_positions(equity)动态算∈[3,20]（详见§8.6.5）；满仓时候选被推到TG“满仓提示(X/Y)”告警，并尝试触发自动换仓解释：小账户可能只能持4只，大账户可以持20只。满了就不买新的，除非有更强的股票可以把弱的换掉。ActionAction优先级（从高到低）：STOP_LOSS/TAKE_PROFIT/移动止损>SELL>BUY/STRONG_BUY>HOLDAction优先级排序的原因止损SELLBUY（卖）HOLD实际执行顺序（）：系统在每一轮交易中的执行顺序是固定的：1.先处理所有持仓的STOP_LOSS/TAKE_PROFIT/（）2.再处理）3.卖（）4BUY/STRONG_BUY（）先卖后买的原因假设账户有$10000，持仓$6000，现金$4000，当日存在以下交易需求：-止损TSLA（释放$2000现金）-买入AAPL（需要$