股票打分系统知识库

这套系统的目标不是预测明天涨跌，而是把“好生意、好价格、可验证风险”拆成可复查的证据链。量化负责筛选和排序，AI 负责补充商业判断，人负责最终假设、赔率、仓位和纪律。

先分清：判断企业，还是判断赚钱的股票

判断企业

不考虑股价，验证高分企业后来是否提高了ROIC、利润、现金流和资产负债表质量。它回答“公司判断对不对”，不能回答“当时买入能不能赚钱”。

判断赚钱的股票

把买入价格、估值、行业行情、风险和交易成本纳入验证。它回答“当时买入后是否跑赢同类”，上涨但跑输行业仍不算个股判断成功。

企业结果	股票结果	正确理解
经营兑现	获得超额收益	好企业 + 好价格，证据最完整
经营兑现	没有超额收益	企业判断正确，但可能买贵了
经营未兑现	股票上涨	可能来自行业、市场或估值修复，不代表企业判断正确
经营未兑现	股票也落后	企业与股票两类证据都不支持

当前执行 Plan

第一阶段

商业模式分类：先判断是什么生意，再使用对应专用模型。

第二阶段

历史快照与分层验证：只使用当时可见的数据，检查排序能力。

第三阶段

组合策略回测：统一调仓、成本和基准，比较七套策略。

第四阶段

行业/市值中性与样本外：确认不是行业、市值和过拟合幻觉。

第五阶段

人工研究与AI前向验证：记录假设、失效条件和模型真实增量。

首轮 v0.2 验证结论（历史对照）

回测的职责是推翻不可靠的规则。下面是数据库跑出的结论，不代表模型已经有效；标为反向或样本外为负的部分必须降权。

项目	当前事实
已验证范围	67个月、313,492条时点快照；8个因子、3种中性口径、4个持有期；35组组合回测。
相对有效	估值因子的12M跨期结果为正；金融型与稳定收益型的类型专用模型保留B级证据。
尚未证明	综合投资分12M接近无效；质量、前景、高效复利、十倍潜力等量化分在首轮长样本中多数反向。
策略结论	质量合理价是当前较强候选，但季度样本外同类超额仍为负；十倍潜力和资本投入成长不能机械买入。
数据边界	已退市证券主表和历史行业迁移尚未补齐，因此不存在A级证据；AI只做2026-07-12之后的前向验证。

双验证 v0.3 当前结论

下面把“企业后来经营得怎样”和“当时买入能否赚钱”分开。企业判断有效，不代表股票判断有效；组合上涨，也不代表跑赢了可比基准。

项目	数据库实证
数据地基	79个月、383,004条时点快照、1,915,020条五周期兑现结果；未来财报泄漏为0，80个进出场与复权收益复算为0误差。
企业判断	公司前景和十倍潜力量化分与未来12/24个月经营兑现呈明显正向；公司质量和高效复利分按当前公式反而偏弱，需要重构，不能因为名称好听就保留权重。
股票判断	估值分在12个月的平均排序相关约0.112、高低分层收益差约7.2%；24个月约0.157和16.5%。公司前景与十倍潜力虽能解释经营成长，却没有直接转化为股票超额收益。
综合基线	企业综合基线在最终样本外为正，但滚动前向仍不显著；股票综合基线最终样本外反向，高低分层差约-10.5%。
组合结论	季度质量合理价组合全期净收益约20.5%，同类基准约52.2%，超额约-20.9%；滚动前向超额约-13.9%。当前不能作为直接买入策略。
证据边界	现有历史最多给予B级观察证据；判断把握度只表示数据完整性，不参与收益预测；AI只做2026年以后的真实前向验证。

分数应该怎么用

指标	正确用法
投资分	综合筛选入口，不能单独作为买入信号。
高效复利	寻找好生意：资本效率高、现金流好、长期留存资本能继续高回报再投。
十倍潜力	寻找高成长研究线索：空间、速度、估值起点和兑现概率都要成立。
估值	判断价格相对价值是否便宜；高质量公司也可能因为价格太贵而不适合买。
AI 模型分	用于补充商业理解、护城河和风险判断；多模型分歧大时必须人工复核。
判断把握度	代表数据和结论可用程度，不代表股票一定安全。低把握度先做数据审计。

商业模式分类与专用模型

不同类型公司使用不同评分模型，但回测规则必须统一。分类是使用指标的入口，不是买入结论；每家公司还要结合生命周期、估值、风险和同类历史证据。

商业模式	专用模型重点
高效复利型	ROIC、增量回报、现金转化、再投资空间
平台与软件型	边际成本、可扩张性、留存、研发效率
资本投入成长型	扩产兑现、产能利用率、单位成本、资产负债表
周期资源型	中周期利润、成本位置、供需与资本开支周期
金融型	ROE、资产质量、拨备与资本充足，避免普通企业现金流口径
稳定收益型	维护性资本开支、债务覆盖、分红可持续性
研发期成长型	现金生存期、研发兑现、市场空间与稀释风险
困境反转型	生存能力、债务、毛利修复与治理变化
综合经营型	证据不足时使用通用模型，并降低分类依据充分度

从个股研究到决策

先在个股概览确认系统分类和同类分位，再到策略中心检查对应策略的证据等级。只有“类型模型适用、公司处在同类高分层、同类超额为正、样本外不为负、估值和风险可接受”才形成量化支持；B级标签本身不够。最后在人工复核页写下投资逻辑、反方观点、关键假设、仓位上限、跟踪指标和失效条件；未来财报用这些事先记录的条件复盘，而不是事后改故事。

必须人工判断的边界

人工判断项	为什么不能全交给模型
商业本质	系统能算利润率和 ROIC，但不能完全理解客户为什么持续付钱。人要判断生意是不是“省力赚钱”的好生意。
护城河真假	AI 可以给护城河分，但人要判断优势来自长期结构，还是来自短期供需、政策、价格周期。
资本开支解释	负自由现金流可能是高回报扩张，也可能是苦生意吞现金。必须结合新增资本回报和行业空间判断。
估值假设	内在价值不是目标价。Owner Earnings、合理倍数、增长年限需要人复核，尤其是周期股和亏损成长股。
仓位纪律	分数只解决排序，不自动决定买多少。仓位要由确定性、赔率、流动性、风险承受能力决定。
卖出条件	买入前就要写下卖出触发器：逻辑破坏、估值过高、管理层问题、财务质量恶化或更优机会。

回测与验证方法论

1. 历史快照 Point-in-Time Snapshots

把每个历史时间点“当时可见”的财务、行情、AI/量化分数保存下来，避免用未来数据解释过去。

怎么建

每月或每季度生成一次 stock_score_snapshots。
只允许使用 publish_date <= snapshot_date 的财报。
价格、估值、市值只能取 snapshot_date 当天或之前最近交易日。
AI 历史回测暂时只做向前验证；不要让 AI 使用今天的认知回评过去。

合格标准：任意抽查一家公司，快照里的财报发布日期、价格日期都不得晚于快照日。

2. 分层验证 Bucket Test

检验高分组是否真的比低分组更好，而不是只看几个案例感觉正确。

怎么建

按投资分、高效复利、十倍潜力、估值、风险等维度分成 5 或 10 组。
计算 1M、3M、6M、12M、24M 未来收益，以及最大回撤和胜率。
观察 Top 组是否长期、稳定地优于 Bottom 组。
单独比较价值型、成长型、周期型、金融地产等不同样本。

合格标准：高分组在多个窗口有更高收益/更低回撤，且不是只靠少数极端股票贡献。

3. 行业/市值中性验证 Neutralized Test

确认分数本身有效，而不是因为碰巧押中了某个行业或小市值风格。

怎么建

在同一申万一级行业内排序，再做行业内 Top/Bottom 组合。
按市值分组后分别检验，或对收益做行业、市值暴露回归残差。
构建行业等权、行业中性、市值中性三种组合并比较。
检查是否长期偏向微盘、单一赛道或高波动股票。

合格标准：剥离行业和市值影响后，高分组仍能表现更好，或者至少能降低风险。

4. 交易成本验证 Transaction Cost

把换手、滑点、冲击成本放进去，确认纸面收益能不能真实落地。

怎么建

按股票流动性设置手续费、印花税、滑点和冲击成本。
限制单票成交额占日均成交额比例，避免回测买到现实买不到的量。
比较月度、季度、半年再平衡下的收益和换手。
记录 implementation shortfall：从决策价格到实际成交价格的损耗。

合格标准：扣除成本后仍有超额收益；高换手策略不能只靠频繁调仓创造幻觉。

5. 样本外验证 Out-of-Sample

检验模型离开开发样本后是否还有效，防止过拟合。

怎么建

把历史切成训练期、验证期、样本外测试期。
参数只能在训练期确定，不能根据样本外结果反复改。
固定切分使用 60% 训练、20% 验证、20% 最终样本外。
滚动前向以至少 36 期历史起步，冻结参数检验后续 12 期，再扩展历史窗口。
把未来 6-12 个月作为真实前向跟踪，不急着下结论。

合格标准：样本外结果不需要完美，但不能和样本内完全相反；回撤、胜率、行业暴露要在可接受范围。

落库建议

表/脚本	作用	关键要求
stock_score_snapshots	保存历史时点可见的分数与关键指标	严禁使用 snapshot_date 之后的数据
stock_snapshot_outcomes	分开保存经营兑现与股票/市场/行业/同类收益	进场在快照日之后，经营结果严格按披露日截止
factor_bucket_returns	保存分层组合未来收益	同时记录等权、市值加权、行业中性版本
research_metric_definitions / stock_factor_values	登记可用指标与每期指标值	网页不能执行任意 SQL 或 Python
research_experiments	保存冻结实验、时间切分和滚动前向结果	参数改动必须复制为新版本
backtest_runs / positions / trades / nav	保存完整组合回测过程	记录调仓日、交易成本、持仓权重和净值
manual_research_notes	保存人工复核结论	记录买入假设、否决原因、仓位上限、跟踪指标和卖出触发器

参考资料

Fama-French Data Library：因子组合通常要做分组、规模控制和长期样本验证。查看

Bailey / López de Prado：回测过拟合需要用样本外、交叉验证和严格流程控制。查看

CFA Institute：交易成本要看 implementation shortfall，不只看显性手续费。查看