Thesis Tracker — falsifier × 신규 evidence diff

공개 호출 방식

import dartlab
import polars as pl
import json
from datetime import date, timedelta

# thesis JSON 외부 저장 — 예시 schema
theses = [
    {
        "thesisId": "th-005930-hbm-2026",
        "stockCode": "005930",
        "title": "삼성전자 HBM4 양산 leadership",
        "claim": "2026 하반기 HBM4 양산 안정화 + 매출 비중 30% 도달",
        "falsifier": {
            "description": "Q3/Q4 HBM 매출 가이던스 +20% YoY 미달 OR 경쟁사 (SK하이닉스) HBM4 양산 6 개월 선행",
            "pythonCheck": "hbm_yoy >= 0.20 and not competitor_lead_6m",
        },
        "createdAt": "2026-01-15",
    },
    {
        "thesisId": "th-035720-ai-2026",
        "stockCode": "035720",
        "title": "카카오 AI 수익화 turning point",
        "claim": "2026 하반기 AI 광고 매출 본격화 + 영업이익률 회복",
        "falsifier": {
            "description": "Q3 영업이익률 5% 미달 또는 AI 광고 매출 100억 미만",
            "pythonCheck": "op_margin >= 0.05 and ai_ad_revenue >= 10_000_000_000",
        },
        "createdAt": "2026-02-01",
    },
]

asof = date.today()
lookback = asof - timedelta(days=30)

rows = []
for th in theses:
    c = dartlab.Company(th["stockCode"])

    # 신규 evidence 수집 (공시 + 가격 + macro)
    new_filings = [
        f for f in c.filings()
        if lookback.strftime("%Y%m%d") <= f["rcept_dt"] <= asof.strftime("%Y%m%d")
    ]
    price_change = dartlab.gather("price", target)  # 기간 필터는 아래에서

    # falsifier 조건 평가 (간이 — 실 평가는 pythonCheck eval)
    status = "intact"   # intact / violated / pending
    evidence_delta = {
        "newFilings": len(new_filings),
        "priceChange30d": price_change,
    }

    rows.append({
        "thesisId": th["thesisId"],
        "stockCode": th["stockCode"],
        "title": th["title"],
        "falsifierStatus": status,
        "evidenceDelta": json.dumps(evidence_delta, ensure_ascii=False),
        "lastCheck": asof.isoformat(),
    })

df = pl.DataFrame(rows)

emit_result(
    table=df,
    values={"n_theses": len(theses), "n_intact": (df["falsifierStatus"] == "intact").sum()},
    date=asof.isoformat(),
    sources=["thesis-json://local", "dartlab://company/liveFilings", "dartlab://company/price"],
)

호출 동작

1. 결론 도출

보유 thesis × falsifier × 신규 evidence diff 단일 표. falsifier 위반 신호 → 운영자 review → thesis 폐기 또는 강화 결정.

2. 핵심 근거 수집

• thesis JSON 외부 저장 (사용자 선택 — repo 안 또는 외부 storage)
• Company.filings() — 신규 공시 (lookback 기간)
• dartlab.gather("price", code) 가격 시계열
• macro update (regime 변화) — dartlab.macro("cycle"|"rates")

3. 메커니즘 분석

thesis JSON 입력 (claim + falsifier)
   ↓
신규 evidence 수집 (공시 + 가격 + macro)
   ↓
falsifier 조건 평가 (pythonCheck eval — 안전 sandbox)
   ↓
status 분류:
   intact     — falsifier 조건 유지 (thesis 살아있음)
   violated   — falsifier 위반 (운영자 review 트리거)
   pending    — evidence 부족 (다음 check 까지 대기)
   ↓
단일 표 + thesisHealth score (intact 일수 / 총 일수)

4. 반례·한계

• thesis 정성 (“성장 둔화”) 시 자동 판정 불가 — 정량 falsifier 강행.
• pythonCheck eval 보안 — 안전 sandbox (RunPython 측 가드) 강행.
• 신규 evidence lag — 공시 indexing 1~3 일.
• thesis 자체 편향 (confirmation bias) — falsifier 외부 검증자 review 권장.

5. 후속 모니터링

• status=“violated” → 운영자 review → thesis 폐기 또는 재정의 (재정의는 별 thesisId, 회피 가드).
• status=“intact” 지속 → recipes.meta.thesisKillChain.tripwireMonitor 결합.
• thesisHealth score < 0.5 → thesis 자체 점검.

대표 반환 형태

pl.DataFrame — 컬럼:

• thesisId : str
• stockCode : str
• title : str
• falsifierStatus : str — intact / violated / pending
• evidenceDelta : str (JSON)
• lastCheck : str — YYYY-MM-DD
• thesisHealth : float (선택)

연계 절차

1. 본 recipe → 보유 thesis 일일 falsifier 게이트.
2. status=“violated” → recipes.meta.thesisKillChain.falsifierLedger 운영자 review.
3. status=“intact” + 신규 catalyst → recipes.meta.thesisKillChain.tripwireMonitor.
4. thesis 정성 → 정량 falsifier 재정의 시 → recipes.meta.thesisKillChain.thesisIntake.
5. 일일 cadence 결합 → recipes.meta.report.dailyMorningNote Block C (신규 공시 catalyst).