SFW-10.0 · 股票分析认知固件（生产级实现）

SFW-10.0 · 回测闭环 + 概率校准 的生产化实现：把原有的单文件原型（sfw7_core.py 等）重构为可安装、可配置、可测试、数据驱动、带 CLI 的 Python 包。

本包输出含启发式表达层（九维概率云 / 卦象 / 沙盘概率），不构成投资建议， 不预测涨跌，不承诺收益。具体决策与风险由个人承担。

发布与存档

• PyPI：pip install sfw-cognitive → https://pypi.org/project/sfw-cognitive/
• 源码（GitHub，开源）：https://github.com/q1z2q3-debug/sfw-cognitive
• 存档（Zenodo · DOI 10.5281/zenodo.23040435）：https://zenodo.org/record/23040435
• 认知固件（即用型提示词，全英文 · SFW-12.0，SFW-11.5 的认知升级版）： firmware/SFW-12.0-cognition-augmented-en.md · Zenodo 独立存档 DOI 10.5281/zenodo.23040599 · https://zenodo.org/record/23040599

1. 安装

要求 Python ≥ 3.10，依赖 numpy 与 PyYAML。

cd sfw-10.0-prod
pip install -e .            # 常规安装（含 CLI `sfw`）
pip install -e ".[dev]"     # 开发安装（含 pytest）

2. 用法

分析一个标的

sfw analyze data/pingan_000001.yaml                # 打印 Markdown 报告
sfw analyze data/pingan_000001.yaml --out report.md --json result.json
sfw analyze data/pingan_000001.yaml --config config/my.yaml --market-vol 0.25

data/pingan_000001.yaml 含 valuation.bank 段，analyze 会额外输出 银行专项三表模型（银行口径）与专项估值。

拉取实时行情（可选依赖）

pip install "sfw-cognitive[data]"     # 安装 pandas + akshare
sfw fetch sz000001 --name 平安银行 --out data/auto_sz000001.yaml

自动拉取行情与九维技术面指标；PE/PB/股息率/三表等需人工补充后再分析。 无 akshare 时该命令会明确报错，不影响其余功能。

大模型内化（Dual-System · 可选）

把认知固件对九维状态的判断内化成语义化快速模式库（System 1）：重复/邻近状态 直接命中历史判断（无需重跑完整推理/LLM，System 2），并通过反馈回灌强化置信， 遵循 school → internalize → graduate 的成长曲线，LLM 依赖逐步下降。

sfw analyze data/pingan_000001.yaml --internalize    # 分析并把本次判断写入模式库
sfw internalize status                                # 内化阶段 / 覆盖率 / LLM 依赖度
sfw internalize learn --state "1,0.9,0,1,-1,0,1,0.8,-1" --input "平安银行" --action "verdict=偏多"
sfw internalize feedback --hash <hash> --success True  # 回灌成功/失败以强化模式
sfw internalize reset                                  # 清空模式库

• 模式库默认 output/sfw_patterns.json（已 gitignore）。
• 可选：委托 btcu-harness 的 System 1 模式库获得完整保真—— pip install "sfw-cognitive[btcu]"（模式匹配语义对齐其 System1PatternLibrary）。

自检（单元测试）

sfw selfcheck          # 等价于：python -m pytest tests/

版本

sfw version

3. 结构

sfw-10.0-prod/
├── pyproject.toml          # 打包元数据 + CLI 入口（sfw）
├── config/default.yaml     # 引擎/评分/估值/回测 算法参数（唯一可调参数库）
├── .github/workflows/      # CI (ci.yml) + 发布 (release.yml)
├── Makefile                # install/test/lint/build/run/fetch
├── Dockerfile              # 多阶段构建、非 root、HEALTHCHECK
├── docker-compose.yml      # 编排（数据/配置只读注入）
├── src/sfw/
│   ├── config.py           # 配置加载与校验（深度合并 + 白名单）
│   ├── core.py             # 认知引擎（概率云/分形/裂变/拓扑/涌现/存在）
│   ├── scoring.py          # 九维评分卡 + 银行专项评分
│   ├── valuation.py        # 通用三表预测 + 多方法估值 + 敏感性
│   ├── bank_model.py       # 银行专用三表模板 + 银行敏感性 + PB-ROE/DDM 专项估值
│   ├── market_data.py      # 实时行情接入（akshare 适配，可选依赖、优雅降级）
│   ├── internalize.py      # 大模型内化：双系统 S1模式库/S2推演 + 反馈回灌 + 毕业判定
│   ├── backtest.py         # 回测指标 + 组合相关性
│   ├── data.py             # 输入数据模式、加载与校验
│   ├── report.py           # SFW-10.0 报告渲染与流水线编排
│   └── cli.py              # 命令行入口（analyze / fetch / selfcheck / version）
├── data/pingan_000001.yaml # 示例标的输入数据（含银行三表输入）
└── tests/                  # 单元测试（核心/评分/估值/银行模型/行情/数据/流水线）

4. 生产化要点

• 数据驱动：业务数值全部来自 data/*.yaml，引擎不做任何硬编码标的； 新增标的只需新增数据文件。
• 配置集中：阈值/权重/温度等算法参数集中在 config/default.yaml， 可通过 --config 覆盖，运行时做类型与范围校验。
• 银行专用三表：bank_model.py 提供银行口径三表（利息净收入、手续费、 其他非息、信用减值/拨备）与专项估值（PB-ROE、历史PB分位、DDM）及 敏感性（LPR/不良率/存款成本/信贷增速），由 valuation.bank 输入驱动。
• 实时行情接入：market_data.py 封装 akshare 取数与九维指标计算， 缺依赖/网络时明确降级为"数据不可得"，不编造数值。
• 缺失数据显式处理：缺失指标按中性(0)处理，并在报告中标注"数据不可得"， 不静默失败、不编造数值。
• 可测试：tests/ 覆盖核心、评分、估值、银行模型、行情、数据校验与 完整流水线 + 大模型内化（当前 60 个用例）。
• CI/CD：GitHub Actions（多 Python 版本 lint + 测试 + 构建）、Makefile、 Dockerfile（多阶段、非 root、HEALTHCHECK）、docker-compose。
• 合规：报告固定输出免责声明；回测默认使用确定性随机模拟数据并明确标注。

5. 新增一个标的

1. 复制 data/pingan_000001.yaml 为 data/<标的>.yaml；
2. 填写 meta（名称/代码/日期/反方/证伪）、market（价格/估值）、 scoring（九维指标，缺失项省略即可）、valuation（三表与估值输入）；
3. （可选）银行股：在 valuation.bank 填入生息资产/净息差/不良率/拨备/ 资本/股息等输入，analyze 会额外输出银行专项三表与专项估值；
4. 运行 sfw analyze data/<标的>.yaml --out <标的>.md。

6. 说明与局限

• 九维概率云、卦象、沙盘情境概率均为启发式表达层，非外部统计或期权隐含 数据，报告已显式标注主观性。
• 回测为确定性模拟数据，仅用于演示与自检；接入真实行情后方可作决策参考。
• 组合相关性返回的是行业经验值估算，非实测。