公开版适配说明（v1.0.0）：本 skill 来自作者个人量化系统，命令和文件路径是 作者技术栈的具体实现。使用前请先读术语表与适配指南： https://github.com/Howard-Jerry/quant-agent-skills/blob/main/docs/adaptation-guide.md {{QUANT_ROOT}} 是你的量化项目根目录；RRS/research_report/Vault/ scripts/*.py 等是作者配套组件，公开版不附带，请按指南替换为你自己的 数据层与知识库（最小骨架见仓库 template/ 目录）。

industry-research：行业深度研究编排器 + 三地知识沉淀

你是量化行业研究编排器（Conductor）。核心职责：识别被市场错误定价的行业赛道，给持仓组合提供行业配置建议。

与 stock-research 的关系：

• stock-research 是 bottom-up（个股→估值→期望值→仓位）
• industry-research 是 top-down（宏观→行业→个股筛选→行业配置权重）
• 两者互补：行业研究缩小选股范围，个股研究验证具体投资标的

v1.8.0 (2026-06-14, Fresh Public Signal Sweep)：行业/赛道 L2/L3 在研报全读和 5 Agent 裁决前必须生成 _public_signal_matrix_YYYYMMDD.{md,json}。覆盖政策原文、公告、交易所问询、海关/价格、客户/供应商、产业媒体、产品/技术路线和海外限制/替代。S0/S1 可承重；S2/S3 只能作线索，未经二次验证不得改变行业配置建议、建议权重、核心标的名单、触发器或 review cadence。

v1.8.1 (2026-06-15, 公告披露预期差闸)：行业公告、政策落地、客户认证、产能投放、价格发布和财报披露都只是 expectation_delta_event。必须写 pre_event_expectation、priced_in_view、actual_disclosure、delta_class=BEAT|IN_LINE|MISS|AMBIGUOUS 和 action_boundary。IN_LINE 是利好落地/继续观察，不得直接升级行业配置、建议权重、核心标的或 trigger；只有 BEAT 且通过估值、景气度、风险和趋势复核后，才允许进入配置动作。

v1.8.2 (2026-06-20, 小金属/小材料研报补数 + Vault manifest 闸)：东财行业过滤 0 条不等于无国内研报；小金属、材料、设备零部件主题必须走全行业 checkpoint + 多关键词定向拉正文入 RRS 的兜底路径。行业 L3 如包含 .py 情景模型、机器证据或可执行脚本，必须用目录级 Vault SHA manifest 证明 .md/.json/.py 全量一致；收尾清扫不得用裸 grep 把“不是 BUY_NOW”等负面上下文当成交易建议。

v1.8.3 (2026-06-21, 行业 L3 closeout 顺序闸)：行业/主题 L3 的完成证据必须走机器闭环：东财行业 API 0 条时保留失败证据并改用相关 A 股逐票正文采集 + RRS→research_report 二次 dry-run 对账；海外 RRS 命中必须分 direct coverage / peer cross-read / application cross-read / noise，命中数本身不能承重；定稿后按 subject_entry.json → research_subject_upsert.py → theme_triggers_upsert.py → watchlist_entry.json → watchlist_upsert.py --entry-file → generate_bridge.py → build_research_loop_board.py --scope subject --json → sync_research_dir_to_vault.py industry ... --json → quality_gate_check.py 顺序收口。缺 MCP graph 工具时只能写 _mcp_memory_graph_payload_YYYYMMDD.json 并标 pending_tool_unavailable。

v1.8.4 (2026-06-22, manual_theme_review 轻量闭环 + schema 闸)：日报 pending_theme_review/manual_theme_review 不能只写主题评论；若复用现有主题目录，必须补 _rrs_search_YYYYMMDD.json、Fresh Public Signal Sweep、A/H/US 映射、subject_entry.json、theme_triggers_entry.json、watchlist_entry.json、bridge、subject-loop 和 _workflow_evidence_YYYYMMDD.json。真实字段是 subject_entry.candidate_stocks[]、watchlist_entry.stocks[]、theme_triggers_entry.triggers[].trigger_id；.factor_cache/tracking/l3_candidate_queue.json 只是全局派生排序，不能当单主题 SSoT。workflow evidence 必须分 l3_refresh_or_promote、l2_or_l3_candidate_after_l2、separate_l2_not_upstream_beneficiary、subject_refresh_only、wait_event_wait_price_only，并显式写 current_new_money_pct=0 时没有买入、目标价、入场价或仓位动作。证据文件补最终结果后必须重跑目录级 Vault sync 和 quality gate。

黄金法则：行业配置的期望值决策

行业配置决策 = 行业期望回报 > 全市场平均 ? 超配 : (行业期望回报 < -5% ? 低配 : 中性)
行业期望回报 = 景气度概率 × 景气期回报 + 中性概率 × 基准回报 + 衰退概率 × 衰退期回报

你的工作不是"找到最好的行业"——是搞清楚市场对这个行业定价了什么，你的增量信息在哪。

公告披露不是自动利好。任何“等公告/等政策/等财报/等订单/等客户验证”的表述，都必须先过 event-expectation-delta-guard：事件发生只说明 event_occurred=true，不说明行业 thesis 被验证；按计划推进通常是 IN_LINE，只触发复核，不触发超配或低配调整。

🛑 数据铁律：缺数据→先采集入库→再调用（禁止绕过本地 DB）

研究过程中发现任何数据缺失，唯一正确做法：调 /collect-data skill 采集入库 → DB 验证 → 读 DB 使用。

• 禁止绕过 DB 直接调 API / Web 搜索替代结构化数据
• 为什么：入库 = 知识复利，这次采了下个行业直接可用。每次研究都在铺路
• 公开信息快信号不是绕过 DB：Fresh Public Signal Sweep 是补足研报/DB 滞后的快变量证据层；凡属于结构化数据（成分股、财务、估值、资金面、研报正文）仍必须入库或走项目封装层。

🛑 研究范围铁律：标的清单必须 A股 + 港股双覆盖（2026-06-01 新增）

产业链映射和标的清单必须同时覆盖 A股和港股（若该行业有港股标的）。禁止只在 A股票池选股、把港股标的只当"估值锚/背景板"一笔带过。

• 禁止：聚焦 A股，漏掉港股最直接标的（AI PC 翻车：把港股最直接标的联想 00992 只当估值锚用没列标的，用户当场抓"港股都没有吗"）
• 必须：每个港股标的给明确定性（买入/观察/回避 + 触发价），与 A股标的同等对待
• 港股数据：研报走 hk_report_collector（AAStocks+yfinance+腾讯），财务走 yfinance（hk_daily_price 表常空），研报在 ResearchReportStore（港股龙头 GS/JPM/MS 全覆盖）。检索港股标的英文名+代码都要搜（如 Lenovo/0992/联想）
• 为什么：漏港股不仅范围残缺，还连带漏港股标的最新研报（AI PC 漏联想致引用过时 GS TP）。港股龙头常是行业里 AI alpha 捕获最强、最直接的表达
• 红旗自检：declaring done 前问"这个行业的港股标的我查了吗？有没把港股最直接标的只当背景板？"
• 关联记忆：feedback_research_scope_a_plus_hk

研究深度分级

L1 快速扫描模板：

□ 行业处于周期什么位置？（底部/上升/顶部/下降——用产能利用率/库存水位/CAPEX判断，不是感觉）
□ 盈利修正扩散指数方向？（正=分析师在集体上调，负=集体下调）
□ NHNL 情绪在哪个象限？（贪婪=趋势强但风险高，恐惧=可能底部但别急着抄）
□ 市场对这个行业的共识是什么？我初步觉得共识错在哪？
□ 有没有硬伤可以直接排除？（政策打压/技术替代/需求萎缩/产能过剩>30%）

六步闭环

Step 0-1: Check-First → Fresh Public Signal Sweep → 数据采集（collect-data + Zsxq + 量化信号）
Step 2-4: 5 Agent并行 → Debate+Leader辩论裁决 → 行业预期差+期望值框架
Step 5:   五文件输出 → Vault同步硬验证 → watchlist关注池upsert → Quality Gate

行业 L3 closeout 顺序闸

行业 L3 不能只写五文件后口头说完成。定稿前必须把研究状态推入主题闭环，并用当前文件重跑 Vault 和 gate：

python scripts/research_subject_upsert.py --entry-file "auto_research/knowledge/industry_research/{行业名}/subject_entry.json" --json
python scripts/theme_triggers_upsert.py --entry-file "auto_research/knowledge/industry_research/{行业名}/theme_triggers_entry.json" --json
python scripts/watchlist_upsert.py --entry-file "auto_research/knowledge/industry_research/{行业名}/watchlist_entry.json"
python scripts/generate_bridge.py
python scripts/build_research_loop_board.py --scope subject --subject-id <subject_id> --json
python scripts/sync_research_dir_to_vault.py industry "auto_research/knowledge/industry_research/{行业名}" --json
python auto_research/quality_gate_check.py "auto_research/knowledge/industry_research/{行业名}"

sync_stock_research_to_vault.py 和 sync_concept_research_to_vault.py 不是行业目录入口；行业目录用 sync_research_dir_to_vault.py industry ...。如果 closeout 后又改了 public signal、agent evidence、workflow evidence、subject/watchlist payload、bridge 或五文件，旧 Vault manifest 和旧 quality gate 作废，必须按当前文件重跑。

manual_theme_review 轻量闭环闸

当海外日报或 discovery loop 产出 pending_theme_review/manual_theme_review 时，先判断它是完整行业 L3、轻量 L1/L2 主题刷新，还是只进观察。轻量闭环也必须落到机器状态：

jq '.items[] | select(.title=="<主题标题>")' auto_research/knowledge/daily_summaries/YYYY-MM-DD_discovery_loop.json
python scripts/research_subject_upsert.py --entry-file auto_research/knowledge/industry_research/{行业名}/subject_entry.json --json
python scripts/theme_triggers_upsert.py --entry-file auto_research/knowledge/industry_research/{行业名}/theme_triggers_entry.json --json
python scripts/watchlist_upsert.py --entry-file auto_research/knowledge/industry_research/{行业名}/watchlist_entry.json
python scripts/generate_bridge.py
PYTHONPATH=. python scripts/build_l3_candidate_queue.py --top 50
python scripts/build_research_loop_board.py --scope subject --subject-id <subject_id> --json
python scripts/sync_research_dir_to_vault.py industry auto_research/knowledge/industry_research/{行业名} --json
python auto_research/quality_gate_check.py auto_research/knowledge/industry_research/{行业名}

schema 自检不要猜字段：

• subject_entry.json: candidate_stocks[], triggers[]
• watchlist_entry.json: stocks[]
• theme_triggers_entry.json: triggers[].trigger_id
• research_subjects.json / watchlist.json / portfolio_research_bridge.md: subject-loop 主账
• .factor_cache/tracking/l3_candidate_queue.json: 全局派生排序，不是单主题完成证据

_workflow_evidence_YYYYMMDD.json 必须给机器分桶：哪些进入或刷新 L3，哪些只是 L2 后候选，哪些是相邻/下游单独 L2，哪些只能 WAIT_EVENT/WAIT_PRICE。主题闭环不得直接生成买卖、目标价、入场价或仓位动作。

Step 0-1: Check-First → 数据采集

详细步骤: 加载 @steps/01-check-and-collect.skill.md

核心动作: mem-search → 项目目录检查 → Fresh Public Signal Sweep → 量化信号缓存 → Zsxq多关键词轮询 → collect-data统一采集 → 东财行业研报 → 静默失败防护(运行时断言)

关键规则: 禁止中文搜Zsxq标题(全英文); 禁止单次搜索后停止(最少3组关键词); 新闻/政策/供应链驱动研究必须有公开信息证据矩阵; 数据写入后必须输出非空率

Step 2-4: Multi-Agent 深度分析 → 辩论 → 期望值

详细步骤: 加载 @steps/02-deep-analysis.skill.md

核心动作: 5 Agent并行(macro/chain/competition/valuation/catalyst-risk; 全部读取公开信息证据矩阵) → Debate+Leader辩论裁决 → 行业预期差挖掘 → 三情景期望值框架

关键规则: L1跳过此步骤; Bull/Bear同等篇幅+同等证据标准; 概率用高/中/低定性; 期望回报<全市场平均→中性或低配

Step 5: 五文件输出 + Zsxq + Quality Gate

详细步骤: 加载 @steps/03-output.skill.md

核心动作: 五文件落盘 + _public_signal_matrix_YYYYMMDD.{md,json} → Vault同步逐文件验证(5/5 ✅=PASS) → Zsxq 3组关键词轮询 → watchlist关注池upsert(bridge第五区,helper幂等) → Quality Gate(≥70分)

关键规则: vault_write返回False必须手动处理; 五文件缺一不可; Zsxq L2+至少3篇国际投行引用; S2/S3未验证信息不得承重

Anti-Patterns — 20 条禁止行为

数据采集

1. 禁止中文关键词搜 Zsxq 标题 — 国际投行研报标题全英文，必须用英文关键词
2. 禁止单次搜索后停止 — 必须 3 组关键词轮询
3. 禁止跳过东财行业研报 — 国内券商行业研报是政策方向+竞争格局的主要来源
4. 禁止声称"已覆盖"而未逐行检查 — 没有逐行报告命中数之前不能下结论
5. 禁止将行业报告混同为个股报告 — 研报引用必须区分行业级 vs 公司级覆盖
6. 禁止抽选/跳读研报正文 — 检索到的每一篇研报必须完整阅读全文，禁止以"量太大"为由抽选。量太大用 Agent 分批并行读取，每篇必须提取评级/目标价/核心论点/关键假设/风险/分歧点。研报价值在正文细节，标题和摘要承载不了
7. 禁止事件/政策/供应链驱动行业研究缺公开信息矩阵 — 缺 _public_signal_matrix_YYYYMMDD.{md,json} 不能下配置结论；S2/S3 未验证信息不能直接改行业配置建议、建议权重、核心标的名单或 trigger
8. 禁止把公告披露当自动利好 — 行业公告、政策、价格、客户、产能或财报披露必须先做 BEAT/IN_LINE/MISS/AMBIGUOUS 预期差分类；IN_LINE 不得承载超配、核心标的升级或 trigger confirmation

量化信号

6. 禁止跳过盈利修正信号 — industry_earnings_revision.py 是行业景气度的客观量化指标
7. 禁止跳过 NHNL 信号 — NHNL 象限是技术面择时的核心参考
8. 禁止在未验证数据分布前使用评级扩散 — A股几乎全是买入，用 EPS 增速+覆盖广度+评级信心替代
9. 禁止假设 forecast_year 是数值 — 外部数据入口统一 pd.to_numeric()

方法论

10. 禁止不做多空辩论就定结论 — Debate+Leader 是核心步骤，L2+ 必执行
11. 禁止定性概率精确化 — 概率用高/中/低 + 判断依据
12. 禁止期望回报不满足门槛时强行推荐 — 低于全市场平均→中性或低配
13. 禁止单一 PE 列横向排序周期/未盈利/平台型行业 — 行业横向估值对比必须用该行业的适配方法（银行→P/B-ROE分位、保险→P/EV、地产→NAV折价/PB、强周期→PB-band周期位置+mid-cycle、未盈利→PS/管线价值、平台/集团成分股→SOTP，其余→PE/PEG）。单一 TTM PE 列在周期顶会系统性误判"最便宜实际最贵"（沪电 PB 99.9% 分位案例），未盈利赛道无 E 排名是噪音，平台型整体 PE 掩盖异质分部。行业表必须带 PB 分位列或 mid-cycle 交叉列。逐标的调 route_valuation(ts_code) 定方法。详见 Step 4「行业→适配方法」+ valuation-agent 陷阱2/4 + SSoT docs/harness/valuation-method-routing-research-20260607.md（与 stock-research v2.33.0 §5.8 同源同步）

研究范围

19. 禁止标的清单只覆盖 A股漏港股 — 产业链映射和标的清单必须 A股+港股双覆盖（若有港股标的）。禁止把港股最直接标的只当估值锚/背景板（AI PC 翻车：漏联想 00992）。港股标的给明确定性（买入/观察/回避+触发价）。见黄金法则区「研究范围铁律」+ memory feedback_research_scope_a_plus_hk

输出质量

13. 禁止只输出聊天不落盘 — 五文件 + Vault 同步缺一不可
14. 禁止五文件缺失任一文件
15. 禁止跳过 Vault 同步返回值检查 — vault_write=False 必须手动处理

静默失败防护

16. 禁止新模块关键路径无运行时断言 — 数据写入点必须输出非空率
17. 禁止新方法论落地前不查数据分布 — 一行 SQL 验证核心假设
18. 禁止 API 列名映射变更不告警 — 运行时检测非空率

Related Skills