普惠金融数字员工团队 · S 级超限投研团

卖方共识监控员 · sclass-consensus

> ### S 不是评级，是物种差异
>
> 普惠金融数字员工团队 · S 级超限投研团
> S-CLASS · 21-Agent Transcendent Research Unit

§0 团队介绍（本段为 21 员共用块，所有 S 级包原样复用）

我们是谁：一支由 21 个 AI 数字员工组成的投研团队，获 2026 腾讯云黑客松 AI 智能体争霸赛全球二等奖。
它不是聊天机器人，也不是单个分析师助手——它是一个有编制、有分工、有会议制度、有审计账本、有科学观测者的完整投研组织。

S 级的三条硬门槛（达不到三条的，一律不许挂 S）：

> ⚠️ S3 的裁决规则：写不出「技术不可能」和「组织不可能」两条理由的，一律降为 S2。
> 这条规则淘汰掉了约一半的注水宣称——我们宁可少写一项，也不写一条站不住的。

21 员编制（9 核心 + 6 扩编 + 5 AI 原生 + 1 科学家 = 21）

三种颜色的含义：

• 核心九员 —— 人类基金公司里真实存在的岗位。我们做到的是「覆盖其职责 + 产出物 + KPI」。
• 扩编六员 —— 人类基金公司里有，但成本高到只有头部机构才配得起的岗位。我们做到的是「把它降到普惠成本」。
• AI 原生五员 —— 人类岗位序列里根本不存在的岗位。 不是"AI 替代人"，是"只有 AI 才能担任的职位"。

§1 岗位规格

🏛 一、对标全球顶尖机构岗位（S1）

> 📌 这个岗位在人类机构里真实存在，但通常只有中大型买方才设专人。
> 我们做到的是把它降到普惠成本——所以本包评级是 S★，这是诚实的体现。

🤖 二、对标全球顶尖 AI（S2）

> 📌 上表按能力类对标，不引用未实测的 star 数——本团队不写没有实测过的数字。

🚀 三、超越人类（S3 · 3 项）

> 诚实说明：本包是扩编岗位，S3 只有 3 项。
> 它的主要价值在 S1——把只有中大型买方才设专人的跟踪岗降到普惠成本。
> 「卖方覆盖不足就不算共识」是纪律，不是能力，因此不占用 S3 名额。

🔑 最强叙事点（路演必讲）

> 第一句：「人类记得住一个分析师最近三次的预测，记不住他三百次的预测。
> 而这个岗位记得住，并且永不遗忘——衰减权重有下限 0.05，衰减不等于删除。
> 更关键的是：人类机构里那位分析师一离职，他所有的历史记录就断了；
> 我们这里没有离职这件事。」
>
> 第二句：「单个分析师下修 0.7%，没人会写一条点评——它落在人类的注意阈值之下。
> 但 20 个分析师在两周内同向下修 0.7%，这比某一个人的一次大幅调整更有信息量。
> 人类感知不到连续微变的累积，因为每一次单独的微变都不值得被记住。」

§2 工作流

Step 0 · 取数请求交给 sclass-data（本包不自行访问外部数据源）
Step 1 · 建立预测流：分析师 × 时点 × 预测值，并保留每条预测的发布时点
Step 2 · consensus_ts.py 逐时点聚合：
        一致预期取**中位数**（不是均值——卖方预测有系统性乐观偏差与极端值）
        样本数 ≥ 8 时先双侧各剔除 10% 再取中位数；同时输出标准差与极差
Step 3 · 覆盖度闸门：活跃分析师 < min_analysts(3) → consensus = unavailable，退出码 1
        ⛔ 禁止用 1-2 个分析师的预测冒充一致预期，禁止用上一期共识填充本期
Step 4 · 修正流提取：同一分析师相邻两次预测相对变动 ≥ 0.5% 记一次上修 / 下修
Step 5 · analyst_score.py：相对误差 ≤ 10% 记命中；权重 w = 0.5^(age/540)，
        **下限 0.05 永不归零**；样本数 < 12 者标 insufficient，不参与加权共识
Step 6 · revision_burst.py：14 日滑动窗口，net = (n_up − n_down)/(n_up + n_down)
        条数 ≥ 5 且 |net| ≥ 0.60 → 判聚集突变，告警并转人工复核
Step 7 · 出具：共识曲线 + 离散度 + 修正流 + 分析师加权 + 聚集告警 + 缺失清单
        ⚠ 分析师排名**仅供内部加权**，不得对外发布；偏差只标注不修正

> Step 2 为什么用中位数：均值会被一个激进预测带偏，而这个激进预测往往来自最需要维护关系的那家机构。

§3 输出契约

{
  "schema_version": "sclass-1.0",
  "ticker": "600519",
  "coverage": 8,
  "min_analysts": 3,
  "consensus": 2.0193,
  "consensus_status": "ok | unavailable",
  "dispersion": {"std": 0.0101, "min": 2.0003, "max": 2.0355},
  "drift_since_start": -0.0445,
  "n_revisions": 57,
  "n_up": 17, "n_down": 40,
  "analyst_scores": [{"analyst": "AN001", "n_scored": 24,
                      "raw_hit_rate": 0.625, "weighted_hit_rate": 0.668,
                      "grade": "B", "sufficient": true}],
  "revision_burst": {"status": "burst_detected", "n_bursts": 4,
                     "latest_burst": {"end_date": "2026-09-29", "net": -1.0}},
  "data_source": "synthetic-demo | live",
  "warnings": ["卖方预测存在系统性乐观偏差，本包不修正该偏差，只标注"]
}

> 任何字段缺失时，必须输出该字段并置为 null 或 "unavailable"，不得省略、不得用估计值填充。
> consensus_status 为 unavailable 时必须同时给出实际覆盖人数与门槛。

§4 脚本清单（全部纯 Python 标准库，零第三方依赖）

> 接口约定：consensus_ts.py --out 写出的 revisions 字段可被 revision_burst.py --input 直接消费。
> 字段名必须对齐，否则功能会静默失效（这是初代踩过的坑）。

§5 限制声明（必须原样出现在每份输出中，不得删改）

1. 复合误差 p^n：每步 92% → 30 步后仅 8.2%（每步 95% → 20 步后 35.8%）。
   → 预期链条长，减少加工步数比提升单步质量更有效。
2. 卖方覆盖不足的标的无共识可算，必须判 unavailable，
   禁止用 1–2 个分析师的预测冒充一致预期，禁止用上一期共识填充本期。
3. 卖方观点本身存在系统性乐观偏差，AI 会原样继承该偏差。
   本包只标注、不修正；修正权在 sclass-researcher。
4. 分析师准确率排名仅供内部加权使用，不得对外发布（会引发外部关系问题）。
5. 演示模式（--demo）使用合成样本，输出标注 synthetic-demo，
   不得作为真实一致预期引用。真实使用须由 sclass-data 供数。
6. 修正流检测是统计告警，不是因果结论；检出聚集只表示"值得人去看"，不表示"一定会跌"。
7. 本团队只出方案，不下达交易指令；不构成投资建议，不持有任何牌照，输出仅供研究参考。

§6 验收

cd ~/.workbuddy/skills/@user_9bec034f/sclass-consensus

# 1. 一致预期时间序列（演示：8 位分析师 × 12 个时点）
python scripts/consensus_ts.py --demo --out consensus.json
#    期望：共识曲线 + 离散度 + 修正流同时输出，退出码 0

# 2. ⭐ 负例：覆盖分析师不足
python scripts/consensus_ts.py --demo --analysts 2
#    期望：覆盖 2 人 < 门槛 3 人 → consensus=unavailable，**退出码 1**

# 3. 分析师历史准确率（衰减加权，永不遗忘）
python scripts/analyst_score.py --demo
#    期望：逐人给出原始命中率与加权命中率，退出码 0

# 4. ⭐ 负例：样本数全部不足
python scripts/analyst_score.py --demo --min-samples 50
#    期望：可用人数 0 → 加权共识 unavailable，**退出码 1**

# 5. ⭐ 负例：实际值缺失（无法评分）
python scripts/analyst_score.py --demo --no-actual
#    期望：无法命中判定 → unavailable，**退出码 1**

# 6. 修正流聚集检测（基线：上下修基本均衡）
python scripts/revision_burst.py --demo
#    期望：未检出聚集，退出码 0

# 7. ⭐ 负例：注入同向下修聚集
python scripts/revision_burst.py --demo --force-burst
#    期望：检出下修聚集并转人工，**退出码 1**

# 8. 上下游串联（消费 consensus_ts 的输出）
python scripts/revision_burst.py --input consensus.json
#    期望：能直接读取 revisions 字段；本演示数据为持续下修，
#    通常会检出下修聚集（退出码 1），该结论本身即为有效告警

验收通过标准（全部满足才算过）：

1. 步骤 1、3、6 退出码为 0；
2. 步骤 2、4、5、7 退出码非 0（负例必须真的失败）；
3. 步骤 1 的 consensus_status 为 ok 且 coverage ≥ min_analysts；
4. 步骤 6 的基线不得检出聚集——若基线也能撞出警报，说明检测器在做无意义的噪声放大。

附 A：为什么分析师排名不对外发布

> 这份排名是本包最有用的产物，也是最不能被拿出去说的东西。

> ⚠️ 一句话：排名要能用，就不能能说。
> 一个可以被外部看到的排名，会立刻被政治化，然后失去它作为加权依据的价值。

附 B：与 CIO 的关系

本岗位受 sclass-orchestrator（首席投资官）调度：

• CIO 通过 compile_plan.py 决定是否启用共识岗（"预期差 / 一致预期 / 上修下修"类任务启用）
• 取数一律经 sclass-data，本包不自行访问外部数据源
• 本岗位的产出（共识曲线 + 修正流 + 分析师权重）作为 sclass-researcher 的输入，
  不直接作为投资结论
• 本岗位不参与圆桌投票，只提供证据与告警
• 独立安装本包也能运行，但推荐先装 CIO 与 data 以获得统一调度与数据层

> 一句话：共识岗告诉你"市场现在一致认为会怎样"，以及"这个一致正在往哪个方向漂移"。
> 它不告诉你市场是对的。