龙虎榜席位多空因子 (alpha_yyb_seat_duokong_data)

# 龙虎榜席位多空因子 · 文档 - 因子 ID：`alpha_yyb_seat_duokong` - 因子名称：龙虎榜席位多空因子 - 因子类型：资金流席位因子 - 数据源（平台侧）：`cn_stock_top_inst_te_raw`（龙虎榜机构明细） - 本地落盘：`yyb_seat_duokong_factor.csv` / `yyb_seat_duokong_factor_analysis.json` / `yyb_seat_duokong_factor_analysis.html` - 定时更新：每天 **20:40**（计划任务 `EastMoneyYYBPH_DailyUpdate`） - 提交方式：AIStudio（`factors.submit_factor`） --- ## 1. 因子定位 龙虎榜每日披露每只上榜股票的**买入前 5 / 卖出前 5 营业部（席位）**。同一只股票今天上榜， 是「哪一路资金在做」的直接证据，但席位名本身不可比较——有的营业部历史上上榜后大概率上涨 （偏多席位，如活跃游资席位），有的则相反（偏空席位，如高频兑现席位）。 本因子把「**资金方向（谁在买、谁在卖）**」与「**席位历史画像（这个席位偏多还是偏空）**」 相乘，得到一个横截面上可排序的分数： * 因子值 **> 0**：当日买盘由偏多席位主导（或卖盘由偏空席位主导），看多； * 因子值 **< 0**：当日买盘由偏空席位主导（或卖盘由偏多席位主导），看空； * 值域约 **[−50, +50]**，`0` 为中性。 --- ## 2. 数据来源与计算链路 ``` 东方财富 数据中心 API（data.eastmoney.com，公开接口，无需登录） ├── RPT_RATEDEPT_RETURNT_RANKING 营业部排行（近一年，CYCLE_CODE="04"） │ └─▶ yyb_rise_prob_return.csv ├── RPT_BILLBOARD_DAILYDETAILSBUY/SELL 龙虎榜买入/卖出前 5 席位明细 └── RPT_DAILYBILLBOARD_DETAILSNEW 龙虎榜明细（含前向收益、最新交易日） yyb_rise_prob_return.csv └─ yyb_duokong.py ─▶ yyb_duokong_stats_YYYY-MM-DD.csv（席位画像：综合多空分 0~100） 席位明细 × 席位画像 └─ eastmoney_yybph.py: build_factor_panel() ─▶ yyb_seat_duokong_factor.csv └─ analyze_factor() ─▶ 分析 JSON / HTML └─ submit_factor() ─▶ AIStudio 因子库 ``` **为什么需要席位名归一**：两个数据源对同一营业部的写法不同 （席位明细写「国泰海通证券股份有限公司武汉紫阳东路证券营业部」，排行表写 「国泰海通证券武汉紫阳东路证券营业部」）。`norm_seat()` 只做「剥离公司后缀」 「统一『证券营业部』写法」两项确定性替换，不做模糊猜测，因此匹配不上就是真的对不上。 `机构专用 / 深股通专用 / 沪股通专用 / 其他席位` 属交易所汇总席位，单独剔除、不计入匹配失败。 --- ## 3. 因子定义 ### 3.1 本地口径（`build_factor_panel`） 对每个交易日 T、每只上榜股票 i： ``` factor(T, i) = Σ_s s · amt(s) · (score(s) − 50) / Σ_s amt(s) ``` * `s` —— 该股 T 日的买卖前 5 席位（每侧只取金额最大的前 5 个）； * `s = +1` 若席位出现在**买入**前 5；`s = −1` 若出现在**卖出**前 5； * `amt(s)` —— 买入方向取买入额，卖出方向取卖出额（单位元）； * `score(s)` —— 该席位近一年的**综合多空分**（0~100，50 为中性），由 `yyb_duokong.py` 用东财「营业部排行」的近一年上涨概率横截面反解得到； * 画像匹配不上的席位（含交易所汇总席位）**整条剔除**，不参与分子分母。 ### 3.2 平台口径（`FACTOR_SQL`） 平台没有「营业部排行」这张表，因此席位画像改为**在同一数据源内自洽推导**： 取该席位最近 242 个上榜日（**不含当日，杜绝前视**）的净买占比 ``` net_ratio = (Σ买入额 − Σ卖出额) / (Σ买入额 + Σ卖出额) ∈ [−1, +1] ``` 并令 `画像分 − 50 = 50 · net_ratio`，与本地 `综合多空分 − 50 ∈ [−50, +50]` **同量纲、同方向**。 其余口径（`sign`、`amt`、加权公式）与本地完全一致。席位首次上榜时 `net_ratio` 为 `NULL`， 该席位当日不参与加权，语义等价于本地的「画像匹配不上则剔除」。 ```sql WITH seat_day AS ( -- 席位 × 日 汇总（同一席位的买、卖金额合并到一行） SELECT date, exalter, SUM(COALESCE(buy, 0)) AS buy_amt, SUM(COALESCE(sell, 0)) AS sell_amt FROM cn_stock_top_inst_te_raw GROUP BY date, exalter ), seat_profile AS ( -- 席位画像：最近 242 个上榜日的净买占比（不含当日） SELECT date, exalter, (SUM(buy_amt) OVER w - SUM(sell_amt) OVER w) / NULLIF(SUM(buy_amt) OVER w + SUM(sell_amt) OVER w, 0) AS net_ratio FROM seat_day WINDOW w AS (PARTITION BY exalter ORDER BY date ROWS BETWEEN 242 PRECEDING AND 1 PRECEDING) ), seat_signed AS ( -- 逐条席位明细 → 带方向的金额 SELECT date, instrument, exalter, CASE WHEN side = '0' THEN 1 ELSE -1 END AS sgn, CASE WHEN side = '0' THEN COALESCE(buy, 0) ELSE COALESCE(sell, 0) END AS amt FROM cn_stock_top_inst_te_raw ) SELECT s.date AS date, s.instrument AS instrument, SUM(s.sgn * s.amt * 50.0 * p.net_ratio) / NULLIF(SUM(s.amt), 0) AS factor FROM seat_signed s JOIN seat_profile p ON p.date = s.date AND p.exalter = s.exalter WHERE p.net_ratio IS NOT NULL GROUP BY s.date, s.instrument HAVING SUM(s.amt) > 0 ``` * `side`：`'0'` = 买入前 5，`'1'` = 卖出前 5（字符串）； * `242` 与 `PERIODS_PER_YEAR` 对齐（近一年交易日数）； * 窗口为 `ROWS BETWEEN 242 PRECEDING AND 1 PRECEDING`，**当日不进窗口**，因此 T 日盘后即可算出 因子值，不存在前视。 ### 3.3 两版口径的差异（唯一一处） | 环节 | 本地版 | 平台版 | | --- | --- | --- | | 席位画像来源 | 东财「营业部排行」近一年上涨概率反解（`综合多空分`，0~100） | 同一数据源内自洽推导 `net_ratio`，令 `画像分−50 = 50·net_ratio` | | 画像窗口 | 近一年（东财给定，含全部上榜记录） | 最近 242 个**上榜日**，不含当日 | | 匹配不上的席位 | 剔除 | `net_ratio IS NULL` → 剔除 | | 方向符号 / 金额口径 / 加权公式 | `+1` 买、`−1` 卖；买取买入额、卖取卖出额；`Σ s·amt·(score−50)/Σ amt` | **完全一致** | --- ## 4. 因子分析口径（对齐 AlphaMiner） `analyze_factor()` 复现参考文档 `因子提交因子分析.txt` 的 AlphaMiner 绩效口径， 使本地算出的指标可直接填进 `submit_factor` 的 `performance_index`。 | 项目 | 口径 | | --- | --- | | 前向收益 | 龙虎榜明细自带的 `D1_CLOSE_ADJCHRATE`（T 日收盘 → T+1 日收盘，单位 %）。T 日盘后因子即得，已含前视对齐，**不再做 `shift(1)`** | | 分层 | 按日横截面等分位，`group_num` 组（默认 10） | | 多头 / 空头 | 多头 = 因子值**最大**组，空头 = 因子值**最小**组，`long_short = long − short` | | IC | 逐日 Spearman 秩相关；`IC` = 均值，`IR` = 均值 / 标准差，另给 `|IC|>0.02` 占比与近 3/10/21/63/126/252 日 IC 均值 | | 收益类指标 | `return_ratio`（区间累计）、`annual_return_ratio`（年化）、`ex_return_ratio` / `ex_annual_return_ratio`（超额，基准 = 样本内等权）、`sharp_ratio`、`return_volatility`、`information_ratio`、`max_drawdown`、`win_percent` | | 年化 | `PERIODS_PER_YEAR = 242`，无风险利率 `RISK_FREE = 0.035 / 242`（日频） | | 区间收益 | `RET_WINDOWS = (3, 10, 21, 63, 126, 252)`，样本不足则为 `null` | | 换手率 | `1 − |前一日持仓 ∩ 当日持仓| / |当日持仓|`，逐日取均值 | | 股票池 / 基准 | 本地：龙虎榜上榜个股 / 样本内等权；AIStudio：`params['instruments']` / `params['benchmark']` | 提交时 `perf_dict` 的构造（见 `submit_factor()`）： ```python perf_dict = {"factor_direction": params["factor_direction"], "IC": np.nanmean(alpha_instance.ic["g_ic"])} for portfolio, row in result["whole"].iterrows(): for column, value in row.items(): perf_dict[f"{portfolio}_{column}"] = value # long_return_ratio / short_ic / ... perf_dict.update(params) # inf / nan → None，避免 JSON 序列化报错 ``` --- ## 5. 参数（`params`） | 参数 | 取值 | 说明 | | --- | --- | --- | | `group_num` | `10` | 分层组数（`--group-num`） | | `factor_field` | `"factor"` | 因子列名（固定，与因子表列名一致） | | `instruments` | `"全市场"` | 股票池，可选 沪深300 / 中证500 / 中证1000 / 全市场（`--instruments`） | | `factor_direction` | `1` | 因子方向，`1` = 因子值越大越看多（`-1` 反之） | | `benchmark` | `"中证500"` | 基准（`--benchmark`） | | `data_process` | `True` | 是否做因子预处理（去极值 / 标准化） | --- ## 6. 产物清单 | 文件 | 说明 | | --- | --- | | `yyb_seat_duokong_factor.csv` | **因子表**（date / instrument / factor），按 (date, instrument) 增量去重 | | `yyb_seat_duokong_factor_analysis.json` | 分析结果（窗口、params、coverage、ic_summary、whole_perf、yearly_perf、extreme） | | `yyb_seat_duokong_factor_analysis.html` | 自包含分析报告（净值曲线 + 整体/年度绩效 + IC + 因子值极值个股） | | `yyb_rise_prob_return.csv` | 席位画像原始表（19 列，见「表结构」文档） | | `yyb_duokong_stats_YYYY-MM-DD.csv` | 席位画像派生表（43 列，`综合多空分` 即画像分） | | `lhb_seat_duokong_tag_YYYY-MM-DD.csv` | 席位明细 × 画像的人工核对表（辅助产物） | | `yybph_daily.log` | 定时任务的追加日志 | 覆盖度（`coverage`，写进 JSON）示例：`seat_rows` 席位明细行数、`matched_rows` 匹配到画像的行数、 `matched_amount_ratio` 金额级匹配率、`panel_rows` 因子行数、`trading_days` 交易日数、 `factor_min` / `factor_max`。 > 注意：`matched_amount_ratio` 是**金额级**匹配率，因交易所汇总席位（机构专用、沪深股通专用）金额 > 天然较大且不参与匹配，该比值偏低（约 0.24）属正常，不代表画像质量差。 --- ## 7. 定时运行（每天 20:40） Windows 计划任务 `EastMoneyYYBPH_DailyUpdate`，触发时间 **20:40:00**，执行 `run_yybph_daily.bat`（`cd` 到脚本所在目录，逐步骤带 `errorlevel` 中断）： | 步骤 | 命令 | 作用 | | --- | --- | --- | | 1 | `python eastmoney_yybph.py --no-factor` | 采集营业部排行（近一年），按 (date, dept_code) 增量落盘 | | 2 | `python yyb_duokong.py` | 由排行表派生席位画像，写 `yyb_duokong_stats_YYYY-MM-DD.csv` | | 3 | `python eastmoney_yybph.py --factor-only` | 抓席位 → 构因子 → 分析 → 落盘 → 提交 | 任一步 `errorlevel` 非 0 即 `goto fail` 中止，日志追加到 `yybph_daily.log`。 选择 20:40 的原因：交易所龙虎榜数据在盘后 18:00~20:00 之间陆续披露完毕，20:40 取数可拿到当日 完整席位明细，且早于次日开盘，保证 T 日盘后即可出因子。 `.bat` 文件必须保持 **ASCII-only**（`cmd` 按 ANSI 代码页解析），中文说明只写在本文件里。 --- ## 8. 提交到 AIStudio ### 8.1 提交通路 本地沙箱**无法提交**：环境中不存在 `bigalpha` / `factors` 模块，`bq.dai.query` 也会被服务端 拒绝（`FlightUnavailableError: 请先申请SDK使用权限`）。因此提交走 **AIStudio 在线环境（Notebook / 网页端因子库）**：把 `FACTOR_SQL` 与第 6 节的产物一起提交。 `submit_factor()` 已按参考文档写好，在 AIStudio 里执行 `python eastmoney_yybph.py --factor-only` 即会自动提交；本地执行时只打印「未检测到 bigalpha SDK，跳过因子提交」，**不报错**。 ### 8.2 `factors.submit_factor` 参数对照 | 参数 | 取值 | | --- | --- | | `id` | `alpha_yyb_seat_duokong` | | `performance_index` | 第 4 节的 `perf_dict`（`factor_direction` + `IC` + `{long,short,long_short}_{指标}` + `params` 全量，inf/nan 置 `None`） | | `performance_report` | `yyb_seat_duokong_factor_analysis.html` 的内容 | | `metadata` | `{}` | | `docs` | `{"因子类型": "资金流席位因子"}` | | `name` | `龙虎榜席位多空因子` | | `desc` | 因子定义 + 方向 + 样本窗口 | | `factor_sql` | 第 3.2 节的 `FACTOR_SQL` | ### 8.3 提交前检查 1. 在 AIStudio 中先单独跑一遍 `FACTOR_SQL`，确认能从 `cn_stock_top_inst_te_raw` 出数、 列名恰为 `date / instrument / factor`（本地因无 DAI 取数权限，只能离线校验）； 2. 确认 `date` 已转为 `timestamp[ns]`、`instrument` 带交易所后缀； 3. 确认 `perf_dict` 中无 `inf` / `nan`（构造时已统一置 `None`）。 --- ## 9. 已知限制 1. `FACTOR_SQL` **尚未在真实 DAI 环境执行过**（本地无取数权限），只用 `duckdb` 建同构表做了 语法、列名、数值口径与「无前视」的等价验证； 2. 平台版画像用 `net_ratio` 近似本地 `综合多空分`，**两者数值不完全相等**，只保证同量纲、同方向； 3. 本地分析的前向收益只到 T+1（`D1_CLOSE_ADJCHRATE`），`ic_63` / `ic_126` / `ic_252` 与 `ret_63` / `ret_126` / `ret_252` 在 60 天回补窗口下为 `null`，需加大 `--factor-days` 才有值； 4. 席位画像为「近一年」样本，跨日复用不改变画像结论（见 `lhb_seat_duokong.py` 的说明）。 ## 1. 因子表（提交给平台，主表） 文件：`yyb_seat_duokong_factor.csv`　｜　规模：2825 行 × 3 列（2026-07-17 ~ 2026-09-14） | 字段 | 字段类型 | 字段描述 | | --- | --- | --- | | date | timestamp[ns] | 交易日期（龙虎榜上榜日 T 日） | | instrument | string | 股票代码，带交易所后缀（如 000566.SZ、600000.SH） | | factor | double | 因子值 = Σ(买/卖方向符号 × 金额 × (席位综合多空分 − 50)) / Σ金额，值域约 [−50, +50]，>0 表示买方席位整体偏多 | 说明：`date + instrument + factor` 即平台标准因子表结构，可直接作为 `factor_field = factor` 的输入；同一 (date, instrument) 唯一，重复执行按该键去重（增量追加）。 --- ## 2. 席位画像表（上游 1，营业部排行） 文件：`yyb_rise_prob_return.csv`　｜　规模：4715 行 × 19 列 来源：东方财富 `RPT_RATEDEPT_RETURNT_RANKING`，统计周期「近一年」（`CYCLE_CODE="04"`） | 字段 | 字段类型 | 字段描述 | | --- | --- | --- | | date | timestamp[ns] | 统计截止日（采集当日） | | rank | int32 | 营业部排名 | | dept_code | int64 | 营业部代码 | | dept_name | string | 营业部名称 | | buy_times_1d | int64 | 上榜后 1 日的买入次数 | | avg_increase_1d | double | 上榜后 1 日平均涨幅，单位 % | | rise_probability_1d_factor | double | 上榜后 1 日上涨概率，单位 %（尾部 `_factor` 标记的因子列） | | buy_times_2d | int64 | 上榜后 2 日的买入次数 | | avg_increase_2d | double | 上榜后 2 日平均涨幅，单位 % | | rise_probability_2d_factor | double | 上榜后 2 日上涨概率，单位 %（`_factor` 列） | | buy_times_3d | int64 | 上榜后 3 日的买入次数 | | avg_increase_3d | double | 上榜后 3 日平均涨幅，单位 % | | rise_probability_3d_factor | double | 上榜后 3 日上涨概率，单位 %（`_factor` 列） | | buy_times_5d | int64 | 上榜后 5 日的买入次数 | | avg_increase_5d | double | 上榜后 5 日平均涨幅，单位 % | | rise_probability_5d_factor | double | 上榜后 5 日上涨概率，单位 %（`_factor` 列） | | buy_times_10d | int64 | 上榜后 10 日的买入次数 | | avg_increase_10d | double | 上榜后 10 日平均涨幅，单位 % | | rise_probability_10d_factor | double | 上榜后 10 日上涨概率，单位 %（`_factor` 列） | --- ## 3. 营业部多空统计表（上游 2，席位画像） 文件：`yyb_duokong_stats_YYYY-MM-DD.csv`（每日一份快照）　｜　规模：4715 行 × 43 列 由 `yyb_duokong.py` 从「2.」派生，`综合多空分` 即因子公式中的席位画像分。 | 字段 | 字段类型 | 字段描述 | | --- | --- | --- | | date | timestamp[ns] | 统计截止日（快照日） | | 多空排名 | int64 | 按综合多空分降序的排名 | | rank | int64 | 原始营业部排名 | | dept_code | int64 | 营业部代码 | | dept_name | string | 营业部名称（与席位明细关联时的归一前名称） | | 下跌概率_1d | double | 上榜后 1 日下跌概率 = 100 − 上涨概率，单位 % | | 多空比_1d | double | 上榜后 1 日多空比（上涨概率 / 下跌概率） | | 多空概率差_1d | double | 上榜后 1 日多空概率差 = 上涨概率 − 下跌概率，单位 % | | 下跌概率_2d | double | 上榜后 2 日下跌概率，单位 % | | 多空比_2d | double | 上榜后 2 日多空比 | | 多空概率差_2d | double | 上榜后 2 日多空概率差，单位 % | | 下跌概率_3d | double | 上榜后 3 日下跌概率，单位 % | | 多空比_3d | double | 上榜后 3 日多空比 | | 多空概率差_3d | double | 上榜后 3 日多空概率差，单位 % | | 下跌概率_5d | double | 上榜后 5 日下跌概率，单位 % | | 多空比_5d | double | 上榜后 5 日多空比 | | 多空概率差_5d | double | 上榜后 5 日多空概率差，单位 % | | 下跌概率_10d | double | 上榜后 10 日下跌概率，单位 % | | 多空比_10d | double | 上榜后 10 日多空比 | | 多空概率差_10d | double | 上榜后 10 日多空概率差，单位 % | | 可信度 | string | 画像可信度档位（按上榜次数分档） | | 多空一致性 | int64 | 各档位多空方向一致的个数（0~5） | | 多空概率差_加权 | double | 按上榜次数加权的多空概率差，单位 % | | 期望收益_加权 | double | 按上榜次数加权、由多空概率差反解的期望收益，单位 % | | 多空评分 | double | 由多空概率差_加权映射的评分 | | 期望评分 | double | 由期望收益_加权映射的评分 | | 综合多空分 | double | 多空评分与期望评分的合成，0~100，50 为中性；因子公式中减 50 后使用 | | 方向 | string | 画像方向标签（偏多 / 中性 / 偏空） | | buy_times_1d | int64 | 上榜后 1 日的买入次数（原始列） | | avg_increase_1d | double | 上榜后 1 日平均涨幅，单位 %（原始列） | | rise_probability_1d_factor | double | 上榜后 1 日上涨概率，单位 %（`_factor` 列） | | buy_times_2d | int64 | 上榜后 2 日的买入次数（原始列） | | avg_increase_2d | double | 上榜后 2 日平均涨幅，单位 %（原始列） | | rise_probability_2d_factor | double | 上榜后 2 日上涨概率，单位 %（`_factor` 列） | | buy_times_3d | int64 | 上榜后 3 日的买入次数（原始列） | | avg_increase_3d | double | 上榜后 3 日平均涨幅，单位 %（原始列） | | rise_probability_3d_factor | double | 上榜后 3 日上涨概率，单位 %（`_factor` 列） | | buy_times_5d | int64 | 上榜后 5 日的买入次数（原始列） | | avg_increase_5d | double | 上榜后 5 日平均涨幅，单位 %（原始列） | | rise_probability_5d_factor | double | 上榜后 5 日上涨概率，单位 %（`_factor` 列） | | buy_times_10d | int64 | 上榜后 10 日的买入次数（原始列） | | avg_increase_10d | double | 上榜后 10 日平均涨幅，单位 %（原始列） | | rise_probability_10d_factor | double | 上榜后 10 日上涨概率，单位 %（`_factor` 列） | --- ## 4. 席位多空标注表（辅助产物，不入因子） 文件：`lhb_seat_duokong_tag_YYYY-MM-DD.csv`　｜　规模：570 行 × 25 列 由 `lhb_seat_duokong.py` 生成：当日席位明细（买卖前 5）逐条挂上席位画像，用于人工核对 「哪个席位在买 / 在卖、画像偏多还是偏空」。 | 字段 | 字段类型 | 字段描述 | | --- | --- | --- | | 交易日期 | timestamp[ns] | 席位明细所属交易日 | | 代码 | int64 | 股票代码（纯数字，无交易所后缀） | | 名称 | string | 股票名称 | | 方向 | string | 该席位当日方向（买 / 卖） | | 排名 | int64 | 席位在该方向上的金额排名 | | 营业部 | string | 营业部名称（席位明细口径） | | 买入额 | double | 买入金额，单位元 | | 卖出额 | double | 卖出金额，单位元 | | 净额 | double | 净成交额 = 买入额 − 卖出额，单位元 | | 3日上涨概率% | double | 该席位近一年「上榜后 3 日」上涨概率，单位 % | | 3日上榜次数 | double | 该席位近一年「上榜后 3 日」样本数 | | 买入占比% | double | 买入额占该股龙虎榜成交额比，单位 % | | 卖出占比% | double | 卖出额占该股龙虎榜成交额比，单位 % | | 上榜原因 | string | 交易所在龙虎榜上给出的上榜原因 | | 匹配方式 | string | 影像匹配结果（名称归一匹配 / 汇总席位 / 未匹配） | | dept_code | double | 营业部代码（来自多空统计表，未匹配为空） | | 综合多空分 | double | 该席位画像的综合多空分，0~100 | | 多空评分 | double | 该席位画像的多空评分 | | 期望评分 | double | 该席位画像的期望评分 | | 席位多空方向 | string | 该席位画像方向（偏多 / 中性 / 偏空） | | 可信度 | string | 该席位画像可信度档位 | | 多空一致性 | double | 该席位画像多空一致档数（0~5） | | 多空概率差_加权 | double | 该席位画像加权多空概率差，单位 % | | 期望收益_加权 | double | 该席位画像加权期望收益，单位 % | | 近一年上榜次数 | double | 该席位近一年上榜次数 | --- ## 5. 平台侧输入数据源（`factor_sql` 的输入） 数据源：`cn_stock_top_inst_te_raw`（中文名「龙虎榜机构明细」，分类 `/用户分享数据/股票数据`） | 字段 | 字段类型 | 字段描述 | | --- | --- | --- | | date | timestamp[ns] | 交易日期 | | instrument | string | 股票代码，带交易所后缀（.SH/.SZ/.BJ） | | exalter | string | 营业部（席位）名称 | | side | string | 买卖类型，`'0'` = 买入前 5、`'1'` = 卖出前 5 | | buy | double | 买入额，单位元 | | sell | double | 卖出额，单位元 | | net_buy | double | 净成交额 = 买入额 − 卖出额，单位元 | | buy_rate | double | 买入占比（该数据源中为空） | | sell_rate | double | 卖出占比（该数据源中为空） | | reason | string | 上榜原因 | 类型说明：`date` / `instrument` / `exalter` / `side` / `reason` 的取值形态已按实际数据确认； 浮点列的精确精度（`double` / `float`）以平台 `bqdai.get_datasource_schema("cn_stock_top_inst_te_raw")` 的返回为准。 关联关系（本地链路）： ``` cn_stock_top_inst_te_raw（平台侧，等价的龙虎榜席位明细） │ │ 席位名称归一 norm_seat()：剥离公司后缀、统一「证券营业部」写法 ▼ yyb_rise_prob_return.csv ──yyb_duokong.py──▶ yyb_duokong_stats_YYYY-MM-DD.csv │ │ └────────── 席位画像（综合多空分）───────────────────┘ │ │ factor = Σ s·amt·(综合多空分 − 50) / Σ amt ▼ yyb_seat_duokong_factor.csv（date / instrument / factor） ```