/CORE
系统核心
超越传统量化的统计学范畴，我们建立了一套基于因果逻辑的认知体系。从感知识别到决策执行，形成完整的智能闭环。
/ 01 感知
全域洞察
市场不仅由数字构成，更由事件驱动。我们像雷达一样感知全域公开数据——从招聘数据到供应链异动，捕捉那些被传统视线忽略的微弱信号（Weak Signals）。
/ 02 推演
逻辑重构
不仅仅是拟合历史数据，而是推演因果链条。通过多智能体博弈与竞争性假设，我们在海量可能中剪除谬误，逼近唯一的逻辑真相。
/ 03 决断
定义未来
将模糊的认知转化为精确的数学向量。这不是对过去的总结，而是对“近未来”状态的高置信度锁定。
/METHOD
深度加工示例
数据的价值不在于“拥有”，而在于“加工”。AgentBull 能够穿透表面的新闻标签，构建从模糊信息到精确财务测算的完整因果链。
原始情报 (Input)
"雅鲁藏布江下游水电工程正式开工..."
SOURCE: OSINT / NEWS
传统基本面量化 (Labeling)
简单标签化：
#大基建#水电建设#西部开发
结果：模糊推送，无法区分标的优劣。
AgentBull 推演 (Deduction)
- 1区域壁垒分析： 结合高原运输成本与产能分布，锁定具有绝对定价权的区域性水泥/民爆龙头，剔除无竞争力的外部供应商。
- 2对冲逻辑推演： 识别受损方——因水电送出而面临调峰压力或被替代的周边老旧火电标的。
- 3订单转化建模： 基于历史同类工程的物料消耗模型，将“开工”事件量化为对核心受益标的EPS 增厚幅度的具体预测。
市场异动 (Input)
"特斯拉 (TSLA) 盘前异常上涨 1.3%"
SOURCE: MARKET DATA
传统基本面量化 (Labeling)
通用关联：
#新能源车#海外映射#锂电池
结果：泛泛推送至整个锂电板块，缺乏超额收益逻辑。
AgentBull 推演 (Deduction)
- 1跨市场归因： 结合财报数据，判断上涨并非来自整车销售，而是储能业务 (Megapack) 的毛利改善预期。
- 2相关性映射 (Mapping)： 基于自有因子模型深度扫描美股映射标的与A股“温控/PCS”板块的隐形关联，识别跟随涨幅最确定的影子股。
- 3估值锚定： 以美股同类资产的重新定价作为锚点，量化计算A股对应标的的估值修复空间，捕捉套利机会。