quant 命令行量化工具

基于 Polars 的命令行量化数据处理工具。

路径约定

类型	路径
只读原始数据	/mnt/readonly_dataset
生成数据集	/mnt/dataset

所有路径参数必须作为命令行参数传入，不可硬编码。

默认数据源

数据类型	数据源
股票每日成交	finance_sina
指数每日成交	finance_sina
融资融券	eastmoney
基金行情	cninfo
基金份额	exchange_sse + exchange_szse

---

数据集索引

每个数据集的详细文档（命令、输入输出、字段含义）单独存放在 docs/datasets/，一个数据集一个文件。

数据集	类型	说明	文档
gov_stats/工业企业指标	原始	规模以上工业企业月度经济效益	文档
gov_stats/{进出口,社会消费品零售总额}	原始	海关进出口、社会消费品零售总额月度指标（千美元/亿元/%），csv≤近年 + xlsx	见下方
gov_pbc	原始	央行月度统计（货币供应量、社融、信贷收支、货币当局资产负债表），按年目录，htm/xls/xlsx 混合格式	见下方
csindex/industry	原始	中证行业分类快照（一/二/三/四级），日度但变化慢	见下方
csindex/index_weight/{000300,000905}	原始	HS300 / CSI500 月度成分权重（OLE .xls 伪装成 .xlsx）	见下方
industry_profit	生成	工业企业每月利润总额	文档
pbc/money_supply	生成	央行货币供应量 M0/M1/M2 月度（亿元），宽表	文档
pbc/social_financing_flow	生成	社会融资规模增量（流量），长表	文档
pbc/social_financing_stock	生成	社会融资规模存量 + 增速，长表	文档
pbc/credit_funds	生成	金融机构信贷收支（存贷款全明细），长表	文档
pbc/central_bank_balance_sheet	生成	货币当局资产负债表（全明细），长表	文档
pbc/overseas_rmb_assets	生成	境外机构/个人持有境内人民币金融资产（股票/债券/贷款/存款），宽表	文档
pbc/exchange_rate	生成	人民币兑美元汇率（月末/月均中间价），宽表	文档
exchange_hkex/southbound_flow	生成	港股通南向每日买卖净额（亿港元），宽表，2021-06 起	文档
gov_stat/trade	生成	海关进出口月度指标（长表）	文档
gov_stat/retail_sales	生成	社会消费品零售总额月度指标（长表）	文档
gov_stat/retail_sales_monthly	生成	社会消费品零售总额每月新增额（宽表，累计值差分）	文档
gov_stat/port_freight	生成	全国港口货物吞吐量月度指标（长表，2019 起）	文档
gov_stat/freight	生成	货运量月度指标（长表，2005 起）	文档
gov_stat/passenger	生成	客运量月度指标（长表，2005 起）	文档
stock_quote_history	生成	股票行情历史	文档
stock_quote_adjusted	生成	前复权行情	文档
stock_quote_ta	生成	技术指标	文档
turnover_concentration	生成	全 A 股日成交额集中度（gini/alpha/top5-median/hhi/cr10）+ 股票数 + 流通/总市值，宽表，1992 起	文档
new_float_market_cap	生成	剔除股价涨跌影响的日度流通市值变化（正/负/净分列，全市场宽表，2005 起）	文档
margin_trade_history	生成	融资融券历史	文档
margin_trade_daily	生成	融资融券每日净变化	文档
fund_shares_history	生成	基金份额历史	文档
fund_quote_history	生成	基金行情历史	文档
fund_flow	生成	基金资金流	文档
fund_hs300_correlation	生成	沪深300关联基金滚动相关性	文档
etf_universe	生成	ETF 范围清单（宽基指数/行业/商品/债券/境外市场五类，附子分类）	文档
index_adjust_history	生成	指数成份调整历史（调入/调出事件流，2015-2026，按年分文件）	文档
index_constituent_history	生成	指数成份股入/出区间（最新 weight 锚点 + 调整历史反推，按指数/年份分文件）	文档

---

可视化脚本

独立 argparse 脚本，放在 plots/，输出 PNG 到 /mnt/dataset/。每个脚本的完整文档（用法/参数/数据源/结果）单独存放在 plots/xxx.md，下表只做索引。

脚本	说明	文档
industry_heatmap	行业成交额-涨幅方块热力图（finviz 风格，全 A 股聚合）	文档
industry_turnover_stack	行业成交额占比 river 图（streamgraph，时序）	文档
ppi_vs_hs300	PPI 出厂价格指数同比 vs 沪深300（双轴）	文档
purchase_price_vs_hs300	购进价格指数同比 vs 沪深300（双轴）	文档
retail_sales_monthly_vs_hs300	社零滚12月合计及同比 vs 沪深300（双轴）	文档
power_generation_12m_vs_hs300	发电量滚12月合计同比 vs 沪深300（双轴）	文档
passenger_vs_hs300	客运量（铁路+民航）滚12月合计/同比/环比 vs 沪深300（3 panel）	文档
freight_vs_hs300	货运量（铁路+水运）滚12月合计/同比/环比 vs 沪深300（3 panel）	文档
port_freight_vs_hs300	港口吞吐量（全国港口+外贸）滚12月合计/同比/环比 vs 沪深300（3 panel）	文档
trade_surplus_rolling_yoy	进出口顺差滚12月合计及同比 vs 沪深300（双轴）	文档
industry_profit_ttm	工业企业利润 TTM 环比变动 vs 沪深300（双轴）	文档
loans_m2_12m_flow_vs_hs300	各项贷款增量 − M2 增量（12月）vs 沪深300	文档
m2_12m_increment	M1（老口径）/M2 货币12月新增额 vs 沪深300（双轴）	文档
pbc_total_assets_12m_increment	央行总资产12月增量 vs 沪深300（双轴）	文档
shibor_vs_hs300	SHIBOR 3M 银行间利率 vs 沪深300（双轴）	文档
overseas_rmb_assets_12m_increment	外资持有境内股/债12月新增额 vs 沪深300	文档
usd_cny_exchange_rate	人民币兑美元汇率（月度中间价）vs 沪深300（双轴）	文档
margin_balance_change	融资余额月度净增长 vs 沪深300（最近5年）	文档
margin_inflow_20d	融资余额20日净流入 vs 沪深300（最近5年，日频）	文档
margin_balance_vs_hs300	全市场融资/融券余额 vs 沪深300（全部历史，三轴）	文档
turnover_concentration	A股日成交额集中度（5算法）vs 沪深300	文档
index_turnover_river	沪深300/中证500/中证1000/其他 成交额占比 river 图（streamgraph）	文档
new_float_market_cap	剔除股价影响的月度流通市值变化（扩容/回报/净额）vs 沪深300（双轴）	文档
market_stock_count	沪深两市每月新上市股票数 / 新增流通市值 vs 沪深300（三轴，月频，排除北交所，范围按沪深300）	文档
hs300_turnover_share	沪深300 成交额占两市总成交额比例 vs 沪深300（双轴，日频）	文档
market_turnover_total	沪深两市总成交额（日频）vs 沪深300（双轴，可 log）	文档
channel_entries_on_hs300	红利低波ETF通道买入点叠加在沪深300日线上	文档
turnover_channel_breakout	成交额通道重入信号（沪深300，log Bollinger + ZigZag 评估）	文档
turnover_minmax_channel	成交额通道（120 日滚动 max/min）+ 收盘价（上下两栏，log 刻度看天量/枯竭）	文档
zigzag_annual_return	ZigZag 枢轴每年潜在最大收益与潜在最大损失（沪深300）	文档
zigzag_bull_bear_cycle	ZigZag 枢轴牛熊周期（沪深300，段数/涨跌/历时）	文档
multiscale_regime_segments	多尺度牛熊分段金标准（大/中/小，熊市豁免合并，25% ZigZag）	文档
segment_daily_return_distribution	大级别牛熊分段内 日收益率分布直方图网格（沪深300，4×3 面板 + 牛熊聚合对比）	文档
next_day_return_heatmap	截止当日 N1 日 → 之后 N2 日 收益 2D 热力图（牛 vs 熊对比，log 色阶，象限占比 + 条件概率，窗口/步长可参数化）	文档
conditional_forward_return	前 N1 日收益分桶 → 之后 N2 日收益条件分布（牛 vs 熊箱线图，均值偏移/厚尾/峰度，桶边界可参数化）	文档
sweep_conditional_tail	跨 N1=1..10 × N2=1..3 扫描条件分布，筛厚尾+显著偏移模式（双向 box plot，分布卡片在 x 轴下方）	文档
annual_volatility	沪深300 每年年化波动率 + 指数对照	文档
drawdown	历史回撤水下曲线 + 前复权价格（基金/指数/股票通用，支持 --start-date 重置峰值）	文档
drawdown_extremes_vs_hs300	任意标的回撤极值点（峰/谷竖虚线）叠加沪深300（双轴，标的可参数化）	文档
window_return_distribution	任意标的 N 日窗口收益率分布直方图（默认 512890/20日/1%桶宽，标的/窗口/桶宽均可参数化）	文档
window_return_p1_episodes	N 日窗口 P 分位极端事件按月聚集分布（默认 5 大 A 股指数 × 5/10/20 日 × P1 左尾，标的/窗口/分位/方向均可参数化）	文档
boll_breakout_forward_return	Bollinger 通道突破事件 → 未来 M 日收益分布（2×3 直方图网格，含基线 alpha 对比，标的/窗口/k/持有期可参数化）	文档
boll_lower_breakout_grid	close 破下轨事件 × 当日破位深度/N 日位置 双维网格 → 未来 M 日极值收益分布（max/min 双热力图，每格 N/μ/M/[P1,P5,P95,P99]）	文档
fund_pair_compare	两只标的前复权收盘价双轴 + N 日滚动相关系数柱状（标的/窗口/相关窗口均可参数化）	文档
ah_listing_runup	A+H 上市：港股上市日前 2/3 月买入 A 股 → 持有期内最高收益率分布（总分布 + 按 120 日通道位置分桶）	文档
ah_listing_bottom_runup	A+H 上市前 120 交易日 A 股底部 → 反弹最高点 形态分析（最低点位置、反弹幅度、反弹持续时间、上市日 vs 峰值，窗口可参数化）	文档
southbound_flow_rolling	港股通南向资金 20/60 日滚动净流入 vs 恒生科技 ETF(513180) 双轴图（含贸易战/双减/924 等事件标注）	文档
southbound_etf_analysis	港股通南向资金 vs 恒生科技 ETF(513180)：累计净流入/60日分位 × forward 1/3/5/20 日收益相关性 + 滚动 corr + 分桶	文档
southbound_etf_strategy	南向 q60 阈值择时（≥0.9 买 / ≤0.1 卖）回测 513180 ETF：买卖点 + 净值曲线 + 绩效统计，阈值可参数化	文档
northbound_holdings_qoq	北向持股季度环比：价格 × 市值 4 象限分类（逆势/顺势 × 加仓/减仓 + 无显著），按净增减持金额(亿元)排序 TopN	文档

---

Tag 层

quant/tags.py 提供最简单的「股票 × 日期」布尔标记。每个 tag 是纯函数：接收一只股票的完整 DataFrame，返回带新增 tag_* 列的 DataFrame。filter 层在 tag 之上做组合查询。

内置 tags

Tag	函数	判定
surge_3d	tag_surge_3d(df, min_total_return=0.10)	过去 3 个交易日（含当日）每日 close > prev_close，且 close / close[t-3] - 1 >= min_total_return
volume_spike	tag_volume_spike(df, ma_period=20, ratio=2.0)	turnover >= ratio × turnover_ma{ma_period}
limit_up	tag_limit_up(df, ratio=0.099)	close >= round(prev_close × (1 + ratio), 2)

添加新 tag

1. 在 quant/tags.py 写 tag_xxx(df, ...) -> pl.DataFrame，函数内 with_columns(... .alias("tag_xxx"))
2. 注册到 TAG_FUNCS dict（key 是简短名，value 是函数）
3. 注册到 TAG_REQUIRED_COLUMNS（声明该 tag 需要读哪些原始列，filter_by_tags 会按需读列避免全表扫描）

---

筛选功能

filter_by_tags — 单日 tag AND 组合查询

项	内容
命令	uv run python -m quant.cli filter-by-tags <date> <tag> [<tag> ...] [options]
输入	{input_dir}/{code}.parquet（默认 stock_quote_ta）
输出	控制台表格 + 可选 CSV
逻辑	每只股票读一次，应用所有 tag 函数，留下指定日期 tag_* 全为 True 的股票

参数：

参数	说明	默认值
date	指定日期（YYYY-MM-DD，位置参数）	必填
tags	Tag 名（AND 组合，可多个，位置参数）	必填
input_dir	输入目录	/mnt/dataset/stock_quote_ta
min_market_cap	最小市值（单位：元）	0（不过滤）
exclude_st	是否排除 ST 股票	True（用 --no-exclude-st 关闭）
output_csv	导出 CSV 路径	None（不导出）

输出字段：

字段	含义
code	股票代码
date	指定日期
close	指定日期收盘价
market_cap	指定日期总市值
tag_*	每个命中 tag 的布尔列（全 True，列出来仅作记录）

使用示例：

# 单 tag: 3 日连涨强势股
uv run python -m quant.cli filter-by-tags 2026-06-15 surge_3d --min-market-cap 20000000000

# 组合: 3 日连涨 且 当日涨停
uv run python -m quant.cli filter-by-tags 2026-06-15 surge_3d limit_up

# 组合: 涨停 且 放量
uv run python -m quant.cli filter-by-tags 2026-06-15 limit_up volume_spike --min-market-cap 10000000000

# 不过滤 ST
uv run python -m quant.cli filter-by-tags 2026-06-15 limit_up --no-exclude-st

---

filter_limit_up_pullback — 涨停回踩（tag + 时间窗口复合 filter）

项	内容
命令	uv run python -m quant.cli filter-limit-up-pullback <date> [options]
输入	{input_dir}/{code}.parquet（默认 stock_quote_ta）
输出	控制台表格 + 可选 CSV
逻辑	在 tag_limit_up 之上叠加时间窗口条件：近期涨停 + 回踩到涨停前价位

筛选条件：

1. 非 ST 股票
2. 指定日期 market_cap >= min_market_cap
3. 指定日期前 lookback_days 个交易日内（窗口跨度 ≤ max_calendar_span 自然日，用于排除停牌）出现过 tag_limit_up
4. 指定日期 close < (1 + pullback_tolerance) × 涨停日 prev_close

窗口内多次涨停取最近一次作为锚点。

参数：

参数	说明	默认值
date	指定日期（YYYY-MM-DD，位置参数）	必填
input_dir	输入目录	/mnt/dataset/stock_quote_ta
min_market_cap	最小市值（单位：元）	10000000000（100亿）
lookback_days	回看交易日数	10
max_calendar_span	窗口最大自然日跨度	14
pullback_tolerance	相对涨停前价位的容忍度	0.01（1%）
output_csv	导出 CSV 路径	None（不导出）

输出字段：

字段	含义
code	股票代码
date	指定日期
close	指定日期收盘价
market_cap	指定日期总市值
zt_date	锚点涨停日
zt_prev_close	涨停前一交易日收盘价
pullback_pct	close / zt_prev_close - 1

使用示例：

# 默认参数
uv run python -m quant.cli filter-limit-up-pullback 2026-06-15

# 放宽到近 20 个交易日、市值 50 亿
uv run python -m quant.cli filter-limit-up-pullback 2026-06-15 --lookback-days 20 --min-market-cap 5000000000

---

filter_volume_spike — 放量股票批量筛选

项	内容
命令	uv run python -m quant.cli filter-volume-spike <input_dir> <output_csv> <min_market_cap> [options]
输入	{input_dir}/{code}.parquet（stock_quote_ta）
输出	单个 CSV 文件，每行一条放量记录
逻辑	用 Polars 向量化筛选所有满足 turnover ≥ min_ratio × turnover_ma{ma_period} 的日期

参数：

参数	说明	默认值
input_dir	输入目录（stock_quote_ta）	必填
output_csv	输出 CSV 文件路径	必填
min_market_cap	最小市值（单位：元）	必填（200亿=20000000000）
min_ratio	放量倍数（相对N日均线）	2.0
ma_period	均线周期（基准）	20
min_date	起始日期（含，YYYY-MM-DD）	None（全历史）

CSV 字段：

字段	含义
date	触发放量的日期
code	股票代码
market_cap	当日总市值
turnover	当日成交额
turnover_ma20	20日成交额均线（基准）
spike_ratio	放量倍数（turnover / turnover_ma20）

使用示例：

# 筛选市值200亿以上，2倍放量
uv run python -m quant.cli filter-volume-spike /mnt/dataset/stock_quote_ta /tmp/out.csv 20000000000

# 只要 2026 年的记录
uv run python -m quant.cli filter-volume-spike /mnt/dataset/stock_quote_ta /tmp/out.csv 20000000000 --min-date 2026-01-01

# 改用 60 日均线作基准，3 倍阈值
uv run python -m quant.cli filter-volume-spike /mnt/dataset/stock_quote_ta /tmp/out.csv 20000000000 --ma-period 60 --min-ratio 3.0

性能： 单进程下全市场（6000+股票）扫描所有历史日期约耗时 30-60 秒。

---

策略

daily_momentum_strategy — 日频动量轮动

每个交易日，比较有数据的指数过去 N 个交易日收益（默认 20 日），选最强者持有到下一日（T-1 信号决定 T 持仓）。候选池：CSI300(000300) / 中证500(000905) / 中证1000(000852) / 创业板50(399673) / 上证50(000016) / 科创50(000688)。

上市时间不同的指数按日动态加入比较池（full join 对齐），不截断整体回测：CSI300 自 2002 起单独可比，上证50 自 2004 加入，中证500 / 中证1000 自 2005 加入，创业板50 自 2014 加入，科创50 自 2020 加入。

换仓扣交易成本：每次买卖各扣 --cost-rate（默认万分之三 = 0.03%），换仓 = 卖 + 买 = 2 次，建仓 = 1 次，持有不变 = 0 次。年化（CAGR）按实际日历跨度计算，避免 交易日数 / 252 高估。

uv run python -m quant.cli daily-momentum-strategy \
    --input-dir /mnt/dataset/index_quote_history \
    --output-csv /mnt/dataset/strategy_daily_momentum.csv \
    --output-png /mnt/dataset/strategy_daily_momentum.png \
    --lookback-days 20 \
    --cost-rate 0.0003

参数：

• --input-dir / --output-csv：必填（路径参数无默认值）
• --lookback-days：动量回看交易日数（默认 20）
• --cost-rate：单边交易成本（默认 0.0003 = 万分之三）

输出：

• output_csv：每日明细（持仓指数、日收益、累计净值）
• output_png：策略与各指数 B&H 的 NAV 曲线（对数轴），策略曲线末端标注最终收益倍数

纯数学模拟，不计滑点、税费（成本仅按 --cost-rate 佣金估算）。

ma_crossover_strategy — 双均线突破

基于单一指数的双均线突破策略：快线上穿慢线时持仓，跌破时空仓。使用 T-1 日信号决定 T 日持仓，避免未来函数。

uv run python -m quant.cli ma-crossover-strategy \
    --input-dir /mnt/dataset/index_quote_history \
    --index-code 000300 \
    --fast-window 5 \
    --slow-window 60 \
    --output-csv /mnt/dataset/strategy_ma_cross.csv \
    --output-png /mnt/dataset/strategy_ma_cross.png

参数：

• --index-code：指数代码（默认 000300 = CSI300）
• --fast-window / --slow-window：快慢均线窗口（默认 5 / 60）

输出：

• output_csv：每日明细（收盘价、快慢均线、持仓、收益、累计净值）
• output_png：策略与指数 B&H 的 NAV 曲线，绿色阴影为持仓区间

channel_strategy — 布林带通道入场信号

布林带下轨买入策略的可视化：close ≤ MA(window) − k·σ 触发买入，标注每个买入点的窗口内最大涨幅 / 前瞻收益 / 最大浮亏。窗口未满的最近买入点用截至最新的已知数据补全（空心三角标记）。详见 plots/channel_entry_signals.md。

uv run python plots/channel_entry_signals.py --code 512890 --window 120 --k 1.5 --fwd 60

margin_inflow_outlier_strategy — 融资净买入异常值择时

当全市场融资日净流入为正且超过过去 N 日均值 + k 倍标准差时买入标的指数，反之卖出平仓，持有到反向信号。窗口 N 与倍数 k 做网格搜索，按年化夏普找最优；标的可切换。详见 plots/margin_inflow_outlier_strategy.md。

uv run python plots/margin_inflow_outlier_strategy.py
# 换标的：--index-file /mnt/dataset/index_quote_history/000905.parquet
# 自定义网格：--windows 20,30,60 --k-values 2.0,3.0,4.0

---

数据流全景

┌─────────────────────────────────────────────────────────────────┐
│                        只读原始数据                              │
│  /mnt/readonly_dataset/finance_sina/stock_quote/              │
│  /mnt/readonly_dataset/finance_sina/index_quote/              │
│  /mnt/readonly_dataset/eastmoney/margin_trade/                │
│  /mnt/readonly_dataset/cninfo/fund_quote/                     │
│  /mnt/readonly_dataset/exchange_sse/fund_shares/              │
│  /mnt/readonly_dataset/exchange_szse/fund_shares/             │
└─────────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────────┐
│                        股票数据流                                │
├─────────────────────────────────────────────────────────────────┤
│  stock_quote_history ← finance_sina/stock_quote                │
│       ↓                                                         │
│  stock_quote_adjusted (前复权)                                  │
│       └─→ stock_quote_ta (技术指标)                              │
└─────────────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────────────┐
│                        融资融券数据流                            │
├─────────────────────────────────────────────────────────────────┤
│  margin_trade_history ← eastmoney/margin_trade                 │
│       ↓                                                         │
│  margin_trade_daily (每日净变化)                                │
└─────────────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────────────┐
│                        基金数据流                                │
├─────────────────────────────────────────────────────────────────┤
│  fund_shares_history ← exchange_sse/fund_shares                 │
│                     + exchange_szse/fund_shares                 │
│       ↓                                                         │
│       ├─→ fund_flow ←──────────────────────┐                   │
│       │                                     │                   │
│  fund_quote_history ← cninfo/fund_quote ───┘                   │
│       ↓                                                         │
│  fund_quote_adjusted (前复权)                                   │
│       ├─→ fund_flow ← fund_shares_history                       │
│       ├─→ fund_hs300_correlation (沪深300关联基金滚动相关性)    │
│       └─→ etf_universe (ETF 范围清单：宽基/行业/商品/债券/境外)  │
└─────────────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────────────┐
│                        央行宏观数据流                            │
├─────────────────────────────────────────────────────────────────┤
│  gov_pbc/{year}/[子目录]/{表}.{htm,xls,xlsx}                    │
│       ↓  (xlsx > xls > htm 优先；htm 用 html.parser，xls/xlsx   │
│          用 calamine；月份列按位置推断避免 Excel 浮点截断)        │
│  pbc/  money_supply          (M0/M1/M2，2004+)                  │
│        social_financing_flow (社融增量，2012+)                   │
│        social_financing_stock(社融存量+增速，2015+)              │
│        credit_funds          (信贷收支，本外币+人民币，1999+)    │
│        central_bank_balance_sheet (央行资产负债表，1999+)       │
│        overseas_rmb_assets  (境外持境内金融资产，2014+)         │
│        exchange_rate       (人民币兑美元汇率，1999+)            │
└─────────────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────────────┐
│                      统计局月度指标数据流                        │
├─────────────────────────────────────────────────────────────────┤
│  gov_stats/{工业企业指标,进出口,社会消费品零售总额,             │
│             全国港口货物吞吐量,货运量,客运量}/{year}.{csv,xlsx}  │
│       ↓  (月份列乱序/倒序，按列名 'YYYY年M月' 解析；指标×月份宽表转长表； │
│          1-2 月合并缺口按当期[2月]是否已发布决定平摊/反推)        │
│  gov_stat/  industry_profit  (利润累计→当月差分，每年一文件)     │
│             trade             (进出口，千美元/%)                 │
│             retail_sales      (消费品零售，亿元/%)              │
│             port_freight      (港口吞吐量，万吨，2019+)          │
│             freight           (货运量，万吨，2005+)              │
│             passenger         (客运量，万人，2005+)              │
└─────────────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────────────┐
│                      港交所互联互通数据流                        │
├─────────────────────────────────────────────────────────────────┤
│  exchange_hkex/connect_top/{YYYY-MM-DD}.csv                     │
│       ↓  (每个文件顶部 4 行聚合：SSE/SZSE × North/South；         │
│          按 code 列名取南向两行；date 取自文件名；               │
│          schema 跨年变化 2021/2022/2023+，按列名读不依赖顺序)    │
│  exchange_hkex/  southbound_flow (港股通南向每日买卖净额，2021+) │
└─────────────────────────────────────────────────────────────────┘