处理选股方案，目的是和数据底座一致

config.py

@@ -147,6 +147,15 @@ ENABLE_TRACK_GATE = os.environ.get("ENABLE_TRACK_GATE", "0") == "1"
 # 因此不进主榜、观察档、计划与升降档。研究口径想看全貌时置 0 关闭。
 EXCLUDE_RISK_NAMES = os.environ.get("EXCLUDE_RISK_NAMES", "1") == "1"
 
+# --- 预期空间否决的负容忍（2026-08-17 拍板：默认否决，参数控制）----------------
+# 主榜判据原文是「upside >= 0，贵了不买是绝对下限」。默认 0.0 = 与拍板逐字一致。
+# 背景：upside 是"报喜不报忧"的噪音口径（下游文档明写"当相对排序用"），传导强而
+# upside 轻微为负的票会整只消失（实例：太极实业传导分 1.89、两源指向，因 -52% 被否
+# ——这个量级该否；但 -3% 也同样消失）。把阈值放开到如 0.10，即 upside >= -10% 仍进
+# 主榜，组内分的 0.4·z(upside) 自然把它压到组内低位（只降权不否决）。是否放开、放多少，
+# 等 score_lab 对比器跑出数据再定；改这个值属于口径变更，改前先看对比器读数。
+UPSIDE_NEG_TOLERANCE = float(os.environ.get("UPSIDE_NEG_TOLERANCE", "0"))
+
 # --- 统一任务调度平台触发（08-03；键名与决策系统保持一致，便于平台侧统一配置）----
 # 空串 = /api/v1/xxl/* 整组端点禁用（安全默认）。回调契约见 xxl.py 模块说明。
 XXL_TRIGGER_KEY = os.environ.get("XXL_TRIGGER_KEY", "")
@@ -155,16 +164,18 @@ XXL_CALLBACK_MAX_RETRIES = int(os.environ.get("XXL_CALLBACK_MAX_RETRIES", "3"))
 
 # --- 选股计划入池（08-03 定稿；规则与流程见 docs/选股计划入池_对接说明.md）------
 # 写 Mongo stock_groups 的独立分组，决策系统每晚扫描按分组并集覆盖 → 候选票自动
-# 获得夜间推理。入池范围与 PMS 候选同口径：强传导主榜前 POOL_TOP 只 + 当前持仓。
-# 注意：POOL_TOP / POOL_TIERS 若调整，记得与 PMS 页面的 PMS_PLAN_TOP_N /
-# PMS_PLAN_TIERS 保持一致，两边看到的候选才是同一批。
+# 获得夜间推理。入池范围与 PMS 候选**次序口径**一致：先筛强传导、再按绝对得分截断
+# （2026-08-17 拍板：分散不由选层做，主题限额默认关，组合分散归 PMS 的行业闸）。
+# 池深允许比 PMS 候选浅——POOL_TOP 直接决定决策系统每晚推理量（每只两三分钟），
+# 想跟 PMS_PLAN_TOP_N 拉平就同步调大 POOL_MAX 并接受夜扫时长变长。
 POOL_GROUP_CODE = os.environ.get("POOL_GROUP_CODE", "AKG_PLAN")
 POOL_GROUP_NAME = os.environ.get("POOL_GROUP_NAME", "AKG每日选股计划池")
 POOL_ORG_ID = os.environ.get("POOL_ORG_ID", "489281497140")
 POOL_COLLECTION = os.environ.get("POOL_COLLECTION", "stock_groups")
 POOL_RECYCLE_COLLECTION = os.environ.get("POOL_RECYCLE_COLLECTION", "stock_recycle_bin")
 POOL_TOP = int(os.environ.get("POOL_TOP", "20"))
-POOL_THEME_CAP = int(os.environ.get("POOL_THEME_CAP", "5"))
+# 入池主题限额。默认 0 = 不限（2026-08-17：分散不由选层体现）；配非零值即应急回退旧行为。
+POOL_THEME_CAP = int(os.environ.get("POOL_THEME_CAP", "0"))
 # 档位白名单（逗号分隔；空串=主榜全部）。默认只收强传导——候选宁缺毋滥。
 POOL_TIERS = {s.strip() for s in os.environ.get("POOL_TIERS", "强传导").split(",") if s.strip()}
 # 池子上限：计划+持仓+留池观察合计超过它时，从留池观察里清最久没上榜的。

factors.py

@@ -394,17 +394,19 @@ def _track_set():
 
 def _gate_of(p: pd.DataFrame, track_set, risk_set=None) -> pd.Series:
     """三档（07-30 拍板）：
-    2 = 主榜：有业绩锚（券商覆盖且 upside>=0）；C 闸开启后再交赛道成员；
+    2 = 主榜：有业绩锚（券商覆盖且 upside 不低于负容忍线）；C 闸开启后再交赛道成员；
     1 = 观察档：无业绩锚但有产业链锚（当前=在传导链上；C 转正后并入赛道成员）；
-    0 = 不采纳：两锚皆无，有覆盖但 upside<0（贵了不买是绝对下限），
-        或命中重大风险闸（ST/退市族，07-31 拍板默认杜绝）。"""
+    0 = 不采纳：两锚皆无，有覆盖但 upside 低于负容忍线（贵了不买是绝对下限），
+        或命中重大风险闸（ST/退市族，07-31 拍板默认杜绝）。
+    负容忍线 = -config.UPSIDE_NEG_TOLERANCE（2026-08-17 加，默认 0 = 原判据逐字不变；
+    放开后轻微为负的传导票进主榜、由组内分自然降权，见 config 里那段说明）。"""
     covered = p["upside"].notna()
     chain = p["transmission"].fillna(0.0) > 0
     if track_set:
         in_track = pd.Series(p.index.isin(track_set), index=p.index)
         chain = chain | in_track
     g = pd.Series(0.0, index=p.index)
-    main = covered & (p["upside"] >= 0.0)
+    main = covered & (p["upside"] >= -float(config.UPSIDE_NEG_TOLERANCE or 0.0))
     if track_set:
         main = main & in_track
     g[main] = 2.0

plan_reconcile.py

@@ -170,10 +170,13 @@ def explain(k: str, L: dict) -> None:
         print(f"  ▶ 判决：观察档第 {L['rank_obs'].get(k)}/{len(L['obs'])} 名（score={sc:.1f}，"
               f"无券商覆盖、低置信）")
     elif g == 0.0:
+        import config as _cfg
+        _tol = float(getattr(_cfg, "UPSIDE_NEG_TOLERANCE", 0.0) or 0.0)
         if risk:
             reason = "重大风险闸（ST/退市族），07-31 拍板默认杜绝"
-        elif up is not None and up < 0:
-            reason = f"有覆盖但 upside={up:+.1%} < 0——贵了不买是绝对下限"
+        elif up is not None and up < -_tol:
+            reason = (f"有覆盖但 upside={up:+.1%} < {-_tol:+.0%}——贵了不买是绝对下限"
+                      + ("" if _tol == 0 else f"（负容忍 {_tol:.0%} 已启用仍不够）"))
         elif up is not None and hits:
             reason = "覆盖、upside、赛道三者都过——按机制不该是 0，把本行发我核（疑似口径错位）"
         elif up is not None:

pool.py

@@ -232,11 +232,19 @@ def _kick_bionic_scan() -> str:
 # ============================================================================
 def push(date: str | None = None, top: int | None = None,
          dry_run: bool = False, kick: bool = True) -> dict:
-    # 1. 当日计划（与 /plan 同一段装配代码，口径天然一致），按档位白名单过滤
+    # 1. 当日计划（与 /plan 同一段装配代码）→ 先筛档位、再按绝对得分截断。
+    #    次序要紧（2026-08-17 修）：原来是"全档位取前 top、再筛强传导"——排进 top 的
+    #    弱/无传导票把 top 之外的强传导票挤掉了，与 PMS 候选的"先筛强传导再截断"分叉，
+    #    两边看到的候选不是同一批。所以这里向 collect 要一个宽池子（top 的十倍、至少
+    #    二百，全在打分池规模之内），先过档位白名单，最后取前 top。
+    #    主题限额默认 0（config.POOL_THEME_CAP，2026-08-17 拍板：分散不由选层做，
+    #    组合分散归 PMS 行业闸；配非零值即应急回退）。
     top = top or config.POOL_TOP
-    data = plan.collect(date, top=top, obs_top=0, theme_cap=config.POOL_THEME_CAP)
+    data = plan.collect(date, top=max(top * 10, 200), obs_top=0,
+                        theme_cap=config.POOL_THEME_CAP)
     tiers = config.POOL_TIERS
-    plan_rows = [r for r in data["main"] if not tiers or r.get("tier") in tiers]
+    plan_rows = [r for r in data["main"]
+                 if not tiers or r.get("tier") in tiers][:top]
     plan_codes = [r["code"] for r in plan_rows]
     ds = data["date"]
 

score_lab.py

@@ -0,0 +1,203 @@
+"""得分口径对比器（score_lab，纯只读）——三套排序口径对未来收益，用数据收口权重之争。
+
+背景（2026-08-17 用户拍板）：选层撤掉主题限额之后，排序完全由总分决定，
+"哪种加权更合理"不再靠感觉定。本工具对每个历史档位日，用三套口径各生成
+一份主榜前 N 名单，对齐之后 5、10、20 个交易日的真实收益，输出逐日明细与汇总。
+
+三套口径：
+  A 现行词典序   t_factor_akg_score 降序（先档后分已编码在分值里，强弱档按当日中位切）
+  B 绝对档界     同样先档后分，但强弱传导改为绝对判据：传导分 >= strong_min 记强档，
+                 0 < 传导分 < strong_min 记弱档（组内分沿用 A 里已编码的那份，只重排档）
+  C 连续加权     不分档：w1·z(log1p 传导) + w2·z(upside) + w3·z(−热度)，仅主榜票参赛
+基准：主榜（gate=2）全体等权——选层不做任何排序时的底线，跑不赢它的口径直接出局。
+
+读数怎么看：mean 是名单等权买入持有 k 个交易日的平均收益，hit 是上涨占比，
+excess 是相对基准的超额。样本告知：传导史 2026-07 起、每天只多一个样本点，
+头一两个月只看方向、不下死结论。
+
+跑法【桥机 factorevaluation · ~/akg-factor-bridge】：
+  docker compose exec -T akg-factor-bridge python score_lab.py
+  docker compose exec -T akg-factor-bridge python score_lab.py --top 30 --horizons 5,10,20 \
+      --strong-min 1.0 --weights 0.5,0.3,0.2
+产出：data/score_lab/对比_<起>_<止>.csv（逐日×口径×期限一行）+ 终端汇总表。
+纯只读：因子表与行情表全部 SELECT，不写任何库；产物只落容器内 data/ 目录。
+"""
+from __future__ import annotations
+
+import argparse
+import os
+
+import numpy as np
+import pandas as pd
+
+import common
+import db
+import factors
+
+
+def _factor_map(table: str, ds: str) -> pd.Series:
+    df = db.read_mysql("factor", f"SELECT stock_code, factor_value FROM {table} "
+                                 f"WHERE trade_date=%s", (ds,))
+    if df.empty:
+        return pd.Series(dtype=float)
+    return df.set_index("stock_code")["factor_value"].astype(float)
+
+
+def _score_dates(start=None, end=None) -> list[str]:
+    df = db.read_mysql("factor", "SELECT DISTINCT trade_date FROM t_factor_akg_score "
+                                 "ORDER BY trade_date")
+    out = [pd.Timestamp(x).date().isoformat() for x in df["trade_date"]]
+    if start:
+        out = [d for d in out if d >= start]
+    if end:
+        out = [d for d in out if d <= end]
+    return out
+
+
+def _price_panel(start: str, end_plus: str):
+    """(交易日历, {(date, code): close})。行情取到 end 之后一段，好算前瞻收益。"""
+    px = factors._read_gp_price(start, end_plus)  # noqa: SLF001 —— 同仓自用, 口径不分叉
+    if px.empty:
+        raise SystemExit("gp_day_data 在该区间没有行情——先确认行情库连通。")
+    px = px.dropna(subset=["close"])
+    px["k"] = px["ts_code"].map(lambda s: common.to_prefix(str(s).strip().upper()))
+    px["d"] = px["trade_date"].map(lambda x: pd.Timestamp(x).date().isoformat())
+    cal = sorted(px["d"].unique())
+    close = {(r.d, r.k): float(r.close) for r in px.itertuples()}
+    return cal, close
+
+
+def _tier_from_score(sc: float) -> float:
+    """A 口径分值里编码的档位（200+档×20+组内分, 组内分夹 ±9.9）。"""
+    return float(max(0, min(2, int((sc - 190.0) // 20))))
+
+
+def _rank_a(score: pd.Series) -> list[str]:
+    main = score[score >= 150.0].sort_values(ascending=False)
+    return list(main.index)
+
+
+def _rank_b(score: pd.Series, trans: pd.Series, strong_min: float) -> list[str]:
+    """绝对档界：组内分沿用 A（从分值反解），档位按传导分绝对阈值重记。"""
+    main = score[score >= 150.0]
+    if main.empty:
+        return []
+    rows = []
+    for k, sc in main.items():
+        inner = float(sc) - (200.0 + _tier_from_score(float(sc)) * 20.0)
+        st = float(trans.get(k) or 0.0)
+        tier = 2.0 if st >= strong_min else (1.0 if st > 0 else 0.0)
+        rows.append((k, 200.0 + tier * 20.0 + inner))
+    rows.sort(key=lambda x: -x[1])
+    return [k for k, _ in rows]
+
+
+def _rank_c(score: pd.Series, trans: pd.Series, upside: pd.Series, heat: pd.Series,
+            w: tuple) -> list[str]:
+    """连续加权：仅主榜票参赛；缺失处置同 build_score（传导缺=0，热度缺=中位数）。"""
+    main = score[score >= 150.0]
+    if main.empty:
+        return []
+    idx = main.index
+    t = np.log1p(pd.Series({k: float(trans.get(k) or 0.0) for k in idx}))
+    u = pd.Series({k: upside.get(k) for k in idx}, dtype=float)
+    h = pd.Series({k: heat.get(k) for k in idx}, dtype=float)
+    h = h.fillna(h.median())
+    u = u.fillna(0.0)
+    z = factors._robust_z  # noqa: SLF001 —— 与生产打分同一把尺子
+    comp = w[0] * z(t) + w[1] * z(u) + w[2] * (-z(h))
+    return list(comp.sort_values(ascending=False).index)
+
+
+def _fwd(cal: list, close: dict, d: str, codes: list, k: int):
+    """名单在 d 买入、持有 k 个交易日的逐票收益（两头都要有价，缺价的票跳过）。"""
+    try:
+        i = cal.index(d)
+    except ValueError:
+        return []
+    if i + k >= len(cal):
+        return []
+    dt = cal[i + k]
+    out = []
+    for c in codes:
+        p0, p1 = close.get((d, c)), close.get((dt, c))
+        if p0 and p1 and p0 > 0:
+            out.append(p1 / p0 - 1.0)
+    return out
+
+
+def main() -> int:
+    ap = argparse.ArgumentParser(description="得分口径对比器（只读）")
+    ap.add_argument("--top", type=int, default=30, help="每套口径取主榜前几只（默认 30）")
+    ap.add_argument("--horizons", default="5,10,20", help="前瞻交易日数，逗号分隔")
+    ap.add_argument("--strong-min", type=float, default=1.0,
+                    help="B 口径的强传导绝对阈值（传导分 = 源数×(1−已动比例)）")
+    ap.add_argument("--weights", default="0.5,0.3,0.2",
+                    help="C 口径权重 传导,upside,−热度")
+    ap.add_argument("--start")
+    ap.add_argument("--end")
+    a = ap.parse_args()
+    horizons = sorted({int(x) for x in a.horizons.split(",") if x.strip()})
+    w = tuple(float(x) for x in a.weights.split(","))
+    if len(w) != 3:
+        raise SystemExit("--weights 需要三个数，如 0.5,0.3,0.2")
+
+    dates = _score_dates(a.start, a.end)
+    if not dates:
+        raise SystemExit("t_factor_akg_score 在该区间没有数据。")
+    end_plus = (pd.Timestamp(dates[-1]) + pd.Timedelta(days=int(max(horizons) * 2.2 + 14))
+                ).date().isoformat()
+    print(f"档位日 {dates[0]} ~ {dates[-1]} 共 {len(dates)} 天；"
+          f"前瞻 {horizons} 交易日；行情取到 {end_plus}")
+    cal, close = _price_panel(dates[0], end_plus)
+
+    rows = []
+    for ds in dates:
+        score = _factor_map("t_factor_akg_score", ds)
+        if score.empty:
+            continue
+        trans = _factor_map("t_factor_akg_transmission", ds)
+        upside = _factor_map("t_factor_akg_upside", ds)
+        hd = factors._heat_day_for(ds)  # noqa: SLF001
+        heat = _factor_map("t_factor_akg_heat", hd) if hd else pd.Series(dtype=float)
+
+        base_codes = list(score[score >= 150.0].index)
+        lists = {"A现行": _rank_a(score)[:a.top],
+                 "B绝对档界": _rank_b(score, trans, a.strong_min)[:a.top],
+                 "C连续加权": _rank_c(score, trans, upside, heat, w)[:a.top],
+                 "基准主榜等权": base_codes}
+        for name, codes in lists.items():
+            for k in horizons:
+                rets = _fwd(cal, close, ds, codes, k)
+                if not rets:
+                    continue
+                rows.append({"date": ds, "scheme": name, "horizon": k,
+                             "n": len(rets), "mean": float(np.mean(rets)),
+                             "hit": float(np.mean([1.0 if r > 0 else 0.0 for r in rets])),
+                             "median": float(np.median(rets))})
+
+    if not rows:
+        raise SystemExit("没有任何可评样本——多半是前瞻天数超出了已有行情（等几天再跑）。")
+    df = pd.DataFrame(rows)
+    os.makedirs("data/score_lab", exist_ok=True)
+    out = f"data/score_lab/对比_{dates[0]}_{dates[-1]}.csv"
+    df.to_csv(out, index=False, encoding="utf-8-sig")
+
+    print(f"\n—— 汇总（逐日等权平均；excess = 相对基准主榜等权）——")
+    print(f"{'口径':<10}{'期限':>4}{'样本日':>5}{'均值':>9}{'胜率':>7}{'超额':>9}")
+    agg = df.groupby(["scheme", "horizon"]).agg(days=("date", "nunique"),
+                                                mean=("mean", "mean"),
+                                                hit=("hit", "mean")).reset_index()
+    base = {(r.horizon): r.mean for r in agg[agg["scheme"] == "基准主榜等权"].itertuples()}
+    for r in agg.itertuples():
+        ex = r.mean - base.get(r.horizon, 0.0)
+        print(f"{r.scheme:<10}{r.horizon:>4}{r.days:>5}{r.mean:>9.2%}{r.hit:>7.1%}"
+              + (f"{ex:>9.2%}" if r.scheme != "基准主榜等权" else f"{'—':>9}"))
+    n_days = df["date"].nunique()
+    print(f"\n已写 {out}（{len(df)} 行）。样本 {n_days} 天"
+          + ("——样本很小, 只看方向、别下死结论。" if n_days < 40 else "。"))
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())