ashare-pre-st-filter

name: ashare-pre-st-filter description: A 股 ST/*ST 风险预测框架 — 基于最新中报/三季报或业绩预告/快报，预测下一财年是否会因营收、利润、净资产、分红不达标而被风险警示，并将新浪监管处罚记录作为独立证据面纳入风险等级。仅适用于 A 股，不预测财务造假。 category: risk-analysis

依赖：本 skill 必须配合 tushare skill 使用，缺数据时回退到 akshare skill。

A 股 ST/*ST 风险预测

适用范围

• 仅 A 股主板 / 创业板 / 科创板。港股、美股、加密、商品、北交所（8xxxxx.BJ 监管规则与本 skill 阈值不一致）均不适用，本 skill 直接拒绝。
• 仅做"下一财年是否会被 ST/*ST"的前瞻预测，不做财务造假预测。
• 输出双轴结果：触线风险等级 + 预测可信度。

触发条件

用户提问形如：

• "分析 000729.SZ 的 ST 风险"
• "600xxx 下个年报会不会被 ST"
• "帮我看一下 300xxx 是否有退市风险"

收到此类请求时，按下面"分析流程"执行；其他场景不要主动启用本 skill。

数据获取规范（tushare 优先 → akshare 兜底）

铁律：

1. 所有财务/基本面/分红/审计/ST 状态数据，必须先调用 tushare skill，按下表指定的接口名、ts_code、period 拉取。
2. 当 tushare 接口因积分不足、token 缺失或返回空时，回退到 akshare skill 对应函数。
3. akshare 兜底数据必须在最终输出"备注"中显式标注：数据源：akshare（非官方聚合，不保证完整性，建议核对原始公告）。不允许只用 akshare 给出"高可信度"预测——akshare 兜底的红线项可信度强制降一档（高→中高，中高→中，中→低）。
4. 监管处罚（E2）走本 skill 自带的 scripts/fetch_sina_penalties.py，不经过 tushare/akshare。

数据需求映射表

时间窗口口径统一

按数据类型分别处理，禁止用单一 60 天经验值统一对齐：

• 财务报表（income / balancesheet / cashflow / fina_indicator）：以 disclosure_date 实际公告日为准；该接口不可用时按法定截止日（年报 4/30、中报 8/31、三季报 10/31、一季报 4/30）做兜底。在公告日 +1 天起方可视该 period 为"最新可得"。
• "过去 N 年年报"：一律 period = {Y}1231，不要用日历年起止。
• 业绩预告 forecast / 业绩快报 express：只取 ann_date ≥ 当前年度 1 月 1 日 的记录；按 ann_date 倒序取最新一条，老 period 的预告对预测无效。
• dividend：按 (end_date, ann_date, cash_div_tax) 三元组强制去重——tushare 同一笔分红会出现 3-4 行（预案/股东大会通过/实施），直接累加会三倍误算。

第一步：当前状态核查（M0）

判断公司当前是否已被风险警示，并据此调整分析方向（不一刀切结束）：

调用顺序：

1. 优先调用 stock_st（tushare skill，3000 积分），按当前最近交易日查询；记录 type / type_name。
2. 如积分不足，回退到 namechange（免费）：拉取 ts_code 全部历史改名记录，取按 start_date 排序的最新一条；判断 name 前缀。
3. 兜底用 stock_basic.name 做名称确认。

分支处理：

第二步：板块阈值表（决定红线）

先用 ts_code 前缀判断板块，再套用对应阈值。不要混用。

第三步：预测时点选择

按"最新可得证据"原则确定基准时点，从下到上择优：

证据优先级（同一指标多个来源时，高的覆盖低的）：

forecast / express > 三季报 > 中报 > 去年年报 > 经验外推

输出时必须在每个预测项明示采用了哪一级证据。如果存在 forecast 给出的全年净利润区间，禁止再用三季报机械年化覆盖。

第四步：四项可预测红线

R1 营收 + 净利润红线

目标：预测全年营收、归母净利润和扣非净利润，按监管口径"扣非前后孰低者"判定。

口径关键：监管原文是 min(n_income, profit_dedt) < 0 且 revenue < 板块阈值 —— 必须同时预测扣非净利润，不能只用归母。仅看归母会漏掉"归母为正但扣非为负"的造壳公司。

预测方法（按基准时点选用，至少一种）：

• forecast 直采法：若 forecast 给出 net_profit_min / net_profit_max，直接取区间作为全年归母预测；扣非用过去两年扣非率（profit_dedt / n_income 中位数）折算；可信度=高。营收红线仍需结合最新报表外推。
• express 直采法：若 express 已披露，revenue / n_income 即为全年快报值；扣非同样按过去两年率折算（express 一般无扣非字段）；可信度=高。
• Q4 单季回补法（三季报基准）：
  • Q1Q3_revenue = 三季报营业收入
  • Q4_revenue_est = 过去两年 Q4 营收占全年比例的中位数 × 当前年化预估值
  • revenue_full_year_est = Q1Q3_revenue + Q4_revenue_est
  • n_income / profit_dedt 同法处理
  • 可信度=中高
• 下半年情景外推法（中报基准，强季节性公司必须用）：
  • 取过去两年 H2 营收占全年比例均值，给出悲观/基准/乐观三情景
  • revenue_full_year_est = H1_revenue / H1_share_avg
  • 可信度=中
• 同比延续法（中报基准，弱季节性公司可用）：
  • revenue_full_year_est = H1_revenue × (last_year_full_revenue / last_year_H1_revenue)
  • 可信度=中

禁止：H1 直接乘 2、Q1-Q3 直接乘 4/3。任何机械年化强制降到"低"可信度并在输出中注明。

触线判定（口径：worst_profit = min(n_income_est, profit_dedt_est)）：

• 高风险：worst_profit < 0 且 revenue_est < 板块阈值
• 中风险：worst_profit < 0 但营收达标；或营收逼近阈值（< 阈值 × 1.2）
• 低风险：上述均不满足

系数说明：R1 中风险的 1.2 是预测项预警 buffer（预测本身有误差，需窄 buffer）；R4 高风险的 1.5 是双年联动判定 buffer（两年都亏且营收接近阈值才是真退市信号，需宽 buffer）。两个系数不同是有意为之，不要错误地统一。

R2 年末净资产红线

目标：判断年末归母股东权益是否可能转负。

方法：

1. 取最新一期 balancesheet.total_hldr_eqy_exc_min_int（最新中报或三季报），记为 current_eq。
2. 计算 eq_year_end_est = current_eq + 剩余季度净利润预测 − 当前年度已实施现金分红总额。
   • 剩余季度净利润：中报基准用 R1 的 H2 预测，三季报基准用 R1 的 Q4 预测。
   • 已实施分红总额：见 R3 的去重 + 量纲公式 cash_div_tax / 10 × total_share。

触线判定（统一相对阈值，单位：元）：

• 高风险：current_eq < 0 或 eq_year_end_est < 0
• 中风险：0 ≤ eq_year_end_est < 1e8（1 亿元）
• 低风险：eq_year_end_est ≥ 1e8

注意：商誉减值、长期股权投资减值在 Q3/Q4 集中确认，应在备注提示"若计提大额减值，净资产可能进一步下行"，但不得在没有公告依据时擅自减值。

R3 分红达标前瞻

目标：判断"近三年累计现金分红 < 年均净利润 30% 且 < 板块累计阈值"是否会在下一次年度考核时同时满足（监管原文：两条件同时触发才警示）。

单笔分红量纲公式（必须用此公式，不要用 cash_div_tax × base_share）：

cash_dividend_total = cash_div_tax / 10 × total_share

其中 cash_div_tax 来自 dividend（每 10 股派现金额，含税），total_share 来自 daily_basic.total_share（最新总股本，单位万股 → 需 ×1e4 换成股）或 stock_basic。tushare dividend.base_share 字段对很多公司为 None，禁止直接使用。

方法：

1. 用 dividend 拉取该 ts_code 近五年记录，按 (end_date, ann_date, cash_div_tax) 三元组强制去重——同一笔分红 tushare 会返回"预案/股东大会通过/实施"3-4 行。
2. 折算系数（按 div_proc 状态）：实施=1.0 / 股东大会通过=0.7 / 预案=0.5；同一 end_date 取系数最高那条。
3. 用 income 拉取近三年完整年度归母净利润（period=YYYY1231）。
4. 计算考核窗口 = [当前年-2, 当前年]，即"过去两年已落地分红 + 本年度预计分红"。
5. 本年度预计分红：
   • 若 dividend 已查到本年度记录：按上面折算系数计入。
   • 否则用"过去两年平均分红率"× R1 预测全年净利润（基准情景）做估算，可信度降一档。
6. 与年均净利润比较：
   • 条件 A：cumulative_div_3y < 30% × avg_n_income_3y
   • 条件 B：cumulative_div_3y < 板块累计阈值
7. 创业板 / 科创板若研发投入占比满足豁免条件，备注提示"研发达标可能豁免"。

触线判定：

• 高风险：A 和 B 同时满足 且 过去三年至少一年净利润为正（即"盈利年份未达标"——监管以盈利年为基准）。
• 中风险：仅一个条件满足；或本年度分红尚未公告。
• 低风险：累计分红已稳定达标；或过去三年累计净利润 ≤ 0（无分红基础，按 R1 联动）。

禁止：本年度尚未公告分红时，不得断言"必然不达标"，只能给出概率。

R4 连续亏损 / 扣非亏损链

目标：判断是否会触发"连续两年扣非前后净利润孰低者为负" → *ST。

口径关键：监管原文是连续两年（不是三年），且 *ST 财务类强制退市的法定条件是 "亏损 + 营收<板块阈值" 必须同时满足——只看亏损链会系统性高估风险（实证：闻泰科技 2024 年亏损但营收超千亿，不会被 *ST）。

方法：

1. 取过去一年完整年报的 n_income、fina_indicator.profit_dedt，记 worst_last = min(n_income, profit_dedt)、revenue_last。
2. 用 R1 已经预测好的 worst_profit_est 和 revenue_full_year_est（基准情景），对应当前年度。
3. 检查两年的 worst < 0 组合，并叠加营收联动条件。

触线判定（双条件，亏损链 + 营收联动）：

• 高风险：worst_last < 0 且 worst_profit_est < 0，且（R1 当前年命中高风险 或 revenue_full_year_est < 板块阈值 × 1.5）——即两年均亏 + 营收处于退市风险区间。
• 中风险：(a) 连续两年均亏但营收远超阈值（≥ 阈值 × 1.5）——亏损链成立但不会触发财务类 *ST，仍可能因经营恶化转 ST；(b) 仅 worst_profit_est < 0（当前年预测亏损，去年盈利，未形成连续）；(c) 仅 worst_last < 0 但当前年预测为正且接近 0（< 板块阈值 × 0.5）。
• 低风险：worst_last ≥ 0 且 worst_profit_est ≥ 0。

为什么要叠加营收：A 股 *ST 财务类强制退市的法定条件是"扣非前后净利润孰低 < 0 且 营收 < 板块阈值"，二者必须同时满足。仅亏损不达营收阈值的公司（如大型周期股短期亏损）会被市场和监管视作"周期性亏损"而非"持续经营存疑"。

第五步：三项事实/临界证据面（不参与预测可信度）

E1 审计意见（事实）

调用 fina_audit，取最近 2 个完整年报：

• 高风险：最新年报 audit_result 含"无法表示意见"或"否定意见"；或单次出现"保留意见"（实证支持：上交所近年规范类 *ST 案例多为单次保留即触发）。
• 中风险：连续两年同一负面结论但本期已修正；或带强调事项段的无保留意见涉及持续经营。
• 低风险：标准无保留意见。

禁止预测下一份审计意见——审计是事后行为。

akshare 兜底缺失时的人工核查路径（fina_audit 无 akshare 替代接口，必须给出可点击 URL）：

其中 {code6} 为 6 位股票代码（去掉 .SH / .SZ 后缀）。强制要求：当 fina_audit 返回空时，输出报告的"备注"必须列出上面巨潮的两条 URL 之一，便于用户人工核查；不得只写一句"审计意见数据缺失"了事。

E2 监管处罚（事实，双窗口：上一财年 + 过去 12 个月）

这是本 skill 的关键证据面。

窗口规则（双窗口策略，单次抓取在内存中切片）：

• 窗口 A — [当前年-1 的 1 月 1 日, 当前年-1 的 12 月 31 日]（上一个完整财年）：用于 reason_normalized 单条评级。
• 窗口 B — [分析日 - 365 天, 分析日]（过去 12 个月滚动）：用于频次增强规则。
• 若分析时点已经在 5 月之后且最新年报已披露完毕，窗口 A 可改为 [最新年报 end_date - 365 天, 最新年报 end_date]。

调用方式（推荐：单次拉全量 + 内存切片）：

python agent/src/skills/ashare-pre-st-filter/scripts/fetch_sina_penalties.py \
  --ts-code 000729.SZ --stock-name 燕京啤酒 --no-filter

返回页面全量记录后，由 LLM 在内存中按窗口 A、窗口 B 切两份。也可以用 --start-date / --end-date 单独抓取，但同一次分析避免发起两次 HTTP。

输出 JSON 列表，字段：ann_date / event_type / title / reason / reason_normalized / content / issuer / issuer_normalized / subject_normalized / target_relevance / e2_countable / source_url。

相关性铁律：调用脚本时必须传入 --stock-name {股票简称}（来自 stock_basic.name），必要时用 --alias 补充曾用名/简称。新浪页面可能收录“某个人证券账户交易列表里出现目标股票”的记录，这类记录只说明目标股票被交易过，不是上市公司/股东/董监高处罚。脚本会将其标为 target_relevance=security_mention_only 且 e2_countable=false，E2 频次统计必须排除。

subject_normalized 字段（用于频次权重折算）：

• company — 处罚主体是公司本身（默认；不含个人身份关键词时归此类）
• shareholder — 控股股东 / 实控人 / 5% 以上大股东
• officer — 董事 / 监事 / 高管（董事长、总经理、董秘、财务总监等）

风险等级判定：

频次增强规则（治理质量预警，窗口 B）：

监管函本身反映公司治理与内控质量，密集出现是"规范类 ST"（保留意见、内控非标、信披重大缺陷）的强领先指标。但处罚主体不同，治理含义不同：股东减持违规、董监高短线交易反映的是个人合规问题，不应等同于"公司治理失序"。

主体加权计数（按 subject_normalized 折算后再查表）：

加权条数 = Σ 单条权重
  其中：subject_normalized == "company"     → 权重 1.0
        subject_normalized == "officer"     → 权重 0.5
        subject_normalized == "shareholder" → 权重 0.5

判定来源：仅当 e2_countable=true 时，脚本输出的 event_type ∈ {警示, 问讯, 监管关注, 监管函} 或 issuer_normalized ∈ {上交所, 深交所, 北交所, 证监会, 地方证监局} 才计入条数；条数按 subject_normalized 折算后再查表。target_relevance=security_mention_only 的记录必须排除。

输出要求：必须同时给出"原始条数"和"加权条数"两个数字，便于用户审阅折算逻辑。例如：窗口 B 命中 6 条（公司 2 条 + 股东 3 条 + 高管 1 条 → 加权 4.0 条），频次等级：高。

E2 综合等级合成规则（解决单条评级与频次叠加的问题）：

E2_单条等级 = 窗口 A 内所有 reason_normalized 单条等级的最大值
E2_频次等级 = 窗口 B 频次表查得
E2_综合等级 = max(E2_单条等级, E2_频次等级)

叠加加成：若同时满足 E2_频次等级 ≥ 高 且 E2_单条等级 ≥ 高（含财务造假/虚假陈述/违规担保/占用资金）→ 直升极高。

为什么要这条规则：纯量化红线只能捕捉"财务类 ST"，无法预警"规范类 ST"。频次规则把"治理失序"作为前瞻信号纳入。

注意：处罚证据只抬升风险等级，不影响预测可信度——这是事实证据，不是预测项。

E3 交易类临界预警（事实）

调用 daily（近 30 个交易日，必须 adjust='' 不复权）和 daily_basic（最新一日，单位：万元）：

1 元退市预警（用 daily.close，不复权）：

• 高风险：近 20 个交易日中收盘价 < 1 元的天数 ≥ 10
• 中风险：≥ 1 但 < 10
• 低风险：0 天

市值退市预警（用 daily_basic.total_mv，单位万元 → ×1e4 换算成元 → /1e8 换算成亿元）：

第六步：双轴输出模板

每次分析必须按下面模板输出。风险等级 + 可信度两个维度都要给。

## ST 风险预测：{name}（{ts_code}）

### 当前状态
- 是否已 ST/*ST：{是 / 否}
- 板块：{主板 / 创业板 / 科创板}
- 基准预测时点：{forecast / express / 三季报（period） / 中报（period）}

### 量化红线预测（双轴）

| 红线 | 基准情景结论 | 风险等级 | 可信度 | 主要证据 |
|------|-------------|---------|-------|---------|
| R1 营收+净利润 | 全年营收预测 X 亿，净利润 Y 亿 | 高/中/低 | 高/中高/中/低 | forecast/三季报/... |
| R2 年末净资产 | 当前 X 亿，年末预计 Y 亿 | 高/中/低 | 高/中高/中/低 | balancesheet + R1 |
| R3 分红达标 | 三年累计预计 X，对应阈值 Y | 高/中/低 | 中/低 | dividend + income |
| R4 连续亏损链 | 过去两年 + 当前年是否均亏 | 高/中/低 | 同 R1 | income + fina_indicator |

### 事实证据面（不参与预测可信度）

| 证据 | 结论 | 影响 |
|------|------|------|
| E1 审计意见 | 最新结论 | 抬升/无影响 |
| E2 监管处罚（窗口 A 上一财年 / 窗口 B 过去 12 个月） | A 命中 Na 条（最高单条等级：…），B 原始 Nb_raw 条 / 加权 Nb_w 条（公司 a + 股东 b + 高管 c → a×1.0+b×0.5+c×0.5），频次等级：…，E2_综合等级：… | 抬升/无影响 |
| E3 交易类临界 | 收盘价/市值情况 | 抬升/无影响 |

### 综合结论
- **下一财年被 ST/*ST 风险等级**：{极高 / 高 / 中 / 低}
- **预测综合可信度**：{高 / 中高 / 中 / 低}
- **关键风险点**（最多 3 条）：...
- **缓解信号**（如有）：...

### 备注
- 数据时点：{所用最新报告期}
- 已忽略的不可预测项：财务造假、未来审计意见
- 季节性提醒（如适用）：...

禁止事项

1. 不预测财务造假（事前不可知）。
2. 不预测下一份审计意见（事后才出）。
3. 不在没有公告依据时擅自计提减值。
4. 不混用板块阈值（主板 vs 创业板/科创板的营收/市值/分红阈值不同）。
5. 不把机械年化（H1×2、Q1Q3×4/3）伪装成"高可信度"。
6. 不在港股 / 美股 / 加密 / 北交所（8xxxxx.BJ，监管规则与本 skill 阈值不一致）上启用本 skill。
7. 不把"违规处罚记录"计入预测可信度（仅抬升风险等级）。
8. 不在 R3 分红计算中使用 cash_div_tax × base_share（base_share 经常为 None，会得 0）；必须用 cash_div_tax / 10 × total_share，且按 (end_date, ann_date, cash_div_tax) 三元组去重。
9. 不在 R1 触线判定中只用 n_income；必须用 min(n_income, profit_dedt)，否则会漏掉造壳公司。
10. 不把 R4 写成"连续三年"；监管原文是"连续两年"。且 R4 高风险必须叠加营收联动条件——仅"连续两年亏损"不构成 *ST 财务类强制退市，必须同时满足"营收 < 板块阈值 × 1.5"或 R1 已命中高风险，否则只能给中风险。
11. 不把 E2 监管处罚"按主体一刀切"计数——必须用 subject_normalized 加权（公司 ×1.0 / 股东 ×0.5 / 董监高 ×0.5），否则股东动荡的公司会被系统性高估。

依赖的 tushare 接口清单

自带脚本

• scripts/fetch_sina_penalties.py — 抓取新浪财经 vGP_GetOutOfLine 处罚页，stdlib 实现，无外部依赖；reason / issuer 标准化。

调用方式：

# 单次拉全量（推荐：本 skill 双窗口策略由 LLM 在内存中切片）
python agent/src/skills/ashare-pre-st-filter/scripts/fetch_sina_penalties.py \
  --ts-code 000729.SZ --stock-name 燕京啤酒 --no-filter

# 或指定单一窗口
python agent/src/skills/ashare-pre-st-filter/scripts/fetch_sina_penalties.py \
  --ts-code 000729.SZ --stock-name 燕京啤酒 --start-date 2025-01-01 --end-date 2025-12-31

正常情况下输出 JSON 到 stdout；网络/解析失败或参数非法时返回 {"source": "unavailable", "error": "..."} 到 stdout 并以非零退出码结束（不抛 traceback），便于 LLM 兜底处理。

端到端调用伪代码

用于减少 LLM 调用顺序漂移，按下列骨架组织：

import os, json, subprocess
import tushare as ts

ts_code = '000729.SZ'
pro = ts.pro_api(os.environ['TUSHARE_TOKEN'])

# === Step 0: M0 当前状态 ===
basic = pro.stock_basic(ts_code=ts_code, fields='ts_code,name,market').to_dict('records')[0]
st_hit = pro.stock_st()  # 失败则回退 namechange
name_chg = pro.namechange(ts_code=ts_code).sort_values('start_date', ascending=False)

# === Step 1: 板块判断 ===
board = '科创板' if ts_code.startswith('688') else '创业板' if ts_code.startswith('30') else '主板'
threshold_revenue = 1e8 if board != '主板' else 3e8
threshold_mv = 3e8 if board != '主板' else 5e8

# === Step 2: 拉财务（最新 5 期 + 过去 4 年年报） ===
income = pro.income(ts_code=ts_code).sort_values('end_date', ascending=False).drop_duplicates('end_date')
balance = pro.balancesheet(ts_code=ts_code).sort_values('end_date', ascending=False).drop_duplicates('end_date')
fina_ind = pro.fina_indicator(ts_code=ts_code).sort_values('end_date', ascending=False).drop_duplicates('end_date')
forecast = pro.forecast(ts_code=ts_code).sort_values('ann_date', ascending=False)
express = pro.express(ts_code=ts_code).sort_values('ann_date', ascending=False)

# === Step 3: R1-R4 计算（按各章节口径，注意 min(n_income, profit_dedt)） ===
# ... 略

# === Step 4: E1 审计 ===
audit = pro.fina_audit(ts_code=ts_code).sort_values('end_date', ascending=False).head(2)

# === Step 5: E2 监管处罚（双窗口 + 主体加权）===
from datetime import date, timedelta
result = subprocess.run([
    'python', 'agent/src/skills/ashare-pre-st-filter/scripts/fetch_sina_penalties.py',
    '--ts-code', ts_code, '--stock-name', basic['name'], '--no-filter',
], capture_output=True, text=True)
penalties = json.loads(result.stdout).get('records', [])

# 在内存中切双窗口（避免两次 HTTP）
this_year = date.today().year
win_a_start, win_a_end = f'{this_year-1}-01-01', f'{this_year-1}-12-31'
win_b_start = (date.today() - timedelta(days=365)).isoformat()
win_b_end   = date.today().isoformat()

def _in(rec, s, e):
    d = rec.get('ann_date') or ''
    return bool(d) and s <= d <= e

win_a = [r for r in penalties if _in(r, win_a_start, win_a_end)]
win_b = [r for r in penalties if _in(r, win_b_start, win_b_end)]

# 窗口 A：单条等级取最高
REASON_LEVEL = {
    '财务造假': 3, '虚假陈述': 3, '信息披露违规': 3,
    '违规担保': 3, '占用资金': 3,
    '内幕交易': 2, '市场操纵': 2, '违规减持': 2,
}
levels_a = [REASON_LEVEL.get(r['reason_normalized'], 1) for r in win_a]
e2_single = max(levels_a) if levels_a else 0

# 窗口 B：原始条数 + 主体加权条数
FREQ_EVENT_TYPES = {'警示', '问讯', '监管关注', '监管函', '警示函'}
FREQ_ISSUERS = {'上交所', '深交所', '北交所', '证监会', '地方证监局'}
SUBJECT_WEIGHT = {'company': 1.0, 'shareholder': 0.5, 'officer': 0.5}

freq_pool = [r for r in win_b
             if r.get('e2_countable', True)
             and (r['event_type'] in FREQ_EVENT_TYPES
                  or r['issuer_normalized'] in FREQ_ISSUERS)]
nb_raw = len(freq_pool)
nb_weighted = round(sum(SUBJECT_WEIGHT.get(r['subject_normalized'], 1.0)
                        for r in freq_pool), 1)

# 频次等级（基于加权条数）
if nb_weighted >= 5.0:    e2_freq = 4   # 极高
elif nb_weighted >= 3.0:  e2_freq = 3   # 高
elif nb_weighted >= 2.0:  e2_freq = 2   # 中
else:                     e2_freq = 1   # 低

e2_overall = max(e2_single, e2_freq)
# 叠加加成：频次高 + 单条高同时命中 → 直升极高
if e2_freq >= 3 and e2_single >= 3:
    e2_overall = 4

# === Step 6: E3 交易临界 ===
daily = pro.daily(ts_code=ts_code).sort_values('trade_date', ascending=False).head(30)
daily_basic = pro.daily_basic(ts_code=ts_code).sort_values('trade_date', ascending=False).head(1).iloc[0]
total_mv_yi = daily_basic['total_mv'] * 1e4 / 1e8  # 万元 → 亿元

# === Step 7: 双轴合成输出 ===
# 风险等级 = max(R1, R2, R3, R4, E1, E2_综合, E3)
# 可信度 = 加权平均(R1, R2, R3, R4 各项可信度)，akshare 兜底项降一档