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

增加选股策略

Browse Source
This commit is contained in:
oficcejo
2025-12-12 19:46:38 +08:00
parent 595278100f
commit ad5865d3b4
25 changed files with 4818 additions and 20 deletions
Download Patch File Download Diff File Expand all files Collapse all files
docs/TDX_API配置快速指南.md
+246
View File
@@ -0,0 +1,246 @@
# TDX API配置快速指南
## 问题说明
如果您看到以下警告：
```
WARNING:low_price_bull_service:TDX数据源未配置，无法获取股票数据
```
说明系统无法连接到TDX API服务，需要进行配置。
## 解决方案
### 步骤1：配置TDX API地址
在 `.env` 文件中添加以下配置：
```bash
# TDX数据源API配置
TDX_BASE_URL=http://127.0.0.1:5000
```
### 步骤2：确保TDX API服务已启动
TDX API服务需要单独启动，请检查：
1. **检查服务是否运行**
```bash
# 在浏览器中访问
http://127.0.0.1:5000/api/health
# 或使用curl命令
curl http://127.0.0.1:5000/api/health
```
2. **如果服务未启动**
- 请启动您的TDX API服务
- 默认端口：5000
- 如使用其他端口，请修改.env中的URL
### 步骤3：测试配置
运行测试脚本验证配置：
```bash
python test_tdx_api.py
```
**期望输出**：
```
============================================================
TDX API配置测试
============================================================
1. TDX API地址: http://127.0.0.1:5000
2. 测试健康检查接口...
✅ 健康检查成功
响应: OK
3. 测试K线数据接口...
测试股票: 000001
✅ K线数据获取成功
数据条数: 250
最新K线数据:
- 日期: 2024-12-12
- 开盘: 10.50
- 收盘: 10.60
- 最高: 10.80
- 最低: 10.30
- 成交量: 1000000
✅ 数据量充足，可以计算MA20（需要至少20条）
4. 测试均线计算...
✅ 均线计算成功
- 收盘价: 10.60
- MA5: 10.55
- MA20: 10.45
- 趋势: 🟢 MA5 > MA20 (多头)
============================================================
✅ 所有测试通过！TDX API配置正常
============================================================
```
## TDX API接口说明
### 核心接口
| 接口 | 说明 | 示例 |
|------|------|------|
| /api/health | 健康检查 | - |
| /api/kline | K线数据 | ?code=000001&type=day |
| /api/quote | 五档行情 | ?code=000001 |
| /api/stock-info | 综合信息 | ?code=000001 |
### K线数据接口详情
**URL**: `/api/kline`
**参数**:
- `code`: 股票代码（必填）
- 支持格式：
- 纯数字：`000001`、`600000`
- 市场前缀：`SZ000001`、`SH600000`
- 示例：000001（平安银行）
- 示例：600000（浦发银行）
- `type`: K线类型（必填）
- `day`: 日K线
- `week`: 周K线
- `month`: 月K线
**代码格式说明**：
- 系统会自动处理不同格式的股票代码
- 如果使用`SZ`/`SH`前缀失败，会自动重试纯数字代码
- 支持带后缀的代码（如`002259.SZ`），系统会自动去除后缀
**返回格式**:
```json
[
{
"date": "2024-12-12",
"open": 10.50,
"high": 10.80,
"low": 10.30,
"close": 10.60,
"volume": 1000000
},
...
]
```
**使用示例**:
```bash
# 获取平安银行日K线
curl "http://127.0.0.1:5000/api/kline?code=000001&type=day"
```
## 常见问题
### Q1: 连接失败，显示连接超时？
**原因**：
- TDX API服务未启动
- 防火墙阻止了连接
- 端口被占用
**解决方案**：
1. 检查TDX API服务是否启动
2. 检查端口5000是否被占用
3. 尝试使用其他端口并修改.env配置
### Q2: 健康检查失败，HTTP 404？
**原因**：
- TDX API服务版本不支持`/api/health`接口
- URL配置错误
**解决方案**：
1. 尝试访问其他接口，如`/api/kline`
2. 检查.env中的TDX_BASE_URL是否正确
3. 确认服务地址和端口
### Q3: K线数据获取失败？
**原因**：
- 股票代码不存在
- 接口参数错误
- 数据源未就绪
**解决方案**：
1. 使用已知存在的股票代码测试（如000001）
2. 检查参数格式是否正确
3. 查看TDX API服务日志
### Q4: 数据量不足，无法计算MA20？
**原因**：
- TDX API返回的K线数据少于20条
- 新上市股票数据不足
**解决方案**：
1. 这是正常情况，系统会自动跳过
2. 等待股票积累更多交易日数据
3. 监控服务会在下次扫描时重试
### Q5: 如何使用远程TDX API服务？
如果TDX API服务部署在其他服务器上：
```bash
# .env配置
TDX_BASE_URL=http://192.168.1.100:5000
# 或使用域名
TDX_BASE_URL=http://tdx-api.example.com:5000
```
### Q6: 如何修改扫描间隔？
在.env文件中修改：
```bash
# 扫描间隔（秒）
LOW_PRICE_BULL_SCAN_INTERVAL=60 # 默认60秒，可改为30-300秒
```
或在监控面板的"⚙️ 监控配置"中动态修改。
## 配置检查清单
- [ ] ✅ .env文件中已配置TDX_BASE_URL
- [ ] ✅ TDX API服务已启动
- [ ] ✅ 可以访问http://127.0.0.1:5000/api/health
- [ ] ✅ 运行test_tdx_api.py测试通过
- [ ] ✅ 在监控面板启动监控服务
- [ ] ✅ 配置了Webhook通知（可选）
## 下一步
配置完成后：
1. 进入"低价擒牛"选股板块
2. 执行选股，查看结果
3. 点击"➕ 加入策略监控"
4. 进入"📊 策略监控"面板
5. 点击"▶️ 启动监控服务"
6. 监控服务将每60秒扫描一次
## 需要帮助？
如果仍然遇到问题，请：
1. 查看控制台错误日志
2. 运行`python test_tdx_api.py`获取详细错误信息
3. 检查TDX API服务日志
4. 确认网络连接正常
---
**文档版本**: v1.0
**更新日期**: 2024-12-12
docs/三重滤网策略保存.py
+416
View File
@@ -0,0 +1,416 @@
'''
三重滤网交易系统 V2.0
by Alexander Elder (优化版)
核心改进：
1. 第一重滤网：月线MACD金叉/多头（更稳定的趋势判断）
2. 第二重滤网：日线RSI/KDJ超卖回调（放宽条件）
3. 第三重滤网：价格企稳或突破（更灵活的入场）
'''
import jqdata
import numpy as np
## 初始化函数
def initialize(context):
set_benchmark('000300.XSHG')
set_option('use_real_price', True)
set_option('order_volume_ratio', 1)
set_order_cost(OrderCost(open_tax=0, close_tax=0.001,
open_commission=0.0003, close_commission=0.0003,
close_today_commission=0, min_commission=5), type='stock')
# ========== 策略参数 ==========
g.stocknum = 10 # 增加持仓数
g.max_position_ratio = 0.98
# 第一重滤网参数（月线MACD）
g.macd_fast = 12
g.macd_slow = 26
g.macd_signal = 9
# 第二重滤网参数（日线震荡 - 放宽）
g.rsi_period = 14
g.rsi_oversold = 50 # 放宽到50
g.rsi_low = 35 # 极度超卖
g.kdj_oversold = 40 # 放宽到40
# 第三重滤网参数（入场确认 - 放宽）
g.ma_short = 5 # 5日均线
g.ma_mid = 20 # 20日均线
# 止盈止损参数
g.stop_loss = 0.06
g.take_profit = 0.20
g.trailing_stop = 0.08
# 市值筛选（亿）
g.min_market_cap = 20
g.max_market_cap = 1500
# 记录
g.highest_profit = {}
g.hold_days = {}
# 定时任务
run_daily(morning_screen, '09:35')
run_daily(check_positions, '14:00')
run_daily(afternoon_trade, '14:50')
## 早盘筛选
def morning_screen(context):
g.buy_list = triple_screen_filter(context)
log.info("【三重滤网】筛选出 %d 只股票" % len(g.buy_list))
## 三重滤网筛选
def triple_screen_filter(context):
# 基础选股
q = query(
valuation.code,
valuation.market_cap
).filter(
valuation.market_cap.between(g.min_market_cap, g.max_market_cap)
).order_by(
valuation.market_cap.asc()
).limit(500)
df = get_fundamentals(q)
if df.empty:
return []
stock_list = list(df['code'])
stock_list = filter_basic(stock_list)
# 三重滤网筛选
candidates = []
for stock in stock_list[:150]:
result = check_triple_screen(stock)
if result['pass']:
candidates.append((stock, result['score']))
# 按评分排序
candidates.sort(key=lambda x: x[1], reverse=True)
return [c[0] for c in candidates[:g.stocknum * 3]]
## 检查三重滤网信号
def check_triple_screen(stock):
"""
三重滤网检查 V2.0：
1. 第一重：月线MACD金叉/多头
2. 第二重：日线RSI/KDJ回调
3. 第三重：价格企稳或突破
"""
result = {'pass': False, 'score': 0}
try:
# 获取更多日线数据（计算月线MACD需要约130天）
df = attribute_history(stock, 150, '1d', ['close', 'high', 'low'], skip_paused=True)
if len(df) < 130:
return result
close = df['close'].values
high = df['high'].values
low = df['low'].values
# ========== 第一重滤网：月线MACD ==========
# 模拟月线：每20天取收盘价（或用月末价格）
monthly_close = []
for i in range(19, len(close), 20):
monthly_close.append(close[i])
if len(monthly_close) < 6:
# 数据不足，改用日线MACD判断大趋势
dif, dea, macd = calculate_macd(close)
if dif[-1] <= dea[-1]: # MACD死叉
return result
if dif[-1] <= 0: # DIF在零轴下方
return result
else:
# 计算月线MACD
m_dif, m_dea, m_macd = calculate_macd(np.array(monthly_close))
# 月线MACD条件（放宽）：
# 1. MACD金叉（DIF上穿DEA）或
# 2. MACD柱由绿变红 或
# 3. DIF > 0 且 DIF > DEA（多头）
macd_golden = m_dif[-1] > m_dea[-1] and m_dif[-2] <= m_dea[-2]
macd_turn_red = m_macd[-1] > 0 and m_macd[-2] <= 0
macd_bullish = m_dif[-1] > 0 and m_dif[-1] > m_dea[-1]
if not (macd_golden or macd_turn_red or macd_bullish):
return result
result['score'] += 30 # 趋势分
# ========== 第二重滤网：日线震荡指标 ==========
rsi = calculate_rsi(close, g.rsi_period)
k, d, j = calculate_kdj(high, low, close)
# RSI条件（放宽）：
# 1. RSI < 50（相对低位）或
# 2. RSI从低位回升
rsi_current = rsi[-1] if len(rsi) > 0 else 50
rsi_prev = rsi[-2] if len(rsi) > 1 else 50
rsi_signal = (rsi_current < g.rsi_oversold) or \
(rsi_prev < g.rsi_low and rsi_current > rsi_prev) or \
(rsi_current < 60 and rsi_current > rsi_prev)
# KDJ条件（放宽）：
# 1. K < D 后金叉 或
# 2. J < 40 或
# 3. K/D都在低位回升
kdj_golden = k[-1] > d[-1] and k[-2] <= d[-2]
kdj_oversold = j[-1] < g.kdj_oversold or k[-1] < g.kdj_oversold
kdj_rising = k[-1] > k[-2] and d[-1] > d[-2] and k[-1] < 60
kdj_signal = kdj_golden or kdj_oversold or kdj_rising
if not (rsi_signal or kdj_signal):
return result
result['score'] += 30
# ========== 第三重滤网：入场确认（放宽）==========
current_price = close[-1]
ma5 = np.mean(close[-g.ma_short:])
ma20 = np.mean(close[-g.ma_mid:])
# 入场条件（满足任一）：
# 1. 价格站上5日均线
# 2. 价格接近20日均线（±3%）
# 3. 价格突破近5日高点
recent_high = np.max(high[-6:-1])
price_above_ma5 = current_price > ma5
price_near_ma20 = abs(current_price - ma20) / ma20 < 0.03
price_breakout = current_price > recent_high * 0.99
if not (price_above_ma5 or price_near_ma20 or price_breakout):
return result
result['score'] += 40
# 额外加分
if rsi_current < 35:
result['score'] += 15
if kdj_golden:
result['score'] += 10
if current_price > ma5 > ma20:
result['score'] += 10
result['pass'] = True
return result
except:
return result
## 计算MACD
def calculate_macd(close, fast=12, slow=26, signal=9):
ema_fast = calculate_ema(close, fast)
ema_slow = calculate_ema(close, slow)
dif = ema_fast - ema_slow
dea = calculate_ema(dif, signal)
macd = (dif - dea) * 2
return dif, dea, macd
## 计算EMA
def calculate_ema(data, period):
ema = np.zeros(len(data))
ema[0] = data[0]
multiplier = 2 / (period + 1)
for i in range(1, len(data)):
ema[i] = (data[i] - ema[i-1]) * multiplier + ema[i-1]
return ema
## 计算RSI
def calculate_rsi(close, period=14):
delta = np.diff(close)
gain = np.where(delta > 0, delta, 0)
loss = np.where(delta < 0, -delta, 0)
avg_gain = np.zeros(len(delta))
avg_loss = np.zeros(len(delta))
avg_gain[period-1] = np.mean(gain[:period])
avg_loss[period-1] = np.mean(loss[:period])
for i in range(period, len(delta)):
avg_gain[i] = (avg_gain[i-1] * (period-1) + gain[i]) / period
avg_loss[i] = (avg_loss[i-1] * (period-1) + loss[i]) / period
rs = avg_gain / (avg_loss + 1e-10)
rsi = 100 - 100 / (1 + rs)
return rsi
## 计算KDJ
def calculate_kdj(high, low, close, n=9, m1=3, m2=3):
length = len(close)
rsv = np.zeros(length)
k = np.zeros(length)
d = np.zeros(length)
j = np.zeros(length)
for i in range(n-1, length):
hn = np.max(high[i-n+1:i+1])
ln = np.min(low[i-n+1:i+1])
rsv[i] = (close[i] - ln) / (hn - ln + 1e-10) * 100
k[n-1] = 50
d[n-1] = 50
for i in range(n, length):
k[i] = (m1-1)/m1 * k[i-1] + 1/m1 * rsv[i]
d[i] = (m2-1)/m2 * d[i-1] + 1/m2 * k[i]
j[i] = 3 * k[i] - 2 * d[i]
return k, d, j
## 检查持仓
def check_positions(context):
if len(context.portfolio.positions) == 0:
return
for stock in list(context.portfolio.positions.keys()):
position = context.portfolio.positions[stock]
if position.closeable_amount <= 0:
continue
cost = position.avg_cost
current_price = position.price
if cost <= 0:
continue
profit_ratio = (current_price - cost) / cost
g.hold_days[stock] = g.hold_days.get(stock, 0) + 1
if stock not in g.highest_profit:
g.highest_profit[stock] = profit_ratio
else:
g.highest_profit[stock] = max(g.highest_profit[stock], profit_ratio)
highest = g.highest_profit[stock]
# === 止损 ===
if profit_ratio < -g.stop_loss:
log.info("【止损】%s 亏损 %.2f%%" % (stock, profit_ratio * 100))
order_target(stock, 0)
clean_stock_data(stock)
continue
# === 趋势反转卖出 ===
if check_trend_reversal(stock):
log.info("【趋势反转】%s 周线趋势转弱" % stock)
order_target(stock, 0)
clean_stock_data(stock)
continue
# === 移动止盈 ===
if highest >= g.take_profit:
drawdown = highest - profit_ratio
allowed_drawdown = min(g.trailing_stop + highest * 0.4, 0.18)
if drawdown >= allowed_drawdown:
log.info("【移动止盈】%s 最高%.1f%% 回撤%.1f%%" %
(stock, highest*100, drawdown*100))
order_target(stock, 0)
clean_stock_data(stock)
continue
# === 分批止盈 ===
if profit_ratio >= g.take_profit * 2:
sell_amount = int(position.closeable_amount * 0.3 / 100) * 100
if sell_amount >= 100:
log.info("【止盈】%s +%.1f%%" % (stock, profit_ratio*100))
order(stock, -sell_amount)
## 检查趋势反转（使用MACD）
def check_trend_reversal(stock):
try:
df = attribute_history(stock, 60, '1d', ['close'], skip_paused=True)
if len(df) < 50:
return False
close = df['close'].values
dif, dea, macd = calculate_macd(close)
# MACD死叉且DIF < 0
if dif[-1] < dea[-1] and dif[-1] < 0:
return True
# MACD连续3天下降且为负
if macd[-1] < 0 and macd[-2] < 0 and macd[-3] < 0:
if macd[-1] < macd[-2] < macd[-3]:
return True
return False
except:
return False
## 清理数据
def clean_stock_data(stock):
for d in [g.highest_profit, g.hold_days]:
if stock in d:
del d[stock]
## 尾盘交易
def afternoon_trade(context):
buy_stocks(context)
## 买入函数
def buy_stocks(context):
if not hasattr(g, 'buy_list') or not g.buy_list:
return
position_count = len(context.portfolio.positions)
if position_count >= g.stocknum:
return
available_cash = context.portfolio.available_cash * g.max_position_ratio
buy_count = min(g.stocknum - position_count, len(g.buy_list))
if buy_count <= 0 or available_cash < 10000:
return
cash_per_stock = available_cash / buy_count
bought = 0
for stock in g.buy_list:
if bought >= buy_count:
break
if stock in context.portfolio.positions:
continue
# 再次确认三重滤网信号
result = check_triple_screen(stock)
if result['pass']:
order_value(stock, cash_per_stock)
log.info("【买入】%s 评分:%.0f" % (stock, result['score']))
g.highest_profit[stock] = 0
g.hold_days[stock] = 0
bought += 1
## 基础过滤
def filter_basic(stock_list):
if not stock_list:
return []
current_data = get_current_data()
filtered = []
for stock in stock_list:
if current_data[stock].paused:
continue
if current_data[stock].is_st:
continue
if 'ST' in current_data[stock].name or '*' in current_data[stock].name:
continue
if stock.startswith('688') or stock.startswith('8') or stock.startswith('4'):
continue
if current_data[stock].last_price >= current_data[stock].high_limit:
continue
if current_data[stock].last_price <= current_data[stock].low_limit:
continue
filtered.append(stock)
return filtered
docs/低价擒牛功能说明.md
+240
View File
@@ -0,0 +1,240 @@
# 低价擒牛功能说明
## 功能概述
**低价擒牛**是一个专注于筛选低价高成长股票的选股策略板块，结合量化交易策略，帮助投资者发现潜在的价值洼地。
## 选股策略
### 筛选条件
| 条件 | 说明 |
|------|------|
| 股价 | < 10元 |
| 净利润增长率 | ≥ 100%（净利润同比增长率） |
| 市场板块 | 深圳A股 |
| 排除项 | ST股票、科创板、创业板 |
| 排序方式 | 按成交额由小至大排名 |
### 策略理念
1. **低价优势**：股价低于10元，易于散户参与，具有更大的上涨空间
2. **高成长性**：净利润增长率≥100%，说明公司业绩高速增长
3. **流动性考虑**：优先选择成交额较小的股票，避免过度热门
4. **风险控制**：排除ST、科创板、创业板，降低风险
## 量化交易策略
### 资金与仓位管理
| 参数 | 配置 | 说明 |
|------|------|------|
| 初始资金 | 100万元 | 策略启动资金 |
| 持股周期 | 5天 | 单只股票最长持有时间 |
| 交易仓位 | 满仓 | 使用所有可用资金 |
| 个股最大持仓 | 40% | 单只股票最多占用40%资金 |
| 账户最大持股数 | 4只 | 同时最多持有4只股票 |
| 单日最大买入数 | 2只 | 每天最多买入2只新股票 |
### 买卖择时规则
#### 买入时机
- **时间点**：开盘买入
- **优先级**：按成交额由小到大排序
- **执行条件**：
- 未达到最大持股数（4只）
- 当日买入数量未达上限（2只）
- 有足够的可用资金
#### 卖出时机
满足以下**任一**条件即卖出：
1. **技术信号**：MA5日线下穿MA20日线
2. **时间到期**：持股满5天
### 策略优势
1. ✅ **严格的仓位控制**：避免单一股票风险过大
2. ✅ **轮动机制**：卖出后释放资金，继续买入新标的
3. ✅ **纪律性强**：明确的买卖规则，避免情绪化交易
4. ✅ **风险分散**：最多持有4只股票，分散风险
## 使用步骤
### 1. 进入功能
在左侧菜单栏点击：**🎯 选股板块** → **🐂 低价擒牛**
### 2. 设置参数
- **筛选数量**：选择展示的股票数量（默认5只）
### 3. 开始选股
点击 **🚀 开始低价擒牛选股** 按钮
系统将：
- 调用问财接口获取符合条件的股票
- 按成交额排序
- 展示前N只股票
### 4. 查看结果
#### 股票列表
- 展示每只股票的基本信息
- 包含股价、净利润增长率、成交额等关键指标
- 可下载完整数据CSV文件
#### 钉钉通知
如果配置了Webhook，系统会自动发送钉钉消息，包含：
- 筛选策略说明
- 精选股票列表
- 关键财务指标
### 5. 量化交易模拟
#### 策略模拟
点击 **🎮 开始策略模拟** 可以查看：
- 模拟买入信号
- 当前持仓情况
- 账户资金状态
#### 实盘交易（可选）
如需使用MiniQMT进行实盘交易：
1. 配置环境变量（详见环境配置）
2. 点击 **🔗 连接MiniQMT实盘**
3. 系统将自动执行买卖操作
## 配置说明
### Webhook通知配置
在 `.env` 文件中配置：
```bash
# Webhook通知配置
WEBHOOK_ENABLED=true
WEBHOOK_URL=your_dingtalk_webhook_url
WEBHOOK_TYPE=dingtalk
WEBHOOK_KEYWORD=aiagents通知
```
### MiniQMT交易配置
在 `.env` 文件中配置：
```bash
# MiniQMT配置
MINIQMT_ENABLED=true
MINIQMT_ACCOUNT_ID=your_account_id
```
## 风险提示
⚠️ **重要提醒**：
1. **历史业绩不代表未来收益**
- 净利润高增长可能不可持续
- 低价股波动性较大
2. **交易成本**
- 实际交易存在滑点
- 需要考虑手续费和印花税
3. **市场风险**
- 深圳A股市场波动较大
- 小盘股流动性风险
4. **技术风险**
- MA均线信号可能滞后
- 5天持股周期可能错过更好的卖点
5. **策略局限**
- 本策略为机械化交易策略
- 无法应对突发事件（如重大利空）
## 策略改进建议
### 可优化方向
1. **动态仓位管理**
- 根据市场情绪调整仓位
- 引入风险评分机制
2. **止损机制**
- 添加固定比例止损（如-5%）
- 避免单只股票亏损过大
3. **择时优化**
- 结合更多技术指标（MACD、RSI等）
- 考虑大盘走势
4. **基本面过滤**
- 添加财务指标筛选
- 排除财务造假风险股
## 常见问题
### Q1: 为什么只选深圳A股？
A: 深圳A股集中了大量中小盘股票，符合"低价高成长"的特征。上海主板以大盘蓝筹为主，不太符合本策略定位。
### Q2: 成交额排序的意义是什么？
A: 成交额小的股票往往还未被市场充分发现，具有更大的潜在空间。但也要注意流动性风险。
### Q3: 持股5天的依据是什么？
A: 5天是一个交易周（一周）的时间，可以让股票有足够的时间展现其趋势，同时避免长期持有的风险。
### Q4: 能否调整策略参数？
A: 当前版本参数固定，未来版本将支持自定义参数配置。
### Q5: 模拟交易和实盘有什么区别？
A: 模拟交易不考虑滑点、手续费等实际成本，仅供策略验证。实盘交易需要接入MiniQMT，会有实际的资金变动。
## 技术实现
### 核心模块
1. **low_price_bull_selector.py**
- 使用pywencai获取数据
- 数据清洗和格式化
2. **low_price_bull_strategy.py**
- 量化交易策略实现
- 仓位管理和买卖信号
3. **low_price_bull_ui.py**
- Streamlit界面展示
- 用户交互逻辑
### 数据流程
```
用户输入参数
↓
调用pywencai接口
↓
获取符合条件的股票
↓
按成交额排序
↓
展示股票列表
↓
发送钉钉通知（可选）
↓
执行量化策略（可选）
```
## 更新日志
### v1.0 (2024-12-12)
- ✅ 初始版本发布
- ✅ 实现基础选股功能
- ✅ 集成钉钉通知
- ✅ 量化策略模拟
- ✅ MiniQMT接口支持
## 联系与反馈
如有问题或建议，请通过以下方式反馈：
- GitHub Issues
- 系统内置反馈功能
---
**免责声明**：本功能仅供学习和研究使用，不构成任何投资建议。股市有风险，投资需谨慎。
docs/低价擒牛实现总结.md
+260
View File
@@ -0,0 +1,260 @@
# 低价擒牛选股板块 - 实现总结
## 实现日期
2024-12-12
## 功能概述
在左侧菜单栏"选股板块"下新增"低价擒牛"选股策略，支持低价高成长股票筛选和量化交易模拟。
## 核心功能
### 1. 选股策略
- ✅ 股价 < 10元
- ✅ 净利润增长率 ≥ 100%
- ✅ 非ST、非科创板、非创业板
- ✅ 深圳A股
- ✅ 按成交额由小至大排名
- ✅ 筛选前5名（可配置3-10只）
### 2. 钉钉通知
- ✅ 读取.env中的Webhook配置
- ✅ 自动发送选股结果到钉钉群
- ✅ 包含股票代码、价格、净利增长率等信息
### 3. 量化交易策略
- ✅ 初始资金：100万元
- ✅ 持股周期：5天
- ✅ 仓位控制：满仓
- ✅ 个股最大持仓：40%
- ✅ 最大持股数：4只
- ✅ 单日最大买入：2只
- ✅ 买入时机：开盘买入
- ✅ 卖出信号：MA5下穿MA20 或 持股满5天
### 4. 交易模拟
- ✅ 支持策略模拟（无需配置）
- ✅ 支持MiniQMT实盘对接（需配置）
- ✅ 显示买入信号、持仓、账户状态
## 新增文件
### Python模块
1. **low_price_bull_selector.py** (158行)
- 使用pywencai获取符合条件的股票
- 数据清洗和格式化
- 股票代码列表生成
2. **low_price_bull_strategy.py** (278行)
- 量化交易策略实现
- 买卖信号判断
- 仓位管理
- 交易历史记录
3. **low_price_bull_ui.py** (382行)
- Streamlit界面展示
- 用户交互逻辑
- 钉钉通知集成
- 策略模拟展示
### 文档
1. **docs/低价擒牛功能说明.md** (241行)
- 完整功能文档
- 策略详解
- 配置说明
- 风险提示
2. **docs/低价擒牛快速开始.md** (197行)
- 快速上手指南
- 典型使用场景
- 常见问题解答
## 修改文件
### app.py
修改位置：第293-380行（菜单导航区域）
**修改内容**：
1. 在"选股板块"下添加"🐂 低价擒牛"按钮
2. 更新所有按钮的状态清除列表，增加`show_low_price_bull`
3. 添加路由检查，显示低价擒牛界面
**代码变更**：
```python
# 添加导航按钮
if st.button("🐂 低价擒牛", width='stretch', key="nav_low_price_bull", help="低价高成长股票筛选策略"):
st.session_state.show_low_price_bull = True
# 清除其他页面标志
# 添加路由
if 'show_low_price_bull' in st.session_state and st.session_state.show_low_price_bull:
from low_price_bull_ui import display_low_price_bull
display_low_price_bull()
return
```
## 技术实现
### 数据获取
- 使用pywencai模块调用问财接口
- 查询语句：`"股价<10元，净利润增长率(净利润同比增长率)≥100%，非st，非科创板，非创业板，深圳A股，成交额由小至大排名"`
- 智能解析返回结果，兼容DataFrame/dict/list格式
### 通知集成
- 复用notification_service模块
- 支持钉钉/飞书Webhook
- 自动包含关键词"aiagents通知"
- Markdown格式消息展示
### 策略实现
- 基于面向对象设计
- 严格的仓位管理
- 清晰的买卖信号
- 完整的交易记录
### UI展示
- Streamlit expander组件展示详情
- DataFrame展示完整数据
- Metric组件展示关键指标
- CSV下载功能
## 环境变量配置
### Webhook通知（可选）
```bash
WEBHOOK_ENABLED=true
WEBHOOK_URL=your_dingtalk_webhook_url
WEBHOOK_TYPE=dingtalk
WEBHOOK_KEYWORD=aiagents通知
```
### MiniQMT实盘（可选）
```bash
MINIQMT_ENABLED=true
MINIQMT_ACCOUNT_ID=your_account_id
```
## 使用流程
1. **启动系统**
```bash
streamlit run app.py
```
2. **进入功能**
- 左侧菜单 → 🎯 选股板块 → 🐂 低价擒牛
3. **开始选股**
- 调整筛选数量
- 点击"🚀 开始低价擒牛选股"
4. **查看结果**
- 股票列表
- 统计信息
- 钉钉通知（如已配置）
5. **策略模拟**（可选）
- 点击"🎮 开始策略模拟"
- 查看买入信号和持仓
6. **实盘交易**（可选）
- 配置MiniQMT
- 点击"🔗 连接MiniQMT实盘"
## 特色亮点
### 1. 智能筛选
- 多维度条件过滤
- 成交额排序优先低热度股票
- 自动排除风险股（ST、科创板）
### 2. 完整策略
- 清晰的买卖规则
- 严格的风险控制
- 可复现的交易逻辑
### 3. 即时通知
- 自动发送钉钉消息
- 无需人工查看
- 移动端即时接收
### 4. 灵活配置
- 筛选数量可调
- 策略参数可改
- 支持模拟和实盘
## 注意事项
### 使用限制
1. ⚠️ 问财接口有频率限制，建议每次间隔30秒以上
2. ⚠️ 净利润增长率≥100%的股票可能较少
3. ⚠️ 策略模拟不包含手续费和滑点
### 风险提示
1. ⚠️ 本功能仅供学习研究使用
2. ⚠️ 不构成任何投资建议
3. ⚠️ 股市有风险，投资需谨慎
4. ⚠️ 历史业绩不代表未来收益
### 技术限制
1. ⚠️ 需要稳定的网络连接
2. ⚠️ pywencai模块需要正确安装
3. ⚠️ MiniQMT需要额外配置
## 后续优化方向
### 短期优化
- [ ] 添加历史选股记录
- [ ] 支持自定义筛选条件
- [ ] 增加更多技术指标
### 中期优化
- [ ] 回测功能
- [ ] 策略参数优化
- [ ] 多策略对比
### 长期优化
- [ ] AI选股建议
- [ ] 实时监控
- [ ] 自动化交易
## 测试建议
### 功能测试
1. ✅ 测试选股功能是否正常
2. ✅ 验证数据格式是否正确
3. ✅ 检查钉钉通知是否发送
4. ✅ 确认策略模拟逻辑
### 边界测试
1. ✅ 筛选不到股票时的处理
2. ✅ 网络异常时的错误处理
3. ✅ Webhook未配置时的提示
### 性能测试
1. ✅ 数据获取速度
2. ✅ UI渲染性能
3. ✅ 并发访问支持
## 相关文档
- [低价擒牛功能说明](./docs/低价擒牛功能说明.md)
- [低价擒牛快速开始](./docs/低价擒牛快速开始.md)
- [Webhook通知配置指南](./docs/Webhook通知配置指南.md)
- [MiniQMT集成指南](./docs/MINIQMT_INTEGRATION_GUIDE.md)
## 总结
本次实现完整地添加了"低价擒牛"选股板块，包含：
- ✅ 完整的选股策略
- ✅ 钉钉通知集成
- ✅ 量化交易策略
- ✅ 策略模拟功能
- ✅ 详细的文档说明
所有功能均已集成到现有系统中，与主力选股等其他板块保持一致的交互体验。
---
**实现完成时间**：2024-12-12
**版本**：v1.0
**状态**：✅ 已完成并可使用
docs/低价擒牛快速开始.md
+196
View File
@@ -0,0 +1,196 @@
# 低价擒牛 - 快速开始指南
## 🚀 5分钟上手
### 第一步：进入功能
1. 启动系统：`streamlit run app.py`
2. 在左侧菜单栏找到 **🎯 选股板块**
3. 点击 **🐂 低价擒牛**
### 第二步：开始选股
1. 调整筛选数量（默认5只，可调整3-10只）
2. 点击 **🚀 开始低价擒牛选股**
3. 等待30-60秒，系统自动获取数据
### 第三步：查看结果
系统会展示：
- ✅ 筛选数量和统计信息
- ✅ 精选股票详细列表
- ✅ 完整数据表格（可下载CSV）
### 第四步：接收通知（可选）
如果配置了钉钉Webhook，会自动收到消息通知
## 📊 选股策略一览
| 条件 | 值 |
|------|-----|
| 股价 | < 10元 |
| 净利润增长率 | ≥ 100% |
| 市场 | 深圳A股 |
| 排除 | ST、科创板、创业板 |
| 排序 | 成交额由小到大 |
## 🎯 量化策略参数
| 参数 | 值 |
|------|-----|
| 初始资金 | 100万元 |
| 持股周期 | 5天 |
| 最大持股数 | 4只 |
| 个股最大仓位 | 40% |
| 单日最大买入 | 2只 |
| 买入时机 | 开盘 |
| 卖出信号 | MA5下穿MA20 或 持股5天 |
## 🔧 配置Webhook通知（可选）
### 1. 获取钉钉机器人Webhook URL
1. 打开钉钉群 → 群设置 → 智能群助手
2. 添加机器人 → 自定义
3. 添加安全设置 → 自定义关键词：`aiagents通知`
4. 复制Webhook URL
### 2. 配置环境变量
编辑项目根目录的 `.env` 文件：
```bash
# Webhook通知配置
WEBHOOK_ENABLED=true
WEBHOOK_URL=https://oapi.dingtalk.com/robot/send?access_token=xxxxx
WEBHOOK_TYPE=dingtalk
WEBHOOK_KEYWORD=aiagents通知
```
### 3. 重启系统
配置完成后重启Streamlit即可
## 🎮 使用量化策略模拟
### 策略模拟（无需配置）
1. 完成选股后，在页面底部找到 **量化交易策略模拟**
2. 点击 **🎮 开始策略模拟**
3. 系统会展示：
- 模拟买入信号
- 当前持仓情况
- 账户资金状态
### MiniQMT实盘（需要配置）
**前提条件**：
- 已安装MiniQMT客户端
- 已开通量化交易账户
**配置步骤**：
1. 编辑 `.env` 文件：
```bash
MINIQMT_ENABLED=true
MINIQMT_ACCOUNT_ID=your_account_id
```
2. 重启系统
3. 点击 **🔗 连接MiniQMT实盘**
## 📋 典型使用场景
### 场景1：每日早盘选股
**时间**：每天早上9:15-9:25
**操作**：
1. 打开低价擒牛功能
2. 开始选股，获取最新数据
3. 查看筛选结果
4. 开盘后根据买入信号下单
### 场景2：周末策略回测
**时间**：周末
**操作**：
1. 选股获取数据
2. 导出CSV文件
3. 使用Excel或Python进行历史数据分析
4. 优化策略参数
### 场景3：自动通知监控
**时间**：工作日定时
**操作**：
1. 配置Webhook
2. 设置定时任务（cron或Task Scheduler）
3. 每日自动选股并推送钉钉消息
## 💡 使用技巧
### 技巧1：成交额排序的意义
- 成交额小 = 市场关注度低 = 可能被低估
- 优先买入排名靠前的股票（成交额最小）
### 技巧2：持股周期管理
- 5天是一个交易周期
- 可在第3-4天关注卖出信号
- 避免持股到期临近时盲目持有
### 技巧3：仓位控制
- 建议新手先用小资金测试
- 逐步增加至策略设定的资金量
- 严格执行单股40%的仓位限制
### 技巧4：结合大盘走势
- 大盘上涨时：可适当激进
- 大盘下跌时：减少买入或观望
- 策略不能替代市场判断
## ⚠️ 常见问题
### Q: 为什么有时候筛选不到股票？
A: 可能原因：
- 市场环境不符合条件（如整体估值偏高）
- 净利润增长率≥100%的股票较少
- 建议适当放宽筛选条件
### Q: 钉钉通知没收到？
A: 检查清单：
- ✅ WEBHOOK_ENABLED 设置为 true
- ✅ WEBHOOK_URL 正确
- ✅ 钉钉机器人关键词包含"aiagents通知"
- ✅ 系统已重启
### Q: 策略模拟和实盘有什么区别？
A: 主要区别：
- 模拟：不实际下单，无手续费
- 实盘：真实下单，有滑点和手续费
- 建议先用模拟验证策略
### Q: 如何调整策略参数？
A: 当前版本参数固定在代码中，如需调整：
1. 编辑 `low_price_bull_strategy.py`
2. 修改 `__init__` 方法中的参数
3. 重启系统
## 📚 进阶阅读
- [低价擒牛功能说明](./低价擒牛功能说明.md) - 完整功能文档
- [Webhook配置指南](./Webhook通知配置指南.md) - 详细配置步骤
- [MiniQMT集成指南](./MINIQMT_INTEGRATION_GUIDE.md) - 量化交易配置
## 🎯 下一步
1. ✅ 熟悉基础选股功能
2. ✅ 配置钉钉通知
3. ✅ 使用策略模拟
4. ✅ 尝试MiniQMT实盘（谨慎）
5. ✅ 根据实际情况优化策略
---
**祝您投资顺利！** 🚀📈💰
docs/低价擒牛策略监控功能实现总结.md
+365
View File
@@ -0,0 +1,365 @@
# 低价擒牛策略监控功能实现总结
## 实现日期
2024-12-12
## 功能概述
为"低价擒牛"选股板块添加策略监控功能，实现自动监控持仓股票并在满足卖出条件时发送提醒。
## 核心功能
### 1. 策略监控
- ✅ 加入监控：在选出的股票列表中点击"加入策略监控"按钮
- ✅ 自动扫描：每分钟扫描1次（可配置）
- ✅ 持股天数监控：持股满5天第6天开盘提醒卖出
- ✅ 均线监控：MA5下穿MA20提醒卖出
- ✅ 自动移除：提醒卖出后自动移出监控列表
### 2. 数据源集成
- ✅ TDX数据源：读取股票K线数据
- ✅ 均线计算：自动计算MA5和MA20
- ✅ 实时价格：获取最新股票价格
### 3. 通知系统
- ✅ 钉钉通知：自动发送卖出提醒到钉钉群
- ✅ 面板提醒：在监控面板显示待处理提醒
- ✅ 历史记录：保存所有提醒记录
## 新增文件
### 核心模块（3个Python文件）
1. **low_price_bull_monitor.py** (363行)
- 监控数据库管理
- 股票添加/移除
- 提醒生成和管理
- 持有天数更新
2. **low_price_bull_service.py** (310行)
- 后台监控服务
- 定时扫描循环
- TDX数据获取
- MA均线检测
- 钉钉通知发送
3. **low_price_bull_monitor_ui.py** (273行)
- 监控面板UI
- 服务控制（启动/停止）
- 监控列表展示
- 卖出提醒展示
- 历史记录查询
### 文档（2个Markdown文件）
1. **低价擒牛策略监控配置说明.md**
- 环境变量配置
- TDX数据源配置
- 使用流程说明
- 常见问题解答
2. **低价擒牛策略监控功能实现总结.md**
- 功能概述
- 技术实现
- 使用说明
## 修改文件
### low_price_bull_ui.py
- ✅ 添加导入语句
- ✅ 添加"策略监控"按钮（右上角）
- ✅ 在股票详情中添加"加入策略监控"按钮
- ✅ 集成监控面板切换
- ✅ 更新策略说明
## 数据库设计
### 表1: monitored_stocks（监控列表）
```sql
CREATE TABLE monitored_stocks (
id INTEGER PRIMARY KEY,
stock_code TEXT NOT NULL, -- 股票代码
stock_name TEXT NOT NULL, -- 股票名称
buy_price REAL NOT NULL, -- 买入价格
buy_date TEXT NOT NULL, -- 买入日期
holding_days INTEGER DEFAULT 0, -- 持有天数
status TEXT DEFAULT 'holding', -- 状态（holding/removed）
add_time TEXT NOT NULL, -- 加入时间
remove_time TEXT, -- 移除时间
remove_reason TEXT, -- 移除原因
UNIQUE(stock_code, status)
)
```
### 表2: sell_alerts（卖出提醒）
```sql
CREATE TABLE sell_alerts (
id INTEGER PRIMARY KEY,
stock_code TEXT NOT NULL, -- 股票代码
stock_name TEXT NOT NULL, -- 股票名称
alert_type TEXT NOT NULL, -- 提醒类型（holding_days/ma_cross）
alert_reason TEXT NOT NULL, -- 提醒原因
current_price REAL, -- 当前价格
ma5 REAL, -- MA5值
ma20 REAL, -- MA20值
holding_days INTEGER, -- 持有天数
alert_time TEXT NOT NULL, -- 提醒时间
is_sent INTEGER DEFAULT 0 -- 是否已发送
)
```
## 技术实现
### 1. 监控服务架构
```
┌─────────────────────────────────────┐
│ LowPriceBullService │
│ （后台监控服务） │
└──────────────┬──────────────────────┘
│
┌──────▼──────┐
│ 监控循环 │
│ (每60秒) │
└──────┬──────┘
│
┌──────────▼─────────────┐
│ 扫描监控列表 │
│ - 更新持有天数 │
│ - 检查卖出条件 │
└──────────┬──────────────┘
│
┌──────────▼────────────────┐
│ 检测卖出信号 │
│ 1. 持股天数≥5 │
│ 2. MA5 < MA20 │
└──────────┬─────────────────┘
│
┌──────────▼──────────────┐
│ 生成卖出提醒 │
│ - 保存到数据库 │
│ - 发送钉钉通知 │
│ - 自动移除股票 │
└───────────────────────────┘
```
### 2. TDX数据获取流程
```python
def _get_stock_data(stock_code):
# 1. 获取K线数据（30天）
df = get_stock_kline_data(stock_code, period='daily', count=30)
# 2. 计算均线
df['MA5'] = df['close'].rolling(window=5).mean()
df['MA20'] = df['close'].rolling(window=20).mean()
# 3. 返回最新数据
latest = df.iloc[-1]
return latest['close'], latest['MA5'], latest['MA20']
```
### 3. 卖出信号检测
```python
def _check_stock(stock):
# 检查1: 持股天数
if holding_days >= 5:
add_sell_alert(type='holding_days')
return
# 检查2: MA5下穿MA20
current_price, ma5, ma20 = _get_stock_data(stock_code)
if ma5 < ma20:
add_sell_alert(type='ma_cross')
```
## 环境变量配置
### 新增配置项
```bash
# 低价擒牛策略监控
LOW_PRICE_BULL_SCAN_INTERVAL=60 # 扫描间隔（秒）
LOW_PRICE_BULL_HOLDING_DAYS=5 # 持股天数限制
```
### 依赖的配置
```bash
# Webhook通知（建议配置）
WEBHOOK_ENABLED=true
WEBHOOK_URL=https://oapi.dingtalk.com/robot/send?access_token=xxxxx
WEBHOOK_TYPE=dingtalk
WEBHOOK_KEYWORD=aiagents通知
```
## 使用流程
### 1. 启动流程
```
1. 低价擒牛选股
↓
2. 查看股票列表
↓
3. 点击"➕ 加入策略监控"
↓
4. 点击右上角"📊 策略监控"
↓
5. 点击"▶️ 启动监控服务"
↓
6. 监控服务开始运行
```
### 2. 监控流程
```
监控服务 → 每60秒扫描 → 检测条件 → 生成提醒 → 发送通知 → 自动移除
```
### 3. 提醒流程
```
满足卖出条件
↓
生成卖出提醒
↓
┌─────────┴─────────┐
│ │
发送钉钉通知 显示在面板
│ │
└─────────┬─────────┘
↓
自动移出监控列表
↓
记录到历史
```
## 功能特点
### 1. 自动化监控
- ✅ 无需人工盯盘
- ✅ 定时自动扫描
- ✅ 智能卖出提醒
### 2. 双重条件
- ✅ 时间条件：持股5天
- ✅ 技术条件：MA5下穿MA20
- ✅ 满足任一即提醒
### 3. 灵活配置
- ✅ 可调整扫描间隔
- ✅ 可调整持股天数
- ✅ 可启动/停止服务
### 4. 完整记录
- ✅ 监控历史
- ✅ 提醒记录
- ✅ 操作日志
## 监控面板功能
### 📋 监控列表
- 显示所有监控中的股票
- 实时更新持有天数
- 支持批量移除
- 显示买入价格和日期
### 🔔 卖出提醒
- 显示待处理提醒
- 查看MA5/MA20数据
- 操作选项：
- ✅ 已处理（移除股票）
- ❌ 忽略（保留股票）
### 📜 历史记录
- 查看历史提醒
- 筛选已发送/未发送
- 清理旧记录
### ⚙️ 服务控制
- ▶️ 启动服务
- ⏸️ 停止服务
- 配置扫描间隔
- 查看服务状态
## 钉钉通知格式
```markdown
### aiagents通知 - 低价擒牛卖出提醒
**股票代码**: 002259
**股票名称**: 升达林业
**提醒类型**: MA均线死叉
**提醒原因**: MA5下穿MA20，技术信号卖出
**当前价格**: 8.52元
**MA5**: 8.45
**MA20**: 8.67
**持有天数**: 3天
**提醒时间**: 2024-12-12 14:30:00
---
**建议**: 开盘时卖出该股票
_此消息由AI股票分析系统自动发送_
```
## 注意事项
### 1. 服务运行
- ⚠️ 监控服务需要手动启动
- ⚠️ 关闭浏览器后服务停止
- ⚠️ 建议在服务器上运行
### 2. 数据源
- ⚠️ 需要配置TDX数据源
- ⚠️ 建议使用pytdx（无需配置）
- ⚠️ K线数据可能有延迟
### 3. 扫描频率
- ⚠️ 默认60秒扫描1次
- ⚠️ 不建议低于30秒
- ⚠️ 避免API限流
### 4. 持股天数
- ⚠️ 按自然日计算
- ⚠️ 不区分交易日
- ⚠️ 建议预留余地
## 后续优化方向
### 短期
- [ ] 支持后台常驻服务
- [ ] 增加更多技术指标
- [ ] 支持自定义卖出条件
### 中期
- [ ] 集成MiniQMT自动交易
- [ ] 支持止损止盈设置
- [ ] 增加回测功能
### 长期
- [ ] AI智能卖出建议
- [ ] 多策略组合监控
- [ ] 移动端APP推送
## 总结
本次实现为"低价擒牛"选股板块添加了完整的策略监控功能，包括：
- ✅ **3个核心模块**：监控管理、后台服务、UI界面
- ✅ **完整的数据库设计**：监控列表、提醒记录
- ✅ **自动化监控**：定时扫描、智能提醒、自动移除
- ✅ **双重卖出条件**：持股天数 + MA均线
- ✅ **钉钉通知集成**：实时接收卖出提醒
- ✅ **灵活的配置**：可调整扫描间隔和持股天数
- ✅ **完善的文档**：配置说明、使用指南
整个功能已集成到系统中，用户可以立即使用！
---
**实现完成时间**：2024-12-12
**版本**：v1.0
**状态**：✅ 已完成并可使用
docs/低价擒牛策略监控配置说明.md
+239
View File
@@ -0,0 +1,239 @@
# 低价擒牛策略监控配置说明
## 环境变量配置
在 `.env` 文件中添加以下配置：
```bash
# 低价擒牛策略监控配置
LOW_PRICE_BULL_SCAN_INTERVAL=60 # 扫描间隔（秒），默认60秒
LOW_PRICE_BULL_HOLDING_DAYS=5 # 持股天数限制，默认5天
# TDX数据源API配置（必须）
TDX_BASE_URL=http://127.0.0.1:5000 # TDX API服务地址
```
## TDX数据源配置
策略监控需要使用TDX数据API获取股票K线数据和均线指标。
### 配置方法
在 `.env` 文件中添加TDX API URL：
```bash
# TDX数据源API配置
TDX_BASE_URL=http://127.0.0.1:5000 # TDX API服务地址
```
### API接口说明
#### 核心接口
| 接口 | 说明 | 示例 |
|------|------|------|
| /api/quote | 五档行情 | ?code=000001 |
| /api/kline | K线数据 | ?code=000001&type=day |
| /api/minute | 分时数据 | ?code=000001 |
| /api/trade | 分时成交 | ?code=000001 |
| /api/search | 搜索股票 | ?keyword=平安 |
| /api/stock-info | 综合信息 | ?code=000001 |
#### K线数据接口
策略监控使用的接口：**`/api/kline`**
**请求参数**：
- `code`: 股票代码（例如：000001）
- `type`: K线类型（day=日K线）
**返回格式**：
```json
[
{
"date": "2024-12-12",
"open": 10.50,
"high": 10.80,
"low": 10.30,
"close": 10.60,
"volume": 1000000
},
...
]
```
**使用示例**：
```bash
curl "http://127.0.0.1:5000/api/kline?code=000001&type=day"
```
### 启动TDX API服务
如果您还没有TDX API服务，需要先启动服务：
1. 确保已安装相关依赖
2. 启动TDX API服务器（默认端口5000）
3. 在.env中配置服务地址
### 数据说明
- **更新频率**：K线数据实时更新
- **数据量**：策略需要至少20天的K线数据
- **均线计算**：系统自动计算MA5和MA20
## Webhook通知配置
建议配置钉钉Webhook以接收卖出提醒：
```bash
# Webhook通知配置
WEBHOOK_ENABLED=true
WEBHOOK_URL=https://oapi.dingtalk.com/robot/send?access_token=xxxxx
WEBHOOK_TYPE=dingtalk
WEBHOOK_KEYWORD=aiagents通知
```
## 功能说明
### 1. 加入策略监控
在"低价擒牛"选股结果中，点击任意股票详情中的"➕ 加入策略监控"按钮。
### 2. 监控条件
#### 条件1：持股天数到期
- 持股满5天（可配置）
- 第6天开盘时发送卖出提醒
- 自动从监控列表移除
#### 条件2：MA5下穿MA20
- 每分钟扫描1次（可配置）
- 检测MA5是否小于MA20
- 满足条件时发送卖出提醒
- 自动从监控列表移除
### 3. 卖出提醒
提醒会通过以下方式发送：
- 钉钉Webhook通知（需配置）
- 监控面板中的"卖出提醒"标签页
### 4. 自动移除
当满足卖出条件时：
1. 生成卖出提醒
2. 发送钉钉通知（如已配置）
3. 自动从监控列表移除
4. 记录到历史提醒
## 使用流程
```
1. 低价擒牛选股
↓
2. 查看选股结果
↓
3. 点击"➕ 加入策略监控"
↓
4. 进入"📊 策略监控"面板
↓
5. 启动监控服务
↓
6. 等待卖出提醒
↓
7. 收到提醒后卖出
```
## 监控面板功能
### 服务控制
- ▶️ 启动监控服务
- ⏸️ 停止监控服务
- ⚙️ 配置扫描间隔
### 监控列表
- 查看所有监控中的股票
- 显示持有天数
- 手动移除股票
### 卖出提醒
- 查看待处理的提醒
- 查看MA5/MA20数据
- 标记已处理/忽略
### 历史记录
- 查看历史提醒
- 清理旧记录
## 注意事项
1. ⚠️ **监控服务需要手动启动**
- 首次使用需在监控面板启动服务
- 服务启动后会持续运行
- 关闭浏览器后服务会停止
2. ⚠️ **TDX数据源**
- 必须配置TDX_BASE_URL
- 确俜TDX API服务已启动
- 使用`/api/kline`接口获取日K线数据
- 数据需要至少20天才能计算MA20
3. ⚠️ **扫描间隔**
- 默认60秒扫描1次
- 可在监控面板调整
- 建议不要低于30秒
4. ⚠️ **持股天数计算**
- 按自然日计算
- 不区分交易日/非交易日
- 建议留有余地
## 常见问题
### Q1: 监控服务无法启动？
A: 检查：
- Python环境是否正常
- 依赖包是否安装完整
- 查看控制台错误日志
### Q2: 没有收到卖出提醒？
A: 检查：
- Webhook是否配置正确
- 监控服务是否在运行
- TDX API服务是否启动
- 访问`http://127.0.0.1:5000/api/health`检查API状态
- 查看控制台日志是否有错误信息
### Q3: 如何修改扫描间隔？
A: 两种方式：
- 在监控面板的"⚙️ 监控配置"中修改
- 在.env文件中修改`LOW_PRICE_BULL_SCAN_INTERVAL`
### Q4: 持股天数如何调整？
A: 在.env文件中修改：
```bash
LOW_PRICE_BULL_HOLDING_DAYS=7 # 改为7天
```
## 技术实现
### 数据库
- SQLite本地数据库
- 文件：`low_price_bull_monitor.db`
- 包含监控列表和提醒记录
### 后台服务
- Python线程实现
- 定时扫描循环
- 异常自动恢复
### 数据获取
- 使用TDX API
- 调用`/api/kline`接口
- 获取日K线数据
- 计算MA5/MA20均线
---
**版本**: v1.0
**更新日期**: 2024-12-12
docs/均线回归策略保存.py
+460
View File
@@ -0,0 +1,460 @@
'''
均线回归策略 V3.0 进攻版
优化重点：提高Beta，增强进攻性，减少过度保守
核心改进：
1. 放宽市场择时，只在极端熊市降仓
2. 增加持仓数量，提高资金利用率
3. 放宽买入条件，增加交易机会
4. 优化止盈，让利润奔跑
5. 增加突破买入模式
'''
import jqdata
import numpy as np
## 初始化函数
def initialize(context):
# 设定沪深300作为基准
set_benchmark('000300.XSHG')
# 开启动态复权模式
set_option('use_real_price', True)
# 设定成交量比例
set_option('order_volume_ratio', 1)
# 设置交易手续费
set_order_cost(OrderCost(open_tax=0, close_tax=0.001,
open_commission=0.0003, close_commission=0.0003,
close_today_commission=0, min_commission=5), type='stock')
# ========== 策略参数（进攻版）==========
g.stocknum = 8 # 持仓数量增加到8只
g.max_position_ratio = 0.98 # 最大仓位98%
# 均线参数
g.ma_short = 20 # 短期均线
g.ma_mid = 60 # 中期均线
g.ma_long = 120 # 长期均线
# 回调买入参数（放宽条件）
g.pullback_ratio = 0.035 # 放宽到3.5%
g.break_tolerance = 0.015 # 允许跌破1.5%
# 止盈止损参数（让利润奔跑）
g.base_take_profit = 0.20 # 止盈提高到20%
g.base_stop_loss = 0.06 # 止损放宽到6%
g.trailing_stop = 0.08 # 回撤容忍8%
# 市值筛选（亿）- 扩大范围
g.min_market_cap = 20
g.max_market_cap = 1000
# 行业分散参数
g.max_industry_stocks = 3 # 同行业最多3只
# 市场状态
g.market_state = 'NORMAL'
g.position_ratio = 1.0
# 记录
g.highest_profit = {}
g.stock_volatility = {}
g.hold_days = {} # 持仓天数
# 定时任务
run_daily(market_analysis, '09:31')
run_daily(morning_check, '09:35')
run_daily(check_positions, '14:00') # 只检查一次
run_daily(afternoon_trade, '14:50')
## 市场环境分析（放宽版）
def market_analysis(context):
"""
只在极端情况下降低仓位，大部分时间保持高仓位
"""
index_code = '000300.XSHG'
try:
df = attribute_history(index_code, 130, '1d', ['close'], skip_paused=True)
if len(df) < 120:
g.market_state = 'NORMAL'
g.position_ratio = 1.0
return
close = df['close'].values
current = close[-1]
ma20 = np.mean(close[-20:])
ma60 = np.mean(close[-60:])
ma120 = np.mean(close[-120:])
change_5d = (close[-1] - close[-6]) / close[-6]
change_10d = (close[-1] - close[-11]) / close[-11]
# 只在极端熊市才降仓（条件更严格）
if current < ma120 and ma20 < ma60 < ma120 and change_10d < -0.08:
# 极端熊市：指数跌破120日均线，均线空头，10日跌幅超8%
g.market_state = 'BEAR'
g.position_ratio = 0.5
log.info("【市场】极端熊市，仓位50%%")
elif change_5d < -0.08:
# 短期暴跌超8%：暂时减仓
g.market_state = 'BEAR'
g.position_ratio = 0.6
log.info("【市场】短期暴跌，仓位60%%")
elif current > ma20 and ma20 > ma60:
# 趋势向上：满仓
g.market_state = 'BULL'
g.position_ratio = 1.0
log.info("【市场】趋势向上，满仓")
else:
# 默认高仓位运行
g.market_state = 'NORMAL'
g.position_ratio = 0.9
log.info("【市场】正常状态，仓位90%%")
except Exception as e:
g.market_state = 'NORMAL'
g.position_ratio = 0.9
## 早盘检查
def morning_check(context):
g.buy_list = check_stocks(context)
log.info("【选股】%d 只，市场: %s，仓位: %.0f%%" %
(len(g.buy_list), g.market_state, g.position_ratio * 100))
## 检查持仓 - 优化版（让利润奔跑）
def check_positions(context):
if len(context.portfolio.positions) == 0:
return
for stock in list(context.portfolio.positions.keys()):
position = context.portfolio.positions[stock]
if position.closeable_amount <= 0:
continue
cost = position.avg_cost
current_price = position.price
if cost <= 0:
continue
profit_ratio = (current_price - cost) / cost
# 更新持仓天数
g.hold_days[stock] = g.hold_days.get(stock, 0) + 1
# 更新最高盈利
if stock not in g.highest_profit:
g.highest_profit[stock] = profit_ratio
else:
g.highest_profit[stock] = max(g.highest_profit[stock], profit_ratio)
highest = g.highest_profit[stock]
hold_days = g.hold_days.get(stock, 0)
# 动态止损（根据波动率和持仓时间）
volatility = g.stock_volatility.get(stock, 0.025)
# 持仓时间越长，止损越宽松
time_factor = min(1 + hold_days * 0.01, 1.5)
dynamic_stop_loss = min(g.base_stop_loss * time_factor, 0.12)
# === 止损逻辑 ===
if profit_ratio < -dynamic_stop_loss:
log.info("【止损】%s 亏损 %.2f%%" % (stock, profit_ratio * 100))
order_target(stock, 0)
clean_stock_data(stock)
continue
# === 均线破位（只在亏损时卖）===
if profit_ratio < 0 and check_sell_signal(stock):
log.info("【均线破位】%s 破位且亏损，卖出" % stock)
order_target(stock, 0)
clean_stock_data(stock)
continue
# === 移动止盈（让利润奔跑）===
if highest >= g.base_take_profit:
drawdown = highest - profit_ratio
# 盈利越多，允许回撤越大（最多允许回撤15%）
allowed_drawdown = min(g.trailing_stop + highest * 0.4, 0.18)
if drawdown >= allowed_drawdown:
log.info("【移动止盈】%s 最高 %.2f%%，回撤 %.2f%%" %
(stock, highest * 100, drawdown * 100))
order_target(stock, 0)
clean_stock_data(stock)
continue
# === 分批止盈（保守止盈，只卖小部分）===
if profit_ratio >= g.base_take_profit * 2:
# 盈利超40%，卖出30%锁定利润
sell_amount = int(position.closeable_amount * 0.3 / 100) * 100
if sell_amount >= 100:
log.info("【大幅止盈】%s 盈利 %.2f%%，卖出30%%" % (stock, profit_ratio * 100))
order(stock, -sell_amount)
## 清理股票数据
def clean_stock_data(stock):
for d in [g.highest_profit, g.stock_volatility, g.hold_days]:
if stock in d:
del d[stock]
## 尾盘交易
def afternoon_trade(context):
buy_stocks(context)
## 买入函数（积极版）
def buy_stocks(context):
if not hasattr(g, 'buy_list') or not g.buy_list:
return
position_count = len(context.portfolio.positions)
adjusted_stocknum = int(g.stocknum * g.position_ratio)
if adjusted_stocknum <= 0 or position_count >= adjusted_stocknum:
return
# 计算资金分配
available_cash = context.portfolio.available_cash * g.max_position_ratio
buy_count = min(adjusted_stocknum - position_count, len(g.buy_list))
if buy_count <= 0 or available_cash < 10000:
return
cash_per_stock = available_cash / buy_count
held_industries = get_held_industries(context)
bought = 0
for stock in g.buy_list:
if bought >= buy_count:
break
if stock in context.portfolio.positions:
continue
# 行业分散
stock_industry = get_stock_industry(stock)
if stock_industry and held_industries.get(stock_industry, 0) >= g.max_industry_stocks:
continue
# 简化买入条件检查
if check_buy_signal(stock):
order_value(stock, cash_per_stock)
log.info("【买入】%s" % stock)
g.highest_profit[stock] = 0
g.stock_volatility[stock] = 0.025
g.hold_days[stock] = 0
if stock_industry:
held_industries[stock_industry] = held_industries.get(stock_industry, 0) + 1
bought += 1
## 获取已持仓的行业分布
def get_held_industries(context):
industries = {}
for stock in context.portfolio.positions.keys():
ind = get_stock_industry(stock)
if ind:
industries[ind] = industries.get(ind, 0) + 1
return industries
## 获取股票所属行业
def get_stock_industry(stock):
try:
ind_dict = get_industry(stock)
if ind_dict and stock in ind_dict:
# 获取申万一级行业
for ind_code, ind_info in ind_dict[stock].items():
if ind_code.startswith('sw_l1'):
return ind_info.get('industry_name', None)
return None
except:
return None
## 选股函数（进攻版）
def check_stocks(context):
# 第一步：基础筛选（放宽条件）
q = query(
valuation.code,
valuation.market_cap
).filter(
valuation.market_cap.between(g.min_market_cap, g.max_market_cap)
).order_by(
valuation.market_cap.asc()
).limit(500) # 扩大候选池
df = get_fundamentals(q)
if df.empty:
return []
stock_list = list(df['code'])
stock_list = filter_basic(stock_list)
# 均线信号筛选
candidates = []
for stock in stock_list[:200]: # 检查前200只
if check_buy_signal(stock):
score = calculate_trend_score(stock)
candidates.append((stock, score))
# 按评分排序
candidates.sort(key=lambda x: x[1], reverse=True)
buy_list = [c[0] for c in candidates[:g.stocknum * 3]]
return buy_list
## 计算趋势强度评分
def calculate_trend_score(stock):
"""
评分因素：
1. 均线发散程度
2. 价格距离MA20的位置
3. 成交量配合
"""
try:
df = attribute_history(stock, 130, '1d', ['close', 'volume'], skip_paused=True)
if len(df) < 120:
return 0
close = df['close'].values
volume = df['volume'].values
ma20 = np.mean(close[-20:])
ma60 = np.mean(close[-60:])
ma120 = np.mean(close[-120:])
current = close[-1]
score = 0
# 均线发散程度（20分）
spread = (ma20 - ma120) / ma120
score += min(spread * 100, 20)
# 价格位置（30分）- 越接近MA20越好
distance = abs(current - ma20) / ma20
score += max(0, 30 - distance * 500)
# 成交量（20分）- 回调缩量为佳
vol_ma5 = np.mean(volume[-5:])
vol_ma20 = np.mean(volume[-20:])
if vol_ma5 < vol_ma20 * 0.8:
score += 20 # 缩量回调
elif vol_ma5 < vol_ma20:
score += 10
# 趋势持续性（30分）
ma20_slope = (ma20 - np.mean(close[-25:-5])) / np.mean(close[-25:-5])
if ma20_slope > 0:
score += min(ma20_slope * 300, 30)
return score
except:
return 0
## 基础过滤
def filter_basic(stock_list):
if not stock_list:
return []
current_data = get_current_data()
filtered = []
for stock in stock_list:
# 过滤停牌
if current_data[stock].paused:
continue
# 过滤ST
if current_data[stock].is_st:
continue
if 'ST' in current_data[stock].name or '*' in current_data[stock].name:
continue
# 过滤科创板、北交所
if stock.startswith('688') or stock.startswith('8') or stock.startswith('4'):
continue
# 过滤涨跌停
if current_data[stock].last_price >= current_data[stock].high_limit:
continue
if current_data[stock].last_price <= current_data[stock].low_limit:
continue
filtered.append(stock)
return filtered
## 检查买入信号（放宽版）
def check_buy_signal(stock):
"""
放宽买入条件，增加交易机会
"""
try:
df = attribute_history(stock, g.ma_long + 10, '1d', ['close'], skip_paused=True)
if len(df) < g.ma_long:
return False
close = df['close'].values
current_price = close[-1]
# 计算均线
ma20 = np.mean(close[-g.ma_short:])
ma60 = np.mean(close[-g.ma_mid:])
ma120 = np.mean(close[-g.ma_long:])
# 条件1：均线多头排列（核心条件）
if not (ma20 > ma60 > ma120):
return False
# 条件2：MA20向上
ma20_5d_ago = np.mean(close[-g.ma_short-5:-5])
if ma20 <= ma20_5d_ago:
return False
# 条件3：价格在MA20附近（放宽范围）
distance = (current_price - ma20) / ma20
# 允许在MA20上方5%以内，或跌破2%以内
if distance > 0.05 or distance < -0.02:
return False
# 条件4：价格不能离MA60太远
if current_price > ma60 * 1.30:
return False
return True
except:
return False
## 检查卖出信号（均线破位）
def check_sell_signal(stock):
"""
卖出条件：
1. 价格跌破MA60
2. MA20下穿MA60（死叉）
3. 价格跌破MA20且持续3天
"""
try:
df = attribute_history(stock, g.ma_mid + 5, '1d', ['close'], skip_paused=True)
if len(df) < g.ma_mid:
return False
close = df['close'].values
current_price = close[-1]
ma20 = np.mean(close[-g.ma_short:])
ma60 = np.mean(close[-g.ma_mid:])
# 价格跌破MA60超过2%
if current_price < ma60 * 0.98:
return True
# MA20下穿MA60（死叉）
ma20_yesterday = np.mean(close[-g.ma_short-1:-1])
ma60_yesterday = np.mean(close[-g.ma_mid-1:-1])
if ma20_yesterday > ma60_yesterday and ma20 < ma60:
return True
# 连续3天收盘在MA20下方
ma20_3d = [np.mean(close[-g.ma_short-i:-i]) if i > 0 else ma20 for i in range(3)]
below_ma20_count = sum(1 for i in range(3) if close[-1-i] < ma20_3d[i] * 0.99)
if below_ma20_count >= 3:
return True
return False
except:
return False