Cross Section Anomaly Rank

공개 호출 방식

import dartlab
from dartlab.synth.evidenceForensics import buildEvidenceForensicsMemo

target = "005930"
scanRows = []
for axis in ("quality", "audit", "disclosureRisk"):
    try:
        df = dartlab.scan(axis)
        rows = df.head(5).to_dicts() if hasattr(df, "head") else []
        for row in rows:
            row["axis"] = axis
        scanRows.extend(rows)
    except Exception:
        pass

memo = buildEvidenceForensicsMemo(
    target=target,
    market="KR",
    companyName=target,
    scanRows=scanRows,
)

emit_result(
    table=memo["tables"]["crossSectionAnomalyRank"],
    values={"target": target, "candidateRows": len(memo["tables"]["crossSectionAnomalyRank"])},
    date=memo["asOf"],
    sources=memo["sources"],
)

호출 동작

1. 결론 도출

scan primitive는 후보 발굴만 한다. 결과는 candidate 또는 watch row이며 단일 기업 위험 결론이 아니다.

2. 핵심 근거 수집

dartlab.scan("quality"), dartlab.scan("audit"), dartlab.scan("disclosureRisk") 같은 L1.5 횡단 primitive의 상위 row를 받는다.

3. 메커니즘 분석

횡단면 이상치는 selfRun 타깃 선택에 유용하다. 하지만 개별 회사의 원표와 공시 본문 검증을 통과해야 엔진 후보 신호가 된다.

4. 반례·한계

prebuilt scan 기준일, 결손값, 축별 score 정의가 다르다. 후보 row에는 universe와 axis를 반드시 남긴다.

5. 후속 모니터링

상위 후보는 deepDive를 통해 Company.show 원표 기반으로 다시 실행한다.

대표 반환 형태

column	의미
rank	후보 순위
target	종목 코드 또는 ticker
name	회사명
metric	scan axis 또는 metric
score	후보 score
status	candidate/watch

연계 절차

1. engines.scan - quality, audit, disclosureRisk primitive로 후보를 발굴한다.
2. recipes.fundamental.quality.forensics.deepDive - 후보별 원표 검증.
3. recipes.fundamental.quality.forensics.engineCandidateMemo - 반복 성공 신호만 승격 후보.

기본 검증

• scan 결과가 비면 빈 후보를 그대로 드러낸다.
• candidate row를 투자 판단처럼 쓰지 않는다.