# boardionaire

**Repository Path**: eilinge/boardionaire

## Basic Information

- **Project Name**: boardionaire
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-07-01
- **Last Updated**: 2026-08-11

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Boardionaire — A 股连板模式选股系统

基于同花顺热点 + 腾讯行情 + mootdx 数据管线的连板（连续涨停）选股工具。支持盘后全量筛选和盘中实时状态标注。

## 架构

```
screener.py
  ├── Layer 1 — 数据获取：同花顺热点 / mootdx 股票池 / 腾讯行情 K 线
  ├── Layer 2 — 基础筛选：涨停识别 / 价格市值 / 技术指标 / 监管过滤
  ├── 盘中状态标注 — 批量行情查今日状态：已封板 / 强势 / 盘整 / 弱势
  └── Layer 3 — 策略打标：6 个独立策略模块，输出 basket 分组

strategies/              ← 6 个策略，自动发现注册
  ├── first_board.py    首板异动
  ├── second_board.py   一进二板
  ├── third_board.py    二进三板
  ├── n_pattern.py      N 字反包
  ├── new_high.py       120 日新高板
  └── leader.py         板块龙头

predict.py               ← LightGBM 连板概率预测（单任务）
feature_engineering.py   ← 周频横截面特征矩阵
track.py                 ← 候选股价格记录 + N 日后回看
```

## 快速开始

```bash
# 安装依赖
pip install mootdx requests pandas numpy lightgbm scipy

# 盘后筛选（昨日涨停 → 过滤 → 预测）
python screener.py --json a_stock_features/screener_output.json
python predict.py --predict --screener a_stock_features/screener_output.json

# 盘中模式（昨日涨停 + 今日实时状态标注）
python screener.py --intraday --json a_stock_features/screener_output.json

# 调试单只股票
python screener.py --debug-code 600397

# 一键全流程
bash run_all.sh
bash run_all.sh --build   # 首次构建数据管线（~1 小时）
```

## 集合竞价分析（盘中模式）

9:25 集合竞价结束后使用 `--intraday` 模式筛选当日可买入的候选股。

```bash
python screener.py --intraday --json a_stock_features/screener_output.json
```

输出新增 `开%` 和 `量比` 两列：

```
代码      名称      昨收     今价     今%   开%   量比    连板    距高%
002643  万润股份   19.51   20.11  +3.08% +3.2%  2.8x    首板   +7.73%
002051  中工国际   13.63   14.30  +4.92% +4.5%  1.2x    首板   +3.03%
```

### 开盘信号判断

| 开% | 量比 | 信号 | 操作 |
|-----|------|------|------|
| >3% | >2x | ✅ 有量有价，主力真金白银 | **可买入** |
| >3% | <1x | ⚠️ 虚拉无量，无资金跟进 | 观望 |
| 0-3% | >2x | ⚠️ 有量没价，资金在买但主力压盘 | 等站稳再进 |
| <0% | 任意 | ❌ 低开抛压大 | 放弃 |

- **高开%** = (今开 / 昨收 - 1) × 100，集合竞价的做多意愿
- **量比** = 当前量 / 5 日均量，集合竞价的资金参与度

### 实战流程

```
前一日盘后:
  1. screener.py (全量扫描, ~30s) → 找出昨日涨停候选
  2. predict.py (~0.1s) → 模型排序涨停概率

次日上午 9:25:
  3. screener.py --intraday (~10s) → 查候选今日开盘状态
  4. 筛选: 开%>3% + 量比>2x → 买入信号
```

### 盘中状态

| 状态 | 条件 | 含义 |
|------|------|------|
| 🔒已封板 | chg ≥ 9.8% | 已涨停，买不到 |
| 🔥强势 | 5% ≤ chg < 9.8% | 可买入 |
| ⏳盘整 | 0% ≤ chg < 5% | 观望 |
| ❄️弱势 | chg < 0% | 回避 |

## 筛选流程

```
同花顺热点 → 沪深主板股票池 → 价格5-30 / 总市值100-1000亿 / 流通市值20-500亿
  → 涨停识别(昨日首板/一进二板/二进三板)
  → 技术指标(收盘 > MA20/MA60/MA120)
  → 距120日最高为正
  → 监管过滤(立案/调查/通报批评等)
  → 策略打标(6 策略分组输出)
```

### 涨停与连板定义

| 概念 | 定义 |
|------|------|
| 涨停 | 当日涨幅 ≥ 前收价 9.8% |
| 首板 | 第一个涨停，无前置连续涨停 |
| 一进二板 | 连续 2 天涨停 |
| 二进三板 | 连续 3 天涨停 |
| 排除 ST | 名称含 `ST` / `*ST` 已剔除 |

## 市场量能模式

根据当日市场成交额切换筛选范围：

```bash
# 正常量能（日成交 < 3万亿）
python screener.py --json a_stock_features/screener_output.json

# 高量能（日成交 ≥ 3万亿，牛市场景）
python screener.py --market-mode high --json a_stock_features/screener_output.json
```

| 参数 | normal（默认） | high |
|------|---------------|------|
| 股价 | 5-30 元 | 5-60 元 |
| 总市值 | 100-1000 亿 | 50-2000 亿 |
| 流通市值 | 20-200 亿 | 20-600 亿 |
| 适用场景 | 日均成交 < 3万亿 | 日均成交 ≥ 3万亿（亢奋行情） |

高量能时龙头股普遍突破 30 元、千亿市值。`--market-mode high` 让过滤范围匹配当前市场量能，避免把辨识度最高的票筛掉。

## 输出格式

```json
{
  "date": "2026-06-22",
  "sectors": ["电子", "机械设备"],
  "count": 5,
  "candidates": [
    {
      "code": "600397",
      "name": "江钨装备",
      "price": 18.36,
      "today_price": 19.50,
      "today_status": "🔥强势",
      "limit_up_label": "一进二板",
      "dist_120d": -3.2
    }
  ],
  "basket": {
    "一进二": { "count": 2, "candidates": [...] },
    "新高板": { "count": 3, "candidates": [...] }
  }
}
```

## 策略详情

| 策略 | 文件 | 说明 |
|------|------|------|
| 首板异动 | `first_board.py` | 非涨停但放量异动（涨5-9.5%+量2倍） |
| 一进二 | `second_board.py` | 连板序数 ≥ 2 |
| 二进三 | `third_board.py` | 连板序数 ≥ 3 |
| N字反包 | `n_pattern.py` | 涨停→回调→再攻 |
| 新高板 | `new_high.py` | 涨停突破120日最高 |
| 龙头 | `leader.py` | 连板 ≥ 4（身位领先） |

## 预测模型

```bash
# 训练
python predict.py

# 对筛选结果预测
python predict.py --predict --screener a_stock_features/screener_output.json
```

特征：`limit_up_seq`, `ret_1w`, `ret_13w`, `vol_4w`, `sec_mom_5d`, `dist_120d`, `vol_3d`, `ma_gap_20_60` 等 18 维。

## 特征工程（离线）

```bash
# 首次构建
python feature_engineering.py

# 增量更新
python feature_engineering.py --update
```

## 跟踪回看

```bash
python track.py --mode record
python track.py --mode check --n-days 5
```

## 配置

| 常量 | 默认值 | 说明 |
|------|--------|------|
| `PRICE_MIN/MAX` | 5 / 30 | 股价范围 |
| `MCAP_MIN/MAX` | 100 / 1000 | 总市值（亿） |
| `FLOAT_MCAP_MIN/MAX` | 20 / 500 | 流通市值（亿） |
| `LIMIT_UP_THRESHOLD` | 9.8 | 涨停阈值(%) |

## 项目结构

```
boardionaire/
├── screener.py               连板模式筛选器
├── predict.py                LightGBM 预测
├── feature_engineering.py    特征工程管线
├── track.py                  候选股跟踪回看
├── run_all.sh                一键全流程脚本

├── data_audit.py             数据质量审计（样本分布、时间覆盖）
├── models_nn.py              MLP / LSTM 神经网络模型定义
├── train_nn.py               神经网络训练脚本
├── api.py                    FastAPI 预测服务 + 实时接口
├── retrain_monthly.py        月度自动重训练管线

├── build_history_db.py       历史龙头 K 线形态特征提取
├── detect_main_lines.py      当前主线板块识别
├── find_similar_leaders.py   K 线形态相似度匹配
├── leader_ranker.py          龙头多维排名算法
├── run_workflow.py           主线龙头识别系统主流程

├── strategies/               策略模块
│   ├── __init__.py           自动发现注册
│   ├── base.py               策略基类
│   ├── first_board.py
│   ├── second_board.py
│   ├── third_board.py
│   ├── n_pattern.py
│   ├── new_high.py
│   └── leader.py
├── a_stock_features/         数据缓存（自动生成）
│   ├── klines/               日K线 parquet
│   ├── models/               训练模型
│   ├── train/valid/test.parquet
│   └── ...
└── results/                  运行日志
```

## 数据源

| 数据 | 来源 | 说明 |
|------|------|------|
| 股票列表 | mootdx | 沪深主板 |
| 行业分类 | mootdx F10 | 每只股票所属行业 |
| 实时行情 | qt.gtimg.cn | 价格/市值/涨跌幅/量比 |
| 日K线 | web.ifzq.gtimg.cn | 前复权，≤800 根 |
| 热点板块 | 同花顺 10jqka | 每日强势股聚合 |
| 监管信息 | mootdx F10 最新提示 | 过滤监管风险 |

## 依赖

```
mootdx >= 0.10
requests
pandas
numpy
lightgbm >= 4.0
scipy
torch >= 2.0
fastapi
uvicorn
```

---

## 神经网络模型（MLP / LSTM）

对历史数据中的涨停事件进行建模，预测个股次日涨停概率。

### 数据审计

```bash
# 分析训练/验证/测试数据集的质量
python data_audit.py
```

输出样本分布、时间覆盖、正例（涨停）比例、板块分布、N 日收益分布，以及神经网络训练的配置建议。

### 模型定义

| 模型 | 文件 | 说明 |
|------|------|------|
| LimitUpMLP | `models_nn.py` | 全连接网络，适合截面特征 |
| LimitUpLSTM | `models_nn.py` | 双向 LSTM，适合时序特征 |

### 训练

```bash
python train_nn.py --model mlp       # 训练 MLP
python train_nn.py --model lstm      # 训练 LSTM（默认）
python train_nn.py --model mlp --epochs 50 --lr 0.001
```

详细的训练对比报告见 `.claude/reports/model_comparison_report.md`。

---

## 预测 API 服务

基于 FastAPI 的实时预测服务，提供 REST 接口。

```bash
# 启动服务（默认 8000 端口）
uvicorn api:app --reload --port 8000

# 查看交互式文档
# http://localhost:8000/docs
```

### 接口

| 端点 | 方法 | 说明 |
|------|------|------|
| `/predict` | POST | 单只股票次日涨停概率预测 |
| `/predict/list` | POST | 批量预测已筛选候选股 |
| `/health` | GET | 服务健康检查 |

详细使用说明见 `API_QUICKSTART.md`。

---

## 月度自动重训练

```bash
# 手动触发重训练
python retrain_monthly.py

# 查看训练日志
cat a_stock_features/retraining_logs/*.log
```

自动流程：
1. 检查训练数据是否需要更新（距上次训练 ≥ 30 天）
2. 加载最新数据并重新提取特征
3. 重新训练 LightGBM、MLP、LSTM 模型
4. 对比新旧模型性能，择优保存
5. 记录训练日志和性能报告

详细配置见 `RETRAINING_SETUP.md`。

---

## 主线龙头识别系统

将当前候选股与历史主线龙头的 K 线形态对比，识别潜在龙头。

### 流程概览

```
                        ┌─────────────────────┐
                        │  build_history_db.py │  ← 历年主线龙头配置
                        │  提取 K 线形态特征    │  ← HP: 四大 + 新增 33 只
                        └─────────┬───────────┘
                                  │
                                  ▼
┌──────────────┐       ┌─────────────────────┐
│ screener.py  │  →   │  detect_main_lines.py│  ← 分析 screener 数据的板块热度
│ 筛选候选股    │       │  识别当前主线板块      │
└──────┬───────┘       └─────────┬───────────┘
       │                         │
       ▼                         ▼
┌──────────────────────────────────────────────┐
│         find_similar_leaders.py              │
│  候选股 K 线 vs 历史龙头 K 线 → 形态相似度    │
└──────────────────┬───────────────────────────┘
                   │
                   ▼
┌──────────────────────────────────────────────┐
│           leader_ranker.py                   │
│  综合排名：相似度 + 市场情绪 + 板块地位        │
│            + 技术指标 + 风险评估              │
└──────────────────┬───────────────────────────┘
                   │
                   ▼
┌──────────────────────────────────────────────┐
│           run_workflow.py                    │
│  主流程编排：一键串联 Step 1→2→3→4          │
└──────────────────────────────────────────────┘
```

### 运行方式

```bash
# 完整流程（全部 4 个步骤）
python run_workflow.py --mode full

# 快速模式（跳过历史数据库构建，适合已有缓存）
python run_workflow.py --mode quick

# 仅排名（需要已有相似匹配结果）
python run_workflow.py --mode rank-only --top-n 5

# 自定义参数
python run_workflow.py --threshold 0.80 --top-n 10
```

### 各模块详解

#### 1. 构建历史龙头数据库

```bash
python build_history_db.py
python build_history_db.py --add-custom '{"2025-新主线":[{"code":"000001","name":"股票名","sector":"板块"}]}'
```

当前内置 **33 只历史龙头**，覆盖 **13 条主线**：

| 年份 | 主线 | 龙头数 | 代表股 |
|------|------|--------|--------|
| 2025 | 化工涨价 | 2 | 中毅达 600610、湖北宜化 000422 |
| 2025 | DeepSeek算力 | 2 | 航锦科技 000818、掌阅科技 603533 |
| 2025 | 机器人 | 3 | 鸣志电器 603728、中大力德 002896 |
| 2025 | 固态电池 | 4 | 三祥新材 603663、天赐材料 002709 |
| 2025 | 军工 / 商业航天 / 海峡两岸 | 3 | 长城军工、航天发展 000547 |
| 2024 | 低空经济 | 5 | 万丰奥威 002085、中信海直 000099 |
| 2024 | 半导体 | 3 | 上海贝岭 600171、北方华创 002371 |
| 2024 | 华为海思 | 3 | 欧菲光 002456、捷荣技术 002855 |
| 2023 | 华为汽车 | 4 | 赛力斯 601127、圣龙股份 603178 |
| 2023 | AI算力 | 4 | 剑桥科技 603083、工业富联 601138 |

提取的 K 线特征：价格序列（归一化）、涨跌幅、连板统计、波动率、成交量趋势、均线多空比、MACD 状态等。

#### 2. 主线识别引擎

```bash
python detect_main_lines.py
```

分析 `screener_output.json` 中各板块候选股数量和平均涨幅，识别当前最具持续性的主线板块。

#### 3. K 线形态相似度匹配

```bash
python find_similar_leaders.py --threshold 0.75
```

使用 **欧氏距离 + DTW 动态时间规整** 计算候选股与历史龙头的 K 线形态相似度。支持自定义阈值：

- `--threshold 0.80`（默认）：较严格匹配
- `--threshold 0.70`：宽松匹配，召回更多
- `--window 60`：K 线回溯天数

#### 4. 龙头排名算法

```bash
python leader_ranker.py --top-n 10 --min-score 60
```

五维综合评分：

| 维度 | 权重 | 评分因子 |
|------|------|----------|
| K 线形态相似度 | 30% | 与历史龙头的形态匹配度 |
| 市场情绪 | 25% | 连板数、涨幅强度、成交量放大、阳线连续性 |
| 板块地位 | 20% | 板块内涨幅排名、是否为最高价、成交额排名 |
| 技术指标 | 15% | 均线多头排列、MACD 金叉、量价关系 |
| 风险评估 | 10% | 最大回撤、波动率、连续下跌天数、价格位置 |

### 输出

```json
{
  "rank": 1,
  "code": "002106",
  "name": "莱宝高科",
  "sector": "华为海思",
  "total_score": 64.7,
  "scores": { "similarity": 91.2, "market_sentiment": 28.0, "sector_status": 50.0, "technical": 100.0, "risk": 53.9 },
  "details": {
    "best_match_leader": "欧菲光",
    "best_match_similarity": 0.91,
    "sentiment": { "limit_up_days": 2, ... },
    "technical": { "is_bullish_alignment": true, ... },
    "risk": { "max_drawdown": 10.13, ... }
  }
}
```

中间产物保存在 `a_stock_features/` 目录：
- `historical_leaders.json` — 历史龙头特征库
- `main_lines.json` — 当前主线板块
- `similarity_matches.json` — 相似匹配结果
- `leader_ranking.json` — 最终排名输出