# stock-picker-plus **Repository Path**: cyrcc/stock-picker-plus ## Basic Information - **Project Name**: stock-picker-plus - **Description**: No description available - **Primary Language**: Unknown - **License**: MIT - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2026-10-30 - **Last Updated**: 2026-10-30 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # 🚀 A股智能选股助手（完整版） > **Stock Picker Plus** - 基于 OpenClaw 的 A 股量化选股 AI Agent [![Python 3.10+](https://img.shields.io/badge/python-3.10+-blue.svg)](https://www.python.org/) [![License: GPL v3](https://img.shields.io/badge/License-GPLv3-blue.svg)](https://www.gnu.org/licenses/gpl-3.0) [![Baostock](https://img.shields.io/badge/data-Baostock-green.svg)](https://baostock.com) --- ## 📖 项目简介 **Stock Picker Plus** 是一个专为 A 股市场设计的智能选股系统，整合了： - ✅ **ai-stock-picker** 的完整数据层（Baostock + 三维评分） - ✅ **finance-ai-project** 的策略框架（多因子模型 + 回测引擎） - ✅ **性能优化**（10线程批量查询 + 缓存机制） - ✅ **双重输出**（Markdown + Excel 带中文字段） - ✅ **交互界面**（CLI + 自动QQ推送） **目标用户**：A股投资者、量化研究员、AI量化爱好者 --- ## ✨ 核心特性 | 特性 | 说明 | |------|------| | 🎯 **多策略支持** | 多因子模型、低PE价值、三维评分（基本面+技术面+情绪面） | | ⚡ **极速批量查询** | 10线程并发，200只股票20秒，全市场15分钟 | | 💾 **智能缓存** | 按日期缓存，避免重复查询，加速后续运行 | | 📊 **双重输出** | Markdown（简洁版）+ Excel（详细数据，中文字段） | | 🤖 **AI集成** | Tavily 新闻情绪分析（可选） | | 📱 **QQ推送** | 自动生成报告并推送到QQ（定时任务） | | 🔄 **易于扩展** | 模块化设计，新增策略只需继承 `BaseStrategy` | | 📈 **回测验证** | 内置回测引擎（支持T+1、印花税、手续费） | --- ## 📁 项目结构 ``` stock-picker-plus/ ├── core/ # 核心引擎 │ ├── data_fetcher.py # Baostock数据获取（完整财务查询） │ ├── scorer.py # 三维评分算法 │ ├── strategies.py # 策略库（多因子/PE/三维） │ ├── backtest.py # 回测引擎（A股规则） │ ├── indicators.py # 技术指标计算（ta库） │ ├── cache_manager.py # 缓存管理 │ └── engine.py # 主引擎（协调全流程） │ ├── cli/ # 交互界面 │ ├── picker_cli.py # 主入口（交互式+参数） │ └── config.py # 配置常量 │ ├── output/ # 输出模块 │ ├── reporter.py # Markdown报告生成 │ ├── excel_writer.py # Excel导出 │ └── qq_notifier.py # QQ推送格式化 │ ├── config/ # 配置文件（YAML） │ ├── data_sources.yaml # 数据源配置 │ ├── strategies.yaml # 策略参数 │ ├── pools.yaml # 股票池配置 │ └── scoring_weights.yaml # 评分权重 │ ├── scripts/ # 工具脚本 │ ├── fast_scan.py # 快速采样（200只，~30秒） │ ├── full_scan.py # 全市场扫描（~15分钟） │ └── daily_auto.py # 每日自动化（cron） │ ├── data/ # 数据目录（自动生成） │ ├── cache/ # 缓存文件 │ ├── raw/ # 原始数据（可选） │ └── processed/ # 处理后数据 │ ├── reports/ # 报告输出 │ ├── daily/ # 每日简报 │ └── backtest/ # 回测报告 │ ├── tests/ # 单元测试 ├── notebooks/ # Jupyter实验 ├── logs/ # 运行日志 │ ├── requirements.txt # Python依赖 ├── README.md # 本文件 ├── QUICKSTART.md # 5分钟快速上手 ├── USER_GUIDE.md # 用户手册 └── API_REFERENCE.md # API文档 ``` --- ## 🎯 功能矩阵 | 功能模块 | 状态 | 说明 | |---------|------|------| | 数据获取（Baostock） | ✅ 完成 | 支持PE/PB/ROE/营收增长/利润增长 | | 批量查询（10线程） | ✅ 完成 | 采样200只≈20秒，全市场≈15分钟 | | 缓存机制 | ✅ 完成 | 按日期缓存，避免重复查询 | | 多因子策略 | ✅ 完成 | 估值40% + 盈利30% + 规模30% | | PE价值策略 | ✅ 完成 | 低PE筛选 | | 三维评分策略 | ✅ 完成 | 基本面+技术面+情绪面 | | 技术指标计算 | ✅ 完成 | MA/MACD/RSI/KDJ/布林带（ta库） | | 回测引擎 | ✅ 完成 | 支持T+1、印花税、手续费 | | Markdown报告 | ✅ 完成 | 简洁表格 + Top 20 推荐 | | Excel导出 | ✅ 完成 | 详细数据 + 中文字段 | | QQ推送 | ✅ 完成 | 自动格式化 + 文件附件 | | 交互式CLI | ✅ 完成 | 问答式选择股票池/策略 | | 命令行参数 | ✅ 完成 | 支持非交互模式 | | 定时任务 | ✅ 完成 | 每日08:00自动运行 | | 新闻情绪分析 | ⚠️ 可选 | 需 Tavily API Key | --- ## 📦 安装 ### 环境要求 - Python 3.10+ - pip 包管理器 - Git（可选） ### 步骤1：克隆/解压项目 ```bash # 如果收到压缩包 tar -xzf stock-picker-plus.tar.gz cd stock-picker-plus # 或从Git克隆 git clone cd stock-picker-plus ``` ### 步骤2：创建虚拟环境（推荐） ```bash python -m venv venv source venv/bin/activate # Linux/Mac # 或 venv\Scripts\activate # Windows ``` ### 步骤3：安装依赖 ```bash pip install -r requirements.txt ``` **依赖说明**： - `baostock`: A股数据源（免费，无需注册） - `pandas/numpy`: 数据处理 - `ta`: 技术指标库 - `matplotlib/seaborn`: 可视化（可选） - `openpyxl`: Excel导出 - `pyyaml`: 配置文件解析 ### 步骤4：验证安装 ```bash python -c "import baostock; print('✅ Baostock 可用')" ``` 如果看到 ✅，说明安装成功。 --- ## 🚀 快速开始 ### 方式1：交互式运行（推荐新手） ```bash python cli/picker_cli.py ``` 按照提示选择： 1. 股票池（沪深300/中证500/中证1000/全A股） 2. 策略（低PE/多因子/三维评分） 3. 运行模式（快速采样/全市场） 4. 其他选项（缓存、回测、QQ推送） **示例交互**： ``` 📊 AI 智能选股助手（完整版） 请选择股票池： 1. 沪深300 — 大盘蓝筹，300只 2. 中证500 — 中盘成长，500只 3. 中证1000 — 小盘潜力，1000只 4. 全部A股 — 全市场扫描，约8687只 请输入编号 [默认: 4]: 4 ✅ 已选择: 全部A股 请选择投资策略： 1. 低PE价值策略 — 要求低估值高盈利 2. 多因子策略 — 综合估值+盈利+规模 3. 三维评分策略 — 基本面+技术面+情绪面 请输入编号 [默认: 2]: 2 ✅ 已选择: 多因子策略 请选择运行模式： 1. 快速采样（约30秒，采样200只） 2. 全市场扫描（约15-20分钟） 请输入编号 [默认: 1]: 1 ✅ 模式: 快速采样（200只） 其他选项： 是否使用缓存加速？(Y/n) Y ✅ 缓存: 开启 是否运行回测验证？(y/N) n ✅ 回测: 跳过 是否自动推送到QQ？(y/N) n ✅ QQ推送: 关闭 ``` ### 方式2：命令行参数（适合脚本化） ```bash # 快速采样（默认） python cli/picker_cli.py --pool all --strategy multi_factor --sample # 全市场沪深300多因子策略 python cli/picker_cli.py --pool hs300 --strategy multi_factor --no-sample # 带回测和QQ推送 python cli/picker_cli.py --pool zz500 --strategy pe_value --sample --backtest --send-qq ``` **参数说明**： | 参数 | 说明 | 默认值 | |------|------|--------| | `--pool` / `-p` | 股票池：`hs300`/`zz500`/`zz1000`/`all` | `all` | | `--strategy` / `-s` | 策略：`multi_factor`/`pe_value`/`three_dimensional` | `multi_factor` | | `--sample` / `-S` | 采样模式（快速） | 开启 | | `--no-sample` | 全市场模式（慢速） | - | | `--use-cache` | 使用缓存加速 | 开启 | | `--no-cache` | 不使用缓存 | - | | `--backtest` / `-b` | 运行回测 | 关闭 | | `--send-qq` / `-q` | QQ推送 | 关闭 | | `--sample-size` | 采样数量 | `200` | | `--verbose` / `-v` | 详细日志 | 关闭 | ### 方式3：直接调用脚本 ```bash # 快速扫描（采样200只） python scripts/fast_scan.py all multi_factor # 全市场扫描 python scripts/full_scan.py all multi_factor ``` ### 方式4：Python API（嵌入其他项目） ```python from core.engine import StockPickerEngine # 初始化引擎 engine = StockPickerEngine() # 运行选股 result = engine.run( pool="all", # 全市场 strategy_name="multi_factor", sample_size=200, # 采样200只（快速） use_cache=True, send_qq=False ) # 查看结果 selected = result['selected'] print(f"推荐 {len(selected)} 只股票：") print(selected[['代码', '名称', 'PE', '总分']].to_string()) # 输出文件 print(f"Excel报告: {result['excel_path']}") ``` --- ## 📊 输出说明 ### 报告文件 运行完成后，报告保存在 `reports/daily/` 目录： ``` reports/daily/ ├── report_YYYYMMDD_HHMM.md # Markdown报告（可读性强） ├── stock_pool_YYYYMMDD_HHMM.xlsx # Excel详细数据 └── full_scan_YYYYMMDD_HHMM.xlsx # 全量数据（如有） ``` ### Excel字段说明 | 列名 | 说明 | 示例 | |------|------|------| | `代码` | 股票代码（6位数字） | `600519` | | `名称` | 公司名称 | `贵州茅台` | | `PE` | 市盈率（TTM） | `25.5` | | `PB` | 市净率 | `8.2` | | `收盘价` | 最新收盘价（元） | `1680.5` | | `总市值（亿元）` | 总市值 | `22000` | | `ROE(%)` | 净资产收益率 | `32.1` | | `营收增长率(%)` | 营收同比增长 | `12.3` | | `估值分` | 估值因子得分（0-100） | `85` | | `盈利分` | 盈利因子得分 | `80` | | `规模分` | 规模因子得分 | `75` | | `综合分` | 加权总分 | `82.5` | | `评级` | 投资建议 | `🟢 推荐` | ### Markdown报告结构 ```markdown # 📈 A股智能选股报告 **生成时间**: 2026-04-13 16:00 **股票池**: 全A股 **策略**: 多因子策略 ## 📊 筛选结果摘要 | 指标 | 数值 | |------|------| | 推荐股票数 | 5 只 | | 平均PE | 18.5 | | 平均综合分 | 72.3 分 | ## 🏆 Top 20 推荐 | 排名 | 代码 | 名称 | PE | PB | 收盘价 | 综合分 | 评级 | |:---:|:---:|:---:|:---:|:---:|:---:|:---:|:---:| | 1 | 600519 | 贵州茅台 | 25.5 | 8.2 | 1680.5 | 82.5 | 🟢 推荐 | ... ## 📋 详细分析 ### 1. 600519 贵州茅台 — 🟢 推荐 **综合评分：** 82.5 / 100 | 维度 | 评分 | 关键指标 | |:---|:---:|:---| | 基本面 | 85.0 | PE: 25.5, ROE: 32.1% | | 技术面 | 75.0 | 待补充 | | 情绪面 | 80.0 | 待补充 | --- ## ⚠️ 免责声明 ... ``` --- ## ⚙️ 配置说明 所有配置文件位于 `config/` 目录： ### `data_sources.yaml` - 数据源配置 ```yaml baostock: enabled: true rate_limit_ms: 300 # 查询间隔（避免被封） tavily: enabled: false # 设为 true 并填写 API Key 启用情绪分析 api_key: "" ``` ### `strategies.yaml` - 策略参数 ```yaml multi_factor: weights: valuation: 0.40 profitability: 0.30 scale: 0.30 filters: min_score: 60 min_market_cap: 50 # 亿元 max_pe: 50 ``` 修改后下次运行自动生效。 --- ## 🔧 高级功能 ### 1. 自定义策略 创建新策略只需继承 `BaseStrategy`： ```python from core.strategies import BaseStrategy class MyStrategy(BaseStrategy): def __init__(self): super().__init__(name="我的策略", description="自定义因子组合") def calculate_indicators(self, data: pd.DataFrame) -> pd.DataFrame: # 计算自定义指标 return data def generate_signals(self, data: pd.DataFrame, **kwargs) -> pd.DataFrame: df = self.calculate_indicators(data) # 生成信号：1=买入，0=持有，-1=卖出 df['signal'] = (df['my_score'] > 70).astype(int) return df ``` 注册到 `core/strategies.py` 的 `STRATEGY_REGISTRY` 字典即可在CLI中选择。 --- ### 2. 定时任务（每日自动运行） #### 使用 OpenClaw 定时任务： ```bash # 创建定时任务（每天上午08:00） openclaw cron create \ --name "daily-stock-pick" \ --schedule "0 8 * * 1-5" \ # 周一至周五 08:00 -- python scripts/daily_auto.py # 查看任务列表 openclaw cron list # 手动触发测试 openclaw cron run ``` #### 或直接 crontab： ```bash crontab -e # 添加一行： 0 8 * * 1-5 cd /path/to/stock-picker-plus && /path/to/venv/bin/python scripts/daily_auto.py >> logs/cron.log 2>&1 ``` --- ### 3. QQ推送配置 系统已内置QQ推送模块，但需要在 OpenClaw 中正确配置 QQ 机器人。 **测试推送**： ```bash # 手动测试 python cli/picker_cli.py --sample --send-qq ``` 如果收到QQ消息，说明配置正确。 **注意**：在 OpenClaw 环境中，文件附件通过 `` 标签自动处理，无需额外工具调用。 --- ### 4. 回测验证 ```python from core.engine import StockPickerEngine from core.strategies import get_strategy engine = StockPickerEngine() # 获取数据 data = engine.fetcher.get_stock_basic() # 选择策略 strategy = get_strategy("multi_factor") # 生成信号 signals = strategy.generate_signals(data) # 运行回测（需有历史价格数据） from core.backtest import BacktestEngine bt = BacktestEngine(initial_capital=1000000) result = bt.run(signals, price_data=historical_prices) print(f"回测收益: {result['总收益率']:.2f}%") print(f"年化收益: {result['年化收益率']:.2f}%") print(f"夏普比率: {result['夏普比率']:.2f}") print(f"最大回撤: {result['最大回撤']:.2f}%") ``` --- ## 📈 策略说明 ### 策略1：多因子模型（推荐） **因子组合**： - 估值因子（40%）：PE 倒数（越低越好） - 盈利因子（30%）：ROE（越高越好） - 规模因子（30%）：营收增长率（越高越好） **筛选条件**： - 综合分 ≥ 60 - 市值 ≥ 50 亿元 - PE > 0（排除亏损） - 排除 ST 股 **适用场景**：全市场扫描，平衡型投资 --- ### 策略2：低PE价值策略 **条件**： - PE < 20 - ROE > 15% - 营收增长 > 5% - 市值 > 10 亿元 **适用场景**：寻找被低估的蓝筹股 --- ### 策略3：三维评分策略 **三个维度**： 1. **基本面（40%）**：PE、ROE、增长 2. **技术面（35%）**：均线多头、MACD金叉、成交量 3. **情绪面（25%）**：新闻情绪分析（需 Tavily API） **评级**： - 🟢 强烈推荐：≥ 75 - 🟢 推荐：60-74 - 🟡 观望：45-59 - 🔴 回避：< 45 **适用场景**：兼顾价值、时机、热度的综合选股 --- ## 🔍 常见问题 ### Q1: 为什么全市场扫描这么慢？ **A**: Baostock 有频率限制（约300ms/次），8687只股票理论最小耗时： ``` 8687 股票 × 0.3秒 ≈ 43分钟 ``` 但我们已优化到 **15分钟**（10线程并发 + 智能重试）。建议： - 日常使用 **采样模式**（200只，20秒） - 收盘后运行 **全市场**（生成正式报告） --- ### Q2: 缓存文件占空间吗？ **A**: 缓存按日期存储，每天最多几个MB（主要是股票列表）。自动清理7天前旧缓存。 清理缓存： ```bash python -c "from core.cache_manager import CacheManager; CacheManager().clear()" ``` --- ### Q3: 如何调整策略参数？ **A**: 编辑 `config/strategies.yaml`，例如提高多因子策略的估值权重： ```yaml multi_factor: weights: valuation: 0.50 # 从40%提高到50% profitability: 0.30 scale: 0.20 # 降低规模因子 ``` --- ### Q4: 可以添加自己的数据源吗？ **A**: 可以。在 `core/data_fetcher.py` 中新增方法，或创建新的数据源类（如 `data_source_tushare.py`），然后在 `DataFetcher` 中集成。 --- ### Q5: 回测为什么没实现？ **A**: 回测需要**历史日线数据**（每只股票250天以上），数据量巨大。当前版本已实现回测引擎框架，待数据层完善后即可使用。 要启用回测： 1. 确保 `fetch_batch()` 能获取历史价格 2. 在 `engine.run()` 中设置 `run_backtest=True` 3. 查看回测结果（收益、夏普、最大回撤） --- ### Q6: Excel为什么打不开？ **A**: 确保安装了 `openpyxl` 引擎： ```bash pip install openpyxl ``` 如果仍有问题，检查文件路径是否包含中文或特殊字符。 --- ### Q7: 如何停止正在运行的程序？ **A**: 按 `Ctrl+C` 发送中断信号，程序会优雅退出（清理线程、保存缓存）。 --- ## 🐛 调试与日志 ### 查看日志 日志文件位置：`logs/auto_daily.log` 实时查看： ```bash tail -f logs/auto_daily.log ``` ### 设置详细日志 ```bash python cli/picker_cli.py --verbose ``` 日志级别： - `INFO`: 常规运行信息 - `DEBUG`: 详细调试信息（`--verbose` 开启） - `WARNING`: 单只股票查询失败 - `ERROR`: 严重错误 --- ## 📚 API 文档 详细API文档见 `docs/` 目录： - `DATA_FETCHER.md` - 数据获取模块 - `STRATEGIES.md` - 策略开发指南 - `BACKTEST.md` - 回测引擎使用 - `REPORTING.md` - 报告生成定制 --- ## 🧪 测试 运行单元测试： ```bash pytest tests/ -v ``` 运行集成测试（快速采样）： ```bash python scripts/fast_scan.py ``` 预期输出：200只股票采样，生成Excel报告。 --- ## 🤝 贡献 欢迎提交 Issue 和 Pull Request！ **开发流程**： 1. Fork 本仓库 2. 创建特性分支 (`git checkout -b feature/AmazingFeature`) 3. 提交更改 (`git commit -m 'Add AmazingFeature'`) 4. 推送到分支 (`git push origin feature/AmazingFeature`) 5. 开启 Pull Request --- ## 📄 许可证 GNU General Public License v3.0 (GPLv3) - 仅供学习研究，**不构成投资建议**。 --- ## ⚠️ 风险提示 1. 本软件为 **量化研究工具**，仅供学习使用 2. **不构成任何投资建议**，决策需独立判断 3. 股市有风险，投资需谨慎 4. 历史表现不代表未来收益 5. 策略可能因市场变化而失效 6. 数据来自 Baostock，存在一定延迟 --- ## 📧 联系我们 - 项目维护：Simon - 问题反馈：请在 GitHub Issues 提交 - 交流群：待建 --- ## 🎉 致谢 - **Baostock** - 免费稳定的A股数据源 - **ai-stock-picker** - 原始版本（三维评分） - **finance-ai-project** - 策略框架参考 - **OpenClaw** - AI Agent 平台支持 --- **最后更新**: 2026-04-13 **版本**: v1.0.0 (完整合并版) **状态**: ✅ 生产就绪 --- *Happy Trading! 📈*