全球股票每日智能分析与次日收盘预测，支持滚动精度追踪与自我进化机制，输出结构化投资报告
说明：
## 核心用法
**Daily Stock Analysis** 是一款面向全球股票市场的**确定性每日分析技能**，核心功能包括：
– **次日收盘价格预测**（`pred_close_t1`）
– **历史预测回顾与误差分析**（AE绝对误差、APE百分比误差）
– **滚动精度追踪**（1/3/7/30日窗口）
– **自我进化机制**：从预测失误中提取1-3项具体改进行动，用于优化未来假设
**标准执行流程**：
1. 运行 `report_manager.py plan` 规划输出路径并收集历史报告
2. 运行 `calc_accuracy.py` 计算多窗口滚动精度
3. 按模板渲染报告，保存至 `YYYY-MM-DD–analysis.md`
4. 执行自我复盘，记录 `improvement_actions`
**兼容模式**：当Python脚本不可用时，降级为极简模式，最多读取3份历史报告，仅输出核心字段。
## 显著优点
– **闭环反馈设计**：强制性的”预测→验证→复盘→改进”机制，实现持续迭代优化
– **确定性输出**：严格的文件命名、路径规范和必填字段约束，避免执行漂移
– **精度可量化**：1/3/7/30日多窗口滚动精度，便于用户评估长期可靠性
– **双模式适配**：标准脚本模式与极简兼容模式，适应不同环境限制
– **合规内置**：自动附加风险提示，符合金融内容监管要求
## 潜在局限与风险
| 维度 | 说明 |
|——|——|
| **预测本质** | 所有价格预测均为概率推断，非确定性结果，存在固有预测误差 |
| **历史依赖** | 滚动精度依赖历史报告完整性，早期数据缺失时统计意义有限 |
| **模型限制** | 兼容模式下信息源缩减（仅1官方+1市场数据源），分析深度受限 |
| **市场极端事件** | 黑天鹅事件、政策突变等不可预测因素可能使历史模式失效 |
| **用户误用风险** | 需明确区分”研究参考”与”投资建议”，避免用户过度依赖 |
## 适合人群
– **量化研究者**：需要系统化追踪预测精度的数据驱动型用户
– **职业投资者**：建立个人股票跟踪体系，要求可审计的决策记录
– **金融开发者**：需要结构化、可程序化处理的投资分析报告
– **自律型交易者**：愿意每日执行固定分析流程，重视复盘改进
## 常规风险提示
?? 技能强制附加合规声明：内容仅供研究参考，不构成投资建议或收益保证。市场存在风险，投资需谨慎。建议设置为工作日定时任务（如10:00），保持预测-复盘窗口连续性。
会员专属
