增加主力资金选股

app.py

@@ -16,6 +16,7 @@ from monitor_manager import display_monitor_manager, get_monitor_summary
 from monitor_service import monitor_service
 from notification_service import notification_service
 from config_manager import config_manager
+from main_force_ui import display_main_force_selector
 
 # 页面配置
 st.set_page_config(
@@ -296,6 +297,17 @@ def main():
             st.session_state.show_monitor = True
             if 'show_history' in st.session_state:
                 del st.session_state.show_history
+            if 'show_main_force' in st.session_state:
+                del st.session_state.show_main_force
+        
+        if st.button("🎯 主力选股", use_container_width=True, key="nav_main_force"):
+            st.session_state.show_main_force = True
+            if 'show_history' in st.session_state:
+                del st.session_state.show_history
+            if 'show_monitor' in st.session_state:
+                del st.session_state.show_monitor
+            if 'show_config' in st.session_state:
+                del st.session_state.show_config
         
         if st.button("🏠 返回首页", use_container_width=True, key="nav_home"):
             if 'show_history' in st.session_state:
@@ -304,6 +316,8 @@ def main():
                 del st.session_state.show_monitor
             if 'show_config' in st.session_state:
                 del st.session_state.show_config
+            if 'show_main_force' in st.session_state:
+                del st.session_state.show_main_force
         
         if st.button("⚙️ 环境配置", use_container_width=True, key="nav_config"):
             st.session_state.show_config = True
@@ -373,6 +387,7 @@ def main():
             
             **功能说明**
             - **智能分析**：AI团队深度分析
+            - **主力选股**：主力资金精选标的
             - **实时监测**：价格监控与提醒
             - **历史记录**：查看分析历史
             
@@ -393,6 +408,11 @@ def main():
         display_monitor_manager()
         return
     
+    # 检查是否显示主力选股
+    if 'show_main_force' in st.session_state and st.session_state.show_main_force:
+        display_main_force_selector()
+        return
+    
     # 检查是否显示环境配置
     if 'show_config' in st.session_state and st.session_state.show_config:
         display_config_manager()
@@ -539,6 +559,8 @@ def main():
                 del st.session_state.discussion_result
             if 'final_decision' in st.session_state:
                 del st.session_state.final_decision
+            if 'just_completed' in st.session_state:
+                del st.session_state.just_completed
                 
             run_stock_analysis(stock_input, period)
         
@@ -566,32 +588,36 @@ def main():
             # 运行批量分析
             run_batch_analysis(stock_list, period, batch_mode)
     
-    # 检查是否有已完成的单个分析结果
+    # 检查是否有已完成的单个分析结果（但不是刚刚完成的，避免重复显示）
     if 'analysis_completed' in st.session_state and st.session_state.analysis_completed:
-        # 重新显示分析结果
+        # 如果是刚刚完成的分析，清除标志，避免重复显示
-        stock_info = st.session_state.stock_info
+        if st.session_state.get('just_completed', False):
-        agents_results = st.session_state.agents_results
+            st.session_state.just_completed = False
-        discussion_result = st.session_state.discussion_result
+        else:
-        final_decision = st.session_state.final_decision
+            # 重新显示之前的分析结果（页面刷新后）
-        
+            stock_info = st.session_state.stock_info
-        # 重新获取股票数据用于显示图表
+            agents_results = st.session_state.agents_results
-        stock_info_current, stock_data, indicators = get_stock_data(stock_info['symbol'], period)
+            discussion_result = st.session_state.discussion_result
-        
+            final_decision = st.session_state.final_decision
-        # 显示股票基本信息
+            
-        display_stock_info(stock_info, indicators)
+            # 重新获取股票数据用于显示图表
-        
+            stock_info_current, stock_data, indicators = get_stock_data(stock_info['symbol'], period)
-        # 显示股票图表
+            
-        if stock_data is not None:
+            # 显示股票基本信息
-            display_stock_chart(stock_data, stock_info)
+            display_stock_info(stock_info, indicators)
-        
+            
-        # 显示各分析师报告
+            # 显示股票图表
-        display_agents_analysis(agents_results)
+            if stock_data is not None:
-        
+                display_stock_chart(stock_data, stock_info)
-        # 显示团队讨论
+            
-        display_team_discussion(discussion_result)
+            # 显示各分析师报告
-        
+            display_agents_analysis(agents_results)
-        # 显示最终决策
+            
-        display_final_decision(final_decision, stock_info, agents_results, discussion_result)
+            # 显示团队讨论
+            display_team_discussion(discussion_result)
+            
+            # 显示最终决策
+            display_final_decision(final_decision, stock_info, agents_results, discussion_result)
     
     # 检查是否有已完成的批量分析结果
     elif 'batch_analysis_results' in st.session_state and st.session_state.batch_analysis_results:
@@ -1064,12 +1090,16 @@ def run_stock_analysis(symbol, period):
         final_decision = agents.make_final_decision(discussion_result, stock_info, indicators)
         progress_bar.progress(100)
         
-        # 保存分析结果到session_state
+        # 显示最终决策
+        display_final_decision(final_decision, stock_info, agents_results, discussion_result)
+        
+        # 保存分析结果到session_state（用于页面刷新后显示）
         st.session_state.analysis_completed = True
         st.session_state.stock_info = stock_info
         st.session_state.agents_results = agents_results
         st.session_state.discussion_result = discussion_result
         st.session_state.final_decision = final_decision
+        st.session_state.just_completed = True  # 标记刚刚完成分析
         
         # 保存到数据库
         try:
@@ -1086,9 +1116,6 @@ def run_stock_analysis(symbol, period):
         except Exception as e:
             st.warning(f"⚠️ 保存到数据库时出现错误: {str(e)}")
         
-        # 显示最终决策
-        display_final_decision(final_decision, stock_info, agents_results, discussion_result)
-        
         status_text.text("✅ 分析完成！")
         time.sleep(1)
         status_text.empty()

main_force_analysis.py

@@ -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()

main_force_pdf_generator.py

@@ -0,0 +1,456 @@
+import os
+import base64
+import re
+from datetime import datetime
+import streamlit as st
+import pandas as pd
+
+def generate_main_force_markdown_report(analyzer, result):
+    """生成主力选股Markdown格式的分析报告"""
+    
+    # 获取当前时间
+    current_time = datetime.now().strftime("%Y年%m月%d日 %H:%M:%S")
+    
+    # 获取分析参数
+    params = result.get('params', {})
+    start_date = params.get('start_date', 'N/A')
+    min_cap = params.get('min_market_cap', 50)
+    max_cap = params.get('max_market_cap', 5000)
+    max_change = params.get('max_range_change', 50)
+    
+    markdown_content = f"""
+# 主力选股AI分析报告
+
+**生成时间**: {current_time}
+
+---
+
+## 📊 选股参数
+
+| 项目 | 值 |
+|------|-----|
+| **起始日期** | {start_date} |
+| **市值范围** | {min_cap}亿 - {max_cap}亿 |
+| **最大涨跌幅** | {max_change}% |
+| **初始数据量** | {result.get('total_fetched', 0)}只 |
+| **筛选后数量** | {result.get('filtered_count', 0)}只 |
+| **最终推荐** | {len(result.get('final_recommendations', []))}只 |
+
+---
+
+## 🤖 AI分析师团队报告
+
+"""
+
+    # 添加资金流向分析
+    if hasattr(analyzer, 'fund_flow_analysis') and analyzer.fund_flow_analysis:
+        markdown_content += f"""
+### 💰 资金流向分析师
+
+{analyzer.fund_flow_analysis}
+
+---
+
+"""
+    
+    # 添加行业板块分析
+    if hasattr(analyzer, 'industry_analysis') and analyzer.industry_analysis:
+        markdown_content += f"""
+### 📊 行业板块及市场热点分析师
+
+{analyzer.industry_analysis}
+
+---
+
+"""
+    
+    # 添加财务基本面分析
+    if hasattr(analyzer, 'fundamental_analysis') and analyzer.fundamental_analysis:
+        markdown_content += f"""
+### 📈 财务基本面分析师
+
+{analyzer.fundamental_analysis}
+
+---
+
+"""
+
+    # 添加精选推荐
+    markdown_content += """
+## ⭐ 精选推荐股票
+
+"""
+    
+    final_recommendations = result.get('final_recommendations', [])
+    if final_recommendations:
+        for rec in final_recommendations:
+            markdown_content += f"""
+### 【第{rec['rank']}名】{rec['symbol']} - {rec['name']}
+
+**推荐理由**:
+{rec.get('reason', '暂无')}
+
+**关键指标**:
+"""
+            if 'stock_data' in rec:
+                stock_data = rec['stock_data']
+                markdown_content += f"""
+- **所属行业**: {stock_data.get('industry', 'N/A')}
+- **市值**: {stock_data.get('market_cap', 'N/A')}
+- **主力资金流向**: {stock_data.get('main_fund_inflow', 'N/A')}
+- **区间涨跌幅**: {stock_data.get('range_change', 'N/A')}%
+- **市盈率**: {stock_data.get('pe_ratio', 'N/A')}
+- **市净率**: {stock_data.get('pb_ratio', 'N/A')}
+
+"""
+            
+            if 'scores' in rec.get('stock_data', {}):
+                scores = rec['stock_data']['scores']
+                if scores:
+                    markdown_content += "**能力评分**:\n"
+                    for score_name, score_value in scores.items():
+                        markdown_content += f"- {score_name}: {score_value}\n"
+                    markdown_content += "\n"
+            
+            markdown_content += "---\n\n"
+    else:
+        markdown_content += "暂无推荐股票\n\n---\n\n"
+
+    # 添加候选股票列表（前100名，按主力资金排序）
+    if analyzer and analyzer.raw_stocks is not None and not analyzer.raw_stocks.empty:
+        markdown_content += """
+## 📋 候选股票完整列表（按主力资金净流入排序）
+
+"""
+        
+        # 获取主力资金列名
+        df = analyzer.raw_stocks
+        main_fund_col = None
+        main_fund_patterns = [
+            '区间主力资金流向', '区间主力资金净流入', 
+            '主力资金流向', '主力资金净流入', '主力净流入'
+        ]
+        for pattern in main_fund_patterns:
+            matching = [col for col in df.columns if pattern in col]
+            if matching:
+                main_fund_col = matching[0]
+                break
+        
+        # 按主力资金排序
+        if main_fund_col:
+            df_sorted = df.copy()
+            df_sorted[main_fund_col] = pd.to_numeric(df_sorted[main_fund_col], errors='coerce')
+            df_sorted = df_sorted.sort_values(by=main_fund_col, ascending=False).head(100)
+        else:
+            df_sorted = df.head(100)
+        
+        # 选择要显示的列
+        display_cols = []
+        if '股票代码' in df_sorted.columns:
+            display_cols.append('股票代码')
+        if '股票简称' in df_sorted.columns:
+            display_cols.append('股票简称')
+        
+        # 行业
+        industry_cols = [col for col in df_sorted.columns if '行业' in col]
+        if industry_cols:
+            display_cols.append(industry_cols[0])
+        
+        # 主力资金
+        if main_fund_col:
+            display_cols.append(main_fund_col)
+        
+        # 涨跌幅
+        change_cols = [col for col in df_sorted.columns if '涨跌幅' in col]
+        if change_cols:
+            display_cols.append(change_cols[0])
+        
+        # 市值、市盈率、市净率
+        for col_name in ['总市值', '市盈率', '市净率']:
+            matching_cols = [col for col in df_sorted.columns if col_name in col]
+            if matching_cols:
+                display_cols.append(matching_cols[0])
+        
+        # 生成表格
+        if display_cols:
+            final_display_cols = [col for col in display_cols if col in df_sorted.columns]
+            markdown_content += "| 序号 | " + " | ".join(final_display_cols) + " |\n"
+            markdown_content += "|------|" + "|".join(['-----' for _ in final_display_cols]) + "|\n"
+            
+            for idx, (_, row) in enumerate(df_sorted[final_display_cols].iterrows(), 1):
+                row_data = [str(idx)]
+                for col in final_display_cols:
+                    value = row[col]
+                    if pd.isna(value):
+                        row_data.append('N/A')
+                    else:
+                        row_data.append(str(value))
+                markdown_content += "| " + " | ".join(row_data) + " |\n"
+            
+            markdown_content += "\n"
+
+    # 添加免责声明
+    markdown_content += f"""
+---
+
+## 📝 免责声明
+
+本报告由AI系统生成，仅供参考，不构成投资建议。投资有风险，入市需谨慎。请在做出投资决策前咨询专业的投资顾问。
+
+---
+
+*报告生成时间: {current_time}*  
+*主力选股AI分析系统 v1.0*
+"""
+
+    return markdown_content
+
+
+def generate_html_content(markdown_content):
+    """将Markdown转换为HTML"""
+    html_content = f"""
+<!DOCTYPE html>
+<html>
+<head>
+    <meta charset="UTF-8">
+    <title>主力选股AI分析报告</title>
+    <style>
+        body {{
+            font-family: 'Microsoft YaHei', Arial, sans-serif;
+            line-height: 1.6;
+            max-width: 1200px;
+            margin: 0 auto;
+            padding: 20px;
+            background-color: #f5f5f5;
+        }}
+        .container {{
+            background-color: white;
+            padding: 30px;
+            border-radius: 10px;
+            box-shadow: 0 2px 10px rgba(0,0,0,0.1);
+        }}
+        h1 {{
+            color: #2c3e50;
+            border-bottom: 3px solid #3498db;
+            padding-bottom: 10px;
+        }}
+        h2 {{
+            color: #34495e;
+            border-left: 4px solid #3498db;
+            padding-left: 15px;
+            margin-top: 30px;
+        }}
+        h3 {{
+            color: #2980b9;
+            margin-top: 25px;
+        }}
+        table {{
+            width: 100%;
+            border-collapse: collapse;
+            margin: 20px 0;
+            font-size: 14px;
+        }}
+        th, td {{
+            border: 1px solid #ddd;
+            padding: 8px;
+            text-align: left;
+        }}
+        th {{
+            background-color: #3498db;
+            color: white;
+            font-weight: bold;
+        }}
+        tr:nth-child(even) {{
+            background-color: #f9f9f9;
+        }}
+        tr:hover {{
+            background-color: #f0f0f0;
+        }}
+        .disclaimer {{
+            background-color: #fff3cd;
+            border: 1px solid #ffeaa7;
+            border-radius: 5px;
+            padding: 15px;
+            margin-top: 30px;
+        }}
+        .footer {{
+            text-align: center;
+            margin-top: 30px;
+            color: #7f8c8d;
+            font-style: italic;
+        }}
+        hr {{
+            border: none;
+            height: 2px;
+            background-color: #ecf0f1;
+            margin: 20px 0;
+        }}
+        strong {{
+            color: #2c3e50;
+        }}
+        ul, ol {{
+            margin: 10px 0;
+            padding-left: 30px;
+        }}
+        li {{
+            margin: 5px 0;
+        }}
+    </style>
+</head>
+<body>
+    <div class="container">
+"""
+    
+    # 简单的Markdown到HTML转换
+    html_body = markdown_content
+    html_body = html_body.replace('\n# ', '\n<h1>').replace('\n## ', '\n<h2>').replace('\n### ', '\n<h3>')
+    html_body = html_body.replace('# ', '<h1>').replace('## ', '<h2>').replace('### ', '<h3>')
+    html_body = html_body.replace('\n---\n', '\n<hr>\n')
+    
+    # 处理粗体文本
+    html_body = re.sub(r'\*\*(.*?)\*\*', r'<strong>\1</strong>', html_body)
+    
+    # 处理表格
+    lines = html_body.split('\n')
+    in_table = False
+    processed_lines = []
+    
+    for line in lines:
+        if '|' in line and not in_table and line.strip().startswith('|'):
+            processed_lines.append('<table>')
+            in_table = True
+            cells = [cell.strip() for cell in line.split('|')[1:-1]]
+            processed_lines.append('<tr>')
+            for cell in cells:
+                processed_lines.append(f'<th>{cell}</th>')
+            processed_lines.append('</tr>')
+        elif '|' in line and in_table:
+            if '---' not in line:
+                cells = [cell.strip() for cell in line.split('|')[1:-1]]
+                processed_lines.append('<tr>')
+                for cell in cells:
+                    processed_lines.append(f'<td>{cell}</td>')
+                processed_lines.append('</tr>')
+        elif in_table and '|' not in line:
+            processed_lines.append('</table>')
+            in_table = False
+            processed_lines.append(line)
+        else:
+            processed_lines.append(line)
+    
+    if in_table:
+        processed_lines.append('</table>')
+    
+    html_body = '\n'.join(processed_lines)
+    
+    # 处理列表
+    html_body = re.sub(r'\n- (.*)', r'\n<li>\1</li>', html_body)
+    html_body = re.sub(r'(<li>.*</li>)\n(?!<li>)', r'<ul>\1</ul>\n', html_body)
+    html_body = re.sub(r'(<li>.*</li>\n)+', lambda m: '<ul>\n' + m.group(0) + '</ul>\n', html_body)
+    
+    # 处理换行
+    html_body = html_body.replace('\n\n', '</p><p>')
+    html_body = '<p>' + html_body + '</p>'
+    
+    html_content += html_body
+    html_content += """
+    </div>
+</body>
+</html>
+"""
+    
+    return html_content
+
+
+def create_download_link(content, filename, link_text):
+    """创建下载链接"""
+    b64 = base64.b64encode(content.encode()).decode()
+    href = f'<a href="data:text/markdown;base64,{b64}" download="{filename}" style="display: inline-block; padding: 10px 20px; background-color: #4CAF50; color: white; text-decoration: none; border-radius: 5px; margin: 5px;">{link_text}</a>'
+    return href
+
+
+def create_html_download_link(content, filename, link_text):
+    """创建HTML下载链接"""
+    b64 = base64.b64encode(content.encode('utf-8')).decode()
+    href = f'<a href="data:text/html;base64,{b64}" download="{filename}" style="display: inline-block; padding: 10px 20px; background-color: #2196F3; color: white; text-decoration: none; border-radius: 5px; margin: 5px;">{link_text}</a>'
+    return href
+
+
+def display_report_download_section(analyzer, result):
+    """显示报告下载区域"""
+    
+    st.markdown("---")
+    st.markdown("### 📥 下载分析报告")
+    
+    col1, col2 = st.columns(2)
+    
+    with col1:
+        st.markdown("#### 📄 Markdown格式")
+        st.caption("适合编辑和进一步处理")
+        
+        # 生成Markdown报告
+        markdown_content = generate_main_force_markdown_report(analyzer, result)
+        
+        # 生成文件名
+        timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
+        md_filename = f"主力选股分析报告_{timestamp}.md"
+        
+        # 创建下载链接
+        md_link = create_download_link(markdown_content, md_filename, "📥 下载Markdown报告")
+        st.markdown(md_link, unsafe_allow_html=True)
+        
+        # 显示预览
+        with st.expander("👀 预览Markdown内容"):
+            st.code(markdown_content[:2000] + "..." if len(markdown_content) > 2000 else markdown_content)
+    
+    with col2:
+        st.markdown("#### 🌐 HTML格式")
+        st.caption("可在浏览器中打开查看")
+        
+        # 生成HTML报告
+        html_content = generate_html_content(markdown_content)
+        
+        # 生成文件名
+        html_filename = f"主力选股分析报告_{timestamp}.html"
+        
+        # 创建下载链接
+        html_link = create_html_download_link(html_content, html_filename, "📥 下载HTML报告")
+        st.markdown(html_link, unsafe_allow_html=True)
+        
+        # 显示说明
+        st.info("💡 HTML报告可以直接在浏览器中打开，格式美观易读")
+    
+    # 添加CSV下载（候选股票列表）
+    if analyzer and analyzer.raw_stocks is not None and not analyzer.raw_stocks.empty:
+        st.markdown("---")
+        st.markdown("#### 📊 候选股票数据")
+        
+        # 按主力资金排序
+        df = analyzer.raw_stocks.copy()
+        main_fund_col = None
+        main_fund_patterns = [
+            '区间主力资金流向', '区间主力资金净流入', 
+            '主力资金流向', '主力资金净流入', '主力净流入'
+        ]
+        for pattern in main_fund_patterns:
+            matching = [col for col in df.columns if pattern in col]
+            if matching:
+                main_fund_col = matching[0]
+                break
+        
+        if main_fund_col:
+            df[main_fund_col] = pd.to_numeric(df[main_fund_col], errors='coerce')
+            df = df.sort_values(by=main_fund_col, ascending=False)
+        
+        # 导出为CSV
+        csv = df.to_csv(index=False, encoding='utf-8-sig')
+        csv_filename = f"主力选股候选列表_{timestamp}.csv"
+        
+        st.download_button(
+            label="📥 下载候选股票CSV",
+            data=csv,
+            file_name=csv_filename,
+            mime="text/csv",
+            use_container_width=True
+        )
+

main_force_selector.py

@@ -0,0 +1,386 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""
+主力选股模块
+使用pywencai获取主力资金净流入前100名股票，并进行智能筛选
+"""
+
+import pandas as pd
+import pywencai
+from datetime import datetime, timedelta
+from typing import Dict, List, Tuple
+import time
+
+class MainForceStockSelector:
+    """主力选股类"""
+    
+    def __init__(self):
+        self.raw_data = None
+        self.filtered_stocks = None
+    
+    def get_main_force_stocks(self, start_date: str = None, days_ago: int = 90) -> Tuple[bool, pd.DataFrame, str]:
+        """
+        获取主力资金净流入前100名股票
+        
+        Args:
+            start_date: 开始日期，格式如"2025年10月1日"，如果不提供则使用days_ago
+            days_ago: 距今多少天，默认90天（约3个月）
+            
+        Returns:
+            (success, dataframe, message)
+        """
+        try:
+            # 如果没有提供开始日期，根据days_ago计算
+            if not start_date:
+                date_obj = datetime.now() - timedelta(days=days_ago)
+                start_date = f"{date_obj.year}年{date_obj.month}月{date_obj.day}日"
+            
+            print(f"\n{'='*60}")
+            print(f"🔍 主力选股 - 数据获取中")
+            print(f"{'='*60}")
+            print(f"开始日期: {start_date}")
+            print(f"目标: 获取主力资金净流入排名前100名股票")
+            
+            # 构建查询语句 - 使用多个备选方案，所有方案都要求计算区间涨跌幅
+            queries = [
+                # 方案1: 完整查询（最优）
+                f"{start_date}以来主力资金净流入排名，并计算区间涨跌幅，市值50-5000亿之间，非科创非st，"
+                f"所属同花顺行业，总市值，净利润，营收，市盈率，市净率，"
+                f"盈利能力评分，成长能力评分，营运能力评分，偿债能力评分，"
+                f"现金流评分，资产质量评分，流动性评分，资本充足性评分",
+                
+                # 方案2: 简化查询
+                f"{start_date}以来主力资金净流入，并计算区间涨跌幅，市值50-5000亿，非科创非st，"
+                f"所属同花顺行业，总市值，净利润，营收，市盈率，市净率",
+                
+                # 方案3: 基础查询
+                f"{start_date}以来主力资金净流入排名，并计算区间涨跌幅，市值50-5000亿，非科创非st，"
+                f"所属行业，总市值",
+                
+                # 方案4: 最简查询
+                f"{start_date}以来主力资金净流入前100名，并计算区间涨跌幅，市值50-5000亿，非st非科创板，所属行业，总市值",
+            ]
+            
+            # 尝试不同的查询方案
+            for i, query in enumerate(queries, 1):
+                print(f"\n尝试方案 {i}/{len(queries)}...")
+                print(f"查询语句: {query[:100]}...")
+                
+                try:
+                    result = pywencai.get(query=query, loop=True)
+                    
+                    if result is None:
+                        print(f"  ⚠️ 方案{i}返回None，尝试下一个方案")
+                        continue
+                    
+                    # 转换为DataFrame
+                    df_result = self._convert_to_dataframe(result)
+                    
+                    if df_result is None or df_result.empty:
+                        print(f"  ⚠️ 方案{i}数据为空，尝试下一个方案")
+                        continue
+                    
+                    # 成功获取数据
+                    print(f"  ✅ 方案{i}成功！获取到 {len(df_result)} 只股票")
+                    self.raw_data = df_result
+                    
+                    # 显示获取到的列名
+                    print(f"\n获取到的数据字段:")
+                    for col in df_result.columns[:15]:  # 只显示前15个字段
+                        print(f"  - {col}")
+                    if len(df_result.columns) > 15:
+                        print(f"  ... 还有 {len(df_result.columns) - 15} 个字段")
+                    
+                    return True, df_result, f"成功获取{len(df_result)}只股票数据"
+                
+                except Exception as e:
+                    print(f"  ❌ 方案{i}失败: {str(e)}")
+                    time.sleep(2)  # 失败后等待2秒再试
+                    continue
+            
+            # 所有方案都失败
+            error_msg = "所有查询方案都失败了，请检查网络或稍后重试"
+            print(f"\n❌ {error_msg}")
+            return False, None, error_msg
+        
+        except Exception as e:
+            error_msg = f"获取主力选股数据失败: {str(e)}"
+            print(f"\n❌ {error_msg}")
+            return False, None, error_msg
+    
+    def _convert_to_dataframe(self, result) -> pd.DataFrame:
+        """转换问财返回结果为DataFrame"""
+        try:
+            if isinstance(result, pd.DataFrame):
+                return result
+            elif isinstance(result, dict):
+                # 检查是否有嵌套的tableV1结构
+                if 'tableV1' in result:
+                    table_data = result['tableV1']
+                    if isinstance(table_data, pd.DataFrame):
+                        return table_data
+                    elif isinstance(table_data, list):
+                        return pd.DataFrame(table_data)
+                # 直接转换字典
+                return pd.DataFrame([result])
+            elif isinstance(result, list):
+                return pd.DataFrame(result)
+            else:
+                return None
+        except Exception as e:
+            print(f"  转换DataFrame失败: {e}")
+            return None
+    
+    def filter_stocks(self, df: pd.DataFrame, 
+                     max_range_change: float = 30.0,
+                     min_market_cap: float = 50.0,
+                     max_market_cap: float = 1300.0) -> pd.DataFrame:
+        """
+        智能筛选股票
+        
+        Args:
+            df: 原始数据
+            max_range_change: 区间涨跌幅上限（%），默认30%
+            min_market_cap: 最小市值（亿），默认50亿
+            max_market_cap: 最大市值（亿），默认1300亿
+            
+        Returns:
+            筛选后的DataFrame
+        """
+        if df is None or df.empty:
+            return df
+        
+        print(f"\n{'='*60}")
+        print(f"🔍 智能筛选中...")
+        print(f"{'='*60}")
+        print(f"筛选条件:")
+        print(f"  - 区间涨跌幅 < {max_range_change}%")
+        print(f"  - 市值范围: {min_market_cap}-{max_market_cap}亿")
+        
+        original_count = len(df)
+        filtered_df = df.copy()
+        
+        # 1. 筛选区间涨跌幅（智能匹配列名）
+        # 优先精确匹配，按优先级查找
+        interval_pct_col = None
+        possible_interval_pct_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'
+        ]
+        
+        # 优先精确匹配
+        for name in possible_interval_pct_names:
+            for col in df.columns:
+                if name in col:
+                    interval_pct_col = col
+                    break
+            if interval_pct_col:
+                break
+        
+        if interval_pct_col:
+            print(f"\n使用字段: {interval_pct_col}")
+            
+            # 转换为数值并筛选
+            filtered_df[interval_pct_col] = pd.to_numeric(filtered_df[interval_pct_col], errors='coerce')
+            before = len(filtered_df)
+            filtered_df = filtered_df[
+                (filtered_df[interval_pct_col].notna()) & 
+                (filtered_df[interval_pct_col] < max_range_change)
+            ]
+            print(f"  区间涨跌幅筛选: {before} -> {len(filtered_df)} 只")
+        else:
+            print(f"  ⚠️ 未找到区间涨跌幅字段，跳过涨跌幅筛选")
+            print(f"  可用字段: {list(df.columns[:10])}")
+        
+        # 2. 筛选市值
+        market_cap_cols = [col for col in df.columns if '总市值' in col or '市值' in col]
+        if market_cap_cols:
+            col_name = market_cap_cols[0]
+            print(f"\n使用字段: {col_name}")
+            
+            # 转换为数值（单位可能是亿或元）
+            filtered_df[col_name] = pd.to_numeric(filtered_df[col_name], errors='coerce')
+            
+            # 判断单位（如果值很大，可能是元）
+            max_val = filtered_df[col_name].max()
+            if max_val > 100000:  # 大于10万，认为是元
+                print(f"  检测到单位为元，转换为亿")
+                filtered_df[col_name] = filtered_df[col_name] / 100000000
+            
+            before = len(filtered_df)
+            filtered_df = filtered_df[
+                (filtered_df[col_name].notna()) & 
+                (filtered_df[col_name] >= min_market_cap) &
+                (filtered_df[col_name] <= max_market_cap)
+            ]
+            print(f"  市值筛选: {before} -> {len(filtered_df)} 只")
+        
+        # 3. 去除ST股票（额外保险）
+        if '股票简称' in filtered_df.columns:
+            before = len(filtered_df)
+            filtered_df = filtered_df[~filtered_df['股票简称'].str.contains('ST', na=False)]
+            if before != len(filtered_df):
+                print(f"  ST股票过滤: {before} -> {len(filtered_df)} 只")
+        
+        print(f"\n筛选完成: {original_count} -> {len(filtered_df)} 只股票")
+        
+        self.filtered_stocks = filtered_df
+        return filtered_df
+    
+    def get_top_stocks(self, df: pd.DataFrame, top_n: int = 20) -> pd.DataFrame:
+        """
+        获取主力资金净流入最多的前N只股票
+        
+        Args:
+            df: 筛选后的数据
+            top_n: 取前N名，默认20
+            
+        Returns:
+            前N名股票DataFrame
+        """
+        if df is None or df.empty:
+            return df
+        
+        # 查找主力资金相关列（智能匹配）
+        main_fund_col = None
+        main_fund_patterns = [
+            '区间主力资金流向',      # 实际列名
+            '区间主力资金净流入',
+            '主力资金流向',
+            '主力资金净流入',
+            '主力净流入'
+        ]
+        for pattern in main_fund_patterns:
+            matching = [col for col in df.columns if pattern in col]
+            if matching:
+                main_fund_col = matching[0]
+                break
+        
+        if main_fund_col:
+            print(f"\n使用字段排序: {main_fund_col}")
+            
+            # 转换为数值并排序
+            df[main_fund_col] = pd.to_numeric(df[main_fund_col], errors='coerce')
+            top_df = df.nlargest(top_n, main_fund_col)
+            
+            print(f"获取主力资金净流入前 {len(top_df)} 名")
+            return top_df
+        else:
+            # 如果没有主力资金列，直接返回前N条
+            print(f"未找到主力资金列，返回前{top_n}条数据")
+            return df.head(top_n)
+    
+    def format_stock_list_for_analysis(self, df: pd.DataFrame) -> List[Dict]:
+        """
+        格式化股票列表，准备提交给AI分析师
+        
+        Args:
+            df: 股票数据DataFrame
+            
+        Returns:
+            格式化后的股票列表
+        """
+        if df is None or df.empty:
+            return []
+        
+        stock_list = []
+        
+        for idx, row in df.iterrows():
+            stock_data = {
+                'symbol': row.get('股票代码', 'N/A'),
+                'name': row.get('股票简称', 'N/A'),
+                'industry': row.get('所属同花顺行业', row.get('所属行业', 'N/A')),
+                'market_cap': row.get('总市值[20241209]', row.get('总市值', 'N/A')),
+                'range_change': None,
+                'main_fund_inflow': None,
+                'pe_ratio': row.get('市盈率', 'N/A'),
+                'pb_ratio': row.get('市净率', 'N/A'),
+                'revenue': row.get('营业收入', row.get('营收', 'N/A')),
+                'net_profit': row.get('净利润', 'N/A'),
+                'scores': {},
+                'raw_data': row.to_dict()
+            }
+            
+            # 提取区间涨跌幅（使用智能匹配）
+            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:
+                stock_data['range_change'] = row.get(interval_pct_col, 'N/A')
+            
+            # 提取主力资金（智能匹配）
+            main_fund_col = None
+            main_fund_patterns = [
+                '区间主力资金流向', '区间主力资金净流入', 
+                '主力资金流向', '主力资金净流入', '主力净流入'
+            ]
+            for pattern in main_fund_patterns:
+                matching = [col for col in df.columns if pattern in col]
+                if matching:
+                    main_fund_col = matching[0]
+                    break
+            if main_fund_col:
+                stock_data['main_fund_inflow'] = row.get(main_fund_col, 'N/A')
+            
+            # 提取评分
+            score_keywords = ['评分', '能力']
+            for col in df.columns:
+                if any(keyword in col for keyword in score_keywords):
+                    stock_data['scores'][col] = row.get(col, 'N/A')
+            
+            stock_list.append(stock_data)
+        
+        return stock_list
+    
+    def print_stock_summary(self, stock_list: List[Dict]):
+        """打印股票摘要信息"""
+        print(f"\n{'='*80}")
+        print(f"📊 候选股票列表 ({len(stock_list)}只)")
+        print(f"{'='*80}")
+        print(f"{'序号':<4} {'代码':<8} {'名称':<12} {'行业':<15} {'主力资金':<12} {'涨跌幅':<8}")
+        print(f"{'-'*80}")
+        
+        for i, stock in enumerate(stock_list, 1):
+            symbol = stock['symbol']
+            name = stock['name'][:10] if isinstance(stock['name'], str) else 'N/A'
+            industry = stock['industry'][:13] if isinstance(stock['industry'], str) else 'N/A'
+            
+            # 格式化主力资金
+            main_fund = stock['main_fund_inflow']
+            if isinstance(main_fund, (int, float)):
+                if abs(main_fund) >= 100000000:  # 大于1亿
+                    main_fund_str = f"{main_fund/100000000:.2f}亿"
+                else:
+                    main_fund_str = f"{main_fund/10000:.2f}万"
+            else:
+                main_fund_str = 'N/A'
+            
+            # 格式化涨跌幅
+            change = stock['range_change']
+            if isinstance(change, (int, float)):
+                change_str = f"{change:.2f}%"
+            else:
+                change_str = 'N/A'
+            
+            print(f"{i:<4} {symbol:<8} {name:<12} {industry:<15} {main_fund_str:<12} {change_str:<8}")
+        
+        print(f"{'='*80}\n")
+
+# 全局实例
+main_force_selector = MainForceStockSelector()
+

main_force_ui.py

@@ -0,0 +1,419 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""
+主力选股UI模块
+"""
+
+import streamlit as st
+from datetime import datetime, timedelta
+from main_force_analysis import MainForceAnalyzer
+from main_force_pdf_generator import display_report_download_section
+import pandas as pd
+
+def display_main_force_selector():
+    """显示主力选股界面"""
+    
+    st.markdown("## 🎯 主力选股 - 智能筛选优质标的")
+    st.markdown("---")
+    
+    st.markdown("""
+    ### 功能说明
+    
+    本功能通过以下步骤筛选优质股票：
+    
+    1. **数据获取**: 使用问财获取指定日期以来主力资金净流入前100名股票
+    2. **智能筛选**: 过滤掉涨幅过高、市值不符的股票
+    3. **AI分析**: 调用资金流向、行业板块、财务基本面三大分析师团队
+    4. **综合决策**: 资深研究员综合评估，精选3-5只优质标的
+    
+    **筛选标准**:
+    - ✅ 主力资金净流入较多
+    - ✅ 区间涨跌幅适中（避免追高）
+    - ✅ 财务基本面良好
+    - ✅ 行业前景明朗
+    - ✅ 综合素质优秀
+    """)
+    
+    st.markdown("---")
+    
+    # 参数设置
+    col1, col2, col3 = st.columns(3)
+    
+    with col1:
+        date_option = st.selectbox(
+            "选择时间区间",
+            ["最近3个月", "最近6个月", "最近1年", "自定义日期"]
+        )
+        
+        if date_option == "最近3个月":
+            days_ago = 90
+            start_date = None
+        elif date_option == "最近6个月":
+            days_ago = 180
+            start_date = None
+        elif date_option == "最近1年":
+            days_ago = 365
+            start_date = None
+        else:
+            custom_date = st.date_input(
+                "选择开始日期",
+                value=datetime.now() - timedelta(days=90)
+            )
+            start_date = f"{custom_date.year}年{custom_date.month}月{custom_date.day}日"
+            days_ago = None
+    
+    with col2:
+        final_n = st.slider(
+            "最终精选数量",
+            min_value=3,
+            max_value=10,
+            value=5,
+            step=1,
+            help="最终推荐的股票数量"
+        )
+    
+    with col3:
+        st.info("💡 系统将获取前100名股票，进行整体分析后精选优质标的")
+    
+    # 高级选项
+    with st.expander("⚙️ 高级筛选参数"):
+        col1, col2, col3 = st.columns(3)
+        
+        with col1:
+            max_change = st.number_input(
+                "最大涨跌幅(%)",
+                min_value=10.0,
+                max_value=100.0,
+                value=30.0,
+                step=5.0,
+                help="过滤掉涨幅过高的股票，避免追高"
+            )
+        
+        with col2:
+            min_cap = st.number_input(
+                "最小市值(亿)",
+                min_value=10.0,
+                max_value=500.0,
+                value=50.0,
+                step=10.0
+            )
+        
+        with col3:
+            max_cap = st.number_input(
+                "最大市值(亿)",
+                min_value=100.0,
+                max_value=50000.0,
+                value=5000.0,
+                step=100.0
+            )
+    
+    # 模型选择
+    model = st.selectbox(
+        "选择AI模型",
+        ["deepseek-chat", "deepseek-reasoner"],
+        help="deepseek-chat速度快，deepseek-reasoner推理能力强"
+    )
+    
+    st.markdown("---")
+    
+    # 开始分析按钮
+    if st.button("🚀 开始主力选股", type="primary", use_container_width=True):
+        
+        with st.spinner("正在获取数据并分析，这可能需要几分钟..."):
+            
+            # 创建分析器
+            analyzer = MainForceAnalyzer(model=model)
+            
+            # 运行分析
+            result = analyzer.run_full_analysis(
+                start_date=start_date,
+                days_ago=days_ago,
+                final_n=final_n
+            )
+            
+            # 保存结果到session_state
+            st.session_state.main_force_result = result
+            st.session_state.main_force_analyzer = analyzer
+        
+        # 显示结果
+        if result['success']:
+            st.success(f"✅ 分析完成！共筛选出 {len(result['final_recommendations'])} 只优质标的")
+            st.rerun()
+        else:
+            st.error(f"❌ 分析失败: {result.get('error', '未知错误')}")
+    
+    # 显示分析结果
+    if 'main_force_result' in st.session_state:
+        result = st.session_state.main_force_result
+        
+        if result['success']:
+            display_analysis_results(result, st.session_state.get('main_force_analyzer'))
+
+def display_analysis_results(result: dict, analyzer):
+    """显示分析结果"""
+    
+    st.markdown("---")
+    st.markdown("## 📊 分析结果")
+    
+    # 统计信息
+    col1, col2, col3 = st.columns(3)
+    
+    with col1:
+        st.metric("获取股票数", result['total_stocks'])
+    
+    with col2:
+        st.metric("筛选后", result['filtered_stocks'])
+    
+    with col3:
+        st.metric("最终推荐", len(result['final_recommendations']))
+    
+    st.markdown("---")
+    
+    # 显示AI分析师完整报告
+    if analyzer and hasattr(analyzer, 'fund_flow_analysis'):
+        display_analyst_reports(analyzer)
+    
+    st.markdown("---")
+    
+    # 显示推荐股票
+    if result['final_recommendations']:
+        st.markdown("### ⭐ 精选推荐")
+        
+        for rec in result['final_recommendations']:
+            with st.expander(
+                f"【第{rec['rank']}名】{rec['symbol']} - {rec['name']}", 
+                expanded=(rec['rank'] <= 3)
+            ):
+                display_recommendation_detail(rec)
+    
+    # 显示候选股票列表
+    if analyzer and analyzer.raw_stocks is not None and not analyzer.raw_stocks.empty:
+        st.markdown("---")
+        st.markdown("### 📋 候选股票列表（筛选后）")
+        
+        # 选择关键列显示
+        display_cols = ['股票代码', '股票简称']
+        
+        # 添加行业列
+        industry_cols = [col for col in analyzer.raw_stocks.columns if '行业' in col]
+        if industry_cols:
+            display_cols.append(industry_cols[0])
+        
+        # 添加区间主力资金净流入（智能匹配）
+        main_fund_col = None
+        main_fund_patterns = [
+            '区间主力资金流向',      # 实际列名
+            '区间主力资金净流入', 
+            '主力资金流向',
+            '主力资金净流入', 
+            '主力净流入', 
+            '主力资金'
+        ]
+        for pattern in main_fund_patterns:
+            matching = [col for col in analyzer.raw_stocks.columns if pattern in col]
+            if matching:
+                main_fund_col = matching[0]
+                break
+        if main_fund_col:
+            display_cols.append(main_fund_col)
+        
+        # 添加区间涨跌幅（前复权）（智能匹配）
+        interval_pct_col = None
+        interval_pct_patterns = [
+            '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 pattern in interval_pct_patterns:
+            matching = [col for col in analyzer.raw_stocks.columns if pattern in col]
+            if matching:
+                interval_pct_col = matching[0]
+                break
+        if interval_pct_col:
+            display_cols.append(interval_pct_col)
+        
+        # 添加市值、市盈率、市净率
+        for col_name in ['总市值', '市盈率', '市净率']:
+            matching_cols = [col for col in analyzer.raw_stocks.columns if col_name in col]
+            if matching_cols:
+                display_cols.append(matching_cols[0])
+        
+        # 选择存在的列
+        final_cols = [col for col in display_cols if col in analyzer.raw_stocks.columns]
+        
+        # 调试信息：显示找到的列名
+        with st.expander("🔍 调试信息 - 查看数据列", expanded=False):
+            st.caption("所有可用列:")
+            cols_list = list(analyzer.raw_stocks.columns)
+            st.write(cols_list)
+            st.caption(f"\n已选择显示的列: {final_cols}")
+            if main_fund_col:
+                st.success(f"✅ 找到主力资金列: {main_fund_col}")
+            else:
+                st.warning("⚠️ 未找到主力资金列")
+            if interval_pct_col:
+                st.success(f"✅ 找到涨跌幅列: {interval_pct_col}")
+            else:
+                st.warning("⚠️ 未找到涨跌幅列")
+        
+        # 显示DataFrame
+        display_df = analyzer.raw_stocks[final_cols].copy()
+        st.dataframe(display_df, use_container_width=True, height=400)
+        
+        # 显示统计
+        st.caption(f"共 {len(display_df)} 只候选股票，显示 {len(final_cols)} 个字段")
+        
+        # 下载按钮
+        csv = display_df.to_csv(index=False, encoding='utf-8-sig')
+        st.download_button(
+            label="📥 下载候选列表CSV",
+            data=csv,
+            file_name=f"main_force_stocks_{datetime.now().strftime('%Y%m%d')}.csv",
+            mime="text/csv"
+        )
+    
+    # 显示PDF报告下载区域
+    if analyzer and result:
+        display_report_download_section(analyzer, result)
+
+def display_recommendation_detail(rec: dict):
+    """显示单个推荐股票的详细信息"""
+    
+    col1, col2 = st.columns([1, 1])
+    
+    with col1:
+        st.markdown("#### 📌 推荐理由")
+        for reason in rec.get('reasons', []):
+            st.markdown(f"- {reason}")
+        
+        st.markdown("#### 💡 投资亮点")
+        st.info(rec.get('highlights', 'N/A'))
+    
+    with col2:
+        st.markdown("#### 📊 投资建议")
+        st.markdown(f"**建议仓位**: {rec.get('position', 'N/A')}")
+        st.markdown(f"**投资周期**: {rec.get('investment_period', 'N/A')}")
+        
+        st.markdown("#### ⚠️ 风险提示")
+        st.warning(rec.get('risks', 'N/A'))
+    
+    # 显示股票详细数据
+    if 'stock_data' in rec:
+        st.markdown("---")
+        st.markdown("#### 📊 股票详细数据")
+        
+        stock_data = rec['stock_data']
+        
+        # 创建数据展示
+        col1, col2, col3 = st.columns(3)
+        
+        with col1:
+            st.metric("股票代码", stock_data.get('股票代码', 'N/A'))
+            
+            # 显示行业
+            industry_keys = [k for k in stock_data.keys() if '行业' in k]
+            if industry_keys:
+                st.metric("所属行业", stock_data.get(industry_keys[0], 'N/A'))
+        
+        with col2:
+            # 显示主力资金
+            fund_keys = [k for k in stock_data.keys() if '主力' in k and '净流入' in k]
+            if fund_keys:
+                fund_value = stock_data.get(fund_keys[0], 'N/A')
+                if isinstance(fund_value, (int, float)):
+                    st.metric("主力资金净流入", f"{fund_value/100000000:.2f}亿")
+                else:
+                    st.metric("主力资金净流入", str(fund_value))
+        
+        with col3:
+            # 显示涨跌幅
+            change_keys = [k for k in stock_data.keys() if '涨跌幅' in k]
+            if change_keys:
+                change_value = stock_data.get(change_keys[0], 'N/A')
+                if isinstance(change_value, (int, float)):
+                    st.metric("区间涨跌幅", f"{change_value:.2f}%")
+                else:
+                    st.metric("区间涨跌幅", str(change_value))
+        
+        # 显示其他关键指标
+        st.markdown("**其他关键指标：**")
+        metrics_col1, metrics_col2, metrics_col3 = st.columns(3)
+        
+        with metrics_col1:
+            if '市盈率' in stock_data or any('市盈率' in k for k in stock_data.keys()):
+                pe_keys = [k for k in stock_data.keys() if '市盈率' in k]
+                if pe_keys:
+                    st.caption(f"市盈率: {stock_data.get(pe_keys[0], 'N/A')}")
+        
+        with metrics_col2:
+            if '市净率' in stock_data or any('市净率' in k for k in stock_data.keys()):
+                pb_keys = [k for k in stock_data.keys() if '市净率' in k]
+                if pb_keys:
+                    st.caption(f"市净率: {stock_data.get(pb_keys[0], 'N/A')}")
+        
+        with metrics_col3:
+            if '总市值' in stock_data or any('总市值' in k for k in stock_data.keys()):
+                cap_keys = [k for k in stock_data.keys() if '总市值' in k]
+                if cap_keys:
+                    st.caption(f"总市值: {stock_data.get(cap_keys[0], 'N/A')}")
+
+def display_analyst_reports(analyzer):
+    """显示AI分析师完整报告"""
+    
+    st.markdown("### 🤖 AI分析师团队完整报告")
+    
+    # 创建三个标签页
+    tab1, tab2, tab3 = st.tabs(["💰 资金流向分析", "📊 行业板块分析", "📈 财务基本面分析"])
+    
+    with tab1:
+        st.markdown("#### 💰 资金流向分析师报告")
+        st.markdown("---")
+        if hasattr(analyzer, 'fund_flow_analysis') and analyzer.fund_flow_analysis:
+            st.markdown(analyzer.fund_flow_analysis)
+        else:
+            st.info("暂无资金流向分析报告")
+    
+    with tab2:
+        st.markdown("#### 📊 行业板块及市场热点分析师报告")
+        st.markdown("---")
+        if hasattr(analyzer, 'industry_analysis') and analyzer.industry_analysis:
+            st.markdown(analyzer.industry_analysis)
+        else:
+            st.info("暂无行业板块分析报告")
+    
+    with tab3:
+        st.markdown("#### 📈 财务基本面分析师报告")
+        st.markdown("---")
+        if hasattr(analyzer, 'fundamental_analysis') and analyzer.fundamental_analysis:
+            st.markdown(analyzer.fundamental_analysis)
+        else:
+            st.info("暂无财务基本面分析报告")
+
+def format_number(value, unit='', suffix=''):
+    """格式化数字显示"""
+    if value is None or value == 'N/A':
+        return 'N/A'
+    
+    try:
+        num = float(value)
+        
+        # 如果单位是亿，需要转换
+        if unit == '亿':
+            if abs(num) >= 100000000:  # 大于1亿（以元为单位）
+                num = num / 100000000
+            elif abs(num) < 100:  # 小于100，可能已经是亿
+                pass
+            else:  # 100-100000000之间，可能是万
+                num = num / 10000
+        
+        # 格式化显示
+        if abs(num) >= 1000:
+            formatted = f"{num:,.2f}"
+        elif abs(num) >= 1:
+            formatted = f"{num:.2f}"
+        else:
+            formatted = f"{num:.4f}"
+        
+        return f"{formatted}{suffix}"
+    except (ValueError, TypeError):
+        return str(value)
+

pdf_generator.py

@@ -249,8 +249,9 @@ def display_pdf_export_section(stock_info, agents_results, discussion_result, fi
     col1, col2, col3 = st.columns([1, 2, 1])
     
     with col2:
-        # 生成PDF报告按钮
+        # 生成PDF报告按钮（使用股票代码作为key的一部分，确保唯一性）
-        if st.button("📄 生成并下载PDF报告", type="primary", use_container_width=True):
+        button_key = f"pdf_btn_{stock_info.get('symbol', 'unknown')}"
+        if st.button("📄 生成并下载PDF报告", type="primary", use_container_width=True, key=button_key):
             with st.spinner("正在生成PDF报告..."):
                 try:
                     # 生成PDF内容

stock_data.py

@@ -463,20 +463,14 @@ class StockDataFetcher:
             except Exception as e:
                 print(f"获取财务指标失败: {e}")
             
-            # 5. 获取季度业绩（尝试不同API）
+            # 5. 获取季度业绩（使用问财）
             try:
-                # 尝试获取业绩预告
+                # 使用pywencai获取季报数据
-                quarter_data = ak.stock_profit_forecast_em(symbol=symbol)
+                quarter_data = self._get_quarter_data_from_wencai(symbol)
-                if quarter_data is not None and not quarter_data.empty:
+                if quarter_data:
-                    financial_data["quarter_data"] = quarter_data.head(4).to_dict('records')
+                    financial_data["quarter_data"] = quarter_data
-            except:
+            except Exception as e:
-                try:
+                print(f"获取季度数据失败: {e}")
-                    # 备用方案：获取季度财报
-                    quarter_data = ak.stock_financial_report_sina(stock=symbol, symbol="季报")
-                    if quarter_data is not None and not quarter_data.empty:
-                        financial_data["quarter_data"] = quarter_data.head(4).to_dict('records')
-                except Exception as e:
-                    print(f"获取季度数据失败: {e}")
             
             return financial_data
             
@@ -484,6 +478,75 @@ class StockDataFetcher:
             print(f"获取中国股票财务数据失败: {e}")
             return financial_data
     
+    def _get_quarter_data_from_wencai(self, symbol):
+        """使用问财获取季报数据 - 直接返回原始数据给AI分析"""
+        try:
+            # 构建查询语句 - 获取最近4个季度的数据
+            query = f"{symbol}最近4个季度的营业收入、净利润、每股收益、净资产收益率、营业收入同比增长率、净利润同比增长率"
+            
+            # 使用pywencai查询
+            print(f"正在使用问财获取 {symbol} 的季报数据...")
+            result = pywencai.get(question=query, perpage=10)
+            
+            # 检查返回类型
+            if result is None:
+                print(f"问财未返回 {symbol} 的季报数据")
+                return None
+            
+            # 处理不同返回类型
+            quarter_data = None
+            
+            # 如果返回的是DataFrame
+            if isinstance(result, pd.DataFrame):
+                if result.empty:
+                    print(f"问财返回的DataFrame为空")
+                    return None
+                
+                print(f"  问财返回DataFrame，共 {len(result)} 行数据")
+                print(f"  列名: {list(result.columns)}")
+                
+                # 将DataFrame转为字典列表，保留所有原始数据
+                quarter_data = {
+                    'data_type': 'dataframe',
+                    'columns': list(result.columns),
+                    'records': result.head(10).to_dict('records'),  # 最多取10条
+                    'row_count': len(result),
+                    'summary': f"获取到{len(result)}条季报相关数据"
+                }
+                
+            # 如果返回的是字典
+            elif isinstance(result, dict):
+                print(f"  问财返回字典数据")
+                print(f"  字典键: {list(result.keys())}")
+                
+                quarter_data = {
+                    'data_type': 'dict',
+                    'raw_data': result,
+                    'summary': f"获取到季报字典数据，包含 {len(result)} 个字段"
+                }
+            
+            # 其他类型
+            else:
+                print(f"  问财返回未知类型: {type(result)}")
+                quarter_data = {
+                    'data_type': 'unknown',
+                    'raw_data': str(result),
+                    'summary': f"获取到季报数据，类型: {type(result).__name__}"
+                }
+            
+            if quarter_data:
+                print(f"✅ 成功获取季报数据，将原始数据交由AI分析师处理")
+                return quarter_data
+            else:
+                print(f"⚠️ 未能获取有效的季报数据")
+                return None
+                
+        except Exception as e:
+            print(f"使用问财获取季报数据失败: {e}")
+            import traceback
+            traceback.print_exc()
+            return None
+    
     def _get_us_financial_data(self, symbol):
         """获取美股财务数据"""
         financial_data = {

test_main_force.py

@@ -0,0 +1,221 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""
+主力选股功能测试脚本
+快速验证功能是否正常工作
+"""
+
+import sys
+from datetime import datetime, timedelta
+
+def test_imports():
+    """测试模块导入"""
+    print("="*60)
+    print("测试1: 检查模块导入")
+    print("="*60)
+    
+    try:
+        print("导入 pywencai...", end=" ")
+        import pywencai
+        print("✅")
+    except Exception as e:
+        print(f"❌ {e}")
+        return False
+    
+    try:
+        print("导入 main_force_selector...", end=" ")
+        from main_force_selector import main_force_selector
+        print("✅")
+    except Exception as e:
+        print(f"❌ {e}")
+        return False
+    
+    try:
+        print("导入 main_force_analysis...", end=" ")
+        from main_force_analysis import MainForceAnalyzer
+        print("✅")
+    except Exception as e:
+        print(f"❌ {e}")
+        return False
+    
+    try:
+        print("导入 main_force_ui...", end=" ")
+        from main_force_ui import display_main_force_selector
+        print("✅")
+    except Exception as e:
+        print(f"❌ {e}")
+        return False
+    
+    print("\n✅ 所有模块导入成功！\n")
+    return True
+
+def test_data_fetch():
+    """测试数据获取"""
+    print("="*60)
+    print("测试2: 测试数据获取功能")
+    print("="*60)
+    
+    try:
+        from main_force_selector import main_force_selector
+        
+        # 使用较短的时间范围进行测试
+        print("\n尝试获取最近30天的主力资金数据...")
+        success, data, message = main_force_selector.get_main_force_stocks(days_ago=30)
+        
+        if success:
+            print(f"\n✅ 数据获取成功！")
+            print(f"   获取到 {len(data)} 只股票")
+            print(f"\n前5只股票:")
+            print(data.head(5) if len(data) > 0 else "无数据")
+            return True
+        else:
+            print(f"\n❌ 数据获取失败: {message}")
+            print("\n可能原因:")
+            print("  1. 网络连接问题")
+            print("  2. pywencai服务暂时不可用")
+            print("  3. 需要安装Node.js >= 16.0")
+            print("\n请检查:")
+            print("  - 网络连接是否正常")
+            print("  - Node.js版本: node --version")
+            print("  - pywencai是否正确安装: pip list | findstr pywencai")
+            return False
+    
+    except Exception as e:
+        print(f"\n❌ 测试过程出错: {e}")
+        import traceback
+        traceback.print_exc()
+        return False
+
+def test_filter():
+    """测试筛选功能"""
+    print("\n" + "="*60)
+    print("测试3: 测试筛选功能")
+    print("="*60)
+    
+    try:
+        from main_force_selector import main_force_selector
+        import pandas as pd
+        
+        # 创建测试数据
+        test_data = pd.DataFrame({
+            '股票代码': ['000001', '000002', '600519', '300750'],
+            '股票简称': ['平安银行', '万科A', '贵州茅台', '宁德时代'],
+            '区间涨跌幅': [15.5, 35.8, 12.3, 28.9],
+            '总市值': [3000, 2500, 25000, 9000],
+            '主力资金净流入': [50000000, 80000000, 120000000, 95000000]
+        })
+        
+        print("\n原始测试数据:")
+        print(test_data)
+        
+        print("\n应用筛选条件:")
+        print("  - 区间涨跌幅 < 30%")
+        print("  - 市值 50-1300亿")
+        
+        filtered_data = main_force_selector.filter_stocks(
+            test_data,
+            max_range_change=30.0,
+            min_market_cap=50.0,
+            max_market_cap=1300.0
+        )
+        
+        print("\n筛选后数据:")
+        print(filtered_data)
+        
+        print("\n✅ 筛选功能正常！")
+        return True
+        
+    except Exception as e:
+        print(f"\n❌ 筛选测试失败: {e}")
+        import traceback
+        traceback.print_exc()
+        return False
+
+def test_ai_analysis():
+    """测试AI分析（需要API配置）"""
+    print("\n" + "="*60)
+    print("测试4: 测试AI分析功能")
+    print("="*60)
+    
+    try:
+        import os
+        from dotenv import load_dotenv
+        
+        load_dotenv()
+        
+        api_key = os.getenv('DEEPSEEK_API_KEY')
+        if not api_key:
+            print("\n⚠️  未配置DEEPSEEK_API_KEY，跳过AI分析测试")
+            print("   请在.env文件中配置API密钥后再测试AI功能")
+            return None
+        
+        print("\n✅ API密钥已配置")
+        print("   如需测试完整AI分析，请运行主程序")
+        return True
+        
+    except Exception as e:
+        print(f"\n⚠️  {e}")
+        return None
+
+def main():
+    """主测试函数"""
+    print("\n" + "="*80)
+    print(" "*20 + "主力选股功能测试")
+    print("="*80 + "\n")
+    
+    results = []
+    
+    # 测试1: 模块导入
+    result1 = test_imports()
+    results.append(("模块导入", result1))
+    
+    if not result1:
+        print("\n❌ 模块导入失败，请先安装依赖:")
+        print("   pip install pywencai pandas streamlit")
+        return
+    
+    # 测试2: 数据获取
+    result2 = test_data_fetch()
+    results.append(("数据获取", result2))
+    
+    # 测试3: 筛选功能
+    result3 = test_filter()
+    results.append(("数据筛选", result3))
+    
+    # 测试4: AI分析
+    result4 = test_ai_analysis()
+    if result4 is not None:
+        results.append(("AI分析", result4))
+    
+    # 总结
+    print("\n" + "="*80)
+    print(" "*30 + "测试总结")
+    print("="*80 + "\n")
+    
+    for test_name, result in results:
+        status = "✅ 通过" if result else "❌ 失败"
+        print(f"{test_name:<15} {status}")
+    
+    passed = sum(1 for _, r in results if r)
+    total = len(results)
+    
+    print(f"\n总计: {passed}/{total} 项测试通过")
+    
+    if passed == total:
+        print("\n🎉 恭喜！所有测试通过，主力选股功能可以正常使用！")
+        print("\n下一步:")
+        print("  1. 运行主程序: streamlit run app.py")
+        print("  2. 点击侧边栏的 '🎯 主力选股' 按钮")
+        print("  3. 设置参数并开始分析")
+    else:
+        print("\n⚠️  部分测试未通过，请根据上述错误信息进行排查")
+        print("\n常见问题:")
+        print("  1. 数据获取失败 → 检查网络和Node.js版本")
+        print("  2. 模块导入失败 → 检查依赖安装")
+        print("  3. API测试失败 → 检查.env配置")
+    
+    print("\n" + "="*80 + "\n")
+
+if __name__ == "__main__":
+    main()
+

主力选股使用指南.md

@@ -0,0 +1,313 @@
+# 主力选股功能 - 快速使用指南
+
+## ✨ 核心特点
+
+**整体批量分析，不是逐个分析！**
+
+传统方式：获取100只股票 → 逐个分析（慢，费时）  
+本系统：获取100只股票 → **整体分析** → 精选优质标的（快速高效）
+
+## 🔄 工作流程
+
+```
+1️⃣ 数据获取
+   └─ 使用pywencai获取主力资金净流入前100名
+   └─ 包含：资金、涨跌幅、行业、市值、财务等完整数据
+
+2️⃣ 智能筛选  
+   └─ 涨幅过滤（<30%，避免追高）
+   └─ 市值筛选（50-1300亿）
+   └─ ST股过滤
+
+3️⃣ 整体分析（核心创新！）
+   ├─ 💰 资金流向分析师
+   │   └─ 分析整体资金流向特征
+   │   └─ 识别板块资金集中度
+   │   └─ 发现资金流入但涨幅不高的机会
+   │
+   ├─ 📊 行业板块分析师  
+   │   └─ 识别当前热点板块
+   │   └─ 分析板块轮动态势
+   │   └─ 评估各行业发展前景
+   │
+   └─ 📈 财务基本面分析师
+       └─ 评估整体财务质量
+       └─ 筛选估值合理的标的
+       └─ 关注成长性突出的股票
+
+4️⃣ 综合决策
+   └─ 资深研究员AI综合三位分析师意见
+   └─ 从候选股票中精选3-5只最优标的
+   └─ 给出详细推荐理由和风险提示
+```
+
+## 🚀 快速开始
+
+### 步骤1：进入功能
+侧边栏点击 **🎯 主力选股**
+
+### 步骤2：设置参数
+- **时间区间**：最近3个月（默认）
+- **精选数量**：5只（默认）
+- **AI模型**：deepseek-chat（快速）
+
+### 步骤3：开始分析
+点击 **🚀 开始主力选股**
+
+### 预期时间
+- 数据获取：30-60秒
+- 整体分析：1-2分钟
+- 总耗时：约2-3分钟（比逐个分析快10倍！）
+
+## 📊 分析逻辑
+
+### 为什么是"整体分析"？
+
+**传统逐个分析的问题**：
+- ❌ 耗时长（100只股票 × 15秒 = 25分钟）
+- ❌ 成本高（大量API调用）
+- ❌ 缺乏全局视角
+
+**整体分析的优势**：
+- ✅ 快速高效（2-3分钟完成）
+- ✅ 成本低（3次AI调用）
+- ✅ 宏观视角（板块热点、资金流向）
+- ✅ 更符合实际选股逻辑
+
+### AI分析师如何工作？
+
+#### 💰 资金流向分析师
+```
+看什么：
+- 哪些板块资金流入最多？
+- 主力资金的整体行为特征
+- 资金流入但涨幅不高的潜力股
+
+输出：
+- 资金集中的热点板块
+- 值得关注的3-5只股票
+```
+
+#### 📊 行业板块分析师
+```
+看什么：
+- 当前市场热点板块
+- 板块轮动和趋势
+- 行业发展前景
+
+输出：
+- 热点行业识别
+- 板块机会评估
+- 推荐的优质板块标的
+```
+
+#### 📈 财务基本面分析师
+```
+看什么：
+- 整体财务质量分布
+- 估值水平合理性
+- 成长性突出的股票
+
+输出：
+- 基本面优秀的股票
+- 估值合理的标的
+- 财务风险提示
+```
+
+## 🎯 筛选标准
+
+### 数据层面
+- ✅ 主力资金净流入前100名
+- ✅ 区间涨跌幅 < 30%（避免追高）
+- ✅ 市值 50-1300亿（优质中盘）
+- ✅ 排除ST股
+
+### 分析层面
+- ✅ 资金面：主力看好，持续流入
+- ✅ 行业面：热点板块，前景明朗
+- ✅ 基本面：财务健康，成长性好
+- ✅ 综合性：三方面都不错的均衡标的
+
+## 📋 结果展示
+
+### 精选推荐（3-5只）
+每只股票包含：
+- **推荐理由**（3-5条，综合三位分析师观点）
+- **投资亮点**（突出优势）
+- **风险提示**（需要注意的风险）
+- **建议仓位**（如20-30%）
+- **投资周期**（短期/中期/长期）
+- **详细数据**（主力资金、涨跌幅、行业等）
+
+### 候选列表（筛选后所有股票）
+- 完整的数据表格
+- 可下载CSV格式
+- 方便进一步研究
+
+## 💡 使用建议
+
+### 最佳使用时机
+```
+周末（推荐）
+  └─ 为下周交易做准备
+  └─ 时间充裕，深入研究
+
+月初
+  └─ 调整持仓结构  
+  └─ 发现新的机会
+
+热点出现时
+  └─ 快速捕捉市场机会
+  └─ 参数设置：最近1个月
+```
+
+### 参数配置建议
+```
+保守型：
+  时间：6个月
+  涨幅：<20%
+  精选：3只
+
+平衡型（推荐）：
+  时间：3个月
+  涨幅：<30%
+  精选：5只
+
+激进型：
+  时间：1个月
+  涨幅：<40%
+  精选：8只
+```
+
+### 后续操作
+```
+1. 查看精选推荐
+   ↓
+2. 阅读AI分析报告
+   ↓
+3. 查看候选列表完整数据
+   ↓
+4. 选择2-3只深入研究
+   ↓
+5. 查看K线和技术指标
+   ↓
+6. 周一择机建仓
+   ↓
+7. 加入实时监测
+```
+
+## ⚠️ 注意事项
+
+### 环境要求
+```bash
+Node.js >= 16.0  # 重要！pywencai依赖
+pywencai >= 0.7.0
+DEEPSEEK_API_KEY  # 在.env中配置
+```
+
+### 数据时效
+- 数据有1-2天延迟
+- 适合中短期投资
+- 不适合日内交易
+
+### 市场环境
+- **牛市**：效果最佳，资金推动明显
+- **震荡**：关注短期机会
+- **熊市**：谨慎使用，关注防御性板块
+
+## 🆚 对比说明
+
+### 主力选股 vs 单个分析
+
+| 特性 | 主力选股 | 单个分析 |
+|-----|---------|---------|
+| 分析对象 | 100只股票整体 | 1只股票 |
+| 分析视角 | 宏观（板块、热点） | 微观（个股） |
+| 耗时 | 2-3分钟 | 10-15秒/只 |
+| 适用场景 | 选股、发现机会 | 研究特定股票 |
+| 输出 | 3-5只精选标的 | 1只详细分析 |
+
+### 何时使用？
+
+**使用主力选股**：
+- ✅ 不知道买什么股票
+- ✅ 想发现市场热点
+- ✅ 需要批量筛选
+- ✅ 寻找新的投资机会
+
+**使用单个分析**：
+- ✅ 已有明确目标股票
+- ✅ 需要深入研究
+- ✅ 验证投资想法
+- ✅ 查看详细技术面
+
+## ❓ 常见问题
+
+### Q: 为什么只精选3-5只？
+A: 精选的目的是找出最优标的，太多会降低质量。3-5只足够分散风险，又便于深入研究。
+
+### Q: 推荐结果每次一样吗？
+A: 不一样。数据每天更新，AI分析也会考虑最新市场环境。
+
+### Q: 如何判断推荐质量？
+A: 看推荐理由是否具体、有数据支撑、逻辑连贯。建议结合自己判断，不要盲目跟从。
+
+### Q: 可以每天用吗？
+A: 可以，但建议每周1-2次。数据有延迟，频繁使用意义不大。
+
+## 📈 实战示例
+
+### 场景：周末选股
+```
+1. 周日晚上运行主力选股
+   参数：最近3个月，精选5只
+
+2. 查看结果
+   - 精选推荐：5只
+   - AI分析：资金、行业、基本面
+
+3. 深入研究
+   - 选择前3只
+   - 查看K线图
+   - 了解公司业务
+
+4. 制定策略
+   - 周一开盘价
+   - 买入价位
+   - 止损止盈
+
+5. 周一执行
+   - 分批建仓
+   - 加入监测
+```
+
+## 🎓 学习建议
+
+1. **先了解逻辑**
+   - 理解整体分析的优势
+   - 明白三位分析师的作用
+
+2. **实践使用**
+   - 先用默认参数试试
+   - 查看完整结果
+
+3. **调整优化**
+   - 根据市场环境调整参数
+   - 找到适合自己的配置
+
+4. **结合其他功能**
+   - 单个分析：深入研究精选标的
+   - 实时监测：跟踪股价变化
+   - 批量分析：对比分析
+
+---
+
+**开始使用**：
+```bash
+streamlit run app.py
+→ 点击 🎯 主力选股
+→ 开始分析
+```
+
+**祝您投资顺利！** 🚀📈💰
+

主力选股功能说明.md

@@ -0,0 +1,435 @@
+# 主力选股功能说明
+
+## 功能概述
+
+**主力选股**是一个智能选股系统，通过分析主力资金流向，结合AI多智能体分析，自动筛选出近期拉升概率高、主力资金净流入较多、综合素质优秀的优质投资标的。
+
+## 核心特点
+
+### 1. 数据来源权威
+- 使用 `pywencai` 获取同花顺数据
+- 主力资金流向真实可靠
+- 包含完整的财务评分和行业信息
+
+### 2. 智能筛选机制
+- **主力资金排名**：优先选择主力资金净流入前100名
+- **涨幅过滤**：排除涨幅过高的股票，避免追高
+- **市值筛选**：聚焦50-1300亿市值区间的优质标的
+- **基本面保护**：自动过滤ST股、科创板（可配置）
+
+### 3. AI多维度分析
+整合三大分析师团队：
+- **💰 资金流向分析师**：分析主力资金行为和市场情绪
+- **📊 行业板块分析师**：评估行业前景和市场热点
+- **📈 财务基本面分析师**：考察盈利能力和财务健康度
+
+### 4. 资深研究员决策
+- AI研究员综合所有分析结果
+- 从候选股票中精选最优标的
+- 提供详细的推荐理由和风险提示
+
+## 工作流程
+
+```
+┌─────────────────────────────────────────────────────────┐
+│                    1. 数据获取                           │
+│   使用pywencai获取主力资金净流入前100名股票              │
+│   包含：资金流向、涨跌幅、市值、财务指标、行业等         │
+└──────────────────┬──────────────────────────────────────┘
+                   │
+┌──────────────────▼──────────────────────────────────────┐
+│                    2. 智能筛选                           │
+│   ✓ 区间涨跌幅 < 30%（避免追高）                        │
+│   ✓ 市值 50-1300亿（优质中盘股）                        │
+│   ✓ 排除ST股和科创板                                    │
+│   ✓ 按主力资金排序，取前20名                            │
+└──────────────────┬──────────────────────────────────────┘
+                   │
+┌──────────────────▼──────────────────────────────────────┐
+│                    3. AI深度分析                         │
+│   对每只候选股票进行三维度分析：                         │
+│   • 资金流向（主力行为、资金结构）                       │
+│   • 行业板块（行业地位、市场热度）                       │
+│   • 财务基本面（盈利能力、成长性）                       │
+└──────────────────┬──────────────────────────────────────┘
+                   │
+┌──────────────────▼──────────────────────────────────────┐
+│                    4. 综合决策                           │
+│   资深研究员AI综合评估：                                │
+│   • 对比所有候选股票                                    │
+│   • 精选3-5只最优标的                                   │
+│   • 提供推荐理由、投资亮点、风险提示                     │
+└─────────────────────────────────────────────────────────┘
+```
+
+## 使用方法
+
+### 步骤1：进入主力选股界面
+
+在系统侧边栏点击 **🎯 主力选股** 按钮
+
+### 步骤2：设置参数
+
+#### 基础参数
+1. **时间区间**：选择数据统计的时间范围
+   - 最近3个月（默认）
+   - 最近6个月
+   - 最近1年
+   - 自定义日期
+
+2. **初步筛选数量**：从符合条件的股票中选取前N名（默认20只）
+   - 范围：10-50只
+   - 建议：20-30只
+
+3. **最终精选数量**：最终推荐的股票数量（默认5只）
+   - 范围：3-10只
+   - 建议：3-5只
+
+#### 高级参数（可选）
+4. **最大涨跌幅**：过滤涨幅过高的股票（默认30%）
+   - 作用：避免追高
+   - 建议：20%-40%
+
+5. **市值范围**：
+   - 最小市值：默认50亿
+   - 最大市值：默认1300亿
+   - 作用：聚焦优质中盘股
+
+6. **AI模型**：选择分析使用的AI模型
+   - `deepseek-chat`：速度快，适合快速筛选
+   - `deepseek-reasoner`：推理能力强，分析更深入
+
+### 步骤3：开始分析
+
+点击 **🚀 开始主力选股** 按钮，系统将自动：
+1. 获取数据（约30-60秒）
+2. 智能筛选（约10秒）
+3. AI深度分析（约2-5分钟，取决于股票数量）
+4. 综合决策（约30秒）
+
+### 步骤4：查看结果
+
+#### 统计概览
+显示四个关键指标：
+- **获取股票数**：原始数据数量（通常100只）
+- **筛选后**：符合筛选条件的数量
+- **深度分析**：成功完成AI分析的数量
+- **最终推荐**：精选的优质标的数量
+
+#### 精选推荐
+对每只推荐股票，系统提供：
+
+1. **📌 推荐理由**（3-5条核心理由）
+   - 为什么推荐这只股票
+   - 关键优势是什么
+
+2. **💡 投资亮点**
+   - 突出的投资价值
+   - 主要看点
+
+3. **⚠️ 风险提示**
+   - 需要关注的风险
+   - 注意事项
+
+4. **📊 投资建议**
+   - 建议仓位：如20-30%
+   - 目标价位：预期目标价
+   - 投资周期：短期/中期/长期
+
+5. **🤖 AI分析师详细报告**
+   - 资金流向分析
+   - 行业板块分析
+   - 财务基本面分析
+
+#### 候选股票列表
+显示所有候选股票的详细数据：
+- 股票代码、名称
+- 所属行业
+- 市值
+- 主力资金净流入
+- 区间涨跌幅
+- 市盈率、市净率
+
+支持下载CSV格式数据
+
+## 筛选逻辑详解
+
+### 主力资金标准
+- **主力资金净流入排名**：选择资金流入最多的股票
+- **资金持续性**：优先考虑持续流入的股票
+- **资金占比**：主力资金占比高的更受关注
+
+### 涨幅控制
+```
+✅ 涨幅适中（<30%）：
+   - 还有上涨空间
+   - 风险相对可控
+   
+❌ 涨幅过高（>30%）：
+   - 可能面临回调压力
+   - 追高风险较大
+   - 自动过滤
+```
+
+### 市值要求
+```
+市值范围：50-1300亿
+
+原因：
+✓ <50亿：流动性差，风险高
+✓ 50-1300亿：优质中盘股，兼顾成长性和稳定性
+✓ >1300亿：大盘股，成长空间有限
+```
+
+### 基本面保护
+- 自动排除ST股票（特别处理）
+- 可配置排除科创板（波动较大）
+- 要求财务数据完整
+
+## AI分析维度
+
+### 1. 资金流向分析
+**分析内容**：
+- 主力资金流向趋势
+- 大单、中单、小单分布
+- 机构与散户资金博弈
+- 资金推动与股价配合度
+- 换手率与成交活跃度
+
+**评判标准**：
+- ✅ 主力持续流入 + 股价上涨 = 强势信号
+- ⚠️ 主力流出 + 股价上涨 = 警惕接盘
+- 💡 主力流入 + 股价下跌 = 可能低吸
+- ❌ 主力流出 + 股价下跌 = 弱势信号
+
+### 2. 行业板块分析
+**分析内容**：
+- 所属行业发展前景
+- 行业在市场中的地位
+- 板块轮动和市场热度
+- 政策支持和行业催化
+- 行业竞争格局
+
+**关注重点**：
+- 行业是否处于上升周期
+- 是否有政策利好支持
+- 市场关注度和热度
+- 行业龙头还是跟随者
+
+### 3. 财务基本面分析
+**分析内容**：
+- 盈利能力（净利润、ROE等）
+- 成长能力（营收增长、利润增长）
+- 营运能力（周转率等）
+- 偿债能力（资产负债率）
+- 现金流状况
+- 资产质量
+
+**评分体系**：
+系统获取8大评分：
+1. 盈利能力评分
+2. 成长能力评分
+3. 营运能力评分
+4. 偿债能力评分
+5. 现金流评分
+6. 资产质量评分
+7. 流动性评分
+8. 资本充足性评分
+
+## 使用建议
+
+### 适用场景
+1. **中短期波段交易**
+   - 捕捉主力资金推动的行情
+   - 关注3个月内的主力行为
+
+2. **行业轮动投资**
+   - 发现市场热点板块
+   - 把握资金流向切换
+
+3. **价值成长投资**
+   - 寻找被主力关注的潜力股
+   - 结合基本面和资金面
+
+### 使用频率
+- **建议**：每周执行1-2次
+- **最佳时机**：周末或交易日收盘后
+- **避免**：开盘前或盘中（数据可能不完整）
+
+### 注意事项
+
+#### 1. 数据时效性
+- 数据有一定延迟（通常1-2天）
+- 适合中短期布局，不适合日内交易
+- 建议结合实时行情确认
+
+#### 2. 市场环境
+- **牛市**：主力选股效果更佳，资金推动明显
+- **震荡市**：关注短期波段机会
+- **熊市**：谨慎使用，关注防御性板块
+
+#### 3. 仓位管理
+- 不要孤注一掷，建议分散投资
+- 单只股票仓位不超过30%
+- 保留一定现金仓位
+
+#### 4. 风险控制
+- 设置止损位（建议-8%到-10%）
+- 设置止盈位（建议+15%到+20%）
+- 不追高，不贪婪
+
+## 常见问题
+
+### Q1: 为什么获取数据失败？
+**可能原因**：
+1. 网络连接问题
+2. pywencai服务暂时不可用
+3. 查询语句触发限制
+
+**解决方法**：
+- 检查网络连接
+- 等待片刻后重试
+- 调整时间区间参数
+
+### Q2: 为什么筛选后股票很少？
+**可能原因**：
+1. 筛选条件过于严格
+2. 当前市场符合条件的股票较少
+
+**解决方法**：
+- 适当放宽涨跌幅限制（如改为40%）
+- 扩大市值范围
+- 调整时间区间
+
+### Q3: AI分析需要多长时间？
+**时间估算**：
+- 单只股票：约10-15秒
+- 20只股票：约3-5分钟
+- 50只股票：约8-10分钟
+
+**影响因素**：
+- 股票数量
+- AI模型选择
+- 网络速度
+
+### Q4: 推荐结果每次都一样吗？
+**答案**：不完全一样
+
+**原因**：
+1. 数据每天更新（主力资金、价格等）
+2. AI分析会考虑最新市场环境
+3. 不同时间段的数据可能不同
+
+### Q5: 如何判断推荐质量？
+**评判标准**：
+1. **理由充分性**：推荐理由是否具体、有说服力
+2. **数据支撑**：是否有真实数据支撑
+3. **风险提示**：是否明确指出风险
+4. **逻辑连贯性**：资金、行业、基本面是否相互印证
+
+**建议**：
+- 认真阅读AI分析报告
+- 对比多个候选股票
+- 结合自己的投资逻辑
+- 不盲目跟从，独立思考
+
+## 技术要求
+
+### 环境依赖
+```bash
+# 必须安装
+pywencai>=0.7.0
+pandas
+streamlit
+
+# Node.js要求
+Node.js >= 16.0（pywencai依赖）
+```
+
+### 安装方法
+```bash
+# 安装Python依赖
+pip install pywencai pandas streamlit
+
+# 检查Node.js版本
+node --version
+
+# 如果版本低于16.0，需要升级Node.js
+```
+
+## 最佳实践
+
+### 1. 每周选股流程
+```
+周日晚上 → 运行主力选股
+           ↓
+        查看推荐结果
+           ↓
+        深入研究前3名
+           ↓
+    周一开盘前制定策略
+           ↓
+        择机建仓
+```
+
+### 2. 结合技术分析
+推荐股票后，建议再进行：
+- K线形态分析
+- 支撑压力位判断
+- 均线系统确认
+- 成交量变化观察
+
+### 3. 分批建仓
+```
+发现优质标的后：
+第1批：20% → 试探性建仓
+第2批：30% → 确认后加仓
+第3批：30% → 突破后追加
+保留：20% → 备用资金
+```
+
+### 4. 持仓管理
+```
+持有期间关注：
+✓ 主力资金是否继续流入
+✓ 股价是否沿着上升趋势
+✓ 行业是否仍有催化
+✓ 基本面是否发生变化
+
+出现以下情况考虑减仓：
+✗ 主力资金持续流出
+✗ 技术面破位
+✗ 基本面恶化
+✗ 达到目标价位
+```
+
+## 更新日志
+
+### v1.0.0 (2025-10-09)
+- ✅ 初始版本发布
+- ✅ 支持主力资金数据获取
+- ✅ 实现智能筛选算法
+- ✅ 集成AI三大分析师
+- ✅ 资深研究员综合决策
+- ✅ Web界面集成
+
+## 技术支持
+
+如遇问题，请提供：
+1. 错误截图或错误信息
+2. 使用的参数配置
+3. 操作步骤描述
+
+## 免责声明
+
+**重要提示**：
+1. 本功能仅供学习和研究使用
+2. 不构成任何投资建议
+3. 股市有风险，投资需谨慎
+4. 请根据自身情况做出投资决策
+5. 盈亏自负，谨慎操作
+
+---
+
+**祝您投资顺利！** 🚀📈
+

主力选股快速开始.md

@@ -0,0 +1,316 @@
+# 主力选股功能 - 快速开始指南
+
+## ✅ 已完成的功能模块
+
+### 核心模块
+1. **main_force_selector.py** - 数据获取和筛选
+   - 使用pywencai获取主力资金数据
+   - 智能筛选算法
+   - 数据格式化
+
+2. **main_force_analysis.py** - AI分析整合
+   - 整合三大分析师团队
+   - 资深研究员综合决策
+   - 完整的分析流程
+
+3. **main_force_ui.py** - Web界面
+   - 参数配置界面
+   - 结果展示
+   - 数据导出
+
+4. **app.py** - 主应用集成
+   - 添加导航按钮
+   - 路由配置
+
+### 文档
+5. **主力选股功能说明.md** - 详细使用手册
+6. **test_main_force.py** - 功能测试脚本
+
+## 🚀 快速开始
+
+### 步骤1: 测试功能
+```bash
+# 运行测试脚本
+python test_main_force.py
+```
+
+测试内容：
+- ✅ 模块导入检查
+- ✅ 数据获取功能
+- ✅ 筛选功能
+- ✅ API配置检查
+
+### 步骤2: 启动系统
+```bash
+streamlit run app.py
+```
+
+### 步骤3: 使用主力选股
+1. 在侧边栏点击 **🎯 主力选股**
+2. 设置参数（时间区间、筛选数量等）
+3. 点击 **🚀 开始主力选股**
+4. 等待3-5分钟完成分析
+5. 查看精选推荐结果
+
+## 📊 功能特点
+
+### 智能筛选
+```
+原始数据（100只）
+    ↓ 涨幅过滤（<30%）
+    ↓ 市值筛选（50-1300亿）
+    ↓ ST股过滤
+筛选结果（20-50只）
+    ↓ 主力资金排序
+候选股票（前20名）
+```
+
+### AI三维分析
+```
+💰 资金流向分析师
+   ├─ 主力资金行为
+   ├─ 资金流向趋势
+   └─ 市场情绪判断
+
+📊 行业板块分析师
+   ├─ 行业发展前景
+   ├─ 市场热点判断
+   └─ 板块轮动分析
+
+📈 财务基本面分析师
+   ├─ 盈利能力评估
+   ├─ 成长性分析
+   └─ 财务健康度
+```
+
+### 综合决策
+```
+资深研究员AI
+   ├─ 综合评估所有候选
+   ├─ 精选3-5只最优标的
+   ├─ 提供推荐理由
+   ├─ 投资建议和风险提示
+   └─ 目标价位和持仓建议
+```
+
+## 📋 参数说明
+
+### 基础参数
+| 参数 | 默认值 | 范围 | 说明 |
+|-----|--------|------|------|
+| 时间区间 | 最近3个月 | 自定义 | 主力资金统计周期 |
+| 初步筛选 | 20只 | 10-50 | 候选股票数量 |
+| 最终精选 | 5只 | 3-10 | 推荐标的数量 |
+
+### 高级参数
+| 参数 | 默认值 | 范围 | 说明 |
+|-----|--------|------|------|
+| 最大涨幅 | 30% | 10-100% | 过滤涨幅过高的股票 |
+| 最小市值 | 50亿 | 10-500亿 | 市值下限 |
+| 最大市值 | 1300亿 | 100-5000亿 | 市值上限 |
+| AI模型 | deepseek-chat | - | 分析使用的模型 |
+
+## 🎯 使用场景
+
+### 1. 周末选股
+**时机**: 每周日晚上
+**参数**: 最近3个月，精选5只
+**用途**: 为下周交易做准备
+
+### 2. 月度调仓
+**时机**: 每月初
+**参数**: 最近6个月，精选8-10只
+**用途**: 调整持仓结构
+
+### 3. 热点捕捉
+**时机**: 市场出现明显热点时
+**参数**: 最近1个月，精选3只
+**用途**: 抓住短期机会
+
+## ⚠️ 注意事项
+
+### 环境要求
+```bash
+# 必须安装
+Python >= 3.8
+Node.js >= 16.0（重要！pywencai依赖）
+
+# Python包
+pywencai >= 0.7.0
+pandas
+streamlit
+deepseek
+```
+
+### 检查Node.js版本
+```bash
+node --version
+
+# 如果低于16.0，需要升级
+# Windows: 从nodejs.org下载最新版本
+# Mac: brew install node
+# Linux: nvm install 18
+```
+
+### API配置
+确保.env文件中配置了：
+```env
+DEEPSEEK_API_KEY=your_api_key_here
+EMAIL_ENABLED=true  # 如需邮件通知
+```
+
+## 🔍 常见问题
+
+### Q: 数据获取失败？
+**检查**:
+- [ ] 网络连接正常
+- [ ] Node.js版本 >= 16.0
+- [ ] pywencai已正确安装
+
+**解决**:
+```bash
+# 重新安装pywencai
+pip uninstall pywencai
+pip install pywencai --upgrade
+
+# 检查Node.js
+node --version
+```
+
+### Q: 分析时间太长？
+**原因**: 候选股票太多
+
+**优化**:
+- 减少初步筛选数量（改为15只）
+- 使用deepseek-chat模型（更快）
+- 调整筛选条件减少候选数量
+
+### Q: 推荐结果不理想？
+**建议**:
+- 调整时间区间（试试最近6个月）
+- 放宽涨幅限制（改为40%）
+- 多次运行对比结果
+- 结合自己的投资逻辑
+
+## 📈 最佳实践
+
+### 1. 参数配置建议
+```yaml
+保守型:
+  时间区间: 6个月
+  最大涨幅: 20%
+  市值范围: 100-1300亿
+  精选数量: 3只
+
+平衡型:
+  时间区间: 3个月
+  最大涨幅: 30%
+  市值范围: 50-1300亿
+  精选数量: 5只
+
+激进型:
+  时间区间: 1个月
+  最大涨幅: 40%
+  市值范围: 50-800亿
+  精选数量: 8只
+```
+
+### 2. 使用流程
+```
+1. 周末运行主力选股
+   ↓
+2. 查看推荐结果和AI分析
+   ↓
+3. 深入研究前3名标的
+   ↓
+4. 查看实时K线和技术指标
+   ↓
+5. 周一开盘后择机建仓
+   ↓
+6. 加入实时监测，设置止盈止损
+```
+
+### 3. 风险控制
+```
+✅ 分散投资: 不超过3-5只股票
+✅ 仓位控制: 单只不超过30%
+✅ 止损设置: -8%到-10%
+✅ 止盈目标: +15%到+20%
+✅ 动态调整: 根据走势调整策略
+```
+
+## 📊 输出结果
+
+### 统计数据
+- 获取股票总数
+- 筛选后数量
+- 深度分析数量
+- 最终推荐数量
+
+### 推荐详情
+每只股票包含：
+- ✅ 推荐理由（3-5条）
+- ✅ 投资亮点
+- ✅ 风险提示
+- ✅ 建议仓位
+- ✅ 目标价位
+- ✅ 投资周期
+- ✅ AI详细分析报告
+
+### 数据导出
+- CSV格式候选列表
+- 包含所有关键指标
+- 可用于进一步分析
+
+## 🎓 学习资源
+
+### 相关文档
+- 主力选股功能说明.md - 完整使用手册
+- 资金流向功能说明.md - 资金分析原理
+- 实时监测优化说明.md - 监测功能
+- README.md - 系统总体说明
+
+### 代码学习
+- main_force_selector.py - 数据处理逻辑
+- main_force_analysis.py - AI分析流程
+- main_force_ui.py - 界面实现
+
+## 🆘 获取帮助
+
+### 运行测试
+```bash
+python test_main_force.py
+```
+
+### 查看日志
+运行时终端会显示详细日志：
+- 数据获取过程
+- 筛选统计
+- AI分析进度
+- 错误信息
+
+### 问题反馈
+提供以下信息：
+1. 错误截图
+2. 终端日志
+3. 使用的参数
+4. 系统环境（Python版本、Node.js版本）
+
+## ✨ 开始使用
+
+```bash
+# 1. 测试功能
+python test_main_force.py
+
+# 2. 启动系统
+streamlit run app.py
+
+# 3. 点击 🎯 主力选股
+
+# 4. 开始分析
+```
+
+---
+
+**祝您选股顺利，投资成功！** 🚀📈💰
+