港股新股超涨猎手 (HK IPO Surge Hunter) v8.1.2

> 基于 2025-2026 年 84 只有效港股 IPO 的量化因子分析，采用 "上市10日后收盘价翻倍" 的超涨定义（更实用、可操作），V7.0 评分模型 AUC=0.9784，为待上市/已上市港股新股打分并生成选股报告。

⚠️ 免责声明

1. 超涨定义：上市10日后，收盘价≥发行价×2(翻倍)=超涨。排除首日盘中波动，更注重可操作性。核心：首日微跌≠不会超涨（古茗首日-5%→后期+208%，兆易创新-3%→+250%）。
2. 因子体系：17 个评分因子 + 5 个交互因子，首日涨跌幅为分段处理（微跌不惩罚）。
3. 样本局限：84 只有效 IPO（2025-2026年），部分因子为估算值。
4. 市场依赖：2025-2026 年 AI 牛市周期，超购/赛道预测力在非 AI 热潮期可能衰减。
5. 不构成投资建议：评分结果仅供参考。

每次报告必须包含上述前提。

使用场景

执行流程

用户提问 → 识别新股名称
         → 收集因子数据（web_search/web_fetch/skill调用）
         → 调用评分脚本 hk_ipo_scorer.py
         → 生成结构化评分报告

步骤详解

1. 识别意图：用户提到港股新股/打新/IPO评分等关键词
2. 数据采集：
• 招股书信息：赛道、上市方式、18A、VC/PE、研发占比、营收增速 → web_fetch 披露易
• 配售数据：超购倍数、基石投资者 → web_search 富途/港交所公告
• 行业判断：稀缺性、第一股标签 → web_search + 行业分析
• 入通预期：days_to_connect → 基于赛道和市值估算
• 首日数据：first_day_chg → 上市后从行情获取
• 消费品牌判断：读取 references/consumer_brands.md 中的名单和扩展规则，如为知名消费品牌，传 consumer_brand: true；如公司名可能匹配扩展品牌，传 extra_consumer_brands 列表
• VC/PE判断：读取 references/cornerstone_whitelist.md 中的VC名单和扩展规则，如基石/股东中有知名VC，传 has_top_vc: true；如有非内置VC需匹配，传 extra_vcs 列表
3. 评分计算：

```bash

echo '{"action":"score","params":{...}}' | python3 scripts/hk_ipo_scorer.py

```

1. 生成报告：按模板输出结构化评分报告

三阶段评估

核心评分模型 V7.0（AUC=0.9784）

> V7.0关键变更：超涨定义从"最大涨幅≥50%"升级为"上市10日后收盘价翻倍"；样本从55→84只；引入首日涨跌幅因子（微跌不惩罚！）；新增4个因子+3个交互因子；AUC从0.9150→0.9784（+6.3pp）。

17个评分因子 + 5个交互因子

交互因子：

首日跌幅分段处理（V7核心改进）

评分阈值（V7修订，基于84样本）

⛔ 报告生成强制规范

> 核心原则：报告标题/核心卖点的选取必须遵循因子IV值排名，严禁将低IV因子（特别是超购倍数）作为正面卖点强调。

因子报告强调等级

硬性规则（违反即为错误报告）

1. ⛔ 超购倍数禁止作为报告标题或核心卖点
• 超购倍数 IV=1.01，在17个评分因子中垫底，预测力极弱
• 超购仅用于：①风险过滤（虚假热情-5分）②交互辅助（低超购+AI=-15分）
• 正确写法："首日+150%暴涨（IV=8.22最强信号）" ❌错误写法："超购5000倍！"

1. ⛔ 超购≥5000倍且首日未大涨(＜50%)时，必须标注"虚假热情陷阱"而非卖点
• 历史数据：优乐赛5297倍首日+9%→后期-63%，BBSB 10745倍→仅+18%

1. ✅ 报告标题/核心卖点必须从 headline 级因子中选取
• 评分脚本输出的 report_guidance.headline_factors 列表即为可用的标题因子

1. ⚠️ 超购倍数仅在交互因子语境下有意义
• 正确用法："低超购+AI赛道=-15分惩罚"（说明市场认可度不足）
• 正确用法："高超购+消费品牌=+8分交互"（消费热情共振）
• ❌错误用法："超购5000倍，市场热情高涨"（IV=1.01，无法证实）

1. 批量选股报告中，排序依据必须是总分，不得以超购倍数排序

报告措辞对照

报告模板

# 港股新股超涨股评分报告：[公司名称] ([代码].HK)

## ⚠️ 前提与免责声明
（必须包含5条前提）

## 一、基本信息
- 公司/代码/上市日期/发行价/发行市值
- 赛道/上市方式/18A/保荐人/VC/PE/研发占比

## 二、核心看点（⚠️仅使用headline级因子）
- 从 report_guidance.headline_factors 中选取2-3个最关键因子
- 例：首日+150%暴涨(IV=8.22) / AI赛道+第一股标签 / 高瓴红杉加持

## 三、因子评分详情
| # | 因子群 | 子因子 | 得分 | 满分 | 强调等级 | 依据 |
（强调等级列标注 headline/body/footnote）

## 四、交互因子分析
（A+H+热门/低超购+热门/高超购+消费/暴跌+18A/暴涨+虚假热情）

## 五、首日表现分析（如已上市）
- 首日涨跌幅及分段解读

## 六、综合评分
- 总分：XX/~100
- 评级：🟢/🟡/🟠/🔴

## 七、关键信号
### ✅ 正面信号（优先列出headline级因子）
### ⚠️ 风险信号（包含超购虚假热情等footnote级风险）

## 八、操作建议
- 打新/暗盘/首日/后期策略

## 九、历史可比案例
2-3只同赛道/同得分区间案例

## 十、风险提示
- 超购倍数相关风险（如适用）

因子体系速查

> 完整因子IV排名见 references/factor_iv_ranking.md

最强因子：首日涨跌幅(IV=8.22) → 入通时间(3.08) → 第一股标签(3.01) → 知名VC/PE(2.76) → 18A(2.27)

分类原则：

• ✅ 事前因子：上市前/打新时可获知，纳入评分
• 📋 首日因子：首日收盘后可获知，分段处理（微跌不惩罚）
• ❌ 排除因子：IV极低或数据泄露

数据获取指南

> ⚠️ 完整数据源规范见 references/data_source_guidelines.md

⛔ 数据采集强制规范

> 核心教训：2026-04-24因发行价数据错误导致报告结论两次推翻。以下规范为强制执行，违反即视为数据质量事故。

发行价获取流程（3步）

Step 1: 从东方财富网IPO列表获取发行价
        → web_fetch("https://hk.eastmoney.com/ipolist.html")
        → 区间定价（如"17.00-19.60"）取上限

Step 2: 对V7≥40的推荐标的，必须用新闻二次确认
        → web_search("{公司名} {代码} 发行价 IPO定价")
        → 区间定价必须确认最终定价是否为上限

Step 3: 运行 data_validator.py 校验
        → echo '{"action":"check_price","data":{...}}' | python3 scripts/data_validator.py
        → P0级告警 = 阻止报告生成

实时价格获取流程（2步）

Step 1: 新浪财经港股实时行情（首选）
        → web_search("{公司名} {代码} 收盘价 最新行情")

Step 2: 关键标的至少2源对比
        → 新浪 vs 东方财富/雪球
        → 差异>5%标记warning，差异>10%标记fail

❌ 禁止使用的获取方式

数据验证流程

评分前：运行 data_validator.py
        → P0级告警 → 阻止评分，必须修正数据
        → P1级告警 → 需人工确认后才能继续
        → P2级告警 → 可继续，报告中标注

评分后：评分结果中检查 data_quality 字段
        → data_quality_level = "fail" → 禁止生成报告
        → data_quality_level = "warning" → 报告中标注数据风险
        → data_quality_level = "pass" → 正常生成

报告必须标注的数据信息

每只推荐标的必须在"基本信息"中标注：

发行价：XX港元（来源：东方财富网IPO列表，已验证/未验证）
当前价：XX港元（来源：新浪财经API，时间：2026-XX-XX HH:MM）
数据质量：pass / warning / fail

历史事故记录

═══════════════════════════════════════════════

场景二：二次爆发评估（翻倍后再涨50%+）

═══════════════════════════════════════════════

二次爆发模型 V1.0（5维度·50分制）

> 定位：与V7模型（预测发行价翻倍）完全独立。V7解决"打新买不买"，二次爆发解决"翻倍后卖不卖/加不加仓"。两者因子体系、评分逻辑、数据更新频率均不同。

适用前提

• ✅ 股票已翻倍（当前价 ≥ 发行价 × 2）
• ❌ 未翻倍 → 使用V7模型
• ❌ 待上市/刚上市 → 使用V7模型

场景路由逻辑

用户提问
  ├─ 涉及打新/首日/IPO评分/未上市 → 场景一：V7模型
  ├─ 涉及已翻倍/还能涨/持仓/二次爆发 → 检查是否已翻倍
  │    ├─ 已翻倍 → 场景二：二次爆发模型
  │    └─ 未翻倍 → 场景一：V7模型
  └─ 批量分析全部次新股 → 先用V7筛未翻倍候选，再用二次爆发筛翻倍候选

5个核心维度

评分阈值

与V7模型对比

二次爆发执行流程

1. 识别意图：用户提到翻倍后/还能涨/持仓/二次爆发
2. 确认已翻倍：当前价 ≥ 发行价 × 2（否则路由回V7）
3. 数据采集：
   - 行业景气度：web_search 行业最新动态/增速/政策
   - 业绩兑现度：web_search 最新财报/营收增速/毛利率/盈亏
   - 机构认可度：web_search 券商研报/目标价/评级
   - 催化剂管线：web_search 近期产品发布/获批/入通预期
   - 估值空间：web_search 目标价+计算当前涨幅
4. 评分计算：
   echo '{"action":"score","params":{...}}' | python3 scripts/second_surge_scorer.py
5. 生成报告：按二次爆发模板输出

输入参数（second_surge_scorer.py）

二次爆发报告模板

# 港股翻倍股二次爆发评估：[公司名称] ([代码].HK)

## ⚠️ 前提与免责声明
1. 二次爆发定义：已翻倍股从当前价再涨50%+
2. 定性框架，无历史回测AUC
3. 翻倍后再涨50%不确定性远高于IPO打新预测
4. 不构成投资建议

## 一、基本信息
- 公司/代码/发行价/当前价/累计涨幅/+50%目标价
- 赛道/上市日期/盈亏状态

## 二、五维评分
| # | 维度 | 得分 | 满分 | 依据 |
| 1 | 行业景气度 | X | 10 | ... |
| 2 | 业绩兑现度 | X | 10 | ... |
| 3 | 机构认可度 | X | 10 | ... |
| 4 | 催化剂管线 | X | 10 | ... |
| 5 | 估值空间 | X | 10 | ... |
| - | **总分** | **X** | **50** | |

## 三、综合评级
- 🟢/🟡/🟠/🔴

## 四、二次爆发路径
- 基准情景（+20~30%）：...
- 乐观情景（+50%+）：...
- 风险情景：...

## 五、关键催化时间表

## 六、风险提示

批量二次爆发分析流程

当用户要求"分析所有翻倍股"时：

1. 从东方财富网获取IPO列表+发行价（复用场景一数据源）
2. 新浪API获取实时价（复用场景一数据源）
3. 计算累计涨幅，筛选已翻倍（gain_pct ≥ 100%）
4. 对每只翻倍股：
   a. web_search 收集5维度因子数据
   b. 调用 second_surge_scorer.py 评分
5. 按总分排序，≥35分输出候选报告
6. 数据验证：复用 data_validator.py

═══════════════════════════════════════════════

场景三：统一50%上行筛选（从当前价出发）

═══════════════════════════════════════════════

统一筛选器 V1.0（组合路由器）

> 定位：一个入口，统一输出"当前价还有50%+上行空间"的所有标的。不是新评分模型，而是组合路由器——自动分流到V7（未翻倍）或二次爆发（已翻倍），合并排序后输出。

解决什么问题？

筛选逻辑

全部次新股
  │
  ├─ 已翻倍(gain≥100%) ──────── 二次爆发V1评分
  │    └─ 入选条件：二次爆发分 ≥ 35
  │    └─ 上行类型：定性评估（模型判断再涨50%的概率）
  │
  └─ 未翻倍(gain<100%) ──────── V7评分
       └─ 入选条件：V7 ≥ 40 且 上行空间 ≥ 50%
            上行空间 = (2×发行价 - 当前价) / 当前价 × 100%
       └─ 上行类型：量化计算（翻倍目标价到当前价的距离）

入选标准详解

已翻倍股（二次爆发路径）：

• 二次爆发分 ≥ 40 → 🟢 强候选
• 二次爆发分 35-39 → 🟡 候选
• 二次爆发分 < 35 → ❌ 不入选

未翻倍股（V7路径）：

• V7 ≥ 40 且 上行空间 ≥ 50% → ✅ 入选（高概率翻倍+当前价有足够空间）
• V7 ≥ 40 但 上行空间 < 50% → ❌ 虽然可能翻倍，但当前价已接近目标，收益不够
• V7 < 40 → ❌ 翻倍概率低

举例

场景路由逻辑（更新版）

用户提问
  ├─ 涉及打新/首日/IPO评分/未上市 → 场景一：V7模型
  ├─ 涉及已翻倍/还能涨/持仓/二次爆发 → 检查是否已翻倍
  │    ├─ 已翻倍 → 场景二：二次爆发模型
  │    └─ 未翻倍 → 场景一：V7模型
  ├─ 涉及50%空间/最有潜力/哪些还能涨 → 场景三：统一筛选
  └─ 批量分析全部次新股 → 场景三：统一筛选（最全面的视角）

统一筛选执行流程

1. 识别意图：用户问"哪些还有50%空间"/"最有潜力"/"次新股筛选"
2. 数据采集：
   a. 从东方财富网获取IPO列表+发行价（复用场景一数据源）
   b. 新浪API获取实时价（复用场景一数据源）
   c. 计算每只股票的累计涨幅
3. 分流评分：
   a. 已翻倍股 → web_search 收集二次爆发5维度因子 → second_surge_scorer.py 评分
   b. 未翻倍股 → 收集V7因子 → hk_ipo_scorer.py 评分 → 计算翻倍上行空间
4. 统一筛选：
   echo '{"action":"screen","params":{"stocks":[...]}}' | python3 scripts/unified_screener.py
5. 输出报告：入选标的按上行空间排序，区分已翻倍/未翻倍

输入参数（unified_screener.py）

单只筛选：

批量筛选：

统一筛选报告模板

# 港股次新股统一50%上行筛选报告

## ⚠️ 前提与免责声明
1. 统一筛选器为组合路由器，不是新评分模型
2. 已翻倍股使用二次爆发V1（定性），未翻倍股使用V7（量化，AUC=0.9784）
3. 50%上行空间不代表一定能实现
4. 不构成投资建议

## 一、筛选概览
- 输入标的数 / 已翻倍 / 未翻倍
- 入选标的数 / 已翻倍入选 / 未翻倍入选
- 筛选阈值：V7≥40 + 上行≥50% / 二次爆发≥35

## 二、入选标的（按优先级排序）
| # | 股票 | 类型 | 模型 | 评分 | 当前价 | +50%目标价 | 入选理由 |
| 1 | MINIMAX-W | 已翻倍 | 二次爆发 | 41/50 | 818.5 | 1227.75 | 强候选 |
| 2 | 壁仞科技 | 已翻倍 | 二次爆发 | 39/50 | 47.42 | 71.13 | 候选 |
| 3 | 某未翻倍A | 未翻倍 | V7 | 55 | 12.0 | 18.0 | V7高+上行66.7% |

## 三、未入选标的及原因
| 股票 | 类型 | 评分 | 未入选原因 |
| 某未翻倍B | 未翻倍 | V7=48 | 上行空间仅11.1%<50% |
| 某未翻倍C | 未翻倍 | V7=25 | V7分低+空间42.9%<50% |

## 四、投资建议
- 重点关注：入选标的中的高评分标的
- 已翻倍 vs 未翻倍的风险差异说明
- 各标的的关键催化和风险提示

三个场景的关系