저평가·수익성 종목 후보 찾기

절차

• engines.scan 기본 skill로 가능한 횡단면 축을 확인한다.
• valuation metric과 profitability metric이 같은 universe와 기준일에서 있는지 확인한다.
• run_python으로 후보 표를 만들고 value metric만 아니라 profitability 보조 지표를 같이 둔다.
• 최종 답변은 입력/유니버스, 필터, 계산식/지표, 결과를 명시하고 후보별 valuation/profitability evidence table을 본문에 렌더링한다.
• 낮은 valuation은 후보 조건이지 최종 투자 판단이 아니라고 한계를 남긴다.

공개 호출 방식

• dartlab.scan()
• dartlab.scan("fields")
• dartlab.scan("ratio", universe="KR")
• dartlab.scan("account", account="revenue")

호출 동작

• 시장/유니버스 횡단면에서 필터, 순위, peer 위치를 계산한다. 단일 종목 원자료 확인은 Company가 우선이다.
• 실행 전에 target, period/date, metric, source 또는 universe를 확인한다.
• 데이터가 없거나 runtime 제한이 있으면 값을 추정하지 않고 한계와 필요한 다음 수집 경로를 말한다.

대표 반환 형태

• ranking/filter DataFrame을 반환한다. 핵심 컬럼은 universe, asOf/latestAsOf, stockCode/ticker, name, metric, value, rank, basis다.
• 전체 세부 필드는 공개 docstring/capability와 동기화한다. 코드/API 변경으로 이 설명이 오래되면 skill 갱신 누락으로 본다.

기본 검증

• 실행 결과는 tableRef, valueRef, dateRef, executionRef 중 필요한 근거로 남긴다.
• 최종 판단의 숫자 claim은 해당 table/value ref에 직접 묶는다.
• 스킬과 실제 공개 API의 호출 방식, 대표 반환 형태, 오류/제한 동작이 다르면 같은 변경에서 스킬을 갱신한다.