增强风险管理师分析功能

.env.example

@@ -21,14 +21,6 @@ DEEPSEEK_BASE_URL=https://api.deepseek.com/v1
 # 获取地址：https://tushare.pro/register
 TUSHARE_TOKEN=
 
-# ========== AI服务商配置 ==========
-AI_PROVIDER="siliconflow"
-
-# ========== 硅基流动 API配置 ==========
-SILICONFLOW_API_KEY="YOUR_API_KEY_FROM_CLOUD_SILICONFLOW_CN"
-SILICONFLOW_BASE_URL="https://api.siliconflow.cn/v1"
-SILICONFLOW_MODEL="Qwen/Qwen2.5-72B-Instruct"
-
 
 # ========== MiniQMT量化交易配置（可选）==========
 # 是否启用MiniQMT量化交易接口
@@ -58,7 +50,7 @@ SMTP_SERVER=smtp.163.com
 
 # SMTP服务器端口
 # 常用端口：
-#   - 465：SSL加密连接（推荐）
+#   - 465：SSL加密连接163邮箱常用（推荐）
 #   - 587：TLS加密连接
 SMTP_PORT=465
 

ai_agents.py

@@ -73,13 +73,34 @@ class StockAnalysisAgents:
             "timestamp": time.strftime("%Y-%m-%d %H:%M:%S")
         }
     
-    def risk_management_agent(self, stock_info: Dict, indicators: Dict) -> Dict[str, Any]:
+    def risk_management_agent(self, stock_info: Dict, indicators: Dict, risk_data: Dict = None) -> Dict[str, Any]:
-        """风险管理智能体"""
+        """风险管理智能体（增强版）"""
         print("⚠️ 风险管理师正在评估中...")
+        
+        # 如果有风险数据，显示数据来源
+        if risk_data and risk_data.get('data_success'):
+            print("   ✓ 已获取问财风险数据（限售解禁、大股东减持、重要事件）")
+        else:
+            print("   ⚠ 未获取到风险数据，将基于基本信息分析")
+        
         time.sleep(1)
         
+        # 构建风险数据文本
+        risk_data_text = ""
+        if risk_data and risk_data.get('data_success'):
+            # 使用格式化的风险数据
+            from risk_data_fetcher import RiskDataFetcher
+            fetcher = RiskDataFetcher()
+            risk_data_text = f"""
+
+【实际风险数据】（来自问财）
+{fetcher.format_risk_data_for_ai(risk_data)}
+
+以上是通过问财（pywencai）获取的实际风险数据，请重点关注这些数据进行深度风险分析。
+"""
+        
         risk_prompt = f"""
-作为风险管理专家，请基于以下信息进行风险评估：
+作为资深风险管理专家，请基于以下信息进行全面深度的风险评估：
 
 股票信息：
 - 股票代码：{stock_info.get('symbol', 'N/A')}
@@ -93,32 +114,105 @@ class StockAnalysisAgents:
 - RSI：{indicators.get('rsi', 'N/A')}
 - 布林带位置：当前价格相对于上下轨的位置
 - 波动率指标等
+{risk_data_text}
 
-请从以下角度进行风险评估：
+⚠️ 重要提示：以上风险数据是从问财（pywencai）实时查询的完整原始数据，请你：
-1. 市场风险（系统性风险）
+1. 仔细解析每一条记录的所有字段信息
-2. 个股风险（非系统性风险）
+2. 识别数据中的关键风险点（时间、规模、频率、股东身份等）
-3. 流动性风险
+3. 对数据进行深度分析，不要遗漏任何重要信息
-4. 波动性风险
+4. 如果数据中有日期字段，要特别关注最近的记录和即将发生的事件
-5. 估值风险
+5. 如果数据中有金额/比例字段，要评估其规模和影响力
-6. 行业风险
+6. 基于实际数据给出量化的风险评估，而不是空泛的描述
-7. 风险等级评定（低/中/高）
-8. 风险控制建议
 
-给出专业的风险评估报告。
+请从以下角度进行全面的风险评估：
+
+1. **限售解禁风险分析** ⭐ 重点
+   - 解禁时间和规模评估
+   - 解禁对股价的潜在冲击
+   - 解禁股东类型分析（创始人/投资机构/其他）
+   - 历史解禁后股价走势参考
+   - 风险等级评定和应对建议
+
+2. **股东减持风险分析** ⭐ 重点
+   - 减持频率和力度评估
+   - 减持股东身份和意图分析
+   - 减持对市场信心的影响
+   - 是否存在连续减持或集中减持
+   - 风险警示和投资建议
+
+3. **重要事件风险分析** ⭐ 重点
+   - 识别可能影响股价的重大事件
+   - 事件性质判断（利好/利空/中性）
+   - 事件影响的时间维度（短期/中期/长期）
+   - 事件的确定性和不确定性
+   - 风险提示和关注要点
+
+4. **市场风险（系统性风险）**
+   - 宏观经济环境风险
+   - 市场整体走势风险
+   - Beta系数反映的市场敏感度
+   - 系统性风险应对策略
+
+5. **个股风险（非系统性风险）**
+   - 公司基本面风险
+   - 经营管理风险
+   - 竞争力风险
+   - 行业地位风险
+
+6. **流动性风险**
+   - 成交量和换手率分析
+   - 买卖盘深度评估
+   - 流动性枯竭风险
+   - 大额交易影响评估
+
+7. **波动性风险**
+   - 价格波动幅度分析
+   - 52周最高最低位分析
+   - RSI等技术指标的风险提示
+   - 波动率对投资的影响
+
+8. **估值风险**
+   - 当前估值水平评估
+   - 市场预期和估值偏差
+   - 估值过高风险警示
+
+9. **行业风险**
+   - 行业周期阶段
+   - 行业竞争格局
+   - 行业政策风险
+   - 行业技术变革风险
+
+10. **综合风险评定**
+    - 风险等级评定（低/中/高）
+    - 主要风险因素排序
+    - 风险暴露时间窗口
+    - 风险演变趋势判断
+
+11. **风险控制建议** ⭐ 核心
+    - 仓位控制建议（具体比例）
+    - 止损位设置建议（具体价位）
+    - 风险规避策略（什么情况下不建议投资）
+    - 风险对冲方案（如果适用）
+    - 持仓时间建议
+    - 重点关注指标和信号
+
+请基于实际数据进行客观、专业、严谨的风险评估，给出可操作的风险控制建议。
+如果某些风险数据缺失，也要指出数据缺失本身可能带来的风险。
 """
         
         messages = [
-            {"role": "system", "content": "你是一名专业的风险管理专家，具有丰富的风险识别和控制经验。"},
+            {"role": "system", "content": "你是一名资深的风险管理专家，具有20年以上的风险识别和控制经验，擅长全面评估各类投资风险，特别关注限售解禁、股东减持、重要事件等可能影响股价的风险因素。你擅长从海量原始数据中提取关键信息，进行深度解析和量化评估。"},
             {"role": "user", "content": risk_prompt}
         ]
         
-        analysis = self.deepseek_client.call_api(messages)
+        analysis = self.deepseek_client.call_api(messages, max_tokens=6000)
         
         return {
             "agent_name": "风险管理师",
             "agent_role": "负责风险识别、风险评估、风险控制策略制定",
             "analysis": analysis,
-            "focus_areas": ["风险识别", "风险量化", "风险控制", "资产配置"],
+            "focus_areas": ["限售解禁风险", "股东减持风险", "重要事件风险", "风险识别", "风险量化", "风险控制", "资产配置"],
+            "risk_data": risk_data,  # 保存风险数据以供后续使用
             "timestamp": time.strftime("%Y-%m-%d %H:%M:%S")
         }
     
@@ -313,7 +407,7 @@ class StockAnalysisAgents:
     def run_multi_agent_analysis(self, stock_info: Dict, stock_data: Any, indicators: Dict, 
                                  financial_data: Dict = None, fund_flow_data: Dict = None, 
                                  sentiment_data: Dict = None, news_data: Dict = None,
-                                 quarterly_data: Dict = None,
+                                 quarterly_data: Dict = None, risk_data: Dict = None,
                                  enabled_analysts: Dict = None) -> Dict[str, Any]:
         """运行多智能体分析
         
@@ -356,9 +450,9 @@ class StockAnalysisAgents:
         if enabled_analysts.get('fund_flow', True):
             agents_results["fund_flow"] = self.fund_flow_analyst_agent(stock_info, indicators, fund_flow_data)
         
-        # 风险管理分析
+        # 风险管理分析（传入风险数据）
         if enabled_analysts.get('risk', True):
-            agents_results["risk_management"] = self.risk_management_agent(stock_info, indicators)
+            agents_results["risk_management"] = self.risk_management_agent(stock_info, indicators, risk_data)
         
         # 市场情绪分析（传入市场情绪数据）
         if enabled_analysts.get('sentiment', False):

app.py

@@ -636,9 +636,21 @@ def main():
             
             st.info(f"📊 准备分析 {len(stock_list)} 只股票: {', '.join(stock_list)}")
             
-            # 清除之前的批量分析结果
+            # 清除之前的分析结果（包括单个和批量）
             if 'batch_analysis_results' in st.session_state:
                 del st.session_state.batch_analysis_results
+            if 'analysis_completed' in st.session_state:
+                del st.session_state.analysis_completed
+            if 'stock_info' in st.session_state:
+                del st.session_state.stock_info
+            if 'agents_results' in st.session_state:
+                del st.session_state.agents_results
+            if 'discussion_result' in st.session_state:
+                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
             
             # 获取批量模式
             batch_mode = st.session_state.get('batch_mode', '顺序分析')
@@ -646,8 +658,12 @@ 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批量分析结果（优先显示批量结果）
+    if 'batch_analysis_results' in st.session_state and st.session_state.batch_analysis_results:
+        display_batch_analysis_results(st.session_state.batch_analysis_results, period)
+    
     # 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:
+    elif 'analysis_completed' in st.session_state and st.session_state.analysis_completed:
         # 如果是刚刚完成的分析，清除标志，避免重复显示
         if st.session_state.get('just_completed', False):
             st.session_state.just_completed = False
@@ -677,10 +693,6 @@ def main():
             # 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:
-        display_batch_analysis_results(st.session_state.batch_analysis_results, period)
-    
     # 示例和说明
     elif not stock_input:
         show_example_interface()
@@ -832,6 +844,15 @@ def analyze_single_stock_for_batch(symbol, period, enabled_analysts_config=None,
             except:
                 pass
         
+        # 5.5 获取风险数据（限售解禁、大股东减持、重要事件，可选）
+        risk_data = None
+        enable_risk = enabled_analysts_config.get('risk', True)
+        if enable_risk and fetcher._is_chinese_stock(symbol):
+            try:
+                risk_data = fetcher.get_risk_data(symbol)
+            except:
+                pass
+        
         # 6. 初始化AI分析系统
         agents = StockAnalysisAgents(model=selected_model)
         
@@ -841,7 +862,7 @@ def analyze_single_stock_for_batch(symbol, period, enabled_analysts_config=None,
         # 7. 运行多智能体分析
         agents_results = agents.run_multi_agent_analysis(
             stock_info, stock_data, indicators, financial_data, 
-            fund_flow_data, sentiment_data, news_data, quarterly_data,
+            fund_flow_data, sentiment_data, news_data, quarterly_data, risk_data,
             enabled_analysts=enabled_analysts_config
         )
         
@@ -1137,6 +1158,36 @@ def run_stock_analysis(symbol, period):
                 news_data = None
         elif enable_news and not fetcher._is_chinese_stock(symbol):
             st.info("ℹ️ 美股暂不支持新闻数据")
+        progress_bar.progress(45)
+        
+        # 5.5 获取风险数据（仅在选择了风险管理师时，使用问财数据源）
+        enable_risk = st.session_state.get('enable_risk', True)
+        risk_data = None
+        if enable_risk and fetcher._is_chinese_stock(symbol):
+            status_text.text("⚠️ 正在获取风险数据（限售解禁、大股东减持、重要事件）...")
+            try:
+                risk_data = fetcher.get_risk_data(symbol)
+                if risk_data and risk_data.get('data_success'):
+                    # 统计获取到的风险数据类型
+                    risk_types = []
+                    if risk_data.get('lifting_ban') and risk_data['lifting_ban'].get('has_data'):
+                        risk_types.append("限售解禁")
+                    if risk_data.get('shareholder_reduction') and risk_data['shareholder_reduction'].get('has_data'):
+                        risk_types.append("大股东减持")
+                    if risk_data.get('important_events') and risk_data['important_events'].get('has_data'):
+                        risk_types.append("重要事件")
+                    
+                    if risk_types:
+                        st.info(f"✅ 成功获取风险数据：{', '.join(risk_types)}")
+                    else:
+                        st.info("ℹ️ 暂无风险相关数据")
+                else:
+                    st.info("ℹ️ 暂无风险相关数据，将基于基本信息进行风险分析")
+            except Exception as e:
+                st.warning(f"⚠️ 获取风险数据时出错: {str(e)}")
+                risk_data = None
+        elif enable_risk and not fetcher._is_chinese_stock(symbol):
+            st.info("ℹ️ 美股暂不支持风险数据（限售解禁、大股东减持等）")
         progress_bar.progress(50)
         
         # 6. 初始化AI分析系统
@@ -1165,7 +1216,7 @@ def run_stock_analysis(symbol, period):
         status_text.text("🔍 AI分析师团队正在分析,请耐心等待几分钟...")
         agents_results = agents.run_multi_agent_analysis(
             stock_info, stock_data, indicators, financial_data, 
-            fund_flow_data, sentiment_data, news_data, quarterly_data,
+            fund_flow_data, sentiment_data, news_data, quarterly_data, risk_data,
             enabled_analysts=enabled_analysts
         )
         progress_bar.progress(75)
@@ -2504,22 +2555,16 @@ def display_comparison_table(results):
     df = pd.DataFrame(comparison_data)
     
     # 应用样式
-    def highlight_rating(val):
+    # 显示表格（不使用样式，避免matplotlib导入问题）
-        if val == '买入' or val == '强烈买入':
-            return 'background-color: #c8e6c9; color: #2e7d32;'
-        elif val == '持有':
-            return 'background-color: #fff9c4; color: #f57f17;'
-        elif val == '卖出' or val == '强烈卖出':
-            return 'background-color: #ffcdd2; color: #c62828;'
-        return ''
-    
-    # 显示表格
     st.dataframe(
-        df.style.applymap(highlight_rating, subset=['投资评级']),
+        df,
         use_container_width=True,
         height=400
     )
     
+    # 添加评级说明
+    st.caption("💡 投资评级说明：强烈买入 > 买入 > 持有 > 卖出 > 强烈卖出")
+    
     # 添加筛选功能
     st.markdown("---")
     st.subheader("🔍 快速筛选")

risk_data_fetcher.py

@@ -0,0 +1,469 @@
+"""
+风险数据获取模块
+使用pywencai获取股票风险相关信息：
+1. 限售解禁数据
+2. 大股东减持公告
+3. 近期重要事件
+"""
+
+import pywencai
+import pandas as pd
+from typing import Dict, Any
+import time
+import warnings
+import os
+
+# 屏蔽pywencai的Node.js警告信息（不影响功能）
+warnings.filterwarnings('ignore', category=DeprecationWarning)
+os.environ['PYTHONWARNINGS'] = 'ignore::DeprecationWarning'
+os.environ['NODE_NO_WARNINGS'] = '1'  # 屏蔽Node.js警告
+
+
+class RiskDataFetcher:
+    """风险数据获取类"""
+    
+    def __init__(self):
+        """初始化"""
+        pass
+    
+    def get_risk_data(self, symbol: str) -> Dict[str, Any]:
+        """
+        获取股票风险相关数据
+        
+        Args:
+            symbol: 股票代码（如：600000）
+            
+        Returns:
+            包含风险数据的字典
+        """
+        print(f"\n正在获取 {symbol} 的风险数据...")
+        
+        risk_data = {
+            'symbol': symbol,
+            'data_success': False,
+            'lifting_ban': None,  # 限售解禁数据
+            'shareholder_reduction': None,  # 大股东减持数据
+            'important_events': None,  # 重要事件数据
+            'error': None
+        }
+        
+        try:
+            # 1. 获取限售解禁数据
+            print("   查询限售解禁数据...")
+            lifting_ban = self._get_lifting_ban_data(symbol)
+            risk_data['lifting_ban'] = lifting_ban
+            if lifting_ban and lifting_ban.get('has_data'):
+                print(f"   获取到限售解禁数据")
+            else:
+                print(f"   暂无限售解禁数据")
+            
+            time.sleep(1)  # 避免请求过快
+            
+            # 2. 获取大股东减持公告
+            print("   查询大股东减持公告...")
+            reduction = self._get_shareholder_reduction_data(symbol)
+            risk_data['shareholder_reduction'] = reduction
+            if reduction and reduction.get('has_data'):
+                print(f"   获取到大股东减持数据")
+            else:
+                print(f"   暂无大股东减持数据")
+            
+            time.sleep(1)  # 避免请求过快
+            
+            # 3. 获取近期重要事件
+            print("   查询近期重要事件...")
+            events = self._get_important_events_data(symbol)
+            risk_data['important_events'] = events
+            if events and events.get('has_data'):
+                print(f"   获取到重要事件数据")
+            else:
+                print(f"   暂无重要事件数据")
+            
+            # 如果至少有一个数据源成功，则认为获取成功
+            if (lifting_ban and lifting_ban.get('has_data')) or \
+               (reduction and reduction.get('has_data')) or \
+               (events and events.get('has_data')):
+                risk_data['data_success'] = True
+                print(f"风险数据获取完成")
+            else:
+                print(f"未获取到风险相关数据")
+                
+        except Exception as e:
+            print(f"风险数据获取失败: {str(e)}")
+            risk_data['error'] = str(e)
+        
+        return risk_data
+    
+    def _get_lifting_ban_data(self, symbol: str) -> Dict[str, Any]:
+        """获取限售解禁数据"""
+        result = {
+            'has_data': False,
+            'query': f"{symbol}限售解禁",
+            'data': None,
+            'summary': None
+        }
+        
+        try:
+            # 构建问句
+            query = f"{symbol}限售解禁"
+            
+            # 使用pywencai查询
+            response = pywencai.get(query=query, loop=True)
+            
+            if response is None:
+                return result
+            
+            # 处理返回结果
+            df_result = self._convert_to_dataframe(response)
+            
+            if df_result is None or df_result.empty:
+                return result
+            
+            # 提取有用的信息
+            result['has_data'] = True
+            result['data'] = df_result
+            
+            # 生成摘要
+            summary = []
+            
+            # 尝试提取关键字段
+            if '解禁时间' in df_result.columns or '限售解禁日' in df_result.columns:
+                time_col = '解禁时间' if '解禁时间' in df_result.columns else '限售解禁日'
+                summary.append(f"发现 {len(df_result)} 条解禁记录")
+                
+                # 提取最近的解禁记录
+                recent_records = df_result.head(5)
+                for idx, row in recent_records.iterrows():
+                    record_info = []
+                    if time_col in row.index:
+                        record_info.append(f"日期: {row[time_col]}")
+                    if '解禁股数' in row.index:
+                        record_info.append(f"解禁股数: {row['解禁股数']}")
+                    if '解禁市值' in row.index:
+                        record_info.append(f"解禁市值: {row['解禁市值']}")
+                    if '股东名称' in row.index:
+                        record_info.append(f"股东: {row['股东名称']}")
+                    
+                    if record_info:
+                        summary.append(" | ".join(record_info))
+            else:
+                # 如果没有标准字段，只记录有数据
+                summary.append(f"获取到 {len(df_result)} 条相关记录")
+            
+            result['summary'] = "\n".join(summary) if summary else "有限售解禁数据"
+            
+        except Exception as e:
+            result['error'] = str(e)
+        
+        return result
+    
+    def _get_shareholder_reduction_data(self, symbol: str) -> Dict[str, Any]:
+        """获取大股东减持公告数据"""
+        result = {
+            'has_data': False,
+            'query': f"{symbol}大股东减持公告",
+            'data': None,
+            'summary': None
+        }
+        
+        try:
+            # 构建问句
+            query = f"{symbol}大股东减持公告"
+            
+            # 使用pywencai查询
+            response = pywencai.get(query=query, loop=True)
+            
+            if response is None:
+                return result
+            
+            # 处理返回结果
+            df_result = self._convert_to_dataframe(response)
+            
+            if df_result is None or df_result.empty:
+                return result
+            
+            # 提取有用的信息
+            result['has_data'] = True
+            result['data'] = df_result
+            
+            # 生成摘要
+            summary = []
+            
+            # 尝试提取关键字段
+            if '公告日期' in df_result.columns or '减持日期' in df_result.columns:
+                date_col = '公告日期' if '公告日期' in df_result.columns else '减持日期'
+                summary.append(f"发现 {len(df_result)} 条减持公告")
+                
+                # 提取最近的减持记录
+                recent_records = df_result.head(5)
+                for idx, row in recent_records.iterrows():
+                    record_info = []
+                    if date_col in row.index:
+                        record_info.append(f"日期: {row[date_col]}")
+                    if '股东名称' in row.index:
+                        record_info.append(f"股东: {row['股东名称']}")
+                    if '减持股数' in row.index:
+                        record_info.append(f"减持股数: {row['减持股数']}")
+                    if '减持比例' in row.index:
+                        record_info.append(f"减持比例: {row['减持比例']}")
+                    
+                    if record_info:
+                        summary.append(" | ".join(record_info))
+            else:
+                # 如果没有标准字段，只记录有数据
+                summary.append(f"获取到 {len(df_result)} 条相关记录")
+            
+            result['summary'] = "\n".join(summary) if summary else "有大股东减持数据"
+            
+        except Exception as e:
+            result['error'] = str(e)
+        
+        return result
+    
+    def _get_important_events_data(self, symbol: str) -> Dict[str, Any]:
+        """获取近期重要事件数据"""
+        result = {
+            'has_data': False,
+            'query': f"{symbol}近期重要事件",
+            'data': None,
+            'summary': None
+        }
+        
+        try:
+            # 构建问句
+            query = f"{symbol}近期重要事件"
+            
+            # 使用pywencai查询
+            response = pywencai.get(query=query, loop=True)
+            
+            if response is None:
+                return result
+            
+            # 处理返回结果
+            df_result = self._convert_to_dataframe(response)
+            
+            if df_result is None or df_result.empty:
+                return result
+            
+            # 提取有用的信息
+            result['has_data'] = True
+            result['data'] = df_result
+            
+            # 生成摘要
+            summary = []
+            
+            # 尝试提取关键字段
+            if '事件时间' in df_result.columns or '公告日期' in df_result.columns:
+                time_col = '事件时间' if '事件时间' in df_result.columns else '公告日期'
+                summary.append(f"发现 {len(df_result)} 条重要事件")
+                
+                # 提取最近的事件
+                recent_events = df_result.head(10)
+                for idx, row in recent_events.iterrows():
+                    event_info = []
+                    if time_col in row.index:
+                        event_info.append(f"时间: {row[time_col]}")
+                    if '事件类型' in row.index:
+                        event_info.append(f"类型: {row['事件类型']}")
+                    if '事件内容' in row.index:
+                        content = str(row['事件内容'])[:100]  # 限制长度
+                        event_info.append(f"内容: {content}")
+                    elif '标题' in row.index:
+                        title = str(row['标题'])[:100]
+                        event_info.append(f"标题: {title}")
+                    
+                    if event_info:
+                        summary.append(" | ".join(event_info))
+            else:
+                # 如果没有标准字段，只记录有数据
+                summary.append(f"获取到 {len(df_result)} 条相关记录")
+            
+            result['summary'] = "\n".join(summary) if summary else "有重要事件数据"
+            
+        except Exception as e:
+            result['error'] = str(e)
+        
+        return result
+    
+    def _convert_to_dataframe(self, result) -> pd.DataFrame:
+        """将pywencai返回结果转换为DataFrame"""
+        try:
+            if result is None:
+                return None
+            
+            df_result = None
+            
+            if isinstance(result, dict):
+                try:
+                    df_result = pd.DataFrame([result])
+                except Exception:
+                    return None
+            elif isinstance(result, pd.DataFrame):
+                df_result = result
+            else:
+                return None
+            
+            if df_result is None or df_result.empty:
+                return None
+            
+            # 处理嵌套结构（tableV1）
+            if 'tableV1' in df_result.columns and len(df_result.columns) == 1:
+                table_v1_data = df_result.iloc[0]['tableV1']
+                if isinstance(table_v1_data, pd.DataFrame):
+                    df_result = table_v1_data
+                elif isinstance(table_v1_data, list) and len(table_v1_data) > 0:
+                    df_result = pd.DataFrame(table_v1_data)
+                else:
+                    return None
+            
+            # 处理嵌套结构（title_content等单列嵌套）
+            # 如果只有一列，且该列的值是DataFrame，则展开
+            if len(df_result.columns) == 1:
+                col_name = df_result.columns[0]
+                first_value = df_result.iloc[0][col_name]
+                if isinstance(first_value, pd.DataFrame):
+                    print(f"   检测到嵌套DataFrame（列名: {col_name}），正在展开...")
+                    df_result = first_value
+            
+            return df_result if not df_result.empty else None
+            
+        except Exception as e:
+            print(f"   转换DataFrame时出错: {str(e)}")
+            return None
+    
+    def format_risk_data_for_ai(self, risk_data: Dict[str, Any]) -> str:
+        """格式化风险数据供AI分析使用 - 直接转换DataFrame为字符串"""
+        if not risk_data or not risk_data.get('data_success'):
+            return "未获取到风险数据"
+        
+        formatted_text = []
+        
+        try:
+            # 1. 限售解禁数据
+            lifting_ban = risk_data.get('lifting_ban')
+            if lifting_ban and lifting_ban.get('has_data') and lifting_ban.get('data') is not None:
+                formatted_text.append("=" * 80)
+                formatted_text.append("【限售解禁数据】")
+                formatted_text.append("=" * 80)
+                formatted_text.append(f"查询语句: {lifting_ban.get('query', '')}")
+                formatted_text.append("")
+                
+                # 直接将DataFrame转换为字符串（最多50行）
+                df = lifting_ban.get('data')
+                try:
+                    df_str = df.head(50).to_string(index=False, max_rows=50, max_cols=20)
+                    formatted_text.append(f"共 {len(df)} 条记录，显示前50条：")
+                    formatted_text.append(df_str)
+                except Exception as e:
+                    formatted_text.append(f"数据转换失败: {str(e)}")
+                formatted_text.append("")
+        
+            # 2. 大股东减持数据
+            reduction = risk_data.get('shareholder_reduction')
+            if reduction and reduction.get('has_data') and reduction.get('data') is not None:
+                formatted_text.append("=" * 80)
+                formatted_text.append("【大股东减持数据】")
+                formatted_text.append("=" * 80)
+                formatted_text.append(f"查询语句: {reduction.get('query', '')}")
+                formatted_text.append("")
+                
+                # 直接将DataFrame转换为字符串（最多50行）
+                df = reduction.get('data')
+                try:
+                    df_str = df.head(50).to_string(index=False, max_rows=50, max_cols=20)
+                    formatted_text.append(f"共 {len(df)} 条记录，显示前50条：")
+                    formatted_text.append(df_str)
+                except Exception as e:
+                    formatted_text.append(f"数据转换失败: {str(e)}")
+                formatted_text.append("")
+        
+            # 3. 重要事件数据
+            events = risk_data.get('important_events')
+            if events and events.get('has_data') and events.get('data') is not None:
+                formatted_text.append("=" * 80)
+                formatted_text.append("【重要事件数据】")
+                formatted_text.append("=" * 80)
+                formatted_text.append(f"查询语句: {events.get('query', '')}")
+                formatted_text.append("")
+                
+                # 直接将DataFrame转换为字符串（最多50行）
+                df = events.get('data')
+                try:
+                    df_str = df.head(50).to_string(index=False, max_rows=50, max_cols=20)
+                    formatted_text.append(f"共 {len(df)} 条记录，显示前50条：")
+                    formatted_text.append(df_str)
+                except Exception as e:
+                    formatted_text.append(f"数据转换失败: {str(e)}")
+                formatted_text.append("")
+            
+            return "\n".join(formatted_text) if formatted_text else "暂无风险数据"
+            
+        except Exception as e:
+            print(f"格式化风险数据时出错: {str(e)}")
+            import traceback
+            traceback.print_exc()
+            return f"格式化风险数据时出错: {str(e)}"
+    
+    def _format_dataframe_for_ai(self, df: pd.DataFrame, data_type: str) -> str:
+        """将DataFrame格式化为AI易读的文本格式"""
+        lines = []
+        
+        # 显示数据总数
+        lines.append(f"共 {len(df)} 条{data_type}记录")
+        lines.append("")
+        
+        # 显示列名
+        lines.append(f"数据字段：{', '.join(df.columns.tolist())}")
+        lines.append("")
+        
+        # 逐行显示数据（最多显示50条，避免数据过大）
+        max_rows = min(50, len(df))
+        
+        for idx, row in df.head(max_rows).iterrows():
+            lines.append(f"【记录 {idx + 1}】")
+            
+            # 显示每个字段的值
+            for col in df.columns:
+                value = row[col]
+                
+                # 处理不同类型的值
+                if pd.isna(value):
+                    value_str = "无数据"
+                elif isinstance(value, (int, float)):
+                    value_str = str(value)
+                else:
+                    value_str = str(value)
+                    # 限制过长的字符串
+                    if len(value_str) > 200:
+                        value_str = value_str[:200] + "..."
+                
+                lines.append(f"  {col}: {value_str}")
+            
+            lines.append("")
+        
+        if len(df) > max_rows:
+            lines.append(f"... 还有 {len(df) - max_rows} 条记录（已省略）")
+            lines.append("")
+        
+        return "\n".join(lines)
+
+
+# 测试代码
+if __name__ == "__main__":
+    fetcher = RiskDataFetcher()
+    
+    # 测试获取风险数据
+    test_symbol = "600000"
+    print(f"测试获取 {test_symbol} 的风险数据...")
+    
+    risk_data = fetcher.get_risk_data(test_symbol)
+    
+    print("\n" + "=" * 60)
+    print("获取结果:")
+    print("=" * 60)
+    print(f"数据获取成功: {risk_data['data_success']}")
+    
+    if risk_data['data_success']:
+        print("\n格式化的风险数据:")
+        print(fetcher.format_risk_data_for_ai(risk_data))
+

stock_data.py

@@ -816,6 +816,34 @@ class StockDataFetcher:
     # - 新方案：使用 akshare 的 stock_individual_fund_flow 接口
     # - 新方案优势：数据标准化、准确获取最近20个交易日、6类资金详细分类
     
+    def get_risk_data(self, symbol):
+        """
+        获取股票风险数据（限售解禁、大股东减持、重要事件）
+        只支持中国A股
+        """
+        try:
+            # 只有中国A股才支持风险数据查询
+            if not self._is_chinese_stock(symbol):
+                return {
+                    'symbol': symbol,
+                    'data_success': False,
+                    'error': '仅支持中国A股风险数据查询'
+                }
+            
+            # 使用风险数据获取器
+            from risk_data_fetcher import RiskDataFetcher
+            fetcher = RiskDataFetcher()
+            risk_data = fetcher.get_risk_data(symbol)
+            
+            return risk_data
+            
+        except Exception as e:
+            return {
+                'symbol': symbol,
+                'data_success': False,
+                'error': f'获取风险数据失败: {str(e)}'
+            }
+    
     def _safe_convert(self, value):
         """安全地转换数值"""
         if value is None or value == '' or (isinstance(value, float) and np.isnan(value)):

test_risk_data.py

@@ -0,0 +1,173 @@
+"""
+风险数据获取功能测试脚本
+测试pywencai获取限售解禁、大股东减持、重要事件数据
+"""
+
+from risk_data_fetcher import RiskDataFetcher
+
+
+def test_risk_data_fetcher():
+    """测试风险数据获取器"""
+    
+    print("=" * 80)
+    print("风险数据获取功能测试")
+    print("=" * 80)
+    
+    # 初始化获取器
+    fetcher = RiskDataFetcher()
+    
+    # 测试股票列表（建议使用大盘股，数据更全）
+    test_symbols = [
+        "600000",  # 浦发银行
+        "000001",  # 平安银行
+        "600519",  # 茅台
+    ]
+    
+    for symbol in test_symbols:
+        print(f"\n{'=' * 80}")
+        print(f"测试股票: {symbol}")
+        print(f"{'=' * 80}")
+        
+        # 获取风险数据
+        risk_data = fetcher.get_risk_data(symbol)
+        
+        # 显示结果
+        print(f"\n数据获取成功: {risk_data.get('data_success', False)}")
+        
+        if risk_data.get('error'):
+            print(f"错误信息: {risk_data['error']}")
+            continue
+        
+        # 显示限售解禁数据
+        lifting_ban = risk_data.get('lifting_ban')
+        if lifting_ban and lifting_ban.get('has_data'):
+            print(f"\n✅ 限售解禁数据:")
+            print(f"   查询语句: {lifting_ban.get('query')}")
+            df_data = lifting_ban.get('data')
+            if df_data is not None and not df_data.empty:
+                print(f"   记录数: {len(df_data)}")
+                print(f"   字段: {', '.join(df_data.columns.tolist())}")
+                print(f"   前3条记录:")
+                print(df_data.head(3).to_string(index=False))
+        else:
+            print(f"\nℹ️ 暂无限售解禁数据")
+        
+        # 显示股东减持数据
+        reduction = risk_data.get('shareholder_reduction')
+        if reduction and reduction.get('has_data'):
+            print(f"\n✅ 大股东减持数据:")
+            print(f"   查询语句: {reduction.get('query')}")
+            df_data = reduction.get('data')
+            if df_data is not None and not df_data.empty:
+                print(f"   记录数: {len(df_data)}")
+                print(f"   字段: {', '.join(df_data.columns.tolist())}")
+                print(f"   前3条记录:")
+                print(df_data.head(3).to_string(index=False))
+        else:
+            print(f"\nℹ️ 暂无大股东减持数据")
+        
+        # 显示重要事件数据
+        events = risk_data.get('important_events')
+        if events and events.get('has_data'):
+            print(f"\n✅ 重要事件数据:")
+            print(f"   查询语句: {events.get('query')}")
+            df_data = events.get('data')
+            if df_data is not None and not df_data.empty:
+                print(f"   记录数: {len(df_data)}")
+                print(f"   字段: {', '.join(df_data.columns.tolist())}")
+                print(f"   前3条记录:")
+                print(df_data.head(3).to_string(index=False))
+        else:
+            print(f"\nℹ️ 暂无重要事件数据")
+        
+        # 显示格式化后的数据
+        print(f"\n{'=' * 80}")
+        print("格式化供AI分析的数据:")
+        print(f"{'=' * 80}")
+        formatted_data = fetcher.format_risk_data_for_ai(risk_data)
+        print(formatted_data)
+    
+    print(f"\n{'=' * 80}")
+    print("测试完成！")
+    print(f"{'=' * 80}")
+
+
+def test_risk_management_agent():
+    """测试风险管理师功能"""
+    
+    print("\n" + "=" * 80)
+    print("风险管理师AI分析测试")
+    print("=" * 80)
+    
+    # 需要配置API Key才能测试
+    try:
+        from ai_agents import StockAnalysisAgents
+        from risk_data_fetcher import RiskDataFetcher
+        
+        # 测试股票
+        test_symbol = "600000"
+        
+        print(f"\n测试股票: {test_symbol}")
+        
+        # 获取风险数据
+        fetcher = RiskDataFetcher()
+        risk_data = fetcher.get_risk_data(test_symbol)
+        
+        if not risk_data.get('data_success'):
+            print("未获取到风险数据，跳过AI分析测试")
+            return
+        
+        # 模拟股票信息和指标
+        stock_info = {
+            'symbol': test_symbol,
+            'name': '测试股票',
+            'current_price': 10.5,
+            'beta': 1.2,
+            '52_week_high': 12.0,
+            '52_week_low': 8.5
+        }
+        
+        indicators = {
+            'rsi': 65.5,
+            'macd': 0.15
+        }
+        
+        # 初始化AI分析系统
+        print("\n初始化AI分析系统...")
+        agents = StockAnalysisAgents()
+        
+        # 运行风险管理师分析
+        print("\n运行风险管理师分析...")
+        result = agents.risk_management_agent(stock_info, indicators, risk_data)
+        
+        # 显示分析结果
+        print(f"\n{'=' * 80}")
+        print(f"分析师: {result['agent_name']}")
+        print(f"职责: {result['agent_role']}")
+        print(f"关注领域: {', '.join(result['focus_areas'])}")
+        print(f"{'=' * 80}")
+        print("\n分析报告:")
+        print(result['analysis'])
+        
+    except ImportError as e:
+        print(f"⚠️ 导入模块失败: {e}")
+        print("提示：请确保已安装所有依赖并配置API Key")
+    except Exception as e:
+        print(f"❌ 测试失败: {e}")
+
+
+if __name__ == "__main__":
+    # 测试1：风险数据获取
+    test_risk_data_fetcher()
+    
+    # 测试2：AI分析（需要API Key）
+    print("\n\n是否测试AI分析功能？（需要配置DeepSeek API Key）")
+    user_input = input("输入 y 继续，其他键跳过: ")
+    
+    if user_input.lower() == 'y':
+        test_risk_management_agent()
+    else:
+        print("\n跳过AI分析测试")
+    
+    print("\n✅ 所有测试完成！")
+

test_risk_data_debug.py

@@ -0,0 +1,146 @@
+"""
+调试风险数据获取和格式化
+检查数据是否真的传递给AI
+"""
+
+from risk_data_fetcher import RiskDataFetcher
+import json
+
+
+def test_full_data_flow(symbol="300433"):
+    """测试完整数据流程"""
+    
+    print("=" * 80)
+    print(f"测试股票: {symbol}")
+    print("=" * 80)
+    
+    fetcher = RiskDataFetcher()
+    
+    # 1. 获取原始数据
+    print("\n【步骤1】获取原始风险数据...")
+    risk_data = fetcher.get_risk_data(symbol)
+    
+    print(f"\n数据获取成功: {risk_data.get('data_success', False)}")
+    
+    # 2. 查看每类数据的详情
+    print("\n【步骤2】查看原始数据详情...")
+    
+    # 限售解禁
+    lifting_ban = risk_data.get('lifting_ban')
+    if lifting_ban:
+        print(f"\n限售解禁数据:")
+        print(f"  has_data: {lifting_ban.get('has_data')}")
+        df = lifting_ban.get('data')
+        if df is not None:
+            print(f"  记录数: {len(df)}")
+            print(f"  列名: {list(df.columns)}")
+            print(f"\n  前3条数据:")
+            print(df.head(3))
+        else:
+            print(f"  data字段为None")
+    
+    # 大股东减持
+    reduction = risk_data.get('shareholder_reduction')
+    if reduction:
+        print(f"\n大股东减持数据:")
+        print(f"  has_data: {reduction.get('has_data')}")
+        df = reduction.get('data')
+        if df is not None:
+            print(f"  记录数: {len(df)}")
+            print(f"  列名: {list(df.columns)}")
+            print(f"\n  前3条数据:")
+            print(df.head(3))
+            print(f"\n  完整第1条数据:")
+            if len(df) > 0:
+                first_row = df.iloc[0]
+                for col in df.columns:
+                    print(f"    {col}: {first_row[col]}")
+        else:
+            print(f"  data字段为None")
+    
+    # 重要事件
+    events = risk_data.get('important_events')
+    if events:
+        print(f"\n重要事件数据:")
+        print(f"  has_data: {events.get('has_data')}")
+        df = events.get('data')
+        if df is not None:
+            print(f"  记录数: {len(df)}")
+            print(f"  列名: {list(df.columns)}")
+            print(f"\n  前3条数据:")
+            print(df.head(3))
+        else:
+            print(f"  data字段为None")
+    
+    # 3. 测试格式化后的数据
+    print("\n" + "=" * 80)
+    print("【步骤3】测试格式化后传给AI的数据")
+    print("=" * 80)
+    
+    formatted_data = fetcher.format_risk_data_for_ai(risk_data)
+    
+    print("\n格式化后的数据长度:", len(formatted_data), "字符")
+    print("\n格式化后的数据内容:")
+    print(formatted_data)
+    
+    # 4. 保存到文件供查看
+    print("\n" + "=" * 80)
+    print("【步骤4】保存数据到文件")
+    print("=" * 80)
+    
+    with open("risk_data_debug_output.txt", "w", encoding="utf-8") as f:
+        f.write("=" * 80 + "\n")
+        f.write("原始数据结构\n")
+        f.write("=" * 80 + "\n\n")
+        
+        # 保存原始数据（不包含DataFrame，只保存基本信息）
+        f.write("data_success: " + str(risk_data.get('data_success')) + "\n\n")
+        
+        for key in ['lifting_ban', 'shareholder_reduction', 'important_events']:
+            data = risk_data.get(key)
+            if data:
+                f.write(f"\n{key}:\n")
+                f.write(f"  has_data: {data.get('has_data')}\n")
+                f.write(f"  query: {data.get('query')}\n")
+                df = data.get('data')
+                if df is not None:
+                    f.write(f"  记录数: {len(df)}\n")
+                    f.write(f"  列名: {list(df.columns)}\n")
+        
+        f.write("\n" + "=" * 80 + "\n")
+        f.write("格式化后传给AI的数据\n")
+        f.write("=" * 80 + "\n\n")
+        f.write(formatted_data)
+    
+    print("✓ 数据已保存到 risk_data_debug_output.txt")
+    
+    # 5. 检查数据是否完整
+    print("\n" + "=" * 80)
+    print("【步骤5】数据完整性检查")
+    print("=" * 80)
+    
+    if "【大股东减持数据】" in formatted_data:
+        print("✓ 格式化数据中包含大股东减持数据")
+        
+        # 检查是否有实际内容
+        reduction_section = formatted_data.split("【大股东减持数据】")[1].split("=" * 80)[0]
+        if len(reduction_section.strip()) > 100:
+            print(f"✓ 减持数据部分有 {len(reduction_section)} 字符")
+        else:
+            print(f"⚠️ 减持数据部分只有 {len(reduction_section)} 字符，可能数据不完整")
+    else:
+        print("❌ 格式化数据中未找到大股东减持数据")
+    
+    print("\n" + "=" * 80)
+    print("测试完成！请查看 risk_data_debug_output.txt 文件")
+    print("=" * 80)
+
+
+if __name__ == "__main__":
+    import sys
+    
+    # 默认测试300433，也可以通过命令行参数指定其他股票
+    symbol = sys.argv[1] if len(sys.argv) > 1 else "300433"
+    
+    test_full_data_flow(symbol)
+

风险管理师增强功能说明.md

@@ -0,0 +1,371 @@
+# 风险管理师增强功能说明 ⚠️
+
+## 📋 功能概述
+
+风险管理师功能已全面增强，现在使用**问财（pywencai）**实时获取三大类风险数据，为投资决策提供更全面的风险评估。
+
+## ✨ 新增功能
+
+### 1. 三大风险数据源 🔍
+
+风险管理师现在会自动查询以下三类关键风险信息：
+
+| 风险类型 | 查询问句 | 数据内容 |
+|---------|---------|---------|
+| **限售解禁** | `股票代码限售解禁` | 解禁时间、解禁股数、解禁市值、股东名称 |
+| **大股东减持** | `股票代码大股东减持公告` | 减持日期、股东名称、减持股数、减持比例 |
+| **重要事件** | `股票代码近期重要事件` | 事件时间、事件类型、事件内容 |
+
+### 2. 完整数据传递 📊
+
+系统会将pywencai返回的**完整原始数据**喂给AI，包括：
+
+- **所有字段**：不遗漏任何信息
+- **所有记录**：最多传递50条记录（避免过载）
+- **结构化格式**：AI易于解析的格式
+- **详细信息**：时间、金额、比例、股东名称等
+
+**数据传递示例：**
+
+```
+================================================================================
+【限售解禁完整数据】
+================================================================================
+查询语句: 600000限售解禁
+
+共 10 条限售解禁记录
+
+数据字段：股票代码, 股票简称, 解禁时间, 解禁股数, 解禁市值, 股东名称, ...
+
+【记录 1】
+  股票代码: 600000
+  股票简称: 浦发银行
+  解禁时间: 2024-03-15
+  解禁股数: 500000000
+  解禁市值: 5000000000
+  股东名称: 某某投资公司
+  ...
+
+【记录 2】
+  ...
+```
+
+### 3. 智能风险分析 🧠
+
+风险管理师会**深度解析所有原始数据**，进行**11个维度**的全面风险评估：
+
+#### ⭐ 三大重点风险分析
+
+1. **限售解禁风险分析**
+   - 解禁时间和规模评估
+   - 解禁对股价的潜在冲击
+   - 解禁股东类型分析（创始人/投资机构/其他）
+   - 历史解禁后股价走势参考
+   - 风险等级评定和应对建议
+
+2. **股东减持风险分析**
+   - 减持频率和力度评估
+   - 减持股东身份和意图分析
+   - 减持对市场信心的影响
+   - 是否存在连续减持或集中减持
+   - 风险警示和投资建议
+
+3. **重要事件风险分析**
+   - 识别可能影响股价的重大事件
+   - 事件性质判断（利好/利空/中性）
+   - 事件影响的时间维度（短期/中期/长期）
+   - 事件的确定性和不确定性
+   - 风险提示和关注要点
+
+#### 📊 其他风险维度
+
+4. **市场风险**（系统性风险）
+5. **个股风险**（非系统性风险）
+6. **流动性风险**
+7. **波动性风险**
+8. **估值风险**
+9. **行业风险**
+10. **综合风险评定**
+11. **风险控制建议** ⭐
+
+### 4. AI深度解析能力 🤖
+
+AI会对每条原始记录进行深度分析：
+
+- **时间识别**：自动识别日期字段，关注最近和即将发生的事件
+- **金额量化**：评估解禁市值、减持金额的规模和影响
+- **股东分析**：识别股东类型（创始人/机构/高管）
+- **频率统计**：分析减持频率，判断是否连续减持
+- **趋势预判**：基于历史数据预测未来风险
+
+### 5. 可操作的风险控制建议 📋
+
+风险管理师会提供具体的风险控制建议：
+
+- **仓位控制建议**：具体的仓位比例建议
+- **止损位设置**：具体的止损价位建议
+- **风险规避策略**：明确什么情况下不建议投资
+- **风险对冲方案**：如果适用，提供对冲策略
+- **持仓时间建议**：建议的持仓周期
+- **重点关注指标**：需要持续监控的关键指标
+
+## 🎯 使用方法
+
+### 自动获取（推荐）✅
+
+风险管理师默认启用，系统会自动获取风险数据：
+
+1. 在股票分析界面，确保**风险管理师**处于勾选状态
+2. 输入股票代码（仅支持**A股6位代码**）
+3. 点击"开始分析"
+4. 系统自动获取风险数据并进行分析
+
+### 数据获取流程 🔄
+
+```
+1. 查询限售解禁数据 → 2秒延迟 
+2. 查询大股东减持数据 → 2秒延迟
+3. 查询重要事件数据 → 完成
+4. 综合所有数据进行AI分析
+```
+
+## 📊 数据展示
+
+### 获取成功提示
+
+```
+✅ 成功获取风险数据：限售解禁, 大股东减持, 重要事件
+```
+
+### 部分数据提示
+
+```
+ℹ️ 成功获取风险数据：大股东减持
+ℹ️ 暂无限售解禁和重要事件数据
+```
+
+### 无数据提示
+
+```
+ℹ️ 暂无风险相关数据，将基于基本信息进行风险分析
+```
+
+### 美股提示
+
+```
+ℹ️ 美股暂不支持风险数据（限售解禁、大股东减持等）
+```
+
+## 💡 使用场景
+
+### 场景1：发现解禁风险 🚨
+
+**案例**：某股票即将迎来大规模限售解禁
+
+**风险管理师分析**：
+- 识别解禁时间窗口
+- 评估解禁规模对股价的压力
+- 分析解禁股东类型（创始人vs机构）
+- 建议：解禁前减仓，解禁后观察
+
+### 场景2：监控股东减持 ⚠️
+
+**案例**：大股东连续减持
+
+**风险管理师分析**：
+- 识别减持频率和强度
+- 分析减持股东身份（实际控制人/财务投资者）
+- 评估对市场信心的影响
+- 建议：降低仓位，设置止损位
+
+### 场景3：追踪重要事件 📰
+
+**案例**：公司面临重大诉讼或政策变动
+
+**风险管理师分析**：
+- 识别事件性质和影响范围
+- 评估短中长期影响
+- 判断事件的不确定性
+- 建议：谨慎持仓，关注后续进展
+
+## 🔧 技术实现
+
+### 核心模块
+
+```
+risk_data_fetcher.py       # 风险数据获取模块
+├── RiskDataFetcher        # 风险数据获取类
+│   ├── get_risk_data()    # 主函数：获取所有风险数据
+│   ├── _get_lifting_ban_data()        # 获取限售解禁
+│   ├── _get_shareholder_reduction_data()  # 获取股东减持
+│   ├── _get_important_events_data()   # 获取重要事件
+│   ├── format_risk_data_for_ai()      # 格式化供AI分析（完整数据）
+│   └── _format_dataframe_for_ai()     # DataFrame转文本格式
+```
+
+### 数据处理流程
+
+```
+pywencai查询 → DataFrame原始数据 → 格式化为文本 → 喂给AI
+    ↓              ↓                    ↓              ↓
+  问句查询      保留所有字段        逐行格式化      深度解析
+  实时数据      完整记录           AI可读         量化评估
+```
+
+### 数据流程
+
+```
+用户输入股票代码
+    ↓
+stock_data.py → get_risk_data()
+    ↓
+risk_data_fetcher.py → 调用pywencai
+    ↓
+获取三类风险数据
+    ↓
+ai_agents.py → risk_management_agent()
+    ↓
+DeepSeek AI 深度分析
+    ↓
+生成风险评估报告
+```
+
+## 📈 数据来源
+
+- **数据源**：问财（pywencai）
+- **更新频率**：实时查询
+- **查询语法**：自然语言问句
+- **数据类型**：结构化表格数据
+
+## ⚙️ 配置说明
+
+### 默认配置
+
+```python
+# 风险管理师默认启用
+enable_risk = True
+
+# 仅支持A股
+supported_markets = ["中国A股（6位代码）"]
+
+# 查询延迟（避免频繁请求）
+query_delay = 1秒
+```
+
+### 在批量分析中使用
+
+```python
+# 批量分析也支持风险管理功能
+enabled_analysts_config = {
+    'technical': True,
+    'fundamental': True,
+    'fund_flow': True,
+    'risk': True,      # 启用风险管理师
+    'sentiment': False,
+    'news': False
+}
+```
+
+## 🎓 最佳实践
+
+### 1. 结合其他分析师 👥
+
+风险管理师的分析应该与其他分析师综合判断：
+
+- **技术分析师**：识别技术面风险信号
+- **基本面分析师**：评估基本面恶化风险
+- **资金面分析师**：监控主力资金流出
+- **风险管理师**：识别特定风险事件
+
+### 2. 重点关注时间窗口 ⏰
+
+特别关注以下时间窗口的风险：
+
+- 解禁前1个月：提前规避风险
+- 减持公告后：评估市场反应
+- 重大事件发生时：及时调整策略
+
+### 3. 设置风险预警 🔔
+
+可以结合监测功能，设置风险预警：
+
+- 解禁预警：提前30天预警
+- 减持预警：出现减持公告时预警
+- 事件预警：重大负面事件预警
+
+## 📝 注意事项
+
+### 支持范围
+
+✅ **支持**：中国A股（6位数字代码）  
+❌ **不支持**：美股、港股
+
+### 数据时效性
+
+- 数据来自问财实时查询
+- 可能存在1-2个交易日的延迟
+- 建议定期刷新分析
+
+### 网络依赖
+
+- 需要稳定的网络连接
+- 查询可能需要5-10秒
+- 失败时会自动降级到基础分析
+
+### 数据准确性
+
+- 数据来源于公开信息
+- 建议交叉验证重要信息
+- 以官方公告为准
+
+## 🚀 未来规划
+
+### 计划新增功能
+
+- [ ] 风险评分量化模型
+- [ ] 风险历史对比分析
+- [ ] 风险预警阈值设置
+- [ ] 风险事件影响回测
+- [ ] 多股票风险对比分析
+
+### 优化方向
+
+- 增加更多风险数据源
+- 优化数据查询速度
+- 提升AI分析准确度
+- 增强可视化展示
+
+## 📞 问题反馈
+
+如果在使用过程中遇到问题：
+
+1. **数据获取失败**：检查网络连接，稍后重试
+2. **分析结果异常**：确认股票代码正确（6位A股代码）
+3. **其他问题**：查看控制台错误信息
+
+## 📚 相关文档
+
+- `主力选股使用指南.md` - 了解主力资金分析
+- `分析师团队选择功能说明.md` - 了解如何选择分析师
+- `智瞰龙虎功能说明.md` - 了解龙虎榜风险分析
+
+## 🎯 总结
+
+风险管理师增强功能通过**问财实时数据**和**完整数据传递**，为投资者提供：
+
+✅ **三大风险数据**：限售解禁、大股东减持、重要事件  
+✅ **完整原始数据**：所有字段、所有记录，不遗漏任何信息  
+✅ **AI深度解析**：自动识别关键风险点，量化评估  
+✅ **11维度分析**：全面评估各类风险  
+✅ **可操作建议**：具体的风险控制策略  
+✅ **实时更新**：基于最新公开信息  
+✅ **智能分析**：DeepSeek AI从海量数据中提取关键信息  
+
+**核心优势：**
+- 不再是摘要或概括，而是**完整原始数据**
+- AI自主解析每条记录的**每个字段**
+- 基于实际数据给出**量化风险评估**
+- 让AI的分析更准确、更深入、更可靠
+
+让投资决策更安全、更可靠！⚠️📊💡
+