技术

系统设计与开发者文档

本文档为量化交易系统的核心开发者提供全面的技术参考，涵盖了系统架构、核心模块、API接口、部署运维以及未来的发展规划。

1. 系统架构

本系统采用模块化设计，主要由数据层、分析层、策略层和应用层组成。

1.1. 核心模块

  • main.py: 自选股分析流程的入口。
  • recommendation_system.py: AI智能推荐流程的入口。
  • health_check.py: Flask应用的入口，提供 /health 和 /run API端点。
  • src/: 包含所有核心逻辑的目录。
    • config.py: 集中管理所有配置。
    • data_loader.py (DataLoader): 负责从akshare获取数据并存入数据库。
    • db.py (DatabaseManager): 管理SQLite数据库。
    • analysis_engine.py (AnalysisEngine): 负责计算技术指标。
    • gemini_analyzer.py (GeminiAnalyzer): 与Gemini API交互，进行AI分析。
    • strategy_engine.py (StrategyEngine): 核心策略模块，汇总分析并生成信号。
    • market_regime.py (MarketRegime): 判断市场宏观状态（牛/熊/震荡）。
    • logger.py: 提供统一的日志服务。
  • send_email.py: 生成HTML邮件报告并发送。

1.2. 数据流

  1. 数据获取: DataLoader 从 akshare 获取数据。
  2. 数据存储: DatabaseManager 将数据存入SQLite数据库 (data/stock_data.db)。
  3. 市场状态判断: MarketRegime 分析市场指数，确定宏观环境。
  4. 技术分析: AnalysisEngine 基于历史数据计算技术指标。
  5. AI分析: GeminiAnalyzer 调用Gemini API获取基本面和消息面分析。
  6. 策略决策: StrategyEngine 结合所有分析结果，并根据市场状态动态调整权重，生成最终决策。
  7. 结果输出: 通过日志、邮件 (send_email.py) 和API (health_check.py) 输出。

2. 策略、评分与决策体系 (V3)

本量化交易系统的核心决策逻辑，通过对技术面、基本面和AI市场情绪面三个维度进行独立的量化评分，并结合市场状态动态加权，最终生成交易信号。

2.0. A股总分计算逻辑

对于A股，系统采用动态加权模型计算总分，取代了旧版的简单分数相加。

  1. 分数归一化: 将技术面（满分50）、基本面（满分35）、情绪面（满分25）的原始得分，分别归一化到 [-1, 1] 的区间内。
  2. 应用动态权重: 根据当前市场状态（波动率、成交量）计算出动态权重（例如，趋势行情下技术面权重更高），然后对归一化后的分数进行加权求和。
  3. 映射回百分制: 将加权后的分数重新映射回 [-100, 100] 的范围，作为最终总分。

动态权重调整

系统会根据市场的微观状态（通过ATR判断的波动率和通过均量线判断的成交量）对基础权重进行动态微调：

  • 高波动 & 放量 (趋势行情): 提升技术面权重，降低基本面和情绪面权重。
  • 低波动 & 缩量 (盘整行情): 降低技术面权重，提升基本面权重。

最终决策阈值

  • 坚定买入: 总分 >= 40
  • 推荐买入: 总分 >= 30
  • 维持仓位: 总分 >= 20
  • 谨慎持有: 总分 > -5
  • 推荐卖出: 总分 > -20
  • 坚定卖出: 总分 <= -20

2.1. ETF评分体系（指数基金/ETF专用）

  • 技术面：50分（均线、成交量、波动率等为主，弱化KDJ等短线指标）
  • AI消息面：50分（重点关注资金流向、申购赎回、行业轮动、指数调整等）
  • 基本面：恒为0分（ETF不参与基本面打分）

总分 = 技术面得分（归一化到50分） + AI消息面得分（归一化到50分）

  • 归一化方法：技术面满分已更新为50分，因此不再需要额外乘区。AI消息面原始得分(满分10) / 10 * 50。
  • ETF决策流程与A股一致，但分数分布和信号解释更侧重资金流和行业轮动。

2.2. 技术面分析 (V3, 总分: 50分)

技术面分析旨在捕捉市场的短期趋势和动量。它由五个核心指标构成，各自有独立的评分和权重。

指标权重触发条件 (优先级由上到下)得分
MACD趋势15分看涨金叉 (DIF上穿DEA，且DIF>0)+15
看跌死叉 (DIF下穿DEA，且DIF<0)-15
多头排列 (DIF>DEA)+8
空头排列 (DIF<DEA)-8
RSI动量10分RSI上穿50中轴 (强动量信号)+10
RSI下穿50中轴 (强动量信号)-10
RSI < 30 (超卖区)+8
RSI > 70 (超买区)-8
RSI < 40 (偏弱)+4
RSI > 60 (偏强)-4
布林带8分价格触及下轨+8
价格触及上轨-8
价格在中轨下方+3
价格在中轨上方-3
KDJ指标7分KDJ超卖 (K<20, D<20)+7
KDJ超买 (K>80, D>80)-7
KDJ金叉 (K>D)+3
KDJ死叉 (K<D)-3
成交量10分趋势显著放量 (MA5 > MA20*1.2)+5
趋势温和放量 (MA5 > MA20)+2
趋势显著缩量 (MA5 < MA20*0.8)-5
当日巨量 (Vol > MA20*2.0)+5
当日放量 (Vol > MA20*1.5)+2

最终报告形式: 技术面得分: [总分] | 原因: [综合原因] (MACD: [得分], RSI: [得分], 布林带: [得分], KDJ: [得分], 成交量: [得分])

2.3. 基本面分析 (总权重: 35分)

基本面分析旨在评估资产的内在价值。它由三个核心估值指标构成，以适应不同类型的投资标的。

1. 市盈率 (PE) - (权重: 15分)

  • 数据来源: Akshare实时接口。对于ETF，则自动获取其跟踪指数的PE。
  • 评分标准:
    • PE < 15: +15分 (估值低)
    • 15 <= PE < 30: +8分 (估值合理)
    • 30 <= PE < 50: -8分 (估值偏高)
    • PE >= 50: -15分 (估值过高)

2. 市净率 (PB) - (权重: 12分)

  • 数据来源: Akshare实时接口。对于ETF，则自动获取其跟踪指数的PB。
  • 评分标准:
    • PB < 1.5: +12分 (估值低)
    • 1.5 <= PB < 3: +6分 (估值合理)
    • 3 <= PB < 5: -6分 (估值偏高)
    • PB >= 5: -12分 (估值过高)

3. 股息率 (Dividend Yield) - (权重: 8分)

  • 数据来源: Akshare实时接口。
  • 评分标准:
    • 股息率 > 4%: +8分 (高股息)
    • 2% < 股息率 <= 4%: +4分 (股息尚可)
    • 股息率 <= 2%: -8分 (股息较低)

评分平衡性: 正向分数总和 = 负向分数总和 = 35分

  • 正向: 15 + 12 + 8 = 35分
  • 负向: (-15) + (-12) + (-8) = -35分

最终报告形式: 基本面得分: [总分] | 原因: [综合原因] (PE: [得分], PB: [得分], DY: [得分])

2.4. AI市场情绪面分析 (总权重: 25分)

本部分利用Gemini的联网搜索和分析能力，对最新的市场新闻和公告进行情绪量化。

  • 执行方式: 向Gemini API发送一个包含股票名称和代码的Prompt。

  • 返回格式: 要求Gemini返回一个包含以下字段的JSON对象：

    • sentiment_score: 一个从 -10 (极度利空) 到 +10 (极度利好) 的量化分数。
    • sentiment_reason: 一句话总结的核心判断原因。
    • key_factors: 1-3个影响判断的关键事件列表。
    • data_date: 关键信息的最新日期。

  • 分数换算: Gemini返回的 sentiment_score将乘以 2.5，以匹配本项 25分 的总权重。

最终报告形式: AI消息面得分: [总分] | 原因: [AI总结的原因] (数据更新至: [日期]) 关键因素: [AI识别的关键事件]

2.7. 实现状态与验证

状态: 已完成 (As of 2025-08-17)

  • 技术面评分 (V3, 2.2节): strategy_engine.py 中的逻辑已通过 _calculate_technical_score 函数完全实现，并通过 tests/test_scoring_logic.py 中的 test_technical_scoring_detailed 单元测试验证。V3版更新了RSI趋势判断和成交量评分体系。
  • 动态权重与总分计算: A股的动态加权和总分计算逻辑已在 _get_dynamic_weights 和 _calculate_score 中实现，并通过 test_dynamic_weight_adjustment 和 test_calculate_score_with_dynamic_weights 验证。
  • 基本面评分 (2.3节): strategy_engine.py 中的逻辑已通过 _calculate_fundamental_score 函数完全实现，并通过 tests/test_fundamental_scoring.py 单元测试验证。

核心评分逻辑已实现模块化，与本文档描述的设计完全对齐。

2.5. 新增技术指标

系统现已支持更多A股常用的技术指标：

1. 布林带 (Bollinger Bands)

  • 计算方式: 20日移动平均线 ± 2倍标准差
  • 应用: 判断价格波动区间和超买超卖状态

2. KDJ指标

  • 计算方式: 基于9日RSV的随机指标
  • 应用: 判断超买超卖和买卖时机

3. 成交量指标

  • 计算方式: 5日和10日成交量移动平均
  • 应用: 分析量价关系和资金流向

4. ATR (平均真实波幅)

  • 计算方式: 14日真实波幅移动平均
  • 应用: 衡量市场波动性和设置止损位

5. 威廉指标 (Williams %R)

  • 计算方式: 基于14日最高最低价的动量指标
  • 应用: 判断超买超卖状态

2.6. 最终决策报告与日志

系统在完成对所有股票的分析后，会生成一份聚合的决策报告表格，清晰地展示所有目标的分析结果。

1. 单只股票分析过程输出

在分析过程中，系统会为每只股票打印一行简要的完成信息，如下所示：

--- 正在分析股票: 贵州茅台 (600519.SH) ---
  分析完成: 贵州茅台 (600519.SH) - 总分:  65 | 最终信号: 【买入】
----------------------------------------

2. 最终聚合报告

所有股票分析完成后，系统会打印一个统一的表格，汇总所有决策报告，方便横向对比。

聚合报告表示例:

股票名称     | 代码       |   技术面得分 |   基本面得分 |   AI消息面得分 |  总分 | 最终决策 | 类型
------------------------------------------------------------------------------------------------------------------
贵州茅台     | 600519.SH  |          -5 |           17 |             -8 |    4 | 【谨慎持有】 | A股
平安银行     | 000001.SZ  |           25 |           15 |             12 |   52 | 【买入】     | A股
沪深300ETF  | 510300.SH  |           32 |            0 |             30 |   62 | 【买入】     | ETF

3. 决策等级说明

  • 重仓买入 (紫色): 总分 >= 80，强烈推荐买入信号
  • 买入 (绿色): 总分 >= 60，推荐买入信号
  • 持有 (黄色): 总分 >= 20，建议持有观望
  • 谨慎持有 (青色): 总分 >= -10，建议谨慎持有或减仓
  • 卖出 (红色): 总分 < -10，建议卖出信号

ETF决策等级说明

  • 重仓买入：总分 ≥ 80
  • 买入：总分 ≥ 50
  • 持有：总分 ≥ 30
  • 谨慎持有：总分 ≥ 10
  • 卖出：总分 < 10

注：ETF波动性低，建议结合资金流向和行业轮动信号综合判断。

4. 日志文件

对于有明确 买入/重仓买入 或 卖出 信号的股票，详细的决策依据会被记录在 logs/trade_signals_YYYY-MM-DD.log 文件中，供后续复盘。

日志格式示例:

Signal for 贵州茅台 (600519.SH) on 2025-01-13: 【买入】
  - Tech: 15 (MACD看涨金叉, RSI(45.2)偏弱) (MACD: 15, RSI: 5, 布林带: 3, KDJ: -3)
  - Fundamentals: 17 (PE: PE=25.30, 估值合理, PB: PB=8.50, 估值过高, 股息率: 股息率=1.20%, 股息较低) (PE: 8, PB: -8, DY: 0)
  - AI Sentiment: -8 (市场情绪偏谨慎) (Data until: 2025-01-13) 关键因素: 白酒行业政策调整, 消费需求变化
  - TOTAL SCORE: 24

ETF决策报告示例

--- 正在分析ETF: 沪深300ETF (510300.SH) ---
  分析完成: 沪深300ETF (510300.SH) - 总分:  62 | 最终信号: 【买入】
  - 技术面: 32（均线多头排列，成交量放大）
  - 基本面: 0（ETF不参与基本面打分）
  - AI消息面: 30（资金净流入，行业轮动利好）
----------------------------------------

3. API接口说明

服务启动后，可以通过HTTP请求与系统交互。

3.1. 健康检查

  • Endpoint: GET /health
  • 功能: 检查服务是否正常运行。
  • 返回: {"status": "ok", "msg": "service is healthy"}

3.2. 触发分析任务

  • Endpoint: GET /run
  • 功能: 触发一次完整的分析流程。
  • 查询参数:
    • codes (可选, string): 指定一个或多个股票代码（用逗号分隔），仅分析这些股票。如果未提供，则执行“自选股+AI推荐”的完整流程。
  • 请求示例:
    • 触发完整流程: curl "http://127.0.0.1:5000/run"
    • 分析指定股票: curl "http://127.0.0.1:5000/run?codes=600519.SH,000001.SZ"
  • 返回:
    • 成功时返回分析结果的JSON。
    • 失败时返回 {"status": "fail", "msg": "错误信息"}。

4. 配置说明

所有配置项均位于 src/config.py，并支持通过环境变量覆盖。

  • 核心配置:
    • GEMINI_API_KEY: Gemini的API密钥。
    • STOCK_POOL: 自选股股票池。
    • ETF_TO_INDEX_MAP: ETF与对应指数的映射。
  • 邮件配置:
    • ENABLE_EMAIL_SENDING: 邮件发送总开关。
    • SMTP_SERVER, EMAIL_ADDRESS, EMAIL_PASSWORD, RECIPIENT_EMAIL: 邮箱参数。
  • 评分权重:
    • TECHNICAL_WEIGHTS, FUNDAMENTAL_WEIGHTS, SENTIMENT_WEIGHT: 各维度权重。
    • MARKET_REGIME_WEIGHTS: 不同市场状态下的权重动态调整配置。
  • 决策阈值:
    • DECISION_THRESHOLDS: 定义买入、卖出、持有等决策的分数线。

5. 部署与运维

5.1. Docker部署 (推荐)

  1. 创建 .env 文件: 在项目根目录创建 .env 文件，并填入环境变量（如 GEMINI_API_KEY）。
  2. 构建镜像:
    docker build -t quant-trading .
  3. 运行容器:
    docker run -d -p 5000:5000 --env-file .env quant-trading

5.2. 本地直接运行

  1. 安装依赖:
    pip install -r requirements.txt
  2. 配置环境变量 或直接修改 src/config.py。
  3. 启动服务:
    python health_check.py

5.3. 自动化任务

  • Linux: 使用 crontab 定时调用 /run 接口。
  • Windows: 使用“任务计划程序”定时执行curl命令或Python脚本。

6. 项目路线图 (Roadmap)

本文档规划了系统未来的主要开发方向，旨在将其从一个选股分析工具，演进为一个功能完备的综合性量化平台。

第一阶段：技术架构优化 (已完成)

  • 性能优化: 引入并发处理，并行获取和分析股票。
  • 成本与效率优化: 增加基于缓存的AI分析结果复用。
  • 架构优化: 改造API为异步模式，提供任务状态查询接口。
  • 数据管理优化: 实现股票数据的增量更新和数据库索引。

第二阶段：功能与策略优化 (已完成)

  • 功能完备性增强:
    • 引入回测框架 (BacktestingEngine)。
    • 引入投资组合与风险管理 (PortfolioManager)。
  • 量化策略深度优化:
    • 引入市场状态机 (MarketRegime)，实现权重动态调整。
    • 深化AI模型应用（情绪时序分析、AI因子挖掘、因果推断）。

第三阶段：平台化与智能化 (规划中)

  • 实盘交易集成: 对接主流券商（如华泰、同花顺）的实盘交易API，实现从信号生成到自动下单的交易闭环。
  • 策略市场与回测平台:
    • 开发一个可视化的策略回测界面。
    • 允许用户通过Web界面创建、修改和回测自己的量化策略。
  • 交互式Web仪表盘:
    • 使用Streamlit或Dash/Plotly创建一个丰富的Web界面。
    • 展示持仓分析、收益曲线、风险指标、市场状态等。
  • 深度学习模型引入:
    • 探索使用LSTM、Transformer等模型进行股价短期趋势预测。
    • 将预测结果作为一个新的评分因子整合进StrategyEngine。
  • 事件驱动策略:
    • 监控新闻、公告、财报发布等事件。
    • 开发基于特定事件（如业绩预增、高管增持）的交易策略。

说些什么吧！

giscus