scm-policy-analysis 1.0.0

合成控制法政策效应分析系统 — 评估宏观经济政策对A股市场影响的自动化因果推断工具

合成控制法政策效应分析系统

评估宏观经济政策对 A 股市场影响的自动化因果推断工具——基于合成控制法（Synthetic Control Method）。

pip install . && scm-analysis --user-file data/user_input.csv

---

快速上手

安装

git clone https://github.com/Z7X2C7/scm-policy-analysis && cd scm-policy-analysis

# 基础安装（CLI）
pip install .

# 带 GUI 桌面端
pip install .[gui]

# 开发模式（含测试/格式化工具）
pip install -e ".[dev]"
pre-commit install

准备数据

在 data/user_input.csv 中写入政策和股票信息，格式如下：

policy_name	policy_date	treatment_stock_code	treatment_stock_name	donor_stock_code	donor_stock_name
政策名称	2024-01-15	002594.SZ	比亚迪	601238.SH	广汽集团

• policy_name — 政策名称（必填）
• policy_date — 政策发布日期（必填）
• treatment_stock_code / treatment_stock_name — 处理股票，至少填一项
• donor_stock_code / donor_stock_name — 供体池股票，可选
  • 提供 → 全量使用，不做截断，SCM 算法自动分配权重
  • 留空 → 系统调用 DeepSeek API 按同行业规则自动补充

已有示例文件可直接使用：

cp examples/sample_input.csv data/user_input.csv

运行

命令行 (CLI)：

# 使用默认数据文件
scm-analysis

# 指定文件和分析参数
scm-analysis --user-file data/my_policy.csv --pre-months 18 --post-months 12

# 强制刷新缓存
scm-analysis --force-refresh --no-cache

桌面应用 (GUI)：

python -m src.gui
# 或
python run_gui.py

查看结果

结果保存在 output/ 目录：

• output/report.html — 完整分析报告
• output/result/ — 政策效应汇总 CSV
• output/charts/ — Matplotlib / Plotly 图表
• output/placebo/ — 安慰剂检验结果

---

核心流程

用户 CSV  →  数据校验  →  提取/补充供体池
                              ↓
                       baostock 行情
                              ↓
                       月度综合指标
                              ↓
                        SCM 权重求解
                              ↓
                   空间安慰剂检验 + 时间安慰剂检验
                              ↓
                         HTML 报告

合成控制法

src/sc_optimizer.py 基于 scipy.optimize.minimize 求解权重：

• 约束：权重非负、求和为 1、每只股票权重 ≤ 0.5
• 政策效应：处理单元实际值 − 合成控制值
• MSPE：政策前均方预测误差，衡量拟合质量

双重安慰剂检验

类型	方法	目的
空间安慰剂	将每只供体股票假想为处理单元，重新跑 SCM	真实效应是否显著大于随机效应
时间安慰剂	将政策日期向前平移 3/6 个月，重新跑 SCM	效应是否确实由该政策事件导致

详见 架构文档。

---

目录结构

├── src/                  # 源代码
│   ├── config.py         # 全局配置（环境变量驱动）
│   ├── sc_optimizer.py   # SCM 核心优化（SLSQP + NNLS 备选）
│   ├── synthetic_control.py  # 高层调度 + 留一法检验
│   ├── data_fetcher.py   # baostock 行情获取（带缓存）
│   ├── data_processor.py # 日度→月度指标计算
│   ├── weight_calculator.py  # 4 指标等权 → composite_indicator
│   ├── data_validator.py # 数据校验 + AI 补全
│   ├── policy_generator.py  # 政策-股票映射表生成
│   ├── donor_pool_cleaner.py  # 供体池清洗
│   ├── post_treatment_placebo.py  # 时间安慰剂检验
│   ├── visualization.py  # 报告与图表
│   ├── placebo_visualization.py  # Nature 期刊风格图表
│   └── gui/              # PyQt6 桌面应用
├── tests/                # 62 个 pytest 测试
├── docs/                 # 文档
├── main.py               # CLI 入口
├── run_gui.py            # GUI 入口
├── pyproject.toml        # 包配置
└── data/                 # 数据与缓存

环境变量

变量	说明	默认值
DEEPSEEK_API_KEY	DeepSeek API 密钥（供体补充/数据补全）	空（跳过 AI 功能）
DEEPSEEK_MODEL	模型名	deepseek-chat
LOG_LEVEL	日志级别	INFO

可复制 .env.example 为 .env 填写。核心分析功能完全不需要 API Key，仅可选的数据补全和供体推荐依赖 AI。

开发

pip install -e ".[dev]"    # 安装开发依赖
pre-commit install         # 安装 pre-commit 钩子
pytest tests/ -v           # 运行 62 个测试
ruff check src/            # 代码检查
black src/                 # 自动格式化

技术栈

• SCM 求解: scipy.optimize.minimize (SLSQP) + NNLS 备选
• 行情数据: baostock (免费 A 股数据)
• 可视化: Matplotlib / Plotly / Seaborn
• AI 辅助: DeepSeek API（可选）
• 桌面端: PyQt6
• 质量工具: pytest / ruff / black / isort / mypy / pre-commit

许可证

MIT License