thesis-backtester - 把定性投资判断变成可回测对象

把定性投资判断变成可回测对象

不是让 AI 推荐股票，而是让 AI 按专业研究框架逐步分析——然后用历史数据验证这套方法论是否有效。

🧩 什么是算子

算子是分析的最小单元——每个算子定义一个分析视角，用 Markdown 编写，告诉 AI 看什么、怎么看、输出什么。

示例算子

负债结构拆解 PE 陷阱检测管理层诚信评估 AI 冲击风险

→ 查看全部 37 个算子

🔗 什么是分析框架

框架把多个算子编排成有依赖关系的章节（DAG），后一步建立在前一步结论之上——不是一次性回答，是链式推理。

数据核查 → 基本面 → 现金流 → 估值 → 压力测试 → 综合研判

→ 查看 5 个预设框架

🏭 行业适配

不同行业用不同的分析方法——银行不看 FCF，制造业看产能周期，消费看品牌护城河。系统自动识别行业并路由到专用算子。

行业专用算子

🏦 银行 × 4 🏭 制造 × 3 🍔 消费 × 2 💻 科技 × 2

✅ 验证闭环

不只是分析，还能回测验证——用历史数据证明分析方法论是否有效。这是和"直接问 AI"的根本区别。

+7.1pp
Alpha vs 沪深300

65%
买入信号胜率

73%
回避信号准确率

→ 查看完整回测结果

V6 价值投资策略回测结果

基于 2020-2025 年 A 股数据，12 个半年截面，120+ 只候选股票的全量回测。Agent 使用 DeepSeek-Chat 模型进行盲测分析。

+7.1pp

Agent Buy vs 筛选池 Alpha
(6个月前向收益)

120+

分析股票数

截面数 (2020-2025)

73%

回避信号准确率

V2 算子数（含行业专用）

五基准对比 (6个月前向收益均值)

基准	策略说明	6M 平均收益	相对筛选池
沪深300 (market)	全市场基准指数	+0.9%	-
筛选池 (screen_all)	通过量化筛选的全部候选股等权	+4.0%	基准线
最高评级 (screen_top)	筛选评分最高一级 (金龟) 等权	+5.2%	+1.2pp
Agent Buy	Agent 综合评分 ≥ 70 分的股票等权	+8.1%	+4.1pp
Agent Top5	Agent 评分前 5 等权	+11.1%	+7.1pp

信号价值分析

信号类型	描述	Alpha 贡献
买入信号 (Score ≥ 70)	Agent 认为值得买入的股票	+6.4pp
回避信号 (Score ≤ 29)	Agent 认为应回避的股票	-14.8pp (避损)

关键发现

排雷价值 > 选股价值：回避信号的 alpha 贡献 (-14.8pp) 远超买入信号 (+6.4pp)，验证了"宁可错过，不可错买"的设计理念
Agent 评分有区分度：评分越高，前向收益越好，呈现单调递增关系
深度分析优于简单筛选：Agent Buy vs Screen All 有稳定的超额收益
V2 增强版提升买入阈值到 75 分后，Sharpe Ratio 从 0.36 提升到 0.62

如何编写算子 (Operator)

算子是分析的最小单元，定义在 operators/v2/ 目录下的 Markdown 文件中。每个算子包含 YAML 前置元数据和 Markdown 分析指引。

文件格式

---
id: my_operator
name: 我的分析算子
category: fundamental
tags: [analysis, my_tag]
data_needed: [balancesheet, income, cashflow]
outputs:
  - field: my_result
    type: str
    desc: "分析结论"
  - field: my_score
    type: float
    desc: "评估分数 (0-100)"
---

## 算子标题

### 目的
说明这个算子要回答什么问题...

### 分析步骤
具体的分析指引，Agent 会按照这些步骤执行分析...

关键字段说明

id: 唯一标识符，在 strategy.yaml 中引用
category: 分类 (screening / fundamental / valuation / decision / forward_risk / special)
data_needed: 需要的数据表 (balancesheet, income, cashflow, fina_indicator, price_history, dividend, news 等)
outputs: 输出字段定义，Engine 会自动生成 JSON Schema
gate (可选): 行业限制，如 gate: {only_industry: [银行]}

如何创建策略 (Strategy)

策略是算子的编排方案，定义在 strategies/<name>/strategy.yaml 中。

基本结构

meta:
  name: 我的策略
  version: "1.0"

framework:
  operators_dir: operators/v2
  analyst_role: 投资分析师

  chapters:
  - id: ch01_check
    chapter: 1
    title: 数据核查
    operators: [data_source_grading, quick_screen_5min]
    dependencies: []

  - id: ch02_analysis
    chapter: 2
    title: 基本面分析
    operators: [debt_structure, cash_trend_5y]
    dependencies: [ch01_check]

  synthesis:
    thinking_steps:
      - step: 评分与决策
        instruction: 综合分析给出评分...
    decision_thresholds:
      buy: 75
      avoid: 29

设计要点

章节间通过 dependencies 形成 DAG，后续章节可看到前序章节结论
synthesis 定义综合研判的思考路径和评分锚点
可从现有策略 (v6_value, v6_enhanced) 复制并修改
支持行业专用策略 (如 bank_analysis)，替换通用算子为行业专用算子

如何提交贡献

Fork 仓库到你的 GitHub 账号
创建特性分支: git checkout -b feature/my-operator
添加或修改算子/策略文件

本地测试:

# 测试算子能否被正确加载
python -m src.engine.launcher strategies/v6_enhanced/strategy.yaml agent-analyze 601288.SH 2024-06-30

# 重新生成站点数据
python docs/site/build.py

提交 PR，说明变更内容和测试结果

贡献方向

新行业专用算子 (地产、医药、新能源 ...)
新分析维度 (ESG、技术面、量价关系 ...)
策略优化 (调整阈值、改进 synthesis 思考步骤)
国际化 (港股、美股适配)

项目链接

GitHub: github.com/turtlequant/thesis-backtester
License: AGPL-3.0