核心用法
Daily Stock Analysis 是一款面向全球股票市场的确定性每日分析技能，核心功能包括：
- 次日收盘价格预测（
pred_close_t1） - 历史预测回顾与误差分析（AE绝对误差、APE百分比误差）
- 滚动精度追踪（1/3/7/30日窗口）
- 自我进化机制：从预测失误中提取1-3项具体改进行动，用于优化未来假设
标准执行流程：
1. 运行 report_manager.py plan 规划输出路径并收集历史报告
2. 运行 calc_accuracy.py 计算多窗口滚动精度
3. 按模板渲染报告，保存至 YYYY-MM-DD-<TICKER>-analysis.md
4. 执行自我复盘，记录 improvement_actions
兼容模式：当Python脚本不可用时，降级为极简模式，最多读取3份历史报告，仅输出核心字段。
显著优点
- 闭环反馈设计：强制性的"预测→验证→复盘→改进"机制，实现持续迭代优化
- 确定性输出：严格的文件命名、路径规范和必填字段约束，避免执行漂移
- 精度可量化：1/3/7/30日多窗口滚动精度，便于用户评估长期可靠性
- 双模式适配：标准脚本模式与极简兼容模式，适应不同环境限制
- 合规内置：自动附加风险提示，符合金融内容监管要求
潜在局限与风险
| 维度 | 说明 |
|------|------|
| **预测本质** | 所有价格预测均为概率推断，非确定性结果，存在固有预测误差 |
| **历史依赖** | 滚动精度依赖历史报告完整性，早期数据缺失时统计意义有限 |
| **模型限制** | 兼容模式下信息源缩减（仅1官方+1市场数据源），分析深度受限 |
| **市场极端事件** | 黑天鹅事件、政策突变等不可预测因素可能使历史模式失效 |
| **用户误用风险** | 需明确区分"研究参考"与"投资建议"，避免用户过度依赖 |
适合人群
- 量化研究者：需要系统化追踪预测精度的数据驱动型用户
- 职业投资者：建立个人股票跟踪体系，要求可审计的决策记录
- 金融开发者：需要结构化、可程序化处理的投资分析报告
- 自律型交易者：愿意每日执行固定分析流程，重视复盘改进
常规风险提示
⚠️ 技能强制附加合规声明：内容仅供研究参考，不构成投资建议或收益保证。市场存在风险，投资需谨慎。建议设置为工作日定时任务（如10:00），保持预测-复盘窗口连续性。