你是我的「盘感翻译官」。我有多年投资经验和盘感，但不懂什么是因子。你的任务是把我的盘感翻译成可计算的因子，并用大白话解释每个定义在说什么（别只给公式）。 只做翻译这一步：不要加工、不要检验、不要出报告——这些交给后面的提示词做。翻译完成后，用一两句话说明你做了什么。如果某条盘感实在无法量化，明说原因后跳过，不要硬编。 【我的输入】（只改这一块） - 我的盘感：普跌情况下当天尾盘放量微红的票之后容易涨 - 印象最深的例子（可不填，股票名 + 大概时间）：中粮糖业20260904 - 股票范围：全A - 时间区间：近五年至今 - 数据频率：日频 - 想看多久之后的涨跌：5个交易日（约一周） 【沟通方式】 - 我不懂量化术语。术语第一次出现时用一句话解释；结论用我的盘感语言说，不要只报指标名。 - 不要求我给出经济逻辑。盘感本身就是假设，不必解释为什么灵。 - 遇到含糊处不要停下来等我：写出你采用的默认假设，继续往下做，我之后会纠正。 【第一步 翻译：盘感 → 可检验的说法】 1. 把我的话复述成一句可检验的说法：「当____时，未来__个交易日，股票倾向于____」。 2. 同一条盘感常有几种量化方式（比如「缩量」可以是成交量低于自己20日均量，也可以是换手率处在近期低位）。给出 2–3 个版本的可计算定义，全部列出，最多 3 个，并记录「共列了几个版本」。注意：以后如果只挑其中表现最好的那个去做检验，就是在作弊（选择型过拟合）——每个版本都要保留，交给下一步一起验。 3. 先用 bq dai search / bq dai fields 确认用到的字段真实存在，不凭印象写字段名。参考：行情与换手在 cn_stock_bar1d，资金流在 cn_stock_moneyflow，分时段与高频特征在 cn_stock_factors_hf，现成因子在 cn_stock_prefactors（先查有没有现成的），财务数据用 *_pit 表。 4. 我说的内容里有做不了的部分（盘口情绪、消息面、主观形态判断等），明说哪部分做不了，只做能量化的部分。 5. 输出一张翻译表：盘感原话 | 可计算的定义 | 用到的字段 | 方向。方向统一为「值越大越看涨」；若我的盘感是「越X越会跌」，在表达式里取反。

不需要尾盘突然放量，放量跟过去20日均量做比较就行

请按【四步】完整跑完一个因子从加工、落库、检验到出图文报告的全流程。每步结束用一两句话说明做了什么和耗时；遇到数据缺失/异常的标的，记录后跳过，不要中断整体流程。 【输入参数】（可覆盖） - 因子：普跌日 且 微红 的票,取「当天成交量 ÷ 过去 20 日平均成交量」;不满足条件记 0 cn_stock_bar1d 的 volume、close、pre_close 越大越看涨 三个版本共用的闸门没变: 普跌日:当天全 A 里下跌的股票占比 ≥ 70%。 微红:当天 close / pre_close − 1 在 0% 到 2% 之间。 - 股票池：全 A，剔除 ST、停牌、上市不足 250 个交易日。 - 区间：2019-01-01 至最新交易日。 - 检验频率：月度。信号日收盘后生成，T+1 开盘价买入，持有到下一个月末信号日的次日开盘。 - 落库表名：PDFLWH；报告路径：./PDFLWH_检验报告.html 【技术约束】（动手前先读，能显著提速） 1. 因子加工必须用 DAI SQL 在引擎内一次完成，不要用 pandas 逐日循环。用平台截面算子，先在 dai-functions.md 里 grep 确认签名： - 行业中位数填充：COALESCE(x, c_group_quantile_cont(ind, x, 0.5))。注意 c_fillna 填的是均值，不是中位数。 - 缩尾：c_winsorize(x, 0.01, 0.99) - 标准化：c_zscore(x) - 中性化：c_neutralize_resid(x, 行业列, LN(总市值))，取残差。不要用 c_neutralize / c_indneutralize，它们内部自带缩尾和标准化，会和前面的步骤重复加工。 - 分组：c_ntile(因子, 10) 2. 数据表： - cn_stock_prefactors：pe_ttm、roe_avg_ttm、total_market_cap、sw2021_level1。财务字段已按公告日对齐。 - cn_stock_status：st_status、suspended。 - cn_stock_factors_base：trading_days。该表缺北交所老代码（430/83x/87x 开头），必须 LEFT JOIN，缺失时用 list_days*245/365 折算兜底，否则会丢约 12 万行。 3. 股票池过滤（WHERE）放在不含 c_* 的 CTE 里，让横截面算子只在股票池内计算。 4. 用 filters 一次取全区间，不要按年循环；大查询用 engine="aistudio"。 5. 用到 scipy 等库的脚本，用 bq aistudio exec -- python x.py 运行；直接 python 会落到没有 scipy 的本机。 6. 报告里的所有数字都从结果文件（json）读取，不要手填；结论里没验证过的原因解释，必须标注为「猜测」。 【第一步 · 因子加工】 按上面的算子写成一条 SQL：股票池过滤 → 行业中位数填充 → EP、ROE 各自缩尾 + z-score → 等权合成再 z-score → 对「行业哑变量 + 对数市值」取残差 → 再 z-score。输出诊断：各步剔除/填充条数、中性化前后与对数市值的相关系数、每日均值≈0 且标准差=1、无重复 (date, instrument)。 【第二步 · 保存】 write_bdb 写入 PDFLWH：overwrite=True，unique_together=[date, instrument]，带 docs 和元数据（因子名、加工日期、加工引擎、中性化方式、股票池、区间）。回读核对行数，打印表名 + 行数 + 路径。 【第三步 · 检验】（从落库表读取因子；先尝试用 SQL 的 c_ntile / c_rank / m_lead 算分组和 IC，对不上小样本核对结果时再回退 numpy） 1. RankIC：逐日对下期收益，输出均值、标准差、IR、t 值、IC>0 胜率。t 值必须用 Newey-West 校正（20 日收益窗口重叠，朴素 t 会虚高好几倍），同时给出中性化前后对比。另输出累计 RankIC 序列。 2. 分组：10 组（G1 最小 → G10 最大）的下期平均收益、G10−G1、组序相关；同时输出 10 组各自的累计净值。 3. 多空：多 G10 空 G1，月度调仓，给出扣费/不扣费的净值、年化、夏普、最大回撤、单边换手；成本假设写明（单边 0.15%）。另给分年度收益，并与全市场等权基准对比。 4. 自检：财报更新日是否紧跟公告日（统计滞后分布与异常笔数）、因子额外滞后后的 IC、随机因子对照、与过去收益的关系、退市标的是否在样本内。 【第四步 · HTML 报告】 自包含 HTML，内联 CSS/JS，离线可用（内联 SVG 或 ECharts 均可），红涨绿跌，全中文。板块： 1. 概览卡 + 一句话总评（有效 / 存疑 / 无效）。 2. 加工说明：步骤清单 + 大白话解释「为什么要中性化」，并用本次中性化前后的 IC 对比佐证。 3. 图表（至少 7 张）：RankIC 时间序列（0 轴 + 60 日均线）、累计 RankIC、十组下期收益柱状图、十组累计净值（G1 绿 → G10 红渐变，G1/G10/等权基准线尾直接标注，悬停按净值排序）、多空累计净值（扣费/不扣费 + 基准）、IC 直方图、分年度 IC。 4. 指标表，按课程口径标注：|IC|≥0.03「可用」、≥0.05「强」、>0.1「可疑（警惕未来函数）」；单调性用「台阶状=规律 / 乱跳=巧合」；另附分年度收益表。 5. 结论（大白话）：IC 是否显著为正、分组是否单调、多空是否稳定，给「要不要继续研究」的建议。 6. 风险与备注：样本区间、过拟合提示、空头不可实现、交易细节未建模、自检结果（通过 / 有未解释尾部要如实写）。 最后返回报告文件路径，并停止 AIStudio。