Filing Note Signal Extractor

공개 호출 방식

import dartlab
from dartlab.synth.evidenceForensics import buildEvidenceForensicsMemo

target = "005930"
c = dartlab.Company(target)
statements = {}
for topic in ("IS", "BS", "CF"):
    try:
        statements[topic] = c.show(topic, freq="Y")
    except TypeError:
        statements[topic] = c.show(topic)
    except Exception:
        pass

sectionTexts = {}
for topic in ("businessOverview", "riskFactors", "mdna", "notesDetail"):
    try:
        sectionTexts[topic] = str(c.show(topic))[:20000]
    except Exception:
        pass

memo = buildEvidenceForensicsMemo(
    target=target,
    market=str(getattr(c, "market", "KR")),
    companyName=str(getattr(c, "corpName", target)),
    statements=statements,
    sectionTexts=sectionTexts,
)

emit_result(
    table=memo["tables"]["noteSignalExtractor"],
    values={"target": target, "riskScore": memo["headline"]["riskScore"]},
    date=memo["asOf"],
    sources=memo["sources"],
)

호출 동작

1. 결론 도출

signal별 hitCount와 status를 만든다. goingConcern과 restatement는 1회도 watch/risk 후보지만, 다른 키워드는 반복 hit와 원표 신호가 같이 있어야 한다.

2. 핵심 근거 수집

사업의 내용, 위험요인, MD&A, notesDetail 같은 section text를 문자열로 받아 category별 rare keyword를 센다.

3. 메커니즘 분석

원표에서 보인 receivables, inventory, CFO 괴리가 주석의 대손·재고평가·팩토링 언급과 같이 나타나면 신호의 설명력이 커진다.

4. 반례·한계

감사보고서와 주석에는 boilerplate 문구가 많다. hitCount는 원문 신호일 뿐이며 event match와 falsifier를 거쳐야 한다.

5. 후속 모니터링

hitCount가 증가한 keyword category는 다음 공시에서 같은 category가 반복되는지 추적한다.

대표 반환 형태

column	의미
signal	keyword category
hitCount	등장 횟수
status	ok/watch/risk
keywords	사용한 대표 keyword
evidence	section text 기반 여부

연계 절차

1. recipes.fundamental.quality.forensics.workingCapitalPressureMap - 원표 압력 신호를 먼저 확인한다.
2. recipes.fundamental.quality.forensics.eventToStatementMatcher - 공시 이벤트와 연결.
3. recipes.fundamental.quality.forensics.falsifierLedger - boilerplate 반증.

기본 검증

• section text가 없으면 no section text supplied를 명시한다.
• 키워드 신호는 원표 신호와 결합될 때만 engineCandidateMemo에 강하게 남긴다.