技能介绍

解决的数据工程与回测痛点

在A股量化策略研发中，多因子模型的落地往往卡在数据获取与状态管理上。直接通过API拉取数百只股票的历史K线、财务报表和资金流数据，极易触发限频；而将不同时间粒度的数据（如日线行情与最新财报快照）混合存储并进行增量更新，也容易产生状态不一致。此外，因子计算、回测与可视化报告的串联通常需要编写大量胶水代码。@user_ecbd3b70/cn-stock-factor 针对这些工程痛点，提供了一套基于 westock-mcp（腾讯自选股原生连接器）的自动化流水线。

核心工作流与数据管理

该技能默认执行离线计算与报告生成，只有在用户明确要求“刷新/补数”或本地 data/stock.db 为空时，才会触发数据拉取。

数据落盘与存储：数据源通过 DeferExecuteTool 批量调用，大响应自动落盘。底层存储已全面迁移至 SQLite，时间序列表（如 price、financial）使用 INSERT OR REPLACE 实现增量 upsert，快照表（如 spot_all、fund_flow）则采用全量覆盖机制，Parquet 仅作为备份保留。
因子计算：内置 20 个 A 股常用因子，涵盖价值、规模、动量、波动、情绪、质量、成长和技术面。composite 综合得分由各因子截面 z-score 的带符号均值计算得出。
自动化报告：运行 python run_all.py --top-pct 0.1 后，系统依次执行 land（解析落盘）、calc（因子计算）、backtest（回测）和 report。最终输出按收盘日命名的 HTML 报告（含净值曲线和 KPI 卡片）与 CSV 明细（UTF-8-sig 编码，完美兼容 Excel）。

适用边界与已知近似

需要注意的是，westock-mcp 为平台托管服务，Python 环境无法直接 spawn，数据拉取依赖 AI 的批量 codes 调用策略。在因子的时间序列特性上，估值、规模、质量、成长及资金流因子由于数据源仅提供最新值，在回测中被视为最新快照且不随时间重算；而动量、波动、换手率及 52 周位置等因子则是基于真实时间序列计算的。使用者在评估历史回测绩效时需充分考虑这一近似处理。