增加主力资金选股

2025-10-09 20:51:10 +08:00
parent ad21672786
commit 88c7db1ab9
11 changed files with 3230 additions and 44 deletions
@@ -0,0 +1,549 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""
+主力选股AI分析整合模块
+整体批量分析，从板块热点和资金流向角度筛选优质标的
+"""
+
+from typing import Dict, List, Tuple
+import pandas as pd
+from main_force_selector import main_force_selector
+from stock_data import StockDataFetcher
+from ai_agents import StockAnalysisAgents
+from deepseek_client import DeepSeekClient
+import time
+import json
+
+class MainForceAnalyzer:
+    """主力选股分析器 - 批量整体分析"""
+    
+    def __init__(self, model='deepseek-chat'):
+        self.selector = main_force_selector
+        self.fetcher = StockDataFetcher()
+        self.model = model
+        self.agents = StockAnalysisAgents(model=model)
+        self.deepseek_client = self.agents.deepseek_client
+        self.raw_stocks = None
+        self.final_recommendations = []
+    
+    def run_full_analysis(self, start_date: str = None, days_ago: int = 90, 
+                         final_n: int = 5) -> Dict:
+        """
+        运行完整的主力选股分析流程 - 整体批量分析
+        
+        Args:
+            start_date: 开始日期，格式如"2025年10月1日"
+            days_ago: 距今多少天，默认90天
+            final_n: 最终精选N只，默认5只
+            
+        Returns:
+            分析结果字典
+        """
+        result = {
+            'success': False,
+            'total_stocks': 0,
+            'filtered_stocks': 0,
+            'final_recommendations': [],
+            'error': None
+        }
+        
+        try:
+            print(f"\n{'='*80}")
+            print(f"🚀 主力选股智能分析系统 - 批量整体分析")
+            print(f"{'='*80}\n")
+            
+            # 步骤1: 获取主力资金净流入前100名股票
+            success, raw_data, message = self.selector.get_main_force_stocks(
+                start_date=start_date,
+                days_ago=days_ago
+            )
+            
+            if not success:
+                result['error'] = message
+                return result
+            
+            result['total_stocks'] = len(raw_data)
+            
+            # 步骤2: 智能筛选（涨幅、市值等）
+            filtered_data = self.selector.filter_stocks(
+                raw_data,
+                max_range_change=30.0,
+                min_market_cap=50.0,
+                max_market_cap=1300.0
+            )
+            
+            result['filtered_stocks'] = len(filtered_data)
+            
+            if filtered_data.empty:
+                result['error'] = "筛选后没有符合条件的股票"
+                return result
+            
+            # 保存原始数据
+            self.raw_stocks = filtered_data
+            
+            # 步骤3: 整体数据分析（不是逐个分析）
+            print(f"\n{'='*80}")
+            print(f"🤖 AI分析师团队开始整体分析...")
+            print(f"{'='*80}\n")
+            
+            # 准备整体数据摘要
+            overall_summary = self._prepare_overall_summary(filtered_data)
+            
+            # 三大分析师整体分析
+            fund_flow_analysis = self._fund_flow_overall_analysis(filtered_data, overall_summary)
+            industry_analysis = self._industry_overall_analysis(filtered_data, overall_summary)
+            fundamental_analysis = self._fundamental_overall_analysis(filtered_data, overall_summary)
+            
+            # 保存分析报告到对象属性，供UI展示
+            self.fund_flow_analysis = fund_flow_analysis
+            self.industry_analysis = industry_analysis
+            self.fundamental_analysis = fundamental_analysis
+            
+            # 步骤4: 综合决策，精选优质标的
+            print(f"\n{'='*80}")
+            print(f"👔 资深研究员综合评估并精选标的...")
+            print(f"{'='*80}\n")
+            
+            final_recommendations = self._select_best_stocks(
+                filtered_data,
+                fund_flow_analysis,
+                industry_analysis,
+                fundamental_analysis,
+                final_n=final_n
+            )
+            
+            result['final_recommendations'] = final_recommendations
+            result['success'] = True
+            
+            # 显示最终结果
+            self._print_final_recommendations(final_recommendations)
+            
+            return result
+            
+        except Exception as e:
+            result['error'] = f"分析过程出错: {str(e)}"
+            import traceback
+            traceback.print_exc()
+            return result
+    
+    def _prepare_overall_summary(self, df: pd.DataFrame) -> str:
+        """准备整体数据摘要"""
+        
+        summary_lines = []
+        summary_lines.append(f"候选股票总数: {len(df)}只")
+        
+        # 主力资金统计
+        main_fund_cols = [col for col in df.columns if '主力' in col and '净流入' in col]
+        if main_fund_cols:
+            col_name = main_fund_cols[0]
+            df[col_name] = pd.to_numeric(df[col_name], errors='coerce')
+            total_inflow = df[col_name].sum()
+            avg_inflow = df[col_name].mean()
+            summary_lines.append(f"主力资金总净流入: {total_inflow/100000000:.2f}亿")
+            summary_lines.append(f"平均主力资金净流入: {avg_inflow/100000000:.2f}亿")
+        
+        # 涨跌幅统计
+        range_cols = [col for col in df.columns if '涨跌幅' in col]
+        if range_cols:
+            col_name = range_cols[0]
+            df[col_name] = pd.to_numeric(df[col_name], errors='coerce')
+            avg_change = df[col_name].mean()
+            max_change = df[col_name].max()
+            min_change = df[col_name].min()
+            summary_lines.append(f"平均涨跌幅: {avg_change:.2f}%")
+            summary_lines.append(f"涨跌幅范围: {min_change:.2f}% ~ {max_change:.2f}%")
+        
+        # 行业分布
+        industry_cols = [col for col in df.columns if '行业' in col]
+        if industry_cols:
+            col_name = industry_cols[0]
+            top_industries = df[col_name].value_counts().head(10)
+            summary_lines.append("\n主要行业分布:")
+            for industry, count in top_industries.items():
+                summary_lines.append(f"  - {industry}: {count}只")
+        
+        return "\n".join(summary_lines)
+    
+    def _fund_flow_overall_analysis(self, df: pd.DataFrame, summary: str) -> str:
+        """资金流向整体分析"""
+        
+        print("💰 资金流向分析师整体分析中...")
+        
+        # 准备数据表格
+        data_table = self._prepare_data_table(df, focus='fund_flow')
+        
+        prompt = f"""
+你是一名资深的资金面分析师，现在需要你从整体角度分析这批主力资金净流入的股票。
+
+【整体数据摘要】
+{summary}
+
+【候选股票详细数据】（共{len(df)}只）
+{data_table}
+
+【分析任务】
+请从资金流向的整体角度进行分析，重点关注：
+
+1. **资金流向特征**
+   - 哪些板块/行业资金流入最集中？
+   - 主力资金的整体行为特征（大规模建仓/试探性进场/板块轮动）
+   - 资金流向与涨跌幅的配合情况
+
+2. **优质标的识别**
+   - 从资金面角度，哪些股票最值得关注？
+   - 主力资金流入大但涨幅不高的潜力股
+   - 资金持续流入且趋势明确的股票
+
+3. **板块热点判断**
+   - 当前资金最看好哪些板块？
+   - 是否有板块轮动迹象？
+   - 新兴热点 vs 传统强势板块
+
+4. **投资建议**
+   - 从资金面角度，建议重点关注哪3-5只股票？
+   - 理由和风险提示
+
+请给出专业、系统的资金面整体分析报告。
+"""
+        
+        messages = [
+            {"role": "system", "content": "你是资金面分析专家，擅长从整体资金流向中发现投资机会。"},
+            {"role": "user", "content": prompt}
+        ]
+        
+        analysis = self.deepseek_client.call_api(messages, max_tokens=4000)
+        
+        print("  ✅ 资金流向整体分析完成")
+        time.sleep(1)
+        
+        return analysis
+    
+    def _industry_overall_analysis(self, df: pd.DataFrame, summary: str) -> str:
+        """行业板块整体分析"""
+        
+        print("📊 行业板块分析师整体分析中...")
+        
+        # 准备数据表格
+        data_table = self._prepare_data_table(df, focus='industry')
+        
+        prompt = f"""
+你是一名资深的行业板块分析师，现在需要你从行业热点和板块轮动角度分析这批股票。
+
+【整体数据摘要】
+{summary}
+
+【候选股票详细数据】（共{len(df)}只）
+{data_table}
+
+【分析任务】
+请从行业板块的整体角度进行分析，重点关注：
+
+1. **热点板块识别**
+   - 哪些行业/板块最受资金青睐？
+   - 热点板块的持续性如何？
+   - 是否有新兴热点正在形成？
+
+2. **板块特征分析**
+   - 各板块的涨幅与资金流入匹配度
+   - 哪些板块处于启动阶段（资金流入但涨幅不大）
+   - 哪些板块可能过热（涨幅高但资金流入减弱）
+
+3. **行业前景评估**
+   - 主力资金集中的行业，基本面支撑如何？
+   - 政策面、产业面是否有催化因素？
+   - 行业竞争格局和龙头地位
+
+4. **优质标的推荐**
+   - 从行业板块角度，推荐3-5只最具潜力的股票
+   - 推荐理由（行业地位、成长空间、催化因素）
+
+请给出专业、深入的行业板块分析报告。
+"""
+        
+        messages = [
+            {"role": "system", "content": "你是行业板块分析专家，擅长发现市场热点和板块机会。"},
+            {"role": "user", "content": prompt}
+        ]
+        
+        analysis = self.deepseek_client.call_api(messages, max_tokens=4000)
+        
+        print("  ✅ 行业板块整体分析完成")
+        time.sleep(1)
+        
+        return analysis
+    
+    def _fundamental_overall_analysis(self, df: pd.DataFrame, summary: str) -> str:
+        """财务基本面整体分析"""
+        
+        print("📈 财务基本面分析师整体分析中...")
+        
+        # 准备数据表格
+        data_table = self._prepare_data_table(df, focus='fundamental')
+        
+        prompt = f"""
+你是一名资深的基本面分析师，现在需要你从财务质量和基本面角度分析这批股票。
+
+【整体数据摘要】
+{summary}
+
+【候选股票详细数据】（共{len(df)}只）
+{data_table}
+
+【分析任务】
+请从财务基本面的整体角度进行分析，重点关注：
+
+1. **财务质量评估**
+   - 整体财务指标健康度如何？
+   - 哪些股票盈利能力、成长性突出？
+   - 是否存在财务风险较大的股票？
+
+2. **估值水平分析**
+   - 市盈率、市净率的整体分布
+   - 哪些股票估值合理且有成长空间？
+   - 高估值是否有业绩支撑？
+
+3. **成长性评估**
+   - 营收、净利润增长情况
+   - 哪些股票成长性最好？
+   - 成长能力评分较高的股票
+
+4. **优质标的筛选**
+   - 从基本面角度，推荐3-5只最优质的股票
+   - 推荐理由（财务健康、估值合理、成长性好）
+
+请给出专业、详实的基本面分析报告。
+"""
+        
+        messages = [
+            {"role": "system", "content": "你是基本面分析专家，擅长从财务角度评估投资价值。"},
+            {"role": "user", "content": prompt}
+        ]
+        
+        analysis = self.deepseek_client.call_api(messages, max_tokens=4000)
+        
+        print("  ✅ 财务基本面整体分析完成")
+        time.sleep(1)
+        
+        return analysis
+    
+    def _prepare_data_table(self, df: pd.DataFrame, focus: str = 'all') -> str:
+        """准备数据表格用于AI分析"""
+        
+        # 选择关键列
+        key_columns = ['股票代码', '股票简称']
+        
+        # 根据分析重点添加相关列
+        if focus == 'fund_flow' or focus == 'all':
+            fund_cols = [col for col in df.columns if '主力' in col or '资金' in col]
+            key_columns.extend(fund_cols[:3])  # 最多3列资金数据
+        
+        if focus == 'industry' or focus == 'all':
+            industry_cols = [col for col in df.columns if '行业' in col]
+            key_columns.extend(industry_cols[:1])
+        
+        # 智能匹配区间涨跌幅列
+        interval_pct_col = None
+        possible_names = [
+            '区间涨跌幅:前复权', '区间涨跌幅:前复权(%)', '区间涨跌幅(%)', 
+            '区间涨跌幅', '涨跌幅:前复权', '涨跌幅:前复权(%)', '涨跌幅(%)', '涨跌幅'
+        ]
+        for name in possible_names:
+            for col in df.columns:
+                if name in col:
+                    interval_pct_col = col
+                    break
+            if interval_pct_col:
+                break
+        if interval_pct_col:
+            key_columns.append(interval_pct_col)
+        
+        if focus == 'fundamental' or focus == 'all':
+            fundamental_cols = [col for col in df.columns if any(
+                keyword in col for keyword in ['市盈率', '市净率', '营收', '净利润', '评分']
+            )]
+            key_columns.extend(fundamental_cols[:5])
+        
+        # 去重并保持顺序
+        seen = set()
+        unique_columns = []
+        for col in key_columns:
+            if col in df.columns and col not in seen:
+                seen.add(col)
+                unique_columns.append(col)
+        
+        # 限制显示前50只股票的详细数据，避免超出token限制
+        display_df = df[unique_columns].head(50)
+        
+        # 转换为表格字符串
+        table_str = display_df.to_string(index=False, max_rows=50)
+        
+        if len(df) > 50:
+            table_str += f"\n... 还有 {len(df) - 50} 只股票未显示"
+        
+        return table_str
+    
+    def _select_best_stocks(self, df: pd.DataFrame, 
+                           fund_analysis: str, 
+                           industry_analysis: str,
+                           fundamental_analysis: str,
+                           final_n: int = 5) -> List[Dict]:
+        """综合三位分析师的意见，精选最优标的"""
+        
+        # 准备完整数据表格
+        data_table = self._prepare_data_table(df, focus='all')
+        
+        prompt = f"""
+你是一名资深股票研究员，具有20年以上的投资研究经验。现在需要你综合三位分析师的意见，
+从{len(df)}只候选股票中精选出{final_n}只最具投资价值的优质标的。
+
+【候选股票数据】
+{data_table}
+
+【资金流向分析师观点】
+{fund_analysis}
+
+【行业板块分析师观点】
+{industry_analysis}
+
+【财务基本面分析师观点】
+{fundamental_analysis}
+
+【筛选标准】
+1. **主力资金**: 主力资金净流入较多，显示机构看好
+2. **涨幅适中**: 区间涨跌幅不是很高（避免追高），还有上涨空间
+3. **行业热点**: 所属行业有发展前景，是市场热点
+4. **基本面良好**: 财务指标健康，盈利能力强
+5. **综合平衡**: 资金、行业、基本面三方面都不错
+
+【任务要求】
+综合三位分析师的观点，精选出{final_n}只最优标的。
+
+对于每只精选股票，请提供：
+1. **股票代码和名称**
+2. **核心推荐理由**（3-5条，综合资金、行业、基本面）
+3. **投资亮点**（最突出的优势）
+4. **风险提示**（需要注意的风险）
+5. **建议仓位**（如20-30%）
+6. **投资周期**（短期/中期/长期）
+
+请按以下JSON格式输出（只输出JSON，不要其他内容）：
+```json
+{{
+  "recommendations": [
+    {{
+      "rank": 1,
+      "symbol": "股票代码",
+      "name": "股票名称",
+      "reasons": [
+        "理由1：资金面角度",
+        "理由2：行业板块角度", 
+        "理由3：基本面角度"
+      ],
+      "highlights": "投资亮点描述",
+      "risks": "风险提示",
+      "position": "建议仓位",
+      "investment_period": "投资周期"
+    }}
+  ]
+}}
+```
+
+注意：
+- 必须严格按照JSON格式输出
+- 推荐数量为{final_n}只
+- 按投资价值从高到低排序
+- 理由要具体、有说服力，体现三位分析师的综合观点
+"""
+        
+        try:
+            print("  🔍 正在综合评估并精选标的...")
+            
+            messages = [
+                {"role": "system", "content": "你是资深股票研究员，擅长综合多维度分析做出投资决策。"},
+                {"role": "user", "content": prompt}
+            ]
+            
+            response = self.deepseek_client.call_api(messages, max_tokens=4000)
+            
+            # 解析JSON响应
+            import re
+            
+            # 提取JSON部分
+            json_match = re.search(r'```json\s*(\{.*?\})\s*```', response, re.DOTALL)
+            if json_match:
+                json_str = json_match.group(1)
+            else:
+                # 尝试直接解析
+                json_str = response
+            
+            result = json.loads(json_str)
+            recommendations = result.get('recommendations', [])
+            
+            # 补充详细数据
+            for rec in recommendations:
+                symbol = rec['symbol']
+                # 从原始数据中找到对应股票
+                stock_data = df[df['股票代码'] == symbol]
+                if not stock_data.empty:
+                    rec['stock_data'] = stock_data.iloc[0].to_dict()
+            
+            return recommendations
+            
+        except Exception as e:
+            print(f"  ❌ JSON解析失败，使用备选方案: {e}")
+            
+            # 降级方案：按主力资金排序返回前N个
+            main_fund_cols = [col for col in df.columns if '主力' in col and '净流入' in col]
+            if main_fund_cols:
+                col_name = main_fund_cols[0]
+                df[col_name] = pd.to_numeric(df[col_name], errors='coerce')
+                sorted_df = df.nlargest(final_n, col_name)
+            else:
+                sorted_df = df.head(final_n)
+            
+            recommendations = []
+            for i, (idx, row) in enumerate(sorted_df.iterrows(), 1):
+                recommendations.append({
+                    'rank': i,
+                    'symbol': row.get('股票代码', 'N/A'),
+                    'name': row.get('股票简称', 'N/A'),
+                    'reasons': [
+                        f"主力资金净流入较多",
+                        f"所属行业: {row.get('所属同花顺行业', 'N/A')}",
+                        f"涨跌幅适中"
+                    ],
+                    'highlights': '主力资金持续关注',
+                    'risks': '需关注后续走势',
+                    'position': '15-25%',
+                    'investment_period': '中短期',
+                    'stock_data': row.to_dict()
+                })
+            
+            return recommendations
+    
+    def _print_final_recommendations(self, recommendations: List[Dict]):
+        """打印最终推荐结果"""
+        if not recommendations:
+            print("❌ 未能生成推荐结果")
+            return
+        
+        print(f"\n{'='*80}")
+        print(f"⭐ 最终精选推荐 ({len(recommendations)}只)")
+        print(f"{'='*80}\n")
+        
+        for rec in recommendations:
+            print(f"【第{rec['rank']}名】{rec['symbol']} - {rec['name']}")
+            print(f"{'-'*60}")
+            
+            print(f"📌 推荐理由:")
+            for reason in rec.get('reasons', []):
+                print(f"   • {reason}")
+            
+            print(f"\n💡 投资亮点: {rec.get('highlights', 'N/A')}")
+            print(f"⚠️  风险提示: {rec.get('risks', 'N/A')}")
+            print(f"📊 建议仓位: {rec.get('position', 'N/A')}")
+            print(f"⏰ 投资周期: {rec.get('investment_period', 'N/A')}")
+            print(f"{'='*80}\n")
+
+# 全局实例
+main_force_analyzer = MainForceAnalyzer()