1. 课程导入与目标设定
在投资研究的日常工作中，板块轮动分析几乎是绕不开的一环。市场风格在成长与价值之间切换，资金在科技、消费、周期、红利之间迁移，研究员需要持续回答三个问题：过去一段时间哪些板块在走强、哪些在走弱；这种强弱变化背后有没有可解释的资金与景气线索；下一阶段应该重点关注哪些方向。周报和月报正是承载这些判断的常规载体。但真正做过的人都知道，一份看起来只有几页的轮动报告，背后往往是大量重复劳动：导出行情数据、计算区间涨跌幅、排序、画相对强弱曲线、更新估值分位、整理资金流向、再逐段改写文字结论。数据一多、频率一高，人工流程就容易出现口径不一致、更新滞后、结论与图表对不上的问题。
本课程要解决的，正是把这条“数据到报告”的链路工程化、自动化。需要先明确一点：自动化报告不是让机器替代研究员做投资决策，而是把可重复、可规则化、可校验的部分交给程序，把研究员的精力释放到判断和解释上。因此，本课程的目标不是做一个“会写字的机器人”，而是搭建一条稳定、可追溯、可复用的板块轮动报告生产线。
自动化报告在投资研究中的定位
可以把投资研究中的报告工作分成三层。最底层是数据层：行情、估值、成交额、资金流、行业景气指标等原始输入。中间层是计算与规则层：区间收益、相对强弱、排名变化、动量与拥挤度指标、触发条件判断。最上层是表达层：图表、表格、文字结论、风险提示。人工模式下，三层都由人串起来，效率低且易错；自动化模式下，数据层和计算层由脚本承担，表达层由模板与规则生成初稿，研究员负责审核、补充定性判断和最终定稿。
这个定位决定了后续所有技术选择的取向。我们追求的不是“文字多么像人写的”，而是口径统一、更新及时、结论可复现。同一套规则，本周跑和下周跑，只要输入数据相同，输出就应当一致；任何一个数字都能追溯到它的计算来源；任何一条“某板块走强”的结论，都能在图表和指标表里找到对应证据。
周报与月报的差异决定了自动化策略
周报和月报不是同一份报告换个周期。周报关注短期动量与边际变化，典型口径是近5日、近20日涨跌幅，本周相对上周的排名升降，资金流的短期方向，以及是否出现“连续两周走强”这类触发信号。月报则更关注中期趋势与结构位置，常用近20日、近60日区间，估值历史分位，月度级别的相对强弱拐点，以及景气与估值的匹配度。这意味着自动化系统需要支持可配置的区间参数，而不是把周期写死。
举个具体例子。假设我们跟踪28个申万一级行业，周报的区间收益用近5个交易日，月报用近20个交易日。同一套计算函数，只要传入不同的窗口长度和基准，就能复用。这种“参数化”的设计，是后续章节实现指标计算模块的基础，也是本课程反复强调的工程习惯。
学习路径与最终交付物
整门课程围绕一条主线展开：数据准备 → 指标计算 → 规则判断 → 图表生成 → 文字模板 → 报告输出 → 校验与调度。第1章建立整体认知；后续章节会依次落地数据获取与清洗、区间收益与相对强弱计算、排名变化与触发规则、图表自动化、文字结论模板化、周报月报双周期输出，以及最后的定时运行与质量校验。
最终交付物是一套可运行的报告生成流程，产出包括：一份结构固定的指标总表、一组轮动图表、一段由规则生成的文字结论初稿，以及一份可人工审核的报告文件。为了让目标更具体，下面给出本课程建议的交付物清单，读者可以据此对照自己的进度。
| 交付物 | 内容要点 | 验收标准（示例） |
|---|---|---|
| 指标总表 | 板块名称、区间收益、相对强弱、排名、排名变化、估值分位、资金净流入 | 28个板块齐全，数值可追溯到原始数据，无空值 |
| 轮动图表 | 相对强弱曲线、区间收益排序条形图、排名变化热力图 | 图表与总表数字一致，坐标与图例清晰 |
| 文字结论初稿 | 走强板块、走弱板块、边际变化、风险提示 | 每条结论均能对应到具体指标，无凭空表述 |
| 双周期输出 | 周报（近5日）与月报（近20日）各一份 | 同一流程切换参数即可生成，口径不混用 |
| 运行与校验 | 定时任务、日志、异常提示 | 数据缺失或计算异常时能明确报错，不静默出错 |
先想清楚“判断规则”，再动手写代码
很多自动化报告失败，不是因为代码写得不好，而是因为规则没想清楚。什么叫“走强”？是近5日收益排名进入前25%，还是相对强弱曲线创20日新高，还是排名较上期上升超过5位？不同定义会导出完全不同的结论。本课程建议用可量化的触发条件来描述判断，例如：
- 短期走强：近5日收益排名位于前25%，且排名较上期上升不少于3位。
- 中期走强：近20日相对强弱大于1，且连续两期上升。
- 走弱警示：近5日收益排名位于后25%，且资金净流出。
- 拥挤提示：估值历史分位高于80%，同时近20日涨幅排名前10%。
这些条件都是示例，实际使用时需要结合跟踪板块数量和基准来调整阈值。关键在于：规则要写成程序能判断的形式，而不是“感觉这个板块比较强”。只有规则明确，自动生成的文字结论才有依据，研究员审核时也才能快速定位分歧点。
本课程的定位与边界
需要坦诚说明自动化报告的边界。它能保证数据及时、口径统一、初稿完整，但它不擅长处理突发事件、政策解读、产业链调研这类需要定性判断的内容。因此本课程的设计原则是“机器做初稿，人做定稿”：程序负责把可计算的部分做扎实，把结论写成有据可查的初稿；研究员负责审核数字、补充逻辑、调整表述。理解这一点，就不会对自动化抱有不切实际的期待，也不会因为“机器写的不够好”而否定整条链路的价值。
带着这个定位进入后续学习，你会发现每一个技术选择都有明确目的：为什么要参数化区间、为什么要保留中间计算表、为什么文字模板要绑定指标字段、为什么要做异常校验。这些问题的答案，都指向同一个目标——让板块轮动周报和月报成为一份稳定、可信、可持续更新的研究产品。