488 lines
27 KiB
Markdown
488 lines
27 KiB
Markdown
# 量化因子导出与合成设计 v2.0 · 交叉评审（2026-07-26）
|
||
|
||
> 评审范围：`akg-factor-bridge` 全部代码 + `量化因子导出与合成设计.md` v2.0 + astock-kg 供数侧
|
||
> （`transmission.py` / `hotspot.py` / `chainmap.py` / `market_snapshot.py` / `themes.py` /
|
||
> `graph_store.py` / `claim_store.py` / `enums.py` / `factor_coverage_probe.py`）+ 相关设计文档。
|
||
> 结论按"必须修 / 需要决策 / 需要知道"三档排列，每条附代码出处。
|
||
|
||
---
|
||
|
||
## 0. 总体判断
|
||
|
||
**方向可行，我认同 v2.0 的转向。** §2.2 的「观察 vs 推断」类型学是全文最有价值的部分：
|
||
传导 = 当日 movers × 当前态图谱，两个输入都无耐久历史，回填必然携带成员性前视 —— 这个论证
|
||
成立，而且是三条否决理由里唯一决定性的一条（另两条只是"效果不好"，这一条是"方法上不可能"）。
|
||
把回测从生死闸降为仪表盘，在一个自己承认"无法准确估值"的领域里是正确的取舍。
|
||
|
||
**但 S1 现在有 3 处会让因子"看起来在跑、实际不成立"的硬伤，1 处方法论表述与实际行为不符，
|
||
以及 1 处架构级缺口（赛道门槛 C 在当前四视图上无法实现）。** 这 5 项都在 G3 之前必须处理，
|
||
其中 1 项（快照冻结）每晚一天就永久少一天历史。
|
||
|
||
一句话版本：**代码质量不错、点时纪律做得比多数量化工程好；问题全部集中在"桥以外"
|
||
—— 桥假设上游是确定的、可复现的、可查询的，而这三条上游都不完全满足。**
|
||
|
||
---
|
||
|
||
## 1. 必须修：三处硬伤
|
||
|
||
### 硬伤 1 · 第一权重项不可复现，且被两道截断天花板锁住
|
||
|
||
`transmission.py:116` 在装配 `quiet` 落库字段时写的是：
|
||
|
||
```python
|
||
for m in quiet[:12]: # ← 只有前 12 个未动成员进 quiet JSONB
|
||
```
|
||
|
||
叠加 `scan()` 的 `max_candidates: int = 12`（`transmission.py:48`），
|
||
`v_factor_transmission` 的**结构上限就是 12 × 12 = 144 行/日** —— 实测 83 行完全吻合，
|
||
说明它不是"覆盖稀薄"，而是**被一个为旁批/展示写的截断锁住了**。
|
||
|
||
更麻烦的是这 12 个是哪 12 个。`quiet` 来自 `graph_store.topic_context("Segment", name)`，
|
||
其 Cypher 是：
|
||
|
||
```cypher
|
||
MATCH (c)-[m:IN_SEGMENT {status:'active'}]->(t:Segment {segment_name:$id})
|
||
RETURN ... LIMIT $cap -- cap 默认 30，且没有 ORDER BY
|
||
```
|
||
|
||
三个后果：
|
||
|
||
1. **同一天重跑 `transmission_scan` 可能得到不同的 `quiet` 集合与不同的 `moved_ratio`**
|
||
—— 顺序由 Neo4j 执行计划决定。桥内写入是幂等的，但**上游不是**，所以判收标准 §10
|
||
「重跑不产生重复或漂移」按现状无法成立。
|
||
2. 成员数 > 30 的大环节，`members_total` / `moved_ratio` 建立在一个**任意的 ≤30 抽样**上，
|
||
而 `moved_ratio` 直接是 `factor_value` 的一个乘数因子。
|
||
3. 哪只股票能进因子表，事实上由数据库返回序决定。
|
||
|
||
**修法（基座侧，属确定性缺陷修复，不算"新增计算"，不破 §4 铁律）**
|
||
|
||
- `topic_context` 加 `ORDER BY coalesce(c.ts_code, c.entity_key)`，`cap` 提高或参数化；
|
||
- `transmission.scan` 落库的 `quiet` 存**全量**未动成员，旁批 prompt 仍只喂前 12
|
||
（两个用途本来就该分开）；
|
||
- 视图额外暴露 `members_total` / `moved`，让桥能自检 `members_total == 30` 这类可疑值。
|
||
|
||
### 硬伤 2 · `n_paths` 被重复计数系统性抬高
|
||
|
||
`v_factor_transmission` 用 `jsonb_array_length(t.paths)` 当路径数
|
||
（`sql/astock_kg_slot_views.sql:56`），而 `paths` 是**没有去重的**：
|
||
|
||
- `graph_store.cascade()` 主干是变长边 `-[:SEGMENT_UPSTREAM_OF*1..N]->`，
|
||
**变长匹配会把每种长度的路径各返回一条** —— `A→B` 与 `A→X→B` 同时出现、末节点都是 B；
|
||
去重只做了路径内去环，跨路径不去重，且 `LIMIT 60` 无 `ORDER BY`。
|
||
- `graph_store.transmission_targets()` 三个桶（updown / supply / drives）各自 DISTINCT，
|
||
但桶间用 `out += ...` 简单拼接，**同一 target 可以从 supply 和 drives 各来一次**。
|
||
- `transmission._add()` 对每条 `(source, target, via)` 都 append 一条。
|
||
|
||
于是 `n_paths` 既不是"多少个源指向它"，也不是"多少条独立路径"，而是"多少次被提及"。
|
||
而 `factor_value = n_paths × (1 − moved_ratio)`，`n_paths` 是主量级 —— 排序偏差直接传导到因子。
|
||
|
||
**修法（只改视图，零基座改动，成本最低的一条）** 把它改成 distinct source 数，
|
||
这也更贴合传导模块自己写的语义"多源汇聚 = 传导逻辑更硬"：
|
||
|
||
```sql
|
||
CREATE OR REPLACE VIEW v_factor_transmission AS
|
||
SELECT t.scan_date,
|
||
q->>'ts_code' AS ts_code,
|
||
(SELECT count(DISTINCT p->>'source')
|
||
FROM jsonb_array_elements(COALESCE(t.paths, '[]'::jsonb)) p) AS n_sources,
|
||
jsonb_array_length(COALESCE(t.paths, '[]'::jsonb)) AS n_paths_raw,
|
||
t.moved_ratio,
|
||
t.members_total, -- 桥用来识别 ≤30 截断
|
||
t.moved
|
||
FROM transmission_candidates t
|
||
CROSS JOIN LATERAL jsonb_array_elements(COALESCE(t.quiet, '[]'::jsonb)) AS q
|
||
WHERE q->>'ts_code' IS NOT NULL AND q->>'ts_code' <> '';
|
||
```
|
||
|
||
桥侧 `build_transmission` 改用 `n_sources`，`n_paths_raw` 留着当观察列。
|
||
|
||
### 硬伤 3 · 事件回填会静默返回空（README 里那条示例命令现在就是无效的）
|
||
|
||
`factors.build_event` 用 `common.trading_days(start, end)` 当交易日历（`factors.py:137`），
|
||
而 `common.trading_days` 查的是**热度表**：
|
||
|
||
```python
|
||
# common.py:24-30
|
||
"SELECT DISTINCT trade_date FROM stock_fund_heat_scores WHERE trade_date BETWEEN %s AND %s"
|
||
```
|
||
|
||
热度最早只有 **2025-03-26**（文档 §6.2 自己记着）。所以：
|
||
|
||
```bash
|
||
python run.py build akg_event --mode history --start 2024-01-01 --end 2026-07-24 # README 第 58 行
|
||
```
|
||
|
||
→ `cal` 为空 → `return _EMPTY` → 只打印「无数据（跳过）」，**不报错、不告警**。
|
||
文档 §7 声称事件可回填到 2014 年，实际上 2025-03-26 之前一天都拿不到。
|
||
|
||
**修法**：日历改用 `gp_day_data` 的 `DISTINCT timestamp`（5584 天，覆盖全历史），
|
||
热度表最多作为并集补充。顺带在 `cal` 为空时打印告警而不是静默跳过。
|
||
|
||
### 附带两条：放量时会炸，现在不炸
|
||
|
||
- **`_read_gp_price` 不带 universe 过滤也不分块**（`factors.py:64-67`）：单日 ~5000 行没问题，
|
||
但 `--mode history --start 2006-01-01` 会把千万级行拉进 pandas。加 `AND \`{col}\` IN (...)`
|
||
+ 按月分块。
|
||
- **`write_factor` 单事务 `executemany` 全量**（`common.py:69-75`）：热度全史约
|
||
322 × 1674 ≈ 54 万行一次提交，走 ShardingSphere 代理有风险。按日期分块提交。
|
||
另外 `write_factor(mode)` 这个参数收了但没用到，可以删。
|
||
|
||
---
|
||
|
||
## 2. 需要决策：0.5 / 0.3 / 0.2 实际上是"传导优先"，不是"加权混合"
|
||
|
||
这是我最想让你在 G3 开工前想清楚的一条，因为它是**逻辑选择而不是回测选择**。
|
||
|
||
传导在池内约 95% 为 0（实测 83/1675）。对一列 95% 是 0 的数做
|
||
`(x − mean) / std`，`std` 完全由那 5% 决定，于是**非零值的 z 落在 +4~+5，零值落在 −0.2 附近**,
|
||
`0.5 · z_T` 的组间落差约 2.2；而 `0.3 · z_H + 0.2 · z_V` 用稳健 z 之后全幅只有约 1.7。
|
||
落差大于全幅 → 跨组不可逆。
|
||
|
||
我做了数值验证（200 只候选、其中 10 只有传导、其余口径按 §3.4 实现，600 次重复）：
|
||
|
||
| w_T | top20 中传导票 | top20 中非传导票 |
|
||
|---|---|---|
|
||
| **0.50（当前）** | **9.8 / 10** | 10.2 |
|
||
| 0.30 | 9.1 / 10 | 10.9 |
|
||
| 0.20 | 7.8 / 10 | 12.2 |
|
||
| 0.15 | 6.6 / 10 | 13.4 |
|
||
| 0.10 | 4.7 / 10 | 15.3 |
|
||
|
||
也就是说：**当前参数下，有传导的票几乎必然全部进入前列；0.3 和 0.2 只在"有传导组内"
|
||
和"无传导组内"各自排序，跨组不起作用。** 要让"很冷很便宜的非传导票"真有机会赢过
|
||
"边际传导票"，`w_T` 得降到 0.10~0.15。
|
||
|
||
两条路，选一条并写进文档：
|
||
|
||
- **A（我推荐，而且我认为它更贴合你原话"传导第一"）**：承认它是两段式，直接写成
|
||
`primary = 传导档位（0 / 1 / 2）`，`tiebreak = 0.6·z_H + 0.4·z_V`。
|
||
好处：语义与实际行为一致、可解释、调试时能一眼看出是哪一段在起作用、没有隐藏非线性。
|
||
代价：无。这同时把 §9-9 的「还没热该不该做成条件项」自然解决了 ——
|
||
**现状在 95% 稀疏下已经等价于条件项了，不如写明**。
|
||
- **B**：真要连续混合 → `w_T ≈ 0.12`，或对 `z_T` 做有界变换（如 `clip(z,±3)/3 × 1.5`，
|
||
实测能把 9.8 拉到 7.5）。
|
||
|
||
**顺带一个共线性提醒**：门槛② (`upside ≥ θ_v`) 与 `z_V` (`upside`) 是同一个变量进两次；
|
||
而"还没热"与"还便宜"在 A 股高度共线（涨上去了 → 又热又贵）。
|
||
建议 G1 的 probe 直接加一节输出池内 `(z_T, z_H, z_V)` 的相关矩阵 ——
|
||
**如果 `corr(z_H, z_V) > 0.5`，那"三项加权"实际是"两项"，权重讨论要重开。** 这一节几乎零成本。
|
||
|
||
---
|
||
|
||
## 3. 架构缺口：赛道门槛 C 在当前四视图上无法实现
|
||
|
||
**图谱在 Neo4j，不在 PostgreSQL**（`graph_store.py:17` 起全走 `neo4j` driver）。PG 侧
|
||
`industry_pools` 的完整 DDL 只有 4 列（`claim_store.py:439-445`）：
|
||
|
||
```sql
|
||
theme TEXT PRIMARY KEY, members JSONB NOT NULL, stats JSONB, refreshed_at TIMESTAMPTZ
|
||
```
|
||
|
||
`members` 元素只有 `ts_code / name / tier / confidence / supporting` ——
|
||
**成员级既没有 segment，也没有 layer**。环节归属是读时从 Neo4j 重算的
|
||
（`chainmap.py:61` → `graph_store.chain_view(theme)`）。
|
||
|
||
所以 `frontier_tracks.yml` 里规划的 `kg_segments` / `kg_concepts` 两个映射，
|
||
**在现有四个只读视图上没有数据源**。三条路：
|
||
|
||
1. **从 claims 重建**（可行，一条 SQL：`WHERE predicate='IN_SEGMENT' AND object_type='Segment'`，
|
||
再 join `entity_links` / `company_master` 取 ts_code）。但 `claims` 是**融合前的只追加表**，
|
||
没有 `status` / `supersede` / tier 裁决（那些只长在 Neo4j 边上），会把已被顶替的历史归属
|
||
一起捞出来；且 object 侧没有 norm 生成列，同义环节不会合并。**可以救急，不能当正解。**
|
||
2. **桥直连 Neo4j** —— 破坏"桥只连三库"的设计，且把裁决逻辑复制进桥。不推荐。
|
||
3. **推荐：基座加投影表 + 第五、第六个只读视图。**
|
||
`v_factor_segment_members(segment_name, chain, ts_code, tier, status, updated_at)`
|
||
与 `v_factor_segment_edges(up, down)`，由基座现有的 Neo4j 投影 beat 顺手物化到 PG。
|
||
这是**投影**不是**打分**，不破 §4 的"零新增因子计算"，桥仍然只连三库。
|
||
`probe.py:12-13` 的注释其实已经想到了这件事（"G2 把池清单固化成第五个插槽视图"），
|
||
只是低估了它的必要性 —— 它不是优化，是 C 门槛能不能实现的前提。
|
||
|
||
### 3.1 四层枚举（材料→设备→制造→应用）在系统里根本不存在
|
||
|
||
全仓唯一的层级来源是 `chainmap._topo_layers()`（`chainmap.py:310-336`）的 Kahn 拓扑 depth：
|
||
**per-theme、相对、孤点与环上节点为 `None`**，标签由 `_layer_label` 现算成上游/中游/下游，
|
||
不落库。而且"不存层级"是刻意的 —— `enums._SEGMENT_BAD_SUBSTR` 把
|
||
「上游 / 中游 / 下游 / 环节 / 场景 / 领域」列为环节名**禁用词素**，注释写明
|
||
"链位置由图上边表达"。
|
||
|
||
结论：`track_members.layer` 只能**在 yml 里人工指定**，并记一列 `layer_source`
|
||
（`yml` / `graph_depth` / `unknown`）。而且 **S1 的公式压根不用 layer** ——
|
||
建议把它降级为可选元数据，**不要让它阻塞 G2**。
|
||
|
||
### 3.2 赛道覆盖风险的具体量级
|
||
|
||
`industry_pools` 的起点是人工建的两个池（光通信 / 消费电子，见 `涌现式应用层重构设计.md:30`），
|
||
之后靠周一 `refresh_pools` 自动收录达标涌现主题（≥3 环节且 ≥3 上市成员，
|
||
`graph_store.EMERGE_MIN_SEGMENTS/EMERGE_MIN_LISTED`）。theme 是 `IN_SEGMENT.chain` 修饰符原文，
|
||
过 `segment_name_ok` 卫生闸（≤12 字中文裸名）。
|
||
|
||
**在这个生成机制下，核聚变 / 低空经济 / 商业航空航天大概率查不到** ——
|
||
它们需要有人先投过对应的产业链研报。文档 §3.2 已经把这列为"关键前置风险"，但给的对策
|
||
（"覆盖为空的赛道宁可先不放进来"）会让 C 塌成「通信 + 算力 + AI」，也就是
|
||
**退化成"电子 + 计算机"，门槛几乎不筛东西**。
|
||
|
||
建议 C 做成**两级并强制标注来源**：
|
||
|
||
| source_rule | 证据强度 | 来源 |
|
||
|---|---|---|
|
||
| `graph` | 强，可审计到具体 claim | `IN_SEGMENT` / `HAS_CONCEPT` 边 |
|
||
| `fallback` | 弱，仅作占位 | 概念标签命中 / 申万行业白名单 |
|
||
|
||
`track_members` 里逐行记 `source_rule`，仪表盘里把两级分开看。这样 C 既不会因为图谱覆盖
|
||
不足而变空集，也不会把弱证据伪装成强证据。**同时，覆盖为空的赛道本身就是一张采集清单**
|
||
—— 这正是基座「需求闭环」的用法，比放弃赛道有价值。
|
||
|
||
---
|
||
|
||
## 4. 逻辑一致性：v2.0 把 v1.1 一个仍然成立的开放问题删掉了
|
||
|
||
v1.1 §8-2 问过「**覆盖池历史快照缺失**：回填期 universe 用当前池近似（有轻微前视）
|
||
还是曾入池并集？」—— v2.0 的 §9 十个开放问题里**没有这一条**。
|
||
|
||
但按 §2.2 自己的论证，这一条现在**更重要**：
|
||
|
||
- `v_factor_universe` = 全部 `industry_pools` 成员并集，而 `industry_pools`
|
||
**只存最新态、每周一自动长大**（beat 表：池刷新周一 6:00）。
|
||
- §7 判定"可直接回填"的三路（heat / event / upside）**全部经过这个 universe 过滤**。
|
||
于是它们的**值**是点时正确的，**成员性**却是前视的 —— 用今天的池去筛 2025 年的历史，
|
||
而今天的池里有大量主题是 2026 年的研报才长出来的。**这就是 §2.2 批评传导时用的同一条论证，
|
||
只是上升了一层。**
|
||
- 更直接的工程后果：`z` 统计量（mean / std / median / MAD）在**每周一发生结构性跳变**，
|
||
IC 序列和分层读数会带一个周期性伪影。
|
||
|
||
**建议（两条一起做，都很便宜）：**
|
||
|
||
1. **子因子表去掉 universe 过滤**，全市场出行。理由：子因子表的定位是"可独立观察的仪表"，
|
||
过滤只该发生在消费端。行数代价很小（heat 池内 1674 → 全市场约 5000），
|
||
换来的是三张点时干净的面板，且平台上的子因子 IC 读数才有市场级意义。
|
||
2. **universe 只在 `akg_score` 侧当过滤器，并每日落快照**（见下节）。
|
||
基座侧同步加一张 `industry_pools_history(snapshot_date, theme, members)`，
|
||
由 `refresh_pools` 顺手写。
|
||
|
||
---
|
||
|
||
## 5. 今天最该做、也是唯一不可补救的一件事：开始冻结快照
|
||
|
||
传导、`industry_pools`、Segment 边、前复权 close —— 这四样都是"过期即不可复原"：
|
||
|
||
- 传导：§2.2 已经论证清楚。
|
||
- 池 / Segment 边：随研报持续生长，只存最新态。
|
||
- **前复权 close 比文档写的更麻烦一层**：`gp_day_data` 是前复权、锚在最新日，
|
||
所以每次有股票除权，**历史 close 会被整体重写** —— `akg_upside` 的历史值因此
|
||
**不可复现**（今天回填的和三个月后回填的不是同一组数）。文档 §7 只提了
|
||
"除权点系统性偏移"，实际还叠加一个可复现性问题。
|
||
|
||
而 §10 写的「GRU 复活条件：传导积累出 ≥1 年 live 历史」——
|
||
**这个计时器只有在开始存快照的那一天才启动。** 现在已经过去 3 天（07-11 起），
|
||
每晚一天就永久少一天。
|
||
|
||
**建议在 G1 之前插一个 G0.5「冻结与修复」里程碑**，做三件事，都不依赖赛道清单：
|
||
|
||
1. **输入冻结**：每日把 `universe` / 四路原始值 / 门槛判定结果 / 最终分
|
||
落一份 `data/frozen/YYYY-MM-DD.parquet`（桥自己的 `data/`，与赛道快照同一机制）。
|
||
这一条**同时满足** §10 的「重跑不产生漂移」、「赛道成员快照可审计」、
|
||
以及未来任何回溯需求 —— 是全文性价比最高的工程动作。
|
||
2. 修掉第 1 节的三个硬伤。
|
||
3. 基座开始积累 `industry_pools` / Segment 边的每日（或每周）快照。
|
||
|
||
---
|
||
|
||
## 6. 供数侧需要知道的事实（会影响读数怎么解释）
|
||
|
||
### 6.1 传导链条的上游有两张空表 —— 这才是 83 行/日的真正原因
|
||
|
||
`数据源盘点.md §1a` 记着：`gp_sector_daily` **当前空表**、`gp_market_sentiment` **当前空表**、
|
||
`t_signal_daily_results` **05-15 停更**。于是 `hotspot._pick_anomalies` 的四路异动源里：
|
||
|
||
| 源 | 状态 |
|
||
|---|---|
|
||
| ① 板块相对强度（`gp_sector_daily`） | ❌ 空表 |
|
||
| ② 概念 / 行业资金净流入 | ✅ |
|
||
| ③ 池内个股（`pct_change ≥ 5` **或** `total_score ≥ 0.9`） | ⚠️ 只剩涨幅门（评分停更） |
|
||
| ④ 事件 / 盘中流雷达 | ✅ |
|
||
|
||
**本来最该驱动"板块传导"的板块级异动源现在是缺的。**
|
||
所以传导稀薄不主要是"图谱覆盖不够"，而是「空表 + 12×12 截断」两件事叠加。
|
||
**要提传导覆盖，优先补 `gp_sector_daily`，比调任何参数都有用。**
|
||
|
||
### 6.2 movers / quiet 不看 `scan_date`
|
||
|
||
`hotspot._movers_set()` → `_latest_mkt("stock")` → `SELECT max(trade_date) FROM mkt_daily`
|
||
（`hotspot.py:45-55, 86-89`）。也就是用**最新快照**，不是 `scan_date` 当天的快照。
|
||
|
||
live 同日运行时两者一致，没问题。但如果 17:30 的 `sync_market` 失败或晚点，
|
||
**18:15 的传导扫描会用 T−1 的 movers，写成 `scan_date = T`，而桥完全无从察觉** ——
|
||
第一权重项拿到一份"陈旧数据贴着新鲜标签"。
|
||
|
||
建议：基座加一道 freshness 断言（`mkt_daily` 无 `scan_date` 当日 stock 行则 abort scan），
|
||
并在视图里带上实际用到的 `mkt_trade_date` 让桥能自检。
|
||
这也是**除 §2.2 之外，传导不该回填的第二个独立的、机械层面的理由** —— 值得补进文档。
|
||
|
||
### 6.3 一致预期的口径细节（影响门槛②怎么理解）
|
||
|
||
`sync_consensus`（`market_snapshot.py:493-588`）：
|
||
|
||
- `asof_date = date.today()`，聚合窗口 `report_date >= today − 90d`
|
||
→ 桥的 `merge_asof(backward)` **点时正确 ✅**，这块没问题。
|
||
- `target_mid_avg` 是**90 天内全部研报行的简单平均**（`market_snapshot.py:548`
|
||
遍历的是 `rows` 而不是 `qrows`），**不按机构去重、不按时间加权**。
|
||
一家券商 90 天发 5 篇就有 5 倍权重；89 天前的目标价与今天的等权。
|
||
- 实测 `max_price` 非空仅 0.4% / `min_price` 31%（docstring 记录），所以"目标价中枢"
|
||
**主要由单值目标价构成**，"中值"的语义比文档写的弱。
|
||
|
||
**含义**：θ_v = 0 这道门槛在急涨阶段会自动收紧（分母是今天的价、分子是最长 90 天前的目标价），
|
||
它**天然带反动量色彩**。这和你的漏斗逻辑同向（涨上去了就没容错度），
|
||
但要知道它不是一道纯"估值"门槛 —— 这也加重了第 2 节说的三项共线性问题。
|
||
|
||
### 6.4 §9-6（upside 历史重建 甲 / 乙）：甲案，成本远低于文档估计
|
||
|
||
`sync_consensus` 只要把 `date.today()`（`market_snapshot.py:529`）和
|
||
`since`（`:507`）参数化成一个 `asof: date`，就能对任意历史日重放**同一套聚合逻辑**，
|
||
live 与 history 共用一份代码、零漂移风险。改动量大约 3 行。
|
||
|
||
乙案（桥侧自行聚合 `gp_report_rc`）会让聚合逻辑在基座和桥各存一份 ——
|
||
这正是文档自己指出的漂移风险，而甲案的"工作量在基座侧"这个缺点被高估了。
|
||
|
||
回填时记得把用到的 `close` 一并落进 `data/frozen/`（前复权可复现性问题，见第 5 节）。
|
||
|
||
### 6.5 事件因子的年报污染 —— S2 上否决闸之前必须处理
|
||
|
||
`v_factor_events` 的 `ts_code` 取 `documents.meta->>'company_ts_code'`。公告确实 100% 可靠，
|
||
但**年报也有这个锚**，而**一份年报能抽出十几条 EVENT** —— hotspot 为此专门做了防刷屏
|
||
（`hotspot.py:92-99` 的注释："实测年报副产物把台账刷满的教训"，对策是 other 不进、
|
||
同主体同类型只取最新、单主体 ≤2 条）。**桥侧没有任何等价保护。**
|
||
|
||
后果：年报披露日会形成一个巨大的尖峰，且年报里提到的**历史**诉讼 / 处罚会被记成
|
||
当日的负面事件。若 S2 按计划用 `akg_event < −θ_e` 做否决闸，
|
||
**会因为一份年报提到历史诉讼而否决掉一只好股。**
|
||
|
||
修法（S2 之前）：按文档类型只取公告，或按 `(ts_code, event_type, 自然日)` 去重 + 单日封顶。
|
||
极性表（§9-5）在这个问题修掉之前，调得再准也没意义。
|
||
|
||
### 6.6 probe 与桥的事件口径不一致
|
||
|
||
`factor_coverage_probe.cov_event`（`:115-128`）用 `claims.subject_id` 去匹配池成员名/码，
|
||
而桥用文档锚 `documents.meta->>'company_ts_code'`。**两个数不会对得上** ——
|
||
读 G1 报告时别把它们当同一个指标。建议顺手把 probe 改成同一口径，否则会误判覆盖面。
|
||
|
||
### 6.7 一处枚举不一致（小，但会咬人）
|
||
|
||
`enums.EntityKind` 只有 6 个成员，**没有 Segment**；但 `_ID_KEYS`、`ALLOWED_OBJECT_TYPES`
|
||
都把 Segment 当一等节点。类型闸门走的是 `ALLOWED_OBJECT_TYPES` 所以不炸，
|
||
但 `EntityKind` 已经不是节点类型的可信清单了 —— 谁下次拿它做遍历会漏 Segment。
|
||
|
||
---
|
||
|
||
## 7. 判收标准的两处需要改写
|
||
|
||
**§10「每日调度幂等，重跑不产生重复或漂移」**
|
||
桥内成立 ✅，上游不成立 ❌（硬伤 1 的 Neo4j 返回序、前复权重写）。建议拆成两条：
|
||
|
||
- 桥内写入幂等 —— 现状已满足；
|
||
- **外部不可复现的部分靠输入冻结解决** —— 即第 5 节的 `data/frozen/`。
|
||
把"可复现"重新定义为"可从冻结输入重算出同一个值"，这是唯一诚实且可达的口径。
|
||
|
||
**§7-A「`akg_score` 只在当日传导表有数据的交易日出行」**
|
||
应加强为 **当日「候选池内」传导非空**。传导 83 行/日是**全池**口径，
|
||
过完 C ∩ V 之后池内可能一只都不剩 —— 那天照样会写出一张"第一权重项全为 0"的表，
|
||
正是 §7-A 想避免的情况。
|
||
|
||
同时建议每日日志固定打两个数：`|P|`（候选池规模）与 `|P ∩ 传导>0|`。
|
||
后者才是真正决定榜首的数量。若它长期是 0~3，那么"组合"实际上是 1~3 只票，
|
||
且这 1~3 只是从一个 12 × 12 截断列表里出来的 —— 集中度需要在文档里明写。
|
||
|
||
---
|
||
|
||
## 8. 给平台评价层的一个建议（成本极低、收益很大）
|
||
|
||
按现在的设计，`akg_score` 只在候选池内出行 →
|
||
**平台的 IC / 分层只能看到"池内排序"的价值，完全看不到两道门槛的价值**，
|
||
而门槛才是这套逻辑的主体。仪表盘会系统性低估这个因子。
|
||
|
||
加一个因子就解决：
|
||
|
||
| 因子 | 出行范围 | 回答的问题 |
|
||
|---|---|---|
|
||
| `akg_gate` | **全覆盖池**，0/1（1 = 过 C ∩ V） | 门槛本身有没有价值（分层直接读出门槛内外的收益差） |
|
||
| `akg_score` | 候选池内 | 池内排序有没有价值 |
|
||
|
||
两个仪表各答一个问题，"哪一项在拖后腿"一眼可见。这比在一个因子上纠结 IC 高低有用得多，
|
||
而且完全符合"回测是仪表盘不是判官"的定位。
|
||
|
||
---
|
||
|
||
## 9. 开放问题（§9）我的建议答案
|
||
|
||
| # | 议题 | 建议 | 依据 |
|
||
|---|---|---|---|
|
||
| 1 | 热度语义翻转 | **同意取负**，但别做成独立加性项 → 做成组内 tiebreak | 第 2 节 |
|
||
| 2 | 完整赛道清单 | **先跑 G1 体检再定清单**，不要先定清单再体检；C 做两级（graph / fallback）并强制标 `source_rule` | 3.2 |
|
||
| 3 | θ_v 的 q | 先留 q = 0，等 G1 分布定；但注意 upside 主要由单值目标价构成，**绝对水平的可信度低于相对排序** | 6.3 |
|
||
| 4 | 无券商覆盖股 | S1 保持"不过门槛"，但**单独输出一张「赛道内 + 无覆盖」观察名单** —— 这正是你论题里最该出现的标的，别让它无声消失 | §1 研报滞后论 |
|
||
| 5 | 事件极性 / 半衰期 | 延后到 S2 没问题，但**先修年报污染** | 6.5 |
|
||
| 6 | upside 重建 甲 / 乙 | **甲案**，只需给 `sync_consensus` 加 `asof` 参数（约 3 行） | 6.4 |
|
||
| 7 | score 历史 A / B | **A**，且加强为"**池内**传导非空" | 第 7 节 |
|
||
| 8 | 权重 0.5/0.3/0.2 | 次序认可；**建议改结构（两段式）而不是改数值** | 第 2 节 |
|
||
| 9 | 还没热是否条件项 | **S1 就上**。现状在 95% 稀疏下已经等价于条件项，不如写明 | 第 2 节 |
|
||
| 10 | 调度时点 | **T 日 18:40 算（热度用 T−1）**。漏斗赌的是左侧位置，热度差一天的信息损失远小于因子延迟一天的机会损失；且 T+1 早间补算会让"T 日因子"依赖 T+1 数据，语义上更难向下游解释 | §3.4 末 |
|
||
| **11（新增）** | **universe 历史快照** | v1.1 §8-2 被 v2.0 删掉了，但它现在更重要 → 子因子去掉池过滤 + 池每日快照 | 第 4 节 |
|
||
|
||
---
|
||
|
||
## 10. 对 G 系列里程碑的微调建议
|
||
|
||
```
|
||
G0 文档评审（含本评审的取舍）
|
||
G0.5 ★新增★ 冻结与修复 —— 不依赖赛道清单，且第 3 项每晚一天永久少一天历史
|
||
① data/frozen/ 输入冻结机制
|
||
② 修硬伤 1/2/3（其中硬伤 2 只改视图）
|
||
③ 基座开始积累 industry_pools / Segment 边快照
|
||
G1 赛道覆盖体检 + probe 加两节：
|
||
corr（池内三项相关矩阵）· tracks（yml 草案在图谱里做成员性试算）
|
||
+ 原有三件（factor_coverage_probe 补跑 / upside 分布定 q / gp_day_data 起始日复核）
|
||
G2 赛道成员表落地（layer 降级为可选元数据，不阻塞）+ 第五/第六个插槽视图
|
||
G3 漏斗实现 + 注册 akg_score **与 akg_gate**（第 8 节）
|
||
G4 回填与仪表盘（upside 走甲案）
|
||
G5 每日调度上线（T 日 18:40）
|
||
```
|
||
|
||
---
|
||
|
||
## 11. 提交提醒
|
||
|
||
已核对两个仓库的实际状态（`git status`）：
|
||
|
||
**`akg-factor-bridge` 有 4 项未提交**（最后一次 commit 是 `42659b9 历史深度数据探查`）：
|
||
|
||
```
|
||
M README.md
|
||
M run.py
|
||
?? probe.py ← G1 体检脚本，全新未跟踪
|
||
?? 量化因子导出与合成设计.md ← v2.0，全新未跟踪
|
||
```
|
||
|
||
**`astock-kg` 工作区干净** —— `factor_coverage_probe.py` 已在 `32448c3` 入库，无需再提交。
|
||
|
||
**一处文档不同步需要处理**：`astock-kg/docs/量化因子导出与合成设计.md` 还是 **v1**
|
||
（2026-07-24，四路对称 + 平台拟合合成），而桥仓库那份已经是 **v2.0**（自洽公式）。
|
||
两份同名文档在两个仓库里讲相反的方案，下次翻文档一定踩坑。
|
||
建议：**只留桥仓库这一份为唯一事实源**，`astock-kg/docs/` 那份改成一行指路
|
||
（"本设计已迁至 akg-factor-bridge 仓库，见该工程根目录同名文档"），并在提交信息里写明。
|
||
|
||
开发机执行（按硬规矩，push 由你做）：
|
||
|
||
```bash
|
||
cd ~/Documents/work/project/akg-factor-bridge
|
||
git add -A
|
||
git commit -m "docs: 量化因子设计 v2.0（推翻拟合合成，转自洽景气度漏斗）
|
||
feat: G1 赛道覆盖体检 probe（pools/price/upside 三节，只读）
|
||
docs: README 补 probe 用法与数据前沿自检"
|
||
|
||
# 文档去重后（把 astock-kg/docs 那份改成指路）
|
||
cd ~/Documents/work/project/astock-kg
|
||
git add -A
|
||
git commit -m "docs: 量化因子设计迁至 akg-factor-bridge 仓库（v1 留指路，避免与 v2.0 并存）"
|
||
```
|
||
|
||
本评审文档建议放 `akg-factor-bridge/评审_v2.0_2026-07-26.md` 一并提交。
|