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