A股价值量化选股

要解决什么问题

价值投资者在 A 股做行业与公司筛选时，常见困境是：宏观叙事、财务指标和技术面各自一套表格，结论难以追溯，也缺少「估值闸门 + 质量确认 + 时机层」的分工。本技能把自上而下、基本面驱动的选股框架工程化，并补上相对估值、内在价值、同业 comps、催化剂日历与盈余质量等模块，最终交付可复用的信号表与研究备忘录，而不是口头荐股。

工作方式与核心能力

整体信条是：数字必须可追溯、不预测股价、不给买卖建议。数据侧要求通过 westock-data、a-stock-data、jrj-quote-skill 等工具真实拉取行情与财报；拿不到则标 [MISSING] 或「未披露」，禁止凭记忆编造。

• Step 0 fetch_live.py：对指定代码拉量价与三大报表，自算 PE/PB 历史分位、均线、ROIC/ROE、PEG、股息率等，输出 candidates.json；新股或历史不足时 quant_available=false，不臆造分位。
• run_track.py 串联约 14 步：行业发现（板块热度 + 可选 industry_thesis.json）→ 信号表 → 同业估值 comps → 调用 value-investor-playbook 生成决策卡 → 内在价值（Graham / 保守 DCF 取下界算安全边际）→ 风格透镜五维 → 研究备忘录 → 催化剂日历 → 可选回测与仓位建议框架 → 盈余质量时序（应计、现金转化、盈利背离）。
• 研究层 vs 决策层：备忘录中的「关注区/观察/暂避」是量化研究排序；playbook 决策卡才含定性四维与买卖锚逻辑，两者不一致属正常，最终以决策卡为准。

边界与注意点

安装前需就绪 Node.js、westock-data 与已单独安装的 value-investor-playbook，否则对应步骤会直接报错。cohort 同业对比依赖你传入的样本，不会自动映射全行业同业；港股/美股在部分字段（如解禁、现金流时序）有已知口径差异。回测与 build_portfolio.py 输出的是历史验证与仓位配置框架，仍非实盘买卖指令。