usage.md

使用指南

这份文档放 README 之外的日常用法：安装、CLI 命令、Python 调用、上下文注入和评估闭环。

安装

pip install -e .
cp .env.example .env

如果暂时不用 LLM 排序，运行命令时加 --no-llm 即可，不需要配置模型 key。

三步跑通

alphasift strategies

alphasift screen dual_low --no-llm --explain

alphasift screen dual_low --no-llm --save-run
alphasift runs
alphasift evaluate <run_id> --explain

常用场景

使用 LLM 横向排序：

alphasift screen balanced_alpha

复用其他项目的 LiteLLM 配置文件：

alphasift --env-file /home/ubuntu/daily_ai_assistant/.env screen balanced_alpha

带市场、主题或新闻背景的 LLM 排序：

alphasift screen balanced_alpha --context "今日券商板块放量，低估值金融获得资金回流"

注入按候选代码对齐的新闻、公告、资金流或研究摘要：

alphasift screen balanced_alpha --candidate-context-file candidate_context.csv

默认运行本地 L3 scorecard 后置评分器：

alphasift screen balanced_alpha --explain

追加 DSA 作为可选 L3 后置分析器之一：

alphasift screen dual_low --post-analyzer dsa

显式关闭 L3 后置评分或分析：

alphasift screen dual_low --no-post-analysis

项目和策略自检：

alphasift audit
alphasift audit --json

刷新行业、概念、板块热度映射缓存：

alphasift industry-cache --output data/industry_map.csv --explain
alphasift screen balanced_alpha --industry-map-file data/industry_map.csv

批量评估最近保存的运行：

alphasift evaluate-batch --limit 20 --explain

评估时额外抓取日 K 路径，输出最大回撤和最大浮盈：

alphasift evaluate <run_id> --with-price-path --explain

Python 调用

from alphasift import evaluate_saved_run, evaluate_saved_runs, screen

result = screen("dual_low", use_llm=False)
for p in result.picks:
    print(f"{p.rank}. {p.code} {p.name} score={p.final_score:.1f}")

保存与评估

alphasift screen --save-run 会保存策略版本、数据源、降级记录、候选、分数、风险字段、后置分析结果和保存时价格。后续可用：

alphasift evaluate <run_id> --explain
alphasift evaluate-batch --limit 20 --explain

评估会用保存时价格与评估时最新快照价格计算 T+N 收益、胜率、缺失报价、交易成本扣减、等权组合摘要和形态后验标签。启用 --with-price-path 后，会额外估算最大回撤和最大浮盈。

自定义策略

在 strategies/ 目录添加 YAML 文件即可，文件名就是策略标识。完整写法见 strategy-guide.md，内置策略说明见 ../strategies/README.md。