普惠金融数字员工团队 · S 级超限投研团

宏观策略分析师 · sclass-macro

> ### 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）

> 📌 本岗位在人类机构里真实存在且标配，但只有头部机构养得起一个成建制的宏观组。
> 我们做到的是把它降到普惠成本——所以本包评级是 S★，不是 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——
> 把只有头部机构养得起的宏观组降到普惠成本。
> 「政策意图判断」我们做不到，因此不列入任何一项 S3（见 §5）。

🔑 最强叙事点（路演必讲）

> 第一句：「人类宏观组永远只维持 3 个情景——基准、乐观、悲观。
> 这个岗位维持 18 个，而且一个都不剪。
> 因为被砍掉的那个分支，往往正是后来被证实正确的那一个。」
>
> 第二句：「周期定位用的是指标相对自身历史的分位，不是绝对值。
> 人类说『PMI 51 不错』，这句话在 2017 年和 2024 年含义完全不同。
> 而这个岗位额外回答一件事：本次判定缺了哪几个指标、剔除了多少权重——
> 覆盖率不足 0.8 时它直接判 unavailable，而不是用剩下的指标硬凑。」

§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）
        确认每个指标的频率、单位与方向（direction=+1 表示值越大越热）
Step 1 · indicator_watch.py：四经济体指标按 UTC 对齐（utc_hour = 本地发布时点 − 时区偏移）
        滞后 lag > SLA → stale；无发布时点 → unavailable；任一存在即判同步视图不完整
Step 2 · cycle_locate.py：对每个指标用 AR(1) 合成/读取历史，算相对自身历史的分位
        pct_i = #{h <= current} / N ；方向为负的指标取 1 − pct
Step 3 · 复合分位：Σ(w_i × pct_i) / Σ(w_i)
        ⚠ 缺失指标的权重**从分母剔除**，但必须在输出里写清剔了哪些、剔了多少
Step 4 · 四象限相位：增长分位 ≥0.5 且通胀 <0.5 → 复苏；≥0.5 且 ≥0.5 → 过热；
        <0.5 且 ≥0.5 → 滞胀；<0.5 且 <0.5 → 衰退
        边界余量 min(|g−0.5|, |i−0.5|) < 0.08 → 标 low_confidence，结论须降级使用
Step 5 · 覆盖率闸门：可用权重 / 总权重 < 0.8 → 相位判 unavailable，退出码 1
Step 6 · scenario_tree.py：先验概率归一校验 → 笛卡尔积展开 → 叶子概率 = 各维概率之积
        叶子结果 = base + Σ(弹性系数 × 分支得分)；输出期望、加权标准差、最优/最劣叶子
Step 7 · 出具：相位 + 情景树 + 缺失清单 + 置信标注
        ⚠ 宏观结论一律给**区间与情景**，不给点估计；只交 CIO，不直接给配置建议

> Step 6 的铁律：--top 只影响打印行数，不影响计算。
> 少打印不等于少考虑——这条写进代码注释，防止后来者"优化"掉分支。

§3 输出契约

{
  "schema_version": "sclass-1.0",
  "cycle": {
    "growth_pct": 0.625, "inflation_pct": 0.675,
    "phase": "过热", "risk_appetite": "neutral",
    "boundary_margin": 0.125, "low_confidence": false,
    "coverage": 1.0, "dropped": []
  },
  "sync": {"fresh": 6, "stale": 0, "unavailable": 0, "sync_ratio": 1.0},
  "scenario_tree": {
    "n_dimensions": 3, "n_leaves": 18, "n_leaves_kept": 18, "pruned": 0,
    "prob_sum": 1.0, "expected": 0.0192, "stdev": 0.0682,
    "best": {"outcome": 0.1475, "prob": 0.063},
    "worst": {"outcome": -0.1475, "prob": 0.016}
  },
  "data_source": "synthetic-demo | live",
  "warnings": ["情景结果为结构化假设，不是预测；不构成投资建议"]
}

> 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。
> 相位不可用与情景树结构损坏，都必须在 warnings 中给出原因。

§4 脚本清单（全部纯 Python 标准库，零第三方依赖）

§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%）。
   → 宏观推演链条长，减少推演步数比提升单步质量更有效。
2. 宏观预测的历史准确率对 AI 同样很低。 因此本包一律输出区间与情景，
   不给点估计；任何以单一数字形式表达的宏观预测都视为不合格输出。
3. 政策意图判断不在本包能力范围内——这需要与政策制定者的非公开沟通。
   我们能做的是跟踪政策文本与指标的已发生事实，不是揣测意图。
4. 分位是相对自身历史的相对位置，不是绝对水平，不可跨指标直接比较。
5. 演示模式（--demo）使用合成样本，输出标注 synthetic-demo，
   不得作为真实宏观结论引用。真实使用须由 sclass-data 供数。
6. 情景树的结果变量为结构化假设（弹性系数来自 data/scenario_library.json），
   不是统计模型输出，不构成预测。
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-macro

# 1. 周期定位（演示模式：AR(1) 合成 120 期历史）
python scripts/cycle_locate.py --demo
#    期望：增长/通胀分位、相位、边界余量、覆盖率同时输出，退出码 0

# 2. 指定相位（验证四象限判定都能命中）
python scripts/cycle_locate.py --demo --target-phase stagflation
#    期望：增长分位 < 0.5 且通胀分位 ≥ 0.5 → 相位=滞胀，退出码 0

# 3. ⭐ 负例：覆盖率不足
python scripts/cycle_locate.py --demo --drop-rate 0.4
#    期望：覆盖率 0.70 < 0.80 → 相位判 unavailable 且列出缺失指标，**退出码 1**

# 4. 情景树（18 个分支全保留）
python scripts/scenario_tree.py --demo --top 6
#    期望：叶子数 18，剪枝 0，概率归一 1.000000，退出码 0

# 5. ⭐ 负例：先验概率不归一
python scripts/scenario_tree.py --demo --corrupt-prior
#    期望：检出维度 policy 先验之和 = 1.2000，拒绝出结果，**退出码 1**

# 6. 多国指标同步（四经济体 UTC 对齐）
python scripts/indicator_watch.py --demo
#    期望：同步率 100%，退出码 0

# 7. ⭐ 负例：某国数据滞后超 SLA
python scripts/indicator_watch.py --demo --lag-hours 72
#    期望：判 stale 且同步视图不完整，**退出码 1**

# 8. ⭐ 负例：指标无发布时点
python scripts/indicator_watch.py --demo --unknown-rate 0.3
#    期望：判 unavailable 且禁止用上一期冒充，**退出码 1**

验收通过标准（全部满足才算过）：

1. 步骤 1、2、4、6 退出码为 0；
2. 步骤 3、5、7、8 退出码非 0（负例必须真的失败）；
3. 步骤 4 中 n_leaves_kept == n_leaves（一个分支都不许剪）；
4. 步骤 3 的 dropped 非空且 coverage 被打印（只写 unavailable 不列缺失视为不合格）。

附 A：相位判定的三个诚实边界（本包最重要的自我约束）

> ⚠️ 为什么把「判不出来」也算一种合格输出：
> 宏观报告里最贵的错误不是判错，是在证据不足时装作判对了。
> unavailable 是本团队的资产，不是缺陷。

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 决定是否启用宏观岗（仅"宏观/周期/配置/情景"类任务启用）
• 取数一律经 sclass-data：本包不自行访问任何外部数据源，这是全队的单一出口纪律
• 本岗位的产出（相位 + 情景树）作为 sclass-portfolio 与 sclass-risk 的输入，
  不直接作为配置结论；配置权在组合配置官
• 本岗位参与圆桌，但不投方向票——宏观提供的是情景与概率，不是买卖方向
• 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：宏观岗负责把世界描述成 18 个可能，不负责告诉你该押哪一个。