hahaju/aiagents-stock
1
0
Fork 0
Code Issues Pull Requests Actions 1 Packages Projects Releases Wiki Activity

增加智策板块

Browse Source
This commit is contained in:
oficcejo
2025-10-12 15:24:32 +08:00
parent 8db746f7c7
commit a7cf8c4343
10 changed files with 3007 additions and 1 deletions
Download Patch File Download Diff File Expand all files Collapse all files
Dockerfile
+1 -1
View File
@@ -1,5 +1,5 @@
# 使用官方Python镜像作为基础镜像
FROM python:3.12-slim
FROM swr.cn-north-4.myhuaweicloud.com/ddn-k8s/docker.io/python:3.12-slim
# 设置工作目录
WORKDIR /app
app.py
+22
View File
@@ -17,6 +17,7 @@ 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
from sector_strategy_ui import display_sector_strategy
# 页面配置
st.set_page_config(
@@ -308,6 +309,19 @@ def main():
del st.session_state.show_monitor
if 'show_config' in st.session_state:
del st.session_state.show_config
if 'show_sector_strategy' in st.session_state:
del st.session_state.show_sector_strategy
if st.button("🎯 智策板块", use_container_width=True, key="nav_sector_strategy"):
st.session_state.show_sector_strategy = 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 'show_main_force' in st.session_state:
del st.session_state.show_main_force
if st.button("🏠 返回首页", use_container_width=True, key="nav_home"):
if 'show_history' in st.session_state:
@@ -318,6 +332,8 @@ def main():
del st.session_state.show_config
if 'show_main_force' in st.session_state:
del st.session_state.show_main_force
if 'show_sector_strategy' in st.session_state:
del st.session_state.show_sector_strategy
if st.button("⚙️ 环境配置", use_container_width=True, key="nav_config"):
st.session_state.show_config = True
@@ -389,6 +405,7 @@ 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
- **智策板块**：AI板块策略分析
- **实时监测**：价格监控与提醒
- **历史记录**：查看分析历史
@@ -414,6 +431,11 @@ def main():
display_main_force_selector()
return
# 检查是否显示智策板块
if 'show_sector_strategy' in st.session_state and st.session_state.show_sector_strategy:
display_sector_strategy()
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()
sector_strategy_agents.py
+547
View File
@@ -0,0 +1,547 @@
"""
智策AI智能体分析集群
包含四个专业分析师智能体
"""
from deepseek_client import DeepSeekClient
from typing import Dict, Any
import time
class SectorStrategyAgents:
"""板块策略AI智能体集合"""
def __init__(self, model="deepseek-chat"):
self.model = model
self.deepseek_client = DeepSeekClient(model=model)
print(f"[智策] AI智能体系统初始化 (模型: {model})")
def macro_strategist_agent(self, market_data: Dict, news_data: list) -> Dict[str, Any]:
"""
宏观策略师 - 分析宏观经济和新闻对板块的影响
职责：
- 分析国际国内新闻和宏观经济数据
- 判断对整体市场和不同板块的潜在影响
- 识别政策导向和宏观趋势
"""
print("🌐 宏观策略师正在分析...")
time.sleep(1)
# 构建新闻摘要
news_summary = ""
if news_data:
news_summary = "\n【重要财经新闻】\n"
for idx, news in enumerate(news_data[:30], 1):
news_summary += f"{idx}. [{news.get('publish_time', '')}] {news.get('title', '')}\n"
if news.get('content'):
news_summary += f" 摘要: {news['content'][:200]}...\n"
# 构建市场概况
market_summary = ""
if market_data:
market_summary = f"""
【市场概况】
大盘指数:
"""
if market_data.get("sh_index"):
sh = market_data["sh_index"]
market_summary += f" 上证指数: {sh['close']} ({sh['change_pct']:+.2f}%)\n"
if market_data.get("sz_index"):
sz = market_data["sz_index"]
market_summary += f" 深证成指: {sz['close']} ({sz['change_pct']:+.2f}%)\n"
if market_data.get("cyb_index"):
cyb = market_data["cyb_index"]
market_summary += f" 创业板指: {cyb['close']} ({cyb['change_pct']:+.2f}%)\n"
if market_data.get("total_stocks"):
market_summary += f"""
市场涨跌统计:
上涨: {market_data['up_count']} ({market_data['up_ratio']:.1f}%)
下跌: {market_data['down_count']}
涨停: {market_data['limit_up']} | 跌停: {market_data['limit_down']}
"""
prompt = f"""
你是一名资深的宏观策略分析师，拥有10年以上的市场研究经验，擅长从宏观经济和政策新闻中洞察市场趋势。
{market_summary}
{news_summary}
请基于以上信息，从宏观角度进行深度分析：
1. **宏观环境评估**
- 当前宏观经济形势判断（经济周期位置）
- 政策环境分析（货币政策、财政政策倾向）
- 国际环境影响（地缘政治、全球经济）
- 市场整体风险偏好评估
2. **新闻事件影响分析**
- 识别对市场影响最大的3-5条重要新闻
- 分析新闻的性质（利好/利空/中性）和影响范围
- 判断新闻对不同板块的差异化影响
- 识别政策导向和行业扶持重点
3. **行业板块影响预判**
- 分析哪些板块受宏观环境影响最积极（看多）
- 分析哪些板块面临宏观压力（看空）
- 识别政策支持的重点行业
- 预判资金可能流向的板块
4. **市场情绪和节奏**
- 当前市场情绪状态（恐慌/谨慎/乐观/亢奋）
- 大盘趋势判断（上涨/震荡/下跌）
- 市场参与热情（活跃度、成交量）
- 风险偏好变化趋势
5. **投资策略建议**
- 当前宏观环境下的配置思路
- 建议重点关注的板块（3-5个）
- 建议规避的板块（2-3个）
- 仓位管理建议
请给出专业、深入的宏观策略分析报告。
"""
messages = [
{"role": "system", "content": "你是一名资深的宏观策略分析师，擅长从宏观经济、政策和新闻事件中把握市场脉搏。"},
{"role": "user", "content": prompt}
]
analysis = self.deepseek_client.call_api(messages, max_tokens=4000)
print(" ✓ 宏观策略师分析完成")
return {
"agent_name": "宏观策略师",
"agent_role": "分析宏观经济、政策导向、新闻事件对市场和板块的影响",
"analysis": analysis,
"focus_areas": ["宏观经济", "政策解读", "新闻事件", "市场情绪", "行业轮动"],
"timestamp": time.strftime("%Y-%m-%d %H:%M:%S")
}
def sector_diagnostician_agent(self, sectors_data: Dict, concepts_data: Dict, market_data: Dict) -> Dict[str, Any]:
"""
板块诊断师 - 分析板块的走势、估值和基本面
职责：
- 深入分析特定板块的历史走势
- 评估板块的估值水平
- 分析板块的成长性和基本面因素
"""
print("📊 板块诊断师正在分析...")
time.sleep(1)
# 构建行业板块数据
sector_summary = ""
if sectors_data:
sorted_sectors = sorted(sectors_data.items(), key=lambda x: x[1]["change_pct"], reverse=True)
sector_summary = f"""
【行业板块表现】(共 {len(sectors_data)} 个板块)
涨幅榜 TOP15:
"""
for idx, (name, info) in enumerate(sorted_sectors[:15], 1):
sector_summary += f"{idx}. {name}: {info['change_pct']:+.2f}% | 换手率: {info['turnover']:.2f}% | 领涨股: {info['top_stock']} ({info['top_stock_change']:+.2f}%) | 涨跌家数: {info['up_count']}/{info['down_count']}\n"
sector_summary += f"""
跌幅榜 TOP10:
"""
for idx, (name, info) in enumerate(sorted_sectors[-10:], 1):
sector_summary += f"{idx}. {name}: {info['change_pct']:+.2f}% | 换手率: {info['turnover']:.2f}% | 领跌股: {info['top_stock']} ({info['top_stock_change']:+.2f}%) | 涨跌家数: {info['up_count']}/{info['down_count']}\n"
# 构建概念板块数据
concept_summary = ""
if concepts_data:
sorted_concepts = sorted(concepts_data.items(), key=lambda x: x[1]["change_pct"], reverse=True)
concept_summary = f"""
【概念板块表现】(共 {len(concepts_data)} 个板块)
热门概念 TOP15:
"""
for idx, (name, info) in enumerate(sorted_concepts[:15], 1):
concept_summary += f"{idx}. {name}: {info['change_pct']:+.2f}% | 换手率: {info['turnover']:.2f}% | 领涨股: {info['top_stock']} ({info['top_stock_change']:+.2f}%)\n"
prompt = f"""
你是一名资深的板块分析师，具有CFA资格和深厚的行业研究背景，擅长板块诊断和趋势判断。
【市场环境】
{self._format_market_overview(market_data)}
{sector_summary}
{concept_summary}
请基于以上数据，进行专业的板块诊断分析：
1. **板块强弱分析**
- 识别当前最强势的5个板块（涨幅、换手率、领涨股表现综合考虑）
- 识别当前最弱势的3个板块
- 分析板块强弱的内在逻辑（基本面、资金面、情绪面）
- 判断强势板块的持续性
2. **板块估值与位置**
- 评估热门板块的估值合理性
- 判断板块所处的位置（启动期/加速期/高位/调整期）
- 识别估值洼地（低估且有潜力的板块）
- 提示估值泡沫风险
3. **板块轮动特征**
- 分析当前的板块轮动特征
- 识别资金轮动的方向和节奏
- 判断是否存在明显的板块切换信号
- 预判下一个可能轮动的板块
4. **成长性与基本面**
- 分析强势板块的成长驱动因素
- 评估板块的中长期发展前景
- 识别具有持续成长潜力的板块
- 提示基本面恶化的风险板块
5. **技术形态分析**
- 分析板块的技术走势特征
- 识别突破、整理、调整等形态
- 判断技术面的支撑和阻力
- 提供技术性买卖点参考
6. **投资建议**
- 推荐3-5个值得关注的板块（多头方向）
- 提示2-3个需要规避的板块（空头方向）
- 给出每个板块的投资逻辑和风险提示
- 建议配置比例和持有周期
请给出专业、详细的板块诊断报告。
"""
messages = [
{"role": "system", "content": "你是一名资深的板块分析师，擅长板块趋势判断和投资价值评估。"},
{"role": "user", "content": prompt}
]
analysis = self.deepseek_client.call_api(messages, max_tokens=4000)
print(" ✓ 板块诊断师分析完成")
return {
"agent_name": "板块诊断师",
"agent_role": "深入分析板块走势、估值水平、基本面因素和成长性",
"analysis": analysis,
"focus_areas": ["板块走势", "估值分析", "基本面", "技术形态", "板块轮动"],
"timestamp": time.strftime("%Y-%m-%d %H:%M:%S")
}
def fund_flow_analyst_agent(self, fund_flow_data: Dict, north_flow_data: Dict, sectors_data: Dict) -> Dict[str, Any]:
"""
资金流向分析师 - 分析板块资金流向和主力行为
职责：
- 实时跟踪主力资金在板块间的流动
- 分析北向资金的板块偏好
- 判断资金进攻或撤离的方向
"""
print("💰 资金流向分析师正在分析...")
time.sleep(1)
# 构建资金流向数据
fund_flow_summary = ""
if fund_flow_data and fund_flow_data.get("today"):
flow_list = fund_flow_data["today"]
# 净流入前15
sorted_inflow = sorted(flow_list, key=lambda x: x["main_net_inflow"], reverse=True)
fund_flow_summary = f"""
【板块资金流向】(更新时间: {fund_flow_data.get('update_time', 'N/A')})
主力资金净流入 TOP15:
"""
for idx, item in enumerate(sorted_inflow[:15], 1):
fund_flow_summary += f"{idx}. {item['sector']}: {item['main_net_inflow']:.2f}万 ({item['main_net_inflow_pct']:+.2f}%) | 涨跌: {item['change_pct']:+.2f}% | 超大单: {item['super_large_net_inflow']:.2f}万\n"
# 净流出前10
sorted_outflow = sorted(flow_list, key=lambda x: x["main_net_inflow"])
fund_flow_summary += f"""
主力资金净流出 TOP10:
"""
for idx, item in enumerate(sorted_outflow[:10], 1):
fund_flow_summary += f"{idx}. {item['sector']}: {item['main_net_inflow']:.2f}万 ({item['main_net_inflow_pct']:+.2f}%) | 涨跌: {item['change_pct']:+.2f}%\n"
# 构建北向资金数据
north_summary = ""
if north_flow_data:
north_summary = f"""
【北向资金】
日期: {north_flow_data.get('date', 'N/A')}
今日北向资金净流入: {north_flow_data.get('north_net_inflow', 0):.2f} 万元
沪股通净流入: {north_flow_data.get('hgt_net_inflow', 0):.2f} 万元
深股通净流入: {north_flow_data.get('sgt_net_inflow', 0):.2f} 万元
"""
if north_flow_data.get('history'):
north_summary += "\n近10日北向资金流向:\n"
for item in north_flow_data['history'][:10]:
north_summary += f" {item['date']}: {item['net_inflow']:.2f}万\n"
prompt = f"""
你是一名资深的资金流向分析师，拥有15年的市场资金研究经验，擅长从资金流向中洞察主力意图和市场趋势。
{fund_flow_summary}
{north_summary}
请基于以上资金流向数据，进行深入的板块资金分析：
1. **主力资金流向分析** ⭐ 核心
- 识别主力资金重点流入的板块（TOP5）
- 分析主力资金大幅流出的板块（TOP3）
- 判断资金流向的集中度（集中/分散）
- 评估资金流向的持续性和强度
2. **资金类型分析**
- 超大单资金的流向特征（机构大资金）
- 大单资金的流向特征（主力资金）
- 中小单资金的流向（散户资金）
- 主力与散户的博弈特征
3. **量价配合分析**
- 分析资金流入与板块涨幅的匹配度
- 识别"资金流入+板块上涨"的强势板块
- 识别"资金流入+板块下跌"的低吸信号
- 识别"资金流出+板块上涨"的出货警示
- 识别"资金流出+板块下跌"的弱势板块
4. **北向资金偏好**
- 分析北向资金的流向趋势
- 判断外资对A股的态度（积极/观望/撤离）
- 识别北向资金偏好的板块
- 评估北向资金的指示意义
5. **板块资金轮动**
- 识别资金从哪些板块流出
- 识别资金流向哪些板块
- 分析板块资金轮动的节奏和方向
- 预判下一个资金可能流入的板块
6. **主力操作意图研判**
- 判断主力是否在积极建仓某些板块
- 识别主力可能在出货的板块
- 分析主力的操作风格（激进/稳健）
- 评估主力对后市的态度
7. **投资策略建议**
- 基于资金流向，推荐3-5个强势板块
- 提示2-3个资金流出的风险板块
- 给出板块配置的优先级
- 提供跟随主力的操作建议
8. **风险提示**
- 识别资金面的潜在风险
- 提示可能的资金陷阱
- 评估市场流动性状况
请给出专业、深度的资金流向分析报告。
"""
messages = [
{"role": "system", "content": "你是一名资深的资金流向分析师，擅长从资金数据中洞察主力意图和市场趋势。"},
{"role": "user", "content": prompt}
]
analysis = self.deepseek_client.call_api(messages, max_tokens=4000)
print(" ✓ 资金流向分析师分析完成")
return {
"agent_name": "资金流向分析师",
"agent_role": "跟踪板块资金流向，分析主力行为和资金轮动",
"analysis": analysis,
"focus_areas": ["资金流向", "主力行为", "北向资金", "板块轮动", "量价配合"],
"timestamp": time.strftime("%Y-%m-%d %H:%M:%S")
}
def market_sentiment_decoder_agent(self, market_data: Dict, sectors_data: Dict, concepts_data: Dict) -> Dict[str, Any]:
"""
市场情绪解码员 - 从多维度解读市场情绪
职责：
- 量化市场情绪指标
- 识别过度乐观或恐慌信号
- 评估板块热度和市场关注度
"""
print("📈 市场情绪解码员正在分析...")
time.sleep(1)
# 构建市场情绪指标
sentiment_summary = ""
if market_data:
sentiment_summary = f"""
【市场情绪指标】
涨跌统计:
总股票数: {market_data.get('total_stocks', 0)}
上涨股票: {market_data.get('up_count', 0)} ({market_data.get('up_ratio', 0):.1f}%)
下跌股票: {market_data.get('down_count', 0)}
涨停数: {market_data.get('limit_up', 0)}
跌停数: {market_data.get('limit_down', 0)}
大盘表现:
"""
if market_data.get("sh_index"):
sh = market_data["sh_index"]
sentiment_summary += f" 上证指数: {sh['close']} ({sh['change_pct']:+.2f}%)\n"
if market_data.get("sz_index"):
sz = market_data["sz_index"]
sentiment_summary += f" 深证成指: {sz['close']} ({sz['change_pct']:+.2f}%)\n"
if market_data.get("cyb_index"):
cyb = market_data["cyb_index"]
sentiment_summary += f" 创业板指: {cyb['close']} ({cyb['change_pct']:+.2f}%)\n"
# 板块热度分析
hot_sectors = ""
if sectors_data:
sorted_sectors = sorted(sectors_data.items(), key=lambda x: abs(x[1]["change_pct"]), reverse=True)
hot_sectors = f"""
【板块热度排行】(按涨跌幅绝对值排序)
最活跃板块 TOP10:
"""
for idx, (name, info) in enumerate(sorted_sectors[:10], 1):
hot_sectors += f"{idx}. {name}: {info['change_pct']:+.2f}% | 换手率: {info['turnover']:.2f}% | 涨跌家数: {info['up_count']}/{info['down_count']}\n"
# 概念热度
hot_concepts = ""
if concepts_data:
sorted_concepts = sorted(concepts_data.items(), key=lambda x: abs(x[1]["change_pct"]), reverse=True)
hot_concepts = f"""
【概念热度排行】
最热概念 TOP10:
"""
for idx, (name, info) in enumerate(sorted_concepts[:10], 1):
hot_concepts += f"{idx}. {name}: {info['change_pct']:+.2f}% | 换手率: {info['turnover']:.2f}%\n"
prompt = f"""
你是一名资深的市场情绪分析师，拥有心理学和金融学双重背景，擅长从市场数据中解读投资者情绪和市场心理。
{sentiment_summary}
{hot_sectors}
{hot_concepts}
请基于以上数据，进行深入的市场情绪分析：
1. **整体市场情绪评估**
- 量化当前市场情绪（0-100分，0=极度恐慌，50=中性，100=极度亢奋）
- 判断市场情绪状态（恐慌/谨慎/中性/乐观/亢奋）
- 分析情绪的强度和持续性
- 对比历史情绪水平
2. **赚钱效应分析**
- 评估市场的赚钱效应（强/中/弱）
- 分析上涨股票占比和涨停数量
- 判断是否存在明显的板块效应
- 评估散户参与热情
3. **市场热点分析**
- 识别当前最热门的3-5个板块/概念
- 分析热点的形成原因和逻辑
- 评估热点的持续性和扩散性
- 判断是否存在炒作泡沫
4. **恐慌贪婪指数**
- 综合判断市场的贪婪或恐慌程度
- 分析涨跌停数量反映的情绪极端
- 识别情绪拐点信号
- 提示过度贪婪或过度恐慌的风险
5. **板块情绪分化**
- 分析不同板块的情绪差异
- 识别高情绪板块和低情绪板块
- 判断情绪分化是否合理
- 预判情绪可能扩散的方向
6. **换手率与活跃度**
- 分析整体市场和板块的换手率
- 评估市场活跃度（活跃/一般/低迷）
- 判断资金参与意愿
- 识别异常活跃的板块
7. **情绪对市场的影响**
- 分析当前情绪对大盘的支撑或压制
- 判断情绪反转的可能性和时机
- 评估情绪驱动的交易机会
- 提示情绪面的风险
8. **投资策略建议**
- 基于市场情绪给出操作建议
- 推荐情绪支持的板块（2-3个）
- 提示情绪透支的风险板块（1-2个）
- 给出仓位管理建议
请给出专业、客观的市场情绪分析报告，避免主观臆测。
"""
messages = [
{"role": "system", "content": "你是一名资深的市场情绪分析师，擅长从市场数据中解读投资者情绪和市场心理。"},
{"role": "user", "content": prompt}
]
analysis = self.deepseek_client.call_api(messages, max_tokens=4000)
print(" ✓ 市场情绪解码员分析完成")
return {
"agent_name": "市场情绪解码员",
"agent_role": "量化市场情绪，识别恐慌贪婪信号，评估板块热度",
"analysis": analysis,
"focus_areas": ["市场情绪", "赚钱效应", "热点识别", "恐慌贪婪", "活跃度"],
"timestamp": time.strftime("%Y-%m-%d %H:%M:%S")
}
def _format_market_overview(self, market_data):
"""格式化市场概况"""
if not market_data:
return "暂无市场数据"
text = ""
if market_data.get("sh_index"):
sh = market_data["sh_index"]
text += f"上证指数: {sh['close']} ({sh['change_pct']:+.2f}%)\n"
if market_data.get("sz_index"):
sz = market_data["sz_index"]
text += f"深证成指: {sz['close']} ({sz['change_pct']:+.2f}%)\n"
if market_data.get("total_stocks"):
text += f"涨跌统计: 上涨{market_data['up_count']}只({market_data['up_ratio']:.1f}%)，下跌{market_data['down_count']}只\n"
return text
# 测试函数
if __name__ == "__main__":
print("=" * 60)
print("测试智策AI智能体系统")
print("=" * 60)
# 创建模拟数据
test_market_data = {
"sh_index": {"close": 3200, "change_pct": 0.5},
"sz_index": {"close": 10500, "change_pct": 0.8},
"total_stocks": 5000,
"up_count": 3000,
"up_ratio": 60.0,
"down_count": 2000
}
test_news = [
{"title": "央行宣布降准0.5个百分点", "content": "为支持实体经济发展...", "publish_time": "2024-01-15 10:00"}
]
agents = SectorStrategyAgents()
# 测试宏观策略师
print("\n测试宏观策略师...")
result = agents.macro_strategist_agent(test_market_data, test_news)
print(f"分析师: {result['agent_name']}")
print(f"分析内容长度: {len(result['analysis'])} 字符")
sector_strategy_data.py
+462
View File
@@ -0,0 +1,462 @@
"""
智策板块数据采集模块
使用AKShare获取板块相关数据
"""
import akshare as ak
import pandas as pd
from datetime import datetime, timedelta
import warnings
import time
warnings.filterwarnings('ignore')
class SectorStrategyDataFetcher:
"""板块策略数据获取类"""
def __init__(self):
print("[智策] 板块数据获取器初始化...")
self.max_retries = 3 # 最大重试次数
self.retry_delay = 2 # 重试延迟（秒）
self.request_delay = 1 # 请求间隔（秒）
def _safe_request(self, func, *args, **kwargs):
"""安全的请求函数，包含重试机制"""
for attempt in range(self.max_retries):
try:
result = func(*args, **kwargs)
# 添加请求延迟，避免请求过快
time.sleep(self.request_delay)
return result
except Exception as e:
if attempt < self.max_retries - 1:
print(f" 请求失败，{self.retry_delay}秒后重试... (尝试 {attempt + 1}/{self.max_retries})")
time.sleep(self.retry_delay)
else:
print(f" 请求失败，已达最大重试次数: {e}")
raise e
def get_all_sector_data(self):
"""
获取所有板块的综合数据
Returns:
dict: 包含多个维度的板块数据
"""
print("[智策] 开始获取板块综合数据...")
data = {
"success": False,
"timestamp": datetime.now().strftime('%Y-%m-%d %H:%M:%S'),
"sectors": {},
"sector_fund_flow": {},
"market_overview": {},
"north_flow": {},
"news": []
}
try:
# 1. 获取行业板块数据
print(" [1/6] 获取行业板块行情...")
sectors_data = self._get_sector_performance()
if sectors_data:
data["sectors"] = sectors_data
print(f" ✓ 成功获取 {len(sectors_data)} 个行业板块数据")
# 2. 获取概念板块数据
print(" [2/6] 获取概念板块行情...")
concept_data = self._get_concept_performance()
if concept_data:
data["concepts"] = concept_data
print(f" ✓ 成功获取 {len(concept_data)} 个概念板块数据")
# 3. 获取板块资金流向
print(" [3/6] 获取行业资金流向...")
fund_flow_data = self._get_sector_fund_flow()
if fund_flow_data:
data["sector_fund_flow"] = fund_flow_data
print(f" ✓ 成功获取资金流向数据")
# 4. 获取市场总体情况
print(" [4/6] 获取市场总体情况...")
market_data = self._get_market_overview()
if market_data:
data["market_overview"] = market_data
print(f" ✓ 成功获取市场概况")
# 5. 获取北向资金流向
print(" [5/6] 获取北向资金流向...")
north_flow = self._get_north_money_flow()
if north_flow:
data["north_flow"] = north_flow
print(f" ✓ 成功获取北向资金数据")
# 6. 获取财经新闻
print(" [6/6] 获取财经新闻...")
news_data = self._get_financial_news()
if news_data:
data["news"] = news_data
print(f" ✓ 成功获取 {len(news_data)} 条新闻")
data["success"] = True
print("[智策] ✓ 板块数据获取完成！")
except Exception as e:
print(f"[智策] ✗ 数据获取出错: {e}")
data["error"] = str(e)
return data
def _get_sector_performance(self):
"""获取行业板块表现"""
try:
# 获取行业板块实时行情（使用重试机制）
df = self._safe_request(ak.stock_board_industry_name_em)
if df is None or df.empty:
return {}
# 转换为字典格式
sectors = {}
for idx, row in df.iterrows():
sector_name = row.get('板块名称', '')
if sector_name:
sectors[sector_name] = {
"name": sector_name,
"change_pct": row.get('涨跌幅', 0),
"turnover": row.get('换手率', 0),
"total_market_cap": row.get('总市值', 0),
"top_stock": row.get('领涨股票', ''),
"top_stock_change": row.get('领涨股票涨跌幅', 0),
"up_count": row.get('上涨家数', 0),
"down_count": row.get('下跌家数', 0)
}
return sectors
except Exception as e:
print(f" 获取行业板块数据失败: {e}")
return {}
def _get_concept_performance(self):
"""获取概念板块表现"""
try:
# 获取概念板块实时行情（使用重试机制）
df = self._safe_request(ak.stock_board_concept_name_em)
if df is None or df.empty:
return {}
# 转换为字典格式
concepts = {}
for idx, row in df.iterrows():
concept_name = row.get('板块名称', '')
if concept_name:
concepts[concept_name] = {
"name": concept_name,
"change_pct": row.get('涨跌幅', 0),
"turnover": row.get('换手率', 0),
"total_market_cap": row.get('总市值', 0),
"top_stock": row.get('领涨股票', ''),
"top_stock_change": row.get('领涨股票涨跌幅', 0),
"up_count": row.get('上涨家数', 0),
"down_count": row.get('下跌家数', 0)
}
return concepts
except Exception as e:
print(f" 获取概念板块数据失败: {e}")
return {}
def _get_sector_fund_flow(self):
"""获取行业资金流向"""
try:
# 获取行业资金流向（使用重试机制）
df = self._safe_request(ak.stock_sector_fund_flow_rank, indicator="今日")
if df is None or df.empty:
return {}
# 转换为字典格式
fund_flow = {
"today": [],
"update_time": datetime.now().strftime('%Y-%m-%d %H:%M:%S')
}
for idx, row in df.head(50).iterrows(): # 取前50个
fund_flow["today"].append({
"sector": row.get('名称', ''),
"main_net_inflow": row.get('今日主力净流入-净额', 0),
"main_net_inflow_pct": row.get('今日主力净流入-净占比', 0),
"super_large_net_inflow": row.get('今日超大单净流入-净额', 0),
"large_net_inflow": row.get('今日大单净流入-净额', 0),
"medium_net_inflow": row.get('今日中单净流入-净额', 0),
"small_net_inflow": row.get('今日小单净流入-净额', 0),
"change_pct": row.get('今日涨跌幅', 0)
})
return fund_flow
except Exception as e:
print(f" 获取行业资金流向失败: {e}")
return {}
def _get_market_overview(self):
"""获取市场总体情况"""
try:
# 获取A股市场统计
overview = {}
# 涨跌家数
try:
df_stat = self._safe_request(ak.stock_zh_a_spot_em)
if df_stat is not None and not df_stat.empty:
total_count = len(df_stat)
up_count = len(df_stat[df_stat['涨跌幅'] > 0])
down_count = len(df_stat[df_stat['涨跌幅'] < 0])
flat_count = total_count - up_count - down_count
overview["total_stocks"] = total_count
overview["up_count"] = up_count
overview["down_count"] = down_count
overview["flat_count"] = flat_count
overview["up_ratio"] = round(up_count / total_count * 100, 2) if total_count > 0 else 0
# 涨停跌停
limit_up = len(df_stat[df_stat['涨跌幅'] >= 9.5])
limit_down = len(df_stat[df_stat['涨跌幅'] <= -9.5])
overview["limit_up"] = limit_up
overview["limit_down"] = limit_down
except:
pass
# 大盘指数
try:
# 上证指数
df_sh = ak.stock_zh_index_spot_em(symbol="上证指数")
if df_sh is not None and not df_sh.empty:
overview["sh_index"] = {
"code": "000001",
"name": "上证指数",
"close": df_sh.iloc[0].get('最新价', 0),
"change_pct": df_sh.iloc[0].get('涨跌幅', 0),
"change": df_sh.iloc[0].get('涨跌额', 0)
}
# 深证成指
df_sz = self._safe_request(ak.stock_zh_index_spot_em, symbol="深证成指")
if df_sz is not None and not df_sz.empty:
overview["sz_index"] = {
"code": "399001",
"name": "深证成指",
"close": df_sz.iloc[0].get('最新价', 0),
"change_pct": df_sz.iloc[0].get('涨跌幅', 0),
"change": df_sz.iloc[0].get('涨跌额', 0)
}
# 创业板指
df_cyb = self._safe_request(ak.stock_zh_index_spot_em, symbol="创业板指")
if df_cyb is not None and not df_cyb.empty:
overview["cyb_index"] = {
"code": "399006",
"name": "创业板指",
"close": df_cyb.iloc[0].get('最新价', 0),
"change_pct": df_cyb.iloc[0].get('涨跌幅', 0),
"change": df_cyb.iloc[0].get('涨跌额', 0)
}
except:
pass
return overview
except Exception as e:
print(f" 获取市场概况失败: {e}")
return {}
def _get_north_money_flow(self):
"""获取北向资金流向"""
try:
# 获取沪深港通资金流向（使用重试机制）
df = self._safe_request(ak.stock_hsgt_fund_flow_summary_em)
if df is None or df.empty:
return {}
# 获取最新数据
latest = df.iloc[0]
north_flow = {
"date": str(latest.get('日期', '')),
"north_net_inflow": latest.get('北向资金-成交净买额', 0),
"hgt_net_inflow": latest.get('沪股通-成交净买额', 0),
"sgt_net_inflow": latest.get('深股通-成交净买额', 0),
"north_total_amount": latest.get('北向资金-成交金额', 0)
}
# 获取历史趋势（最近10天）
history = []
for idx, row in df.head(10).iterrows():
history.append({
"date": str(row.get('日期', '')),
"net_inflow": row.get('北向资金-成交净买额', 0)
})
north_flow["history"] = history
return north_flow
except Exception as e:
print(f" 获取北向资金失败: {e}")
return {}
def _get_financial_news(self):
"""获取财经新闻"""
try:
# 获取东方财富财经新闻（使用重试机制）
df = self._safe_request(ak.stock_news_em, symbol="全球")
if df is None or df.empty:
return []
news_list = []
for idx, row in df.head(150).iterrows(): # 取前150条
news_list.append({
"title": row.get('新闻标题', ''),
"content": row.get('新闻内容', ''),
"publish_time": str(row.get('发布时间', '')),
"source": row.get('文章来源', ''),
"url": row.get('新闻链接', '')
})
return news_list
except Exception as e:
print(f" 获取财经新闻失败: {e}")
return []
def format_data_for_ai(self, data):
"""
将数据格式化为适合AI分析的文本格式
"""
if not data.get("success"):
return "数据获取失败"
text_parts = []
# 市场概况
if data.get("market_overview"):
market = data["market_overview"]
text_parts.append(f"""
【市场总体情况】
时间: {data.get('timestamp', 'N/A')}
大盘指数:
""")
if market.get("sh_index"):
sh = market["sh_index"]
text_parts.append(f" 上证指数: {sh['close']} ({sh['change_pct']:+.2f}%)")
if market.get("sz_index"):
sz = market["sz_index"]
text_parts.append(f" 深证成指: {sz['close']} ({sz['change_pct']:+.2f}%)")
if market.get("cyb_index"):
cyb = market["cyb_index"]
text_parts.append(f" 创业板指: {cyb['close']} ({cyb['change_pct']:+.2f}%)")
if market.get("total_stocks"):
text_parts.append(f"""
市场统计:
总股票数: {market['total_stocks']}
上涨: {market['up_count']} ({market['up_ratio']:.1f}%)
下跌: {market['down_count']}
平盘: {market['flat_count']}
涨停: {market['limit_up']}
跌停: {market['limit_down']}
""")
# 北向资金
if data.get("north_flow"):
north = data["north_flow"]
text_parts.append(f"""
【北向资金流向】
日期: {north.get('date', 'N/A')}
北向资金净流入: {north.get('north_net_inflow', 0):.2f} 万元
沪股通: {north.get('hgt_net_inflow', 0):.2f} 万元
深股通: {north.get('sgt_net_inflow', 0):.2f} 万元
""")
# 行业板块表现（前20）
if data.get("sectors"):
sectors = data["sectors"]
sorted_sectors = sorted(sectors.items(), key=lambda x: x[1]["change_pct"], reverse=True)
text_parts.append(f"""
【行业板块表现 TOP20】
涨幅榜前10:
""")
for name, info in sorted_sectors[:10]:
text_parts.append(f" {name}: {info['change_pct']:+.2f}% | 领涨: {info['top_stock']} ({info['top_stock_change']:+.2f}%)")
text_parts.append(f"""
跌幅榜前10:
""")
for name, info in sorted_sectors[-10:]:
text_parts.append(f" {name}: {info['change_pct']:+.2f}% | 领跌: {info['top_stock']} ({info['top_stock_change']:+.2f}%)")
# 概念板块表现（前20）
if data.get("concepts"):
concepts = data["concepts"]
sorted_concepts = sorted(concepts.items(), key=lambda x: x[1]["change_pct"], reverse=True)
text_parts.append(f"""
【概念板块表现 TOP20】
涨幅榜前10:
""")
for name, info in sorted_concepts[:10]:
text_parts.append(f" {name}: {info['change_pct']:+.2f}% | 领涨: {info['top_stock']} ({info['top_stock_change']:+.2f}%)")
# 板块资金流向（前15）
if data.get("sector_fund_flow") and data["sector_fund_flow"].get("today"):
flow = data["sector_fund_flow"]["today"]
text_parts.append(f"""
【行业资金流向 TOP15】
主力资金净流入前15:
""")
sorted_flow = sorted(flow, key=lambda x: x["main_net_inflow"], reverse=True)
for item in sorted_flow[:15]:
text_parts.append(f" {item['sector']}: {item['main_net_inflow']:.2f}万 ({item['main_net_inflow_pct']:+.2f}%) | 涨跌: {item['change_pct']:+.2f}%")
# 重要新闻（前20条）
if data.get("news"):
text_parts.append(f"""
【重要财经新闻 TOP20】
""")
for idx, news in enumerate(data["news"][:20], 1):
text_parts.append(f"{idx}. [{news['publish_time']}] {news['title']}")
if news.get('content') and len(news['content']) > 100:
text_parts.append(f" {news['content'][:100]}...")
return "\n".join(text_parts)
# 测试函数
if __name__ == "__main__":
print("=" * 60)
print("测试智策板块数据采集模块")
print("=" * 60)
fetcher = SectorStrategyDataFetcher()
data = fetcher.get_all_sector_data()
if data.get("success"):
print("\n" + "=" * 60)
print("数据采集成功！")
print("=" * 60)
formatted_text = fetcher.format_data_for_ai(data)
print(formatted_text[:3000]) # 显示前3000字符
print(f"\n... (总长度: {len(formatted_text)} 字符)")
else:
print(f"\n数据采集失败: {data.get('error', '未知错误')}")
sector_strategy_engine.py
+364
View File
@@ -0,0 +1,364 @@
"""
智策综合研判引擎
整合各智能体分析，生成板块多空/轮动/热度预测
"""
from sector_strategy_agents import SectorStrategyAgents
from deepseek_client import DeepSeekClient
from typing import Dict, Any
import time
import json
class SectorStrategyEngine:
"""板块策略综合研判引擎"""
def __init__(self, model="deepseek-chat"):
self.model = model
self.agents = SectorStrategyAgents(model=model)
self.deepseek_client = DeepSeekClient(model=model)
print(f"[智策引擎] 初始化完成 (模型: {model})")
def run_comprehensive_analysis(self, data: Dict) -> Dict[str, Any]:
"""
运行综合分析流程
Args:
data: 包含市场数据的字典
Returns:
完整的分析结果
"""
print("\n" + "=" * 60)
print("🚀 智策综合分析系统启动")
print("=" * 60)
results = {
"success": False,
"timestamp": time.strftime("%Y-%m-%d %H:%M:%S"),
"agents_analysis": {},
"comprehensive_report": "",
"final_predictions": {}
}
try:
# 1. 运行四个AI智能体分析
print("\n[阶段1] AI智能体分析集群工作中...")
print("-" * 60)
agents_results = {}
# 宏观策略师
print("1/4 宏观策略师...")
macro_result = self.agents.macro_strategist_agent(
market_data=data.get("market_overview", {}),
news_data=data.get("news", [])
)
agents_results["macro"] = macro_result
# 板块诊断师
print("2/4 板块诊断师...")
sector_result = self.agents.sector_diagnostician_agent(
sectors_data=data.get("sectors", {}),
concepts_data=data.get("concepts", {}),
market_data=data.get("market_overview", {})
)
agents_results["sector"] = sector_result
# 资金流向分析师
print("3/4 资金流向分析师...")
fund_result = self.agents.fund_flow_analyst_agent(
fund_flow_data=data.get("sector_fund_flow", {}),
north_flow_data=data.get("north_flow", {}),
sectors_data=data.get("sectors", {})
)
agents_results["fund"] = fund_result
# 市场情绪解码员
print("4/4 市场情绪解码员...")
sentiment_result = self.agents.market_sentiment_decoder_agent(
market_data=data.get("market_overview", {}),
sectors_data=data.get("sectors", {}),
concepts_data=data.get("concepts", {})
)
agents_results["sentiment"] = sentiment_result
results["agents_analysis"] = agents_results
print("\n✓ 所有智能体分析完成")
# 2. 综合研判
print("\n[阶段2] 综合研判引擎工作中...")
print("-" * 60)
comprehensive_report = self._conduct_comprehensive_discussion(agents_results)
results["comprehensive_report"] = comprehensive_report
print("✓ 综合研判完成")
# 3. 生成最终预测
print("\n[阶段3] 生成最终预测...")
print("-" * 60)
predictions = self._generate_final_predictions(comprehensive_report, agents_results, data)
results["final_predictions"] = predictions
print("✓ 预测生成完成")
results["success"] = True
print("\n" + "=" * 60)
print("✓ 智策综合分析完成！")
print("=" * 60)
except Exception as e:
print(f"\n✗ 分析过程出错: {e}")
import traceback
traceback.print_exc()
results["error"] = str(e)
return results
def _conduct_comprehensive_discussion(self, agents_results: Dict) -> str:
"""
综合研判 - 整合各智能体的分析
"""
print(" 🤝 智能体团队正在综合讨论...")
time.sleep(2)
# 收集各分析师的报告
macro_analysis = agents_results.get("macro", {}).get("analysis", "")
sector_analysis = agents_results.get("sector", {}).get("analysis", "")
fund_analysis = agents_results.get("fund", {}).get("analysis", "")
sentiment_analysis = agents_results.get("sentiment", {}).get("analysis", "")
prompt = f"""
你是智策系统的首席策略官，现在需要综合四位专业分析师的报告，形成全面的市场和板块研判。
【宏观策略师报告】
{macro_analysis}
【板块诊断师报告】
{sector_analysis}
【资金流向分析师报告】
{fund_analysis}
【市场情绪解码员报告】
{sentiment_analysis}
请基于以上四位分析师的专业报告，进行深度综合研判：
1. **观点一致性分析**
- 四位分析师的核心观点有哪些一致之处？
- 在哪些方面存在分歧或不同看法？
- 如何理解这些分歧的合理性？
2. **多维度交叉验证**
- 宏观环境、板块基本面、资金流向、市场情绪是否形成共振？
- 哪些板块得到了多维度的支持？
- 哪些板块存在多维度的风险信号？
3. **关键矛盾识别**
- 当前市场和板块的主要矛盾是什么？
- 哪些因素可能成为决定性因素？
- 如何平衡不同维度的分析结论？
4. **综合判断**
- 基于四个维度的综合分析，对市场整体趋势的判断
- 对板块轮动方向的判断
- 对市场风险收益比的评估
- 当前最值得把握的机会在哪里？
5. **策略权重建议**
- 在当前环境下，四个分析维度的重要性权重（宏观/板块/资金/情绪）
- 应该重点参考哪个维度的建议？
- 需要警惕哪个维度的风险？
请给出专业、全面的综合研判报告，体现多维度分析的价值。
"""
messages = [
{"role": "system", "content": "你是智策系统的首席策略官，需要整合多维度分析，形成全面的投资策略。"},
{"role": "user", "content": prompt}
]
report = self.deepseek_client.call_api(messages, max_tokens=5000)
print(" ✓ 综合研判完成")
return report
def _generate_final_predictions(self, comprehensive_report: str, agents_results: Dict, raw_data: Dict) -> Dict:
"""
生成最终预测 - 板块多空/轮动/热度
"""
print(" 📊 生成板块多空/轮动/热度预测...")
time.sleep(2)
# 提取板块列表用于预测
sectors_list = []
if raw_data.get("sectors"):
sorted_sectors = sorted(raw_data["sectors"].items(), key=lambda x: abs(x[1]["change_pct"]), reverse=True)
sectors_list = [name for name, _ in sorted_sectors[:30]] # 取前30个活跃板块
sectors_str = ", ".join(sectors_list) if sectors_list else "未知板块"
prompt = f"""
基于前期的深度分析和综合研判，现在需要生成最终的板块预测报告。
【综合研判结论】
{comprehensive_report}
【参考板块列表】
{sectors_str}
请生成以下三类预测，并以JSON格式输出：
1. **板块多空情况**
- 看多板块（5-8个）：综合判断未来1-2周看涨的板块
- 看空板块（3-5个）：综合判断未来1-2周看跌的板块
- 中性板块（2-3个）：走势不明朗的板块
对每个板块给出：
- 板块名称
- 多空判断（看多/看空/中性）
- 推荐理由（100字以内）
- 信心度（1-10分）
- 风险提示
2. **板块轮动预测**
- 当前强势板块（正在走强的2-3个板块）
- 潜力接力板块（可能轮动到的3-5个板块）
- 衰退板块（正在走弱的2-3个板块）
对每个板块给出：
- 板块名称
- 轮动阶段（强势/潜力/衰退）
- 轮动逻辑（150字以内）
- 预计时间窗口
- 操作建议
3. **板块热度排行**
- 最热板块TOP5（综合资金、情绪、涨幅）
- 升温板块TOP5（热度快速上升的板块）
- 降温板块TOP3（热度快速下降的板块）
对每个板块给出：
- 板块名称
- 热度评分（0-100分）
- 热度变化趋势（升温/降温/稳定）
- 持续性评估（强/中/弱）
请严格按照以下JSON格式输出：
{{
"long_short": {{
"bullish": [
{{
"sector": "板块名称",
"direction": "看多",
"reason": "推荐理由",
"confidence": 8,
"risk": "风险提示"
}}
],
"bearish": [...],
"neutral": [...]
}},
"rotation": {{
"current_strong": [
{{
"sector": "板块名称",
"stage": "强势",
"logic": "轮动逻辑",
"time_window": "1-2周",
"advice": "操作建议"
}}
],
"potential": [...],
"declining": [...]
}},
"heat": {{
"hottest": [
{{
"sector": "板块名称",
"score": 95,
"trend": "升温",
"sustainability": "强"
}}
],
"heating": [...],
"cooling": [...]
}},
"summary": {{
"market_view": "市场整体看法",
"key_opportunity": "核心机会",
"major_risk": "主要风险",
"strategy": "整体策略建议"
}}
}}
注意：
1. 所有板块名称必须从参考板块列表中选择
2. 分析要基于前期的多维度研判
3. 给出的建议要具体、可操作
4. 预测要客观、理性，避免过度乐观或悲观
"""
messages = [
{"role": "system", "content": "你是智策系统的预测引擎，需要生成专业、精准的板块预测报告。"},
{"role": "user", "content": prompt}
]
response = self.deepseek_client.call_api(messages, temperature=0.3, max_tokens=6000)
# 尝试解析JSON
try:
import re
json_match = re.search(r'\{.*\}', response, re.DOTALL)
if json_match:
predictions = json.loads(json_match.group())
print(" ✓ 预测报告生成成功（JSON格式）")
return predictions
else:
print(" ⚠ 未能解析JSON，返回文本格式")
return {"prediction_text": response}
except Exception as e:
print(f" ⚠ JSON解析失败: {e}，返回文本格式")
return {"prediction_text": response}
# 测试函数
if __name__ == "__main__":
print("=" * 60)
print("测试智策综合研判引擎")
print("=" * 60)
# 创建模拟数据
test_data = {
"success": True,
"sectors": {
"电子": {"change_pct": 2.5, "turnover": 3.5, "top_stock": "某某科技", "top_stock_change": 5.0, "up_count": 80, "down_count": 20},
"计算机": {"change_pct": 1.8, "turnover": 4.0, "top_stock": "某某软件", "top_stock_change": 4.5, "up_count": 70, "down_count": 30}
},
"market_overview": {
"sh_index": {"close": 3200, "change_pct": 0.5},
"total_stocks": 5000,
"up_count": 3000,
"up_ratio": 60.0
},
"news": [
{"title": "测试新闻", "content": "测试内容", "publish_time": "2024-01-15"}
],
"sector_fund_flow": {
"today": [
{"sector": "电子", "main_net_inflow": 100000, "main_net_inflow_pct": 2.0, "change_pct": 2.5, "super_large_net_inflow": 50000}
]
},
"north_flow": {
"date": "2024-01-15",
"north_net_inflow": 50000
}
}
engine = SectorStrategyEngine()
print("\n开始综合分析...")
# 注意：这只是测试框架，实际运行需要真实数据和API key
# results = engine.run_comprehensive_analysis(test_data)
# print(f"\n分析结果: {results.get('success')}")
sector_strategy_pdf.py
+538
View File
@@ -0,0 +1,538 @@
"""
智策报告PDF导出模块
"""
from reportlab.lib import colors
from reportlab.lib.pagesizes import A4
from reportlab.lib.styles import getSampleStyleSheet, ParagraphStyle
from reportlab.lib.units import inch
from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer, Table, TableStyle, PageBreak
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont
from reportlab.lib.enums import TA_CENTER, TA_LEFT, TA_JUSTIFY
from datetime import datetime
import os
import tempfile
class SectorStrategyPDFGenerator:
"""智策报告PDF生成器"""
def __init__(self):
"""初始化PDF生成器"""
self.setup_fonts()
def setup_fonts(self):
"""设置中文字体"""
try:
# 尝试注册常见的中文字体
font_paths = [
'C:/Windows/Fonts/msyh.ttc', # 微软雅黑
'C:/Windows/Fonts/simsun.ttc', # 宋体
'C:/Windows/Fonts/simhei.ttf', # 黑体
]
for font_path in font_paths:
if os.path.exists(font_path):
try:
pdfmetrics.registerFont(TTFont('ChineseFont', font_path))
self.chinese_font = 'ChineseFont'
print(f"[PDF] 成功加载字体: {font_path}")
return
except:
continue
# 如果都失败，使用默认字体
self.chinese_font = 'Helvetica'
print("[PDF] 警告: 未找到中文字体，使用默认字体")
except Exception as e:
print(f"[PDF] 字体设置失败: {e}")
self.chinese_font = 'Helvetica'
def generate_pdf(self, result_data: dict, output_path: str = None) -> str:
"""
生成智策分析PDF报告
Args:
result_data: 分析结果数据
output_path: 输出路径，如果为None则生成临时文件
Returns:
PDF文件路径
"""
try:
# 如果没有指定输出路径，创建临时文件
if output_path is None:
temp_dir = tempfile.gettempdir()
timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
output_path = os.path.join(temp_dir, f"智策报告_{timestamp}.pdf")
# 创建PDF文档
doc = SimpleDocTemplate(
output_path,
pagesize=A4,
rightMargin=0.5*inch,
leftMargin=0.5*inch,
topMargin=0.5*inch,
bottomMargin=0.5*inch
)
# 构建内容
story = []
# 添加标题页
story.extend(self._create_title_page(result_data))
story.append(PageBreak())
# 添加市场概况
story.extend(self._create_market_overview(result_data))
story.append(PageBreak())
# 添加核心预测
story.extend(self._create_predictions_section(result_data))
story.append(PageBreak())
# 添加智能体分析摘要
story.extend(self._create_agents_summary(result_data))
story.append(PageBreak())
# 添加综合研判
story.extend(self._create_comprehensive_report(result_data))
# 生成PDF
doc.build(story)
print(f"[PDF] 报告生成成功: {output_path}")
return output_path
except Exception as e:
print(f"[PDF] 生成失败: {e}")
import traceback
traceback.print_exc()
raise
def _create_title_page(self, data: dict) -> list:
"""创建标题页"""
styles = self._get_styles()
elements = []
# 添加空白
elements.append(Spacer(1, 2*inch))
# 主标题
title = Paragraph("智策板块策略分析报告", styles['Title'])
elements.append(title)
elements.append(Spacer(1, 0.5*inch))
# 副标题
subtitle = Paragraph("AI驱动的多维度板块投资决策支持系统", styles['Heading2'])
elements.append(subtitle)
elements.append(Spacer(1, 1*inch))
# 报告信息
timestamp = data.get('timestamp', datetime.now().strftime('%Y-%m-%d %H:%M:%S'))
info_text = f"""
<para align=center>
<b>生成时间:</b> {timestamp}<br/>
<b>分析周期:</b> 当日市场数据<br/>
<b>AI模型:</b> DeepSeek Multi-Agent System<br/>
<b>分析维度:</b> 宏观·板块·资金·情绪
</para>
"""
info = Paragraph(info_text, styles['Normal'])
elements.append(info)
elements.append(Spacer(1, 1*inch))
# 免责声明
disclaimer = Paragraph(
"<para align=center><i>本报告由AI系统自动生成，仅供参考，不构成投资建议。<br/>"
"投资有风险，决策需谨慎。</i></para>",
styles['Normal']
)
elements.append(disclaimer)
return elements
def _create_market_overview(self, data: dict) -> list:
"""创建市场概况部分"""
styles = self._get_styles()
elements = []
# 标题
elements.append(Paragraph("一、市场概况", styles['Heading1']))
elements.append(Spacer(1, 0.2*inch))
# 这里需要从原始数据中提取市场概况
# 由于result_data中可能没有直接的市场数据，我们从agents_analysis中提取
overview_text = f"""
<para>
本报告基于{data.get('timestamp', 'N/A')}的实时市场数据，
通过四位AI智能体的多维度分析，为您提供板块投资策略建议。
</para>
"""
elements.append(Paragraph(overview_text, styles['Normal']))
elements.append(Spacer(1, 0.2*inch))
# 分析师团队
team_text = """
<para>
<b>分析师团队:</b><br/>
• 宏观策略师 - 分析宏观经济、政策导向、新闻事件<br/>
• 板块诊断师 - 分析板块走势、估值水平、轮动特征<br/>
• 资金流向分析师 - 分析主力资金、北向资金流向<br/>
• 市场情绪解码员 - 分析市场情绪、热度、赚钱效应
</para>
"""
elements.append(Paragraph(team_text, styles['Normal']))
return elements
def _create_predictions_section(self, data: dict) -> list:
"""创建核心预测部分"""
styles = self._get_styles()
elements = []
predictions = data.get('final_predictions', {})
if predictions.get('prediction_text'):
# 文本格式
elements.append(Paragraph("二、核心预测", styles['Heading1']))
elements.append(Spacer(1, 0.2*inch))
elements.append(Paragraph(predictions['prediction_text'], styles['Normal']))
return elements
# JSON格式预测
elements.append(Paragraph("二、核心预测", styles['Heading1']))
elements.append(Spacer(1, 0.2*inch))
# 1. 板块多空
elements.extend(self._create_long_short_section(predictions, styles))
elements.append(Spacer(1, 0.3*inch))
# 2. 板块轮动
elements.extend(self._create_rotation_section(predictions, styles))
elements.append(Spacer(1, 0.3*inch))
# 3. 板块热度
elements.extend(self._create_heat_section(predictions, styles))
elements.append(Spacer(1, 0.3*inch))
# 4. 策略总结
elements.extend(self._create_summary_section(predictions, styles))
return elements
def _create_long_short_section(self, predictions: dict, styles: dict) -> list:
"""创建板块多空部分"""
elements = []
elements.append(Paragraph("2.1 板块多空预测", styles['Heading2']))
elements.append(Spacer(1, 0.1*inch))
long_short = predictions.get('long_short', {})
# 看多板块
bullish = long_short.get('bullish', [])
if bullish:
elements.append(Paragraph("<b>看多板块:</b>", styles['Normal']))
for idx, item in enumerate(bullish, 1):
text = f"""
{idx}. <b>{item.get('sector', 'N/A')}</b> (信心度: {item.get('confidence', 0)}/10)<br/>
理由: {item.get('reason', 'N/A')}<br/>
风险: {item.get('risk', 'N/A')}
"""
elements.append(Paragraph(text, styles['Small']))
elements.append(Spacer(1, 0.05*inch))
# 看空板块
bearish = long_short.get('bearish', [])
if bearish:
elements.append(Spacer(1, 0.1*inch))
elements.append(Paragraph("<b>看空板块:</b>", styles['Normal']))
for idx, item in enumerate(bearish, 1):
text = f"""
{idx}. <b>{item.get('sector', 'N/A')}</b> (信心度: {item.get('confidence', 0)}/10)<br/>
理由: {item.get('reason', 'N/A')}<br/>
风险: {item.get('risk', 'N/A')}
"""
elements.append(Paragraph(text, styles['Small']))
elements.append(Spacer(1, 0.05*inch))
return elements
def _create_rotation_section(self, predictions: dict, styles: dict) -> list:
"""创建板块轮动部分"""
elements = []
elements.append(Paragraph("2.2 板块轮动预测", styles['Heading2']))
elements.append(Spacer(1, 0.1*inch))
rotation = predictions.get('rotation', {})
# 当前强势
current_strong = rotation.get('current_strong', [])
if current_strong:
elements.append(Paragraph("<b>当前强势板块:</b>", styles['Normal']))
for item in current_strong:
text = f"""
• <b>{item.get('sector', 'N/A')}</b><br/>
轮动逻辑: {item.get('logic', 'N/A')[:100]}...<br/>
时间窗口: {item.get('time_window', 'N/A')}<br/>
操作建议: {item.get('advice', 'N/A')}
"""
elements.append(Paragraph(text, styles['Small']))
elements.append(Spacer(1, 0.05*inch))
# 潜力接力
potential = rotation.get('potential', [])
if potential:
elements.append(Spacer(1, 0.1*inch))
elements.append(Paragraph("<b>潜力接力板块:</b>", styles['Normal']))
for item in potential:
text = f"""
• <b>{item.get('sector', 'N/A')}</b><br/>
轮动逻辑: {item.get('logic', 'N/A')[:100]}...<br/>
时间窗口: {item.get('time_window', 'N/A')}<br/>
操作建议: {item.get('advice', 'N/A')}
"""
elements.append(Paragraph(text, styles['Small']))
elements.append(Spacer(1, 0.05*inch))
return elements
def _create_heat_section(self, predictions: dict, styles: dict) -> list:
"""创建板块热度部分"""
elements = []
elements.append(Paragraph("2.3 板块热度排行", styles['Heading2']))
elements.append(Spacer(1, 0.1*inch))
heat = predictions.get('heat', {})
# 创建表格数据
table_data = [['排名', '板块', '热度评分', '趋势', '持续性']]
# 最热板块
hottest = heat.get('hottest', [])
for idx, item in enumerate(hottest[:5], 1):
table_data.append([
str(idx),
item.get('sector', 'N/A'),
str(item.get('score', 0)),
item.get('trend', 'N/A'),
item.get('sustainability', 'N/A')
])
if len(table_data) > 1:
# 创建表格
table = Table(table_data, colWidths=[0.8*inch, 2*inch, 1*inch, 1*inch, 1*inch])
table.setStyle(TableStyle([
('BACKGROUND', (0, 0), (-1, 0), colors.grey),
('TEXTCOLOR', (0, 0), (-1, 0), colors.whitesmoke),
('ALIGN', (0, 0), (-1, -1), 'CENTER'),
('FONTNAME', (0, 0), (-1, 0), self.chinese_font),
('FONTSIZE', (0, 0), (-1, 0), 10),
('BOTTOMPADDING', (0, 0), (-1, 0), 12),
('BACKGROUND', (0, 1), (-1, -1), colors.beige),
('GRID', (0, 0), (-1, -1), 1, colors.black),
('FONTNAME', (0, 1), (-1, -1), self.chinese_font),
('FONTSIZE', (0, 1), (-1, -1), 9),
]))
elements.append(table)
return elements
def _create_summary_section(self, predictions: dict, styles: dict) -> list:
"""创建策略总结部分"""
elements = []
summary = predictions.get('summary', {})
if not summary:
return elements
elements.append(Paragraph("2.4 策略总结", styles['Heading2']))
elements.append(Spacer(1, 0.1*inch))
# 市场观点
if summary.get('market_view'):
elements.append(Paragraph("<b>市场观点:</b>", styles['Normal']))
elements.append(Paragraph(summary['market_view'], styles['Small']))
elements.append(Spacer(1, 0.1*inch))
# 核心机会
if summary.get('key_opportunity'):
elements.append(Paragraph("<b>核心机会:</b>", styles['Normal']))
elements.append(Paragraph(summary['key_opportunity'], styles['Small']))
elements.append(Spacer(1, 0.1*inch))
# 主要风险
if summary.get('major_risk'):
elements.append(Paragraph("<b>主要风险:</b>", styles['Normal']))
elements.append(Paragraph(summary['major_risk'], styles['Small']))
elements.append(Spacer(1, 0.1*inch))
# 整体策略
if summary.get('strategy'):
elements.append(Paragraph("<b>整体策略:</b>", styles['Normal']))
elements.append(Paragraph(summary['strategy'], styles['Small']))
return elements
def _create_agents_summary(self, data: dict) -> list:
"""创建智能体分析摘要"""
styles = self._get_styles()
elements = []
elements.append(Paragraph("三、AI智能体分析摘要", styles['Heading1']))
elements.append(Spacer(1, 0.2*inch))
agents_analysis = data.get('agents_analysis', {})
for key, agent_data in agents_analysis.items():
agent_name = agent_data.get('agent_name', '未知分析师')
agent_role = agent_data.get('agent_role', '')
analysis = agent_data.get('analysis', '')
# 分析师名称和职责
elements.append(Paragraph(f"<b>{agent_name}</b>", styles['Heading2']))
elements.append(Paragraph(f"<i>{agent_role}</i>", styles['Small']))
elements.append(Spacer(1, 0.1*inch))
# 分析内容（截取前500字）
analysis_preview = analysis[:500] + "..." if len(analysis) > 500 else analysis
elements.append(Paragraph(analysis_preview, styles['Small']))
elements.append(Spacer(1, 0.2*inch))
return elements
def _create_comprehensive_report(self, data: dict) -> list:
"""创建综合研判部分"""
styles = self._get_styles()
elements = []
elements.append(Paragraph("四、综合研判", styles['Heading1']))
elements.append(Spacer(1, 0.2*inch))
report = data.get('comprehensive_report', '')
if report:
# 截取前1000字
report_preview = report[:1000] + "..." if len(report) > 1000 else report
elements.append(Paragraph(report_preview, styles['Small']))
else:
elements.append(Paragraph("暂无综合研判数据", styles['Normal']))
elements.append(Spacer(1, 0.3*inch))
# 添加结束语
ending = Paragraph(
"<para align=center><i>--- 报告结束 ---<br/>"
"本报告由智策AI系统自动生成</i></para>",
styles['Normal']
)
elements.append(ending)
return elements
def _get_styles(self) -> dict:
"""获取样式"""
styles = getSampleStyleSheet()
# 自定义样式
custom_styles = {
'Title': ParagraphStyle(
'CustomTitle',
parent=styles['Title'],
fontName=self.chinese_font,
fontSize=24,
textColor=colors.HexColor('#667eea'),
spaceAfter=30,
alignment=TA_CENTER
),
'Heading1': ParagraphStyle(
'CustomHeading1',
parent=styles['Heading1'],
fontName=self.chinese_font,
fontSize=16,
textColor=colors.HexColor('#667eea'),
spaceAfter=12,
spaceBefore=12
),
'Heading2': ParagraphStyle(
'CustomHeading2',
parent=styles['Heading2'],
fontName=self.chinese_font,
fontSize=14,
textColor=colors.HexColor('#764ba2'),
spaceAfter=10,
spaceBefore=10
),
'Normal': ParagraphStyle(
'CustomNormal',
parent=styles['Normal'],
fontName=self.chinese_font,
fontSize=11,
leading=16,
alignment=TA_JUSTIFY
),
'Small': ParagraphStyle(
'CustomSmall',
parent=styles['Normal'],
fontName=self.chinese_font,
fontSize=9,
leading=14,
alignment=TA_LEFT
)
}
return custom_styles
# 测试函数
if __name__ == "__main__":
# 创建测试数据
test_data = {
"success": True,
"timestamp": "2024-01-15 10:30:00",
"final_predictions": {
"long_short": {
"bullish": [
{
"sector": "电子",
"confidence": 8,
"reason": "政策支持，资金持续流入",
"risk": "估值偏高，注意回调风险"
}
],
"bearish": []
},
"rotation": {
"current_strong": [],
"potential": [],
"declining": []
},
"heat": {
"hottest": [
{"sector": "电子", "score": 95, "trend": "升温", "sustainability": "强"}
]
},
"summary": {
"market_view": "市场整体向好",
"key_opportunity": "科技板块",
"major_risk": "估值风险",
"strategy": "积极配置科技"
}
},
"agents_analysis": {},
"comprehensive_report": "综合研判内容..."
}
generator = SectorStrategyPDFGenerator()
output_path = generator.generate_pdf(test_data)
print(f"测试PDF生成: {output_path}")
sector_strategy_ui.py
+610
View File
@@ -0,0 +1,610 @@
"""
智策UI界面模块
展示板块分析结果和预测
"""
import streamlit as st
import plotly.graph_objects as go
import plotly.express as px
import pandas as pd
from datetime import datetime
import time
import base64
from sector_strategy_data import SectorStrategyDataFetcher
from sector_strategy_engine import SectorStrategyEngine
from sector_strategy_pdf import SectorStrategyPDFGenerator
def display_sector_strategy():
"""显示智策板块分析主界面"""
st.markdown("""
<div class="top-nav">
<h1 class="nav-title">🎯 智策 - AI驱动的板块策略分析</h1>
<p class="nav-subtitle">Multi-Agent Sector Strategy Analysis | 板块多空·轮动·热度预测</p>
</div>
""", unsafe_allow_html=True)
st.markdown("---")
# 功能说明
with st.expander("💡 智策系统介绍", expanded=False):
st.markdown("""
### 🌟 系统特色
**智策**是基于多AI智能体的板块策略分析系统，通过四位专业分析师的协同工作，为您提供全方位的板块投资决策支持。
### 🤖 AI智能体团队
1. **🌐 宏观策略师**
- 分析宏观经济形势和政策导向
- 解读财经新闻对市场的影响
- 识别行业发展趋势
2. **📊 板块诊断师**
- 深入分析板块走势和估值
- 评估板块基本面和成长性
- 预判板块轮动方向
3. **💰 资金流向分析师**
- 跟踪主力资金的板块流向
- 分析北向资金的偏好
- 识别资金轮动信号
4. **📈 市场情绪解码员**
- 量化市场情绪指标
- 识别恐慌贪婪信号
- 评估板块热度
### 📊 核心预测
- **板块多空**: 看多/看空板块推荐
- **板块轮动**: 强势/潜力/衰退板块识别
- **板块热度**: 热度排行和升降温趋势
### 📈 数据来源
所有数据来自**AKShare**开源库，包括：
- 行业板块和概念板块行情
- 板块资金流向数据
- 北向资金数据
- 市场统计数据
- 财经新闻数据
""")
st.markdown("---")
# 模型选择
col1, col2, col3 = st.columns([2, 2, 2])
with col1:
selected_model = st.selectbox(
"选择AI模型",
["deepseek-chat", "deepseek-reasoner"],
help="Reasoner模型提供更强的推理能力"
)
with col2:
st.write("")
st.write("")
analyze_button = st.button("🚀 开始智策分析", type="primary", use_container_width=True)
with col3:
st.write("")
st.write("")
if st.button("🔄 清除结果", use_container_width=True):
if 'sector_strategy_result' in st.session_state:
del st.session_state.sector_strategy_result
st.success("已清除分析结果")
st.rerun()
st.markdown("---")
# 开始分析
if analyze_button:
# 清除之前的结果
if 'sector_strategy_result' in st.session_state:
del st.session_state.sector_strategy_result
run_sector_strategy_analysis(selected_model)
# 显示分析结果
if 'sector_strategy_result' in st.session_state:
result = st.session_state.sector_strategy_result
if result.get("success"):
display_analysis_results(result)
else:
st.error(f"❌ 分析失败: {result.get('error', '未知错误')}")
def run_sector_strategy_analysis(model="deepseek-chat"):
"""运行智策分析"""
# 进度显示
progress_bar = st.progress(0)
status_text = st.empty()
try:
# 1. 获取数据
status_text.text("📊 正在获取市场数据...")
progress_bar.progress(10)
fetcher = SectorStrategyDataFetcher()
data = fetcher.get_all_sector_data()
if not data.get("success"):
st.error("❌ 数据获取失败")
return
progress_bar.progress(30)
status_text.text("✓ 数据获取完成")
# 显示数据摘要
display_data_summary(data)
# 2. 运行AI分析
status_text.text("🤖 AI智能体团队正在分析，预计需要10分钟...")
progress_bar.progress(40)
engine = SectorStrategyEngine(model=model)
result = engine.run_comprehensive_analysis(data)
progress_bar.progress(90)
if result.get("success"):
# 保存结果
st.session_state.sector_strategy_result = result
progress_bar.progress(100)
status_text.text("✅ 分析完成！")
time.sleep(1)
status_text.empty()
progress_bar.empty()
# 自动刷新显示结果
st.rerun()
else:
st.error(f"❌ 分析失败: {result.get('error', '未知错误')}")
except Exception as e:
st.error(f"❌ 分析过程出错: {str(e)}")
import traceback
st.code(traceback.format_exc())
finally:
progress_bar.empty()
status_text.empty()
def display_data_summary(data):
"""显示数据摘要"""
st.subheader("📊 市场数据概览")
col1, col2, col3, col4 = st.columns(4)
market = data.get("market_overview", {})
with col1:
if market.get("sh_index"):
sh = market["sh_index"]
st.metric(
"上证指数",
f"{sh['close']:.2f}",
f"{sh['change_pct']:+.2f}%"
)
with col2:
if market.get("up_count"):
st.metric(
"上涨股票",
market['up_count'],
f"{market['up_ratio']:.1f}%"
)
with col3:
sectors_count = len(data.get("sectors", {}))
st.metric("行业板块", sectors_count)
with col4:
concepts_count = len(data.get("concepts", {}))
st.metric("概念板块", concepts_count)
def display_analysis_results(result):
"""显示分析结果"""
st.success("✅ 智策分析完成！")
st.info(f"📅 分析时间: {result.get('timestamp', 'N/A')}")
# PDF导出功能
display_pdf_export_section(result)
st.markdown("---")
# 创建标签页
tab1, tab2, tab3, tab4 = st.tabs([
"📋 核心预测",
"🤖 智能体分析",
"📊 综合研判",
"📈 数据可视化"
])
# Tab 1: 核心预测
with tab1:
display_predictions(result.get("final_predictions", {}))
# Tab 2: 智能体分析
with tab2:
display_agents_reports(result.get("agents_analysis", {}))
# Tab 3: 综合研判
with tab3:
display_comprehensive_report(result.get("comprehensive_report", ""))
# Tab 4: 数据可视化
with tab4:
display_visualizations(result.get("final_predictions", {}))
def display_predictions(predictions):
"""显示核心预测"""
st.subheader("🎯 智策核心预测")
if not predictions or predictions.get("prediction_text"):
# 文本格式
st.markdown("### 预测报告")
st.write(predictions.get("prediction_text", "暂无预测"))
return
# JSON格式预测
# 1. 板块多空
st.markdown("### 📊 板块多空预测")
col1, col2 = st.columns(2)
with col1:
st.markdown("#### 🟢 看多板块")
bullish = predictions.get("long_short", {}).get("bullish", [])
if bullish:
for item in bullish:
st.markdown(f"""
<div class="agent-card" style="border-left-color: #4caf50;">
<h4>{item.get('sector', 'N/A')} <span style="color: #4caf50;">↑</span></h4>
<p><strong>信心度:</strong> {item.get('confidence', 0)}/10</p>
<p><strong>理由:</strong> {item.get('reason', '')}</p>
<p><strong>风险:</strong> {item.get('risk', '')}</p>
</div>
""", unsafe_allow_html=True)
else:
st.info("暂无看多板块")
with col2:
st.markdown("#### 🔴 看空板块")
bearish = predictions.get("long_short", {}).get("bearish", [])
if bearish:
for item in bearish:
st.markdown(f"""
<div class="agent-card" style="border-left-color: #f44336;">
<h4>{item.get('sector', 'N/A')} <span style="color: #f44336;">↓</span></h4>
<p><strong>信心度:</strong> {item.get('confidence', 0)}/10</p>
<p><strong>理由:</strong> {item.get('reason', '')}</p>
<p><strong>风险:</strong> {item.get('risk', '')}</p>
</div>
""", unsafe_allow_html=True)
else:
st.info("暂无看空板块")
st.markdown("---")
# 2. 板块轮动
st.markdown("### 🔄 板块轮动预测")
rotation = predictions.get("rotation", {})
col1, col2, col3 = st.columns(3)
with col1:
st.markdown("#### 💪 当前强势")
current_strong = rotation.get("current_strong", [])
for item in current_strong:
st.markdown(f"""
**{item.get('sector', 'N/A')}**
- 时间窗口: {item.get('time_window', 'N/A')}
- 逻辑: {item.get('logic', '')[:50]}...
- 建议: {item.get('advice', '')}
""")
with col2:
st.markdown("#### 🌱 潜力接力")
potential = rotation.get("potential", [])
for item in potential:
st.markdown(f"""
**{item.get('sector', 'N/A')}**
- 时间窗口: {item.get('time_window', 'N/A')}
- 逻辑: {item.get('logic', '')[:50]}...
- 建议: {item.get('advice', '')}
""")
with col3:
st.markdown("#### 📉 衰退板块")
declining = rotation.get("declining", [])
for item in declining:
st.markdown(f"""
**{item.get('sector', 'N/A')}**
- 时间窗口: {item.get('time_window', 'N/A')}
- 逻辑: {item.get('logic', '')[:50]}...
- 建议: {item.get('advice', '')}
""")
st.markdown("---")
# 3. 板块热度
st.markdown("### 🔥 板块热度排行")
heat = predictions.get("heat", {})
col1, col2, col3 = st.columns(3)
with col1:
st.markdown("#### 🔥 最热板块")
hottest = heat.get("hottest", [])
for idx, item in enumerate(hottest, 1):
st.metric(
f"{idx}. {item.get('sector', 'N/A')}",
f"{item.get('score', 0)}分",
f"{item.get('trend', 'N/A')}"
)
with col2:
st.markdown("#### 📈 升温板块")
heating = heat.get("heating", [])
for idx, item in enumerate(heating, 1):
st.metric(
f"{idx}. {item.get('sector', 'N/A')}",
f"{item.get('score', 0)}分",
"↗️ 升温"
)
with col3:
st.markdown("#### 📉 降温板块")
cooling = heat.get("cooling", [])
for idx, item in enumerate(cooling, 1):
st.metric(
f"{idx}. {item.get('sector', 'N/A')}",
f"{item.get('score', 0)}分",
"↘️ 降温"
)
st.markdown("---")
# 4. 总结建议
summary = predictions.get("summary", {})
if summary:
st.markdown("### 📝 策略总结")
col1, col2 = st.columns(2)
with col1:
st.markdown(f"""
<div class="decision-card">
<h4>💡 市场观点</h4>
<p>{summary.get('market_view', 'N/A')}</p>
</div>
""", unsafe_allow_html=True)
st.markdown(f"""
<div class="agent-card" style="border-left-color: #2196f3;">
<h4>🎯 核心机会</h4>
<p>{summary.get('key_opportunity', 'N/A')}</p>
</div>
""", unsafe_allow_html=True)
with col2:
st.markdown(f"""
<div class="warning-card">
<h4>⚠️ 主要风险</h4>
<p>{summary.get('major_risk', 'N/A')}</p>
</div>
""", unsafe_allow_html=True)
st.markdown(f"""
<div class="agent-card" style="border-left-color: #ff9800;">
<h4>📋 整体策略</h4>
<p>{summary.get('strategy', 'N/A')}</p>
</div>
""", unsafe_allow_html=True)
def display_agents_reports(agents_analysis):
"""显示智能体分析报告"""
st.subheader("🤖 AI智能体分析报告")
if not agents_analysis:
st.info("暂无智能体分析数据")
return
# 创建子标签页
agent_names = []
agent_data = []
for key, value in agents_analysis.items():
agent_names.append(value.get("agent_name", "未知分析师"))
agent_data.append(value)
tabs = st.tabs(agent_names)
for idx, tab in enumerate(tabs):
with tab:
agent = agent_data[idx]
st.markdown(f"""
<div class="agent-card">
<h3>👨‍💼 {agent.get('agent_name', '未知')}</h3>
<p><strong>职责:</strong> {agent.get('agent_role', '未知')}</p>
<p><strong>关注领域:</strong> {', '.join(agent.get('focus_areas', []))}</p>
<p><strong>分析时间:</strong> {agent.get('timestamp', '未知')}</p>
</div>
""", unsafe_allow_html=True)
st.markdown("---")
st.markdown("### 📄 分析报告")
st.write(agent.get("analysis", "暂无分析"))
def display_comprehensive_report(report):
"""显示综合研判报告"""
st.subheader("📊 综合研判报告")
if not report:
st.info("暂无综合研判数据")
return
st.markdown("""
<div class="decision-card">
<h4>🎯 智策综合研判</h4>
<p>基于四位专业分析师的深度分析，形成的全面市场和板块研判</p>
</div>
""", unsafe_allow_html=True)
st.markdown("---")
st.write(report)
def display_visualizations(predictions):
"""显示数据可视化"""
st.subheader("📈 数据可视化")
if not predictions or predictions.get("prediction_text"):
st.info("暂无可视化数据")
return
# 1. 板块多空雷达图
st.markdown("### 📊 板块多空信心度对比")
bullish = predictions.get("long_short", {}).get("bullish", [])
bearish = predictions.get("long_short", {}).get("bearish", [])
if bullish or bearish:
# 准备数据
sectors = []
confidence = []
types = []
for item in bullish[:5]:
sectors.append(item.get('sector', 'N/A'))
confidence.append(item.get('confidence', 0))
types.append('看多')
for item in bearish[:5]:
sectors.append(item.get('sector', 'N/A'))
confidence.append(-item.get('confidence', 0)) # 负值表示看空
types.append('看空')
# 创建条形图
df = pd.DataFrame({
'板块': sectors,
'信心度': confidence,
'类型': types
})
fig = px.bar(df, x='板块', y='信心度', color='类型',
color_discrete_map={'看多': '#4caf50', '看空': '#f44336'},
title='板块多空信心度对比')
fig.update_layout(height=400)
st.plotly_chart(fig, use_container_width=True, key="sector_confidence")
st.markdown("---")
# 2. 板块热度分布
st.markdown("### 🔥 板块热度分布")
heat = predictions.get("heat", {})
hottest = heat.get("hottest", [])
heating = heat.get("heating", [])
if hottest or heating:
sectors = []
scores = []
trends = []
for item in hottest:
sectors.append(item.get('sector', 'N/A'))
scores.append(item.get('score', 0))
trends.append('最热')
for item in heating:
sectors.append(item.get('sector', 'N/A'))
scores.append(item.get('score', 0))
trends.append('升温')
df = pd.DataFrame({
'板块': sectors,
'热度': scores,
'趋势': trends
})
fig = px.scatter(df, x='板块', y='热度', size='热度', color='趋势',
color_discrete_map={'最热': '#ff5722', '升温': '#ff9800'},
title='板块热度分布图')
fig.update_layout(height=400)
st.plotly_chart(fig, use_container_width=True, key="sector_heat")
def display_pdf_export_section(result):
"""显示PDF导出部分"""
st.subheader("📄 导出报告")
col1, col2, col3 = st.columns([2, 1, 1])
with col1:
st.write("将分析报告导出为PDF文件，方便保存和分享")
with col2:
if st.button("📥 生成PDF报告", type="primary", use_container_width=True):
with st.spinner("正在生成PDF报告..."):
try:
# 生成PDF
generator = SectorStrategyPDFGenerator()
pdf_path = generator.generate_pdf(result)
# 读取PDF文件
with open(pdf_path, "rb") as f:
pdf_bytes = f.read()
# 保存到session_state
st.session_state.sector_pdf_data = pdf_bytes
st.session_state.sector_pdf_filename = f"智策报告_{result.get('timestamp', datetime.now().strftime('%Y%m%d_%H%M%S')).replace(':', '').replace(' ', '_')}.pdf"
st.success("✅ PDF报告生成成功！")
st.rerun()
except Exception as e:
st.error(f"❌ PDF生成失败: {str(e)}")
with col3:
# 如果已经生成了PDF，显示下载按钮
if 'sector_pdf_data' in st.session_state:
st.download_button(
label="💾 下载PDF",
data=st.session_state.sector_pdf_data,
file_name=st.session_state.sector_pdf_filename,
mime="application/pdf",
use_container_width=True
)
# 主入口
if __name__ == "__main__":
display_sector_strategy()
sector_strategy_ui_clean.py
View File
智策板块使用指南.md
+298
View File
@@ -0,0 +1,298 @@
# 智策板块使用指南
## 📋 功能概述
**智策**是基于多AI智能体的板块策略分析系统，通过四位专业分析师的协同工作，为您提供全方位的板块投资决策支持。
## 🎯 核心功能
### 1. 板块多空预测
- **看多板块**：推荐未来1-2周看涨的板块（5-8个）
- **看空板块**：推荐未来1-2周看跌的板块（3-5个）
- **中性板块**：走势不明朗的板块（2-3个）
每个预测包含：
- 板块名称
- 多空判断
- 推荐理由
- 信心度（1-10分）
- 风险提示
### 2. 板块轮动预测
- **当前强势板块**：正在走强的板块
- **潜力接力板块**：可能轮动到的板块
- **衰退板块**：正在走弱的板块
每个预测包含：
- 轮动阶段判断
- 轮动逻辑分析
- 预计时间窗口
- 操作建议
### 3. 板块热度排行
- **最热板块TOP5**：综合资金、情绪、涨幅
- **升温板块TOP5**：热度快速上升的板块
- **降温板块TOP3**：热度快速下降的板块
每个板块给出：
- 热度评分（0-100分）
- 热度变化趋势
- 持续性评估
## 🤖 AI智能体团队
### 1. 🌐 宏观策略师
**职责**：
- 分析国际国内新闻和宏观经济数据
- 判断对整体市场和不同板块的潜在影响
- 识别政策导向和宏观趋势
**关注领域**：
- 宏观经济形势
- 政策解读（货币政策、财政政策）
- 国际环境影响
- 市场风险偏好
### 2. 📊 板块诊断师
**职责**：
- 深入分析板块的历史走势
- 评估板块的估值水平
- 分析板块的成长性和基本面因素
**关注领域**：
- 板块强弱分析
- 估值与位置判断
- 板块轮动特征
- 技术形态分析
### 3. 💰 资金流向分析师
**职责**：
- 实时跟踪主力资金在板块间的流动
- 分析北向资金的板块偏好
- 判断资金进攻或撤离的方向
**关注领域**：
- 主力资金流向
- 北向资金偏好
- 板块资金轮动
- 量价配合分析
### 4. 📈 市场情绪解码员
**职责**：
- 从多维度解读市场情绪
- 量化市场情绪指标
- 识别过度乐观或恐慌信号
**关注领域**：
- 市场情绪评估
- 赚钱效应分析
- 恐慌贪婪指数
- 板块热度识别
## 📊 数据来源
所有数据来自**AKShare**开源库，包括：
1. **行业板块数据**
- 板块实时行情
- 板块涨跌幅排行
- 领涨股票信息
2. **概念板块数据**
- 概念板块行情
- 热门概念排行
3. **资金流向数据**
- 行业资金流向（今日、3日、5日、10日）
- 主力资金净流入
- 超大单、大单、中单、小单流向
4. **市场统计数据**
- 涨跌家数
- 涨停跌停数量
- 大盘指数表现
5. **北向资金数据**
- 沪股通、深股通资金流向
- 北向资金历史趋势
6. **财经新闻数据**
- 东方财富财经快讯
- 重要新闻事件
## 🚀 使用步骤
### 1. 进入智策板块
在侧边栏点击 **"🎯 智策板块"** 按钮
### 2. 选择AI模型
- **deepseek-chat**：标准模型，速度快
- **deepseek-reasoner**：推理增强模型，分析更深入但速度较慢
### 3. 开始分析
点击 **"🚀 开始智策分析"** 按钮
### 4. 等待分析完成
系统将执行以下步骤：
1. 获取市场数据（30秒）
2. AI智能体团队分析（2-3分钟）
3. 综合研判
4. 生成预测报告
### 5. 查看分析结果
分析完成后，可以查看四个标签页：
- **📋 核心预测**：板块多空/轮动/热度预测
- **🤖 智能体分析**：四位分析师的详细报告
- **📊 综合研判**：团队综合讨论结果
- **📈 数据可视化**：图表展示
### 6. 导出PDF报告
点击"📥 生成PDF报告"按钮，系统会生成包含完整分析的PDF文件：
- 封面页
- 市场概况
- 核心预测（板块多空、轮动、热度）
- AI智能体分析摘要
- 综合研判报告
## 💡 使用技巧
### 1. 最佳使用时间
- **盘前**（8:30-9:30）：获取前一交易日数据，制定当日策略
- **盘中**（10:00-14:30）：实时数据，调整策略
- **盘后**（15:30-20:00）：总结当日，布局明日
### 2. 结合多维度分析
智策的预测综合了四个维度：
- **宏观面**：政策、新闻、经济环境
- **基本面**：板块估值、成长性、基本面
- **资金面**：主力资金、北向资金流向
- **情绪面**：市场情绪、赚钱效应、热度
建议：
- 当四个维度共振时，信号更强
- 出现分歧时，重点关注资金面和基本面
### 3. 关注信心度
- **8-10分**：高信心，可重点关注
- **5-7分**：中等信心，谨慎参与
- **1-4分**：低信心，观望为主
### 4. 结合板块轮动
- **当前强势板块**：可能已处于高位，注意风险
- **潜力接力板块**：最佳布局时机
- **衰退板块**：及时止损或规避
### 5. 热度判断
- **最热板块**：关注度高，但可能透支
- **升温板块**：热度上升，有机会
- **降温板块**：关注度下降，注意风险
## ⚠️ 风险提示
1. **AI预测不是投资建议**
- 智策提供的是分析参考，不构成投资建议
- 投资决策需要您自己判断
2. **市场风险**
- 股市有风险，投资需谨慎
- 板块轮动可能快速变化
- 黑天鹅事件无法预测
3. **数据时效性**
- 数据有一定延迟
- 建议盘中实时验证
4. **模型局限性**
- AI模型基于历史数据训练
- 极端市场环境下可能失效
- 需要结合实际情况判断
## 🔧 技术说明
### 系统架构
```
数据采集 → AI智能体分析 → 综合研判 → 预测输出
↓ ↓ ↓ ↓
AKShare 4位分析师 加权融合 多空/轮动/热度
```
### 分析流程
1. **数据采集**：从AKShare获取实时数据
2. **特征工程**：数据清洗和特征提取
3. **多智能体分析**：四位分析师并行分析
4. **综合研判**：整合多维度分析
5. **预测生成**：输出板块多空/轮动/热度
### 模型选择
- **deepseek-chat**：适合日常使用，响应快
- **deepseek-reasoner**：适合重要决策，推理能力强
## 📞 常见问题
### Q1: 分析需要多长时间？
A: 通常2-3分钟，包括：
- 数据获取：30秒
- AI分析：1.5-2分钟
- 综合研判：30秒
### Q2: 可以分析指定板块吗？
A: 当前版本分析所有板块，未来会增加指定板块分析功能。
### Q3: 预测准确率如何？
A: AI预测是基于多维度分析的综合判断，准确率取决于市场环境。建议：
- 高信心度预测准确率相对较高
- 结合实际市场验证
- 作为参考而非唯一依据
### Q4: 数据更新频率？
A: 每次点击"开始分析"都会获取最新数据。
### Q5: 可以保存分析结果吗？
A: 可以！系统支持导出PDF报告。
- 分析完成后，点击"📥 生成PDF报告"按钮
- 等待几秒钟生成完成
- 点击"💾 下载PDF"按钮保存到本地
## 📈 使用案例
### 案例1：盘前策略制定
**时间**：8:30
**操作**：
1. 运行智策分析
2. 查看"看多板块"TOP3
3. 查看"潜力接力板块"
4. 制定当日关注列表
### 案例2：板块轮动捕捉
**时间**：盘中
**操作**：
1. 关注"当前强势板块"是否有资金流出迹象
2. 观察"潜力接力板块"是否有资金流入
3. 在轮动发生时及时切换
### 案例3：风险规避
**时间**：盘后
**操作**：
1. 查看持仓板块是否在"看空板块"中
2. 查看是否在"衰退板块"中
3. 查看是否在"降温板块"中
4. 及时调整仓位
## 🔄 更新日志
### v1.0.0 (2024-01-15)
- ✨ 首次发布
- 🤖 四位AI智能体分析师
- 📊 板块多空/轮动/热度预测
- 📈 数据可视化展示
## 📚 相关文档
- [快速开始指南](QUICK_START.md)
- [系统架构说明](README.md)
- [API配置指南](环境配置功能说明.md)
---
**提示**：智策系统持续优化中，欢迎反馈使用体验！
智策板块快速开始.md
+165
View File
@@ -0,0 +1,165 @@
# 智策板块快速开始
## 🚀 5分钟快速上手
### 第一步：启动系统
```bash
# 激活虚拟环境（如果使用）
venv\Scripts\activate
# 启动应用
streamlit run app.py
```
### 第二步：进入智策
1. 在浏览器中打开 http://localhost:8501
2. 在左侧边栏找到 **"🎯 智策板块"** 按钮
3. 点击进入智策分析界面
### 第三步：开始分析
1. 选择AI模型（建议初次使用选择 `deepseek-chat`）
2. 点击 **"🚀 开始智策分析"** 按钮
3. 等待2-3分钟，系统会自动完成分析
### 第四步：查看结果
分析完成后，查看四个标签页：
#### 1. 📋 核心预测（最重要）
- **看多板块**：重点关注信心度≥7的板块
- **板块轮动**：关注"潜力接力板块"
- **板块热度**：关注"升温板块"
#### 2. 🤖 智能体分析
- 查看四位分析师的详细报告
- 了解不同维度的分析逻辑
#### 3. 📊 综合研判
- 查看团队综合讨论结果
- 了解多维度分析的权重
#### 4. 📈 数据可视化
- 直观的图表展示
- 板块对比分析
### 第五步：导出报告（可选）
1. 点击"📥 生成PDF报告"按钮
2. 等待几秒钟生成完成
3. 点击"💾 下载PDF"按钮
4. PDF包含完整分析内容，方便保存和分享
## 💡 快速应用
### 场景1：今日盘前布局
```
1. 运行智策分析
2. 找到"看多板块"TOP3
3. 查看"潜力接力板块"
4. 在开盘后关注这些板块的龙头股
```
### 场景2：持仓检查
```
1. 运行智策分析
2. 查看持仓板块是否在"看空板块"中
3. 查看是否在"衰退板块"或"降温板块"中
4. 决定是否调整仓位
```
### 场景3：捕捉轮动机会
```
1. 关注"当前强势板块"是否见顶
2. 观察"潜力接力板块"
3. 在资金流入时提前布局
```
## ⚡ 效率技巧
### 1. 盘前快速决策（5分钟）
- 只看"核心预测"标签页
- 重点关注高信心度预测
- 快速制定今日策略
### 2. 深度研究（15分钟）
- 查看全部四个标签页
- 理解不同维度的分析逻辑
- 形成完整的投资认知
### 3. 定期复盘（每周）
- 对比预测与实际走势
- 总结成功和失败案例
- 优化使用策略
## ⚠️ 新手注意事项
1. **AI预测不是投资建议**
- 仅供参考，不构成买卖依据
- 需要结合自己的判断
2. **从小仓位开始**
- 初期用小仓位验证
- 积累经验后再加大
3. **设置止损**
- 任何预测都可能失败
- 必须设置止损保护
4. **分散投资**
- 不要全仓单一板块
- 建议3-5个板块分散
5. **关注市场变化**
- 预测有时效性
- 市场快速变化时及时调整
## 🎯 核心指标解读
### 信心度（1-10分）
- **8-10分**：高信心 → 可以重点关注
- **5-7分**：中等信心 → 谨慎参与
- **1-4分**：低信心 → 观望为主
### 板块轮动阶段
- **强势**：正在走强，注意高位风险
- **潜力**：可能接力，最佳布局时机
- **衰退**：正在走弱，及时止损
### 热度评分（0-100分）
- **80-100分**：极热，可能透支
- **60-79分**：较热，有关注度
- **40-59分**：温和，适度关注
- **0-39分**：冷清，关注度低
## 📞 遇到问题？
### 常见错误处理
**错误1：数据获取失败**
```
原因：网络问题或AKShare服务异常
解决：检查网络连接，稍后重试
```
**错误2：API调用失败**
```
原因：DeepSeek API Key未配置或失效
解决：在"⚙️ 环境配置"中检查API配置
```
**错误3：分析超时**
```
原因：网络慢或模型繁忙
解决：重新运行分析，或更换时间段
```
## 🔄 下一步
掌握基本使用后，建议：
1. 阅读[完整使用指南](智策板块使用指南.md)
2. 了解[四位AI分析师](智策板块使用指南.md#ai智能体团队)的分析逻辑
3. 学习[使用技巧](智策板块使用指南.md#使用技巧)
4. 查看[案例分析](智策板块使用指南.md#使用案例)
---
**开始您的智策之旅吧！** 🚀