version: "1.0.0" name: next-day-prediction description: 当用户想知道明天或近期行情方向、涨跌概率、模型对个股/大盘的看法时使用（例如"明天大概怎么走""次日预测""模型怎么看""给个方向"）。先校验 ML 模型是否在有效期内，再输出次日收益预测分与模型近期 IC 作为可靠性参考。

次日预测

何时使用

命中以下任意一种说法，就走这个技能：

• "明天大概怎么走？"
• "次日预测一下"
• "模型怎么看？"
• "给个方向，别废话"
• "这几只票明天谁更可能涨？"
• "今天的模型分数出了吗 / 新鲜不新鲜？"

不适用：用户问的是长期逻辑、产业链、估值（那走研究员/知识图谱技能）；用户要是问"该不该买"，只给统计结果，不给买卖建议（见合规边界）。

轻问 vs 深问（成本控制）

哪一步最贵：factor-miner-ml_predict 最贵——它要为每只标的取因子快照，Redis 里没有快照时会现场重算 Alpha158 因子（IO + 计算密集）。ml_metrics 只读模型状态，几乎免费，但每次预测前都必须先调它，用极小成本换掉"拿过期模型忽悠用户"的风险。

批量场景（>5 只标的）：不要串行一只一只打，优先把多只标的的 klines 一次性塞进 klines_list 数组一次调用。若换成 K 线大模型预测这类重任务，先提交拿 job_id，再用 job_status 轮询，不要傻等。

工具链

第 0 步：确认模型是否新鲜（强制，不可跳过）

调 factor-miner-ml_metrics()，不传参数。从返回里看：

• 最后一次训练日期（last training date）
• 该模型的 IC / rank_ic / sharpe 等当日指标
• 模型文件是否存在
• model_type 是 lgbm 还是 master

判断规则（必须明说，不能含糊）：

• 最后训练日 == 最近一个交易日 → 模型新鲜，预测可用。
• 最后训练日晚于今日 1～2 个交易日 → 可用但标注"模型是 N 天前训练的"。
• 最后训练日距今明显滞后（超过约 3 个交易日，或明显跨周跨假期）→ 判定模型过期，必须明确告诉用户"当前模型预测不可用/可靠性不足"，不要拿旧分数当方向依据。
• 模型文件不存在或 metrics 为空 → 直接说没训练过，请用户先跑训练，不要编预测。

第 1 步：拿 K 线数据

factor-miner-ml_predict 需要 klines_list，格式：

klines_list = [ { "symbol": "sh600519", "klines": [ {date, open, high, low, close, volume}, ... ] } ]

数据来源二选一，先问清楚再动手：

1. 用户自己提供 K 线文件/数据（最常见）——让用户给股票代码列表和 K 线，至少覆盖因子回看需要的长度（Alpha158 系的均线类因子要求 ≥ 62 根，建议给 120 根以上更稳）。
2. 用户没数据时，说明可以从工程端的数据集取（日频 K 线数据集/Redis 因子快照），或让用户先跑 factor-miner-update_data 更新行情再预测。不要凭空捏造 K 线。

第 2 步：出预测分

调 factor-miner-ml_predict(klines_list=<上一步数据>, model="lgbm")。

• model="lgbm" 是默认后端，走 Redis 因子快照，没有快照时回退现场算因子。
• 只有当用户明确要 MASTER 深度模型、且确实有足够长的特征序列时，才用 model="master"（需先跑过 master 训练，对序列长度有要求）；普通次日预测不要默认切它。
• 返回是预测分字典 {symbol: score}。分数高低是相对排序，不是百分比收益。

第 3 步（可选）：交叉验证

用户要"更稳一点"，或分数与直觉/新闻严重冲突时，可对同一标的额外跑 kronos-forecast_signal（传 klines + pred_len），用它的 direction / expected_return_pct / confidence 做交叉参考。注意它慢 N 倍（N=采样次数），只在少数标的上用。

第 4 步（可选）：重任务轮询

若用户要求跑训练/批量回测：先提交拿 job_id，再用 job_status(job_id) 轮询，返回 running 就继续轮询，done 再读结果，error 就读 error 字段。不要原地等待、不要反复重投。

记忆回路（前查后记）

本技能的历史参照维度是模型历史预测准确率：不是"用户持仓赚没赚"，而是"这个模型在相似状态下给出的次日排序，历史上有多少次真的对上了"。这个记忆对用户的价值在于——IC 只告诉你模型训练时有多好，而记忆记录的是它上线后真实兑现了多少次；当同一模型类型、相近 IC 区间的历史命中率长期偏低时，即便模型"新鲜"，也应把可靠性参考下调并明说，避免用户把过期或漂移的信号当成方向依据。

输出格式

Agent 的输出契约，按此顺序：

1. 模型状态（必出，一行结论）

• 最后训练日、是否在有效期、model_type
• 过期就写："⚠️ 模型最后训练日为 X，已过期，本次预测仅供参考/不可用"

1. 预测结果表（按分数降序）

• 列：股票代码 | 次日预测分 | 模型近期 IC（rank_ic）| 备注

1. 可靠性参考（必出）

• 引用第 0 步读到的 IC / rank_ic / sharpe；IC 低（例如 |IC| < 0.03）要明说"信号偏弱，区分度有限"

1. 方向解读

• 只做相对排序描述：谁的分更高、分差是否明显、高分组 vs 低分组
• 不给目标价、不给买卖点位

1. 数据与口径说明

• K 线来源、根数、预测时间点；是否用了 master/Kronos
• 固定句："以上为模型输出，非承诺；不构成投资建议。"

轻问可压缩成 3～5 行（模型状态 + 分数排序 + 可靠性 + 免责）；深问补齐表格与逐条备注。

历史参照（必填小节）：若检索到同类历史，写明「类似情境 N 次，其中 X 次 <本技能的判断维度> 正确」；

无历史则写「首次记录此类情境，本次判断已存入记忆供将来对照」。

合规边界

• 只输出统计计算结果：预测分、排序、IC/rank_ic/sharpe 等模型指标。
• 不输出买入/卖出/加仓/减仓建议，不输出目标价、止盈止损价位、仓位建议、收益承诺或"必涨/稳赚"这类表述。
• 不把模型分数翻译成"能涨 X%"；预测分是横截面相对排序，不是收益预期。
• 涉及任何预测模型（LGBM / MASTER / Kronos），必须声明"模型输出，非承诺"。
• 模型数据不足或已过期时，宁可说"不可用"，也不要给方向。
• 用户问到具体交易决策时，只提供计算依据，决策由用户自己做。

常见问题

1. K 线太短导致预测失败或失真：Alpha158 因子里有 ma_60 这类长周期项，历史不足 62 根会大量 NaN。至少给 62 根，实用建议 120 根以上；不够就明确让用户补数据，不要自动缩窗口硬跑。
2. 分数没有绝对值意义：预测分高低只说明"同期这批标的里模型更看好谁"。跨批次、跨日期、不同股票池之间的分数不可直接比较，报告里最好固定同一批标的出分。
3. Redis 没快照会变慢：ml_predict 优先读 Redis 的因子快照，缺失时现场重算，会明显变慢甚至超时。标的数量多时先说明预计耗时，或改用批量一次提交；也可先跑每日因子计算任务把快照刷出来。
4. 节假日/停牌：最近交易日不等于自然日，判断模型是否过期时按交易日算，别用自然日差几天就误判过期。