oficcejo
565 lines
20 KiB
Python
565 lines
20 KiB
Python
#!/usr/bin/env python3
|
||
# -*- coding: utf-8 -*-
|
||
"""
|
||
主力选股AI分析整合模块
|
||
整体批量分析，从板块热点和资金流向角度筛选优质标的
|
||
"""
|
||
|
||
from typing import Dict, List, Tuple
|
||
import pandas as pd
|
||
from main_force_selector import main_force_selector
|
||
from stock_data import StockDataFetcher
|
||
from ai_agents import StockAnalysisAgents
|
||
from deepseek_client import DeepSeekClient
|
||
import time
|
||
import json
|
||
import config
|
||
|
||
class MainForceAnalyzer:
|
||
"""主力选股分析器 - 批量整体分析"""
|
||
|
||
def __init__(self, model=None):
|
||
self.selector = main_force_selector
|
||
self.fetcher = StockDataFetcher()
|
||
self.model = model or config.DEFAULT_MODEL_NAME
|
||
self.agents = StockAnalysisAgents(model=self.model)
|
||
self.deepseek_client = self.agents.deepseek_client
|
||
self.raw_stocks = None
|
||
self.final_recommendations = []
|
||
|
||
def run_full_analysis(self, start_date: str = None, days_ago: int = None,
|
||
final_n: int = None, max_range_change: float = None,
|
||
min_market_cap: float = None, max_market_cap: float = None) -> Dict:
|
||
"""
|
||
运行完整的主力选股分析流程 - 整体批量分析
|
||
|
||
Args:
|
||
start_date: 开始日期，格式如"2025年10月1日"
|
||
days_ago: 距今多少天
|
||
final_n: 最终精选N只
|
||
max_range_change: 最大涨跌幅限制
|
||
min_market_cap: 最小市值限制
|
||
max_market_cap: 最大市值限制
|
||
|
||
Returns:
|
||
分析结果字典
|
||
"""
|
||
result = {
|
||
'success': False,
|
||
'total_stocks': 0,
|
||
'filtered_stocks': 0,
|
||
'final_recommendations': [],
|
||
'error': None,
|
||
'params': {
|
||
'start_date': start_date,
|
||
'days_ago': days_ago,
|
||
'final_n': final_n,
|
||
'max_range_change': max_range_change,
|
||
'min_market_cap': min_market_cap,
|
||
'max_market_cap': max_market_cap
|
||
}
|
||
}
|
||
|
||
try:
|
||
print(f"\n{'='*80}")
|
||
print(f"🚀 主力选股智能分析系统 - 批量整体分析")
|
||
print(f"{'='*80}\n")
|
||
|
||
# 步骤1: 获取主力资金净流入前100名股票
|
||
success, raw_data, message = self.selector.get_main_force_stocks(
|
||
start_date=start_date,
|
||
days_ago=days_ago,
|
||
min_market_cap=min_market_cap,
|
||
max_market_cap=max_market_cap
|
||
)
|
||
|
||
if not success:
|
||
result['error'] = message
|
||
return result
|
||
|
||
result['total_stocks'] = len(raw_data)
|
||
|
||
# 步骤2: 智能筛选（涨幅、市值等）
|
||
filtered_data = self.selector.filter_stocks(
|
||
raw_data,
|
||
max_range_change=max_range_change,
|
||
min_market_cap=min_market_cap,
|
||
max_market_cap=max_market_cap
|
||
)
|
||
|
||
result['filtered_stocks'] = len(filtered_data)
|
||
|
||
if filtered_data.empty:
|
||
result['error'] = "筛选后没有符合条件的股票"
|
||
return result
|
||
|
||
# 保存原始数据
|
||
self.raw_stocks = filtered_data
|
||
|
||
# 步骤3: 整体数据分析（不是逐个分析）
|
||
print(f"\n{'='*80}")
|
||
print(f"🤖 AI分析师团队开始整体分析...")
|
||
print(f"{'='*80}\n")
|
||
|
||
# 准备整体数据摘要
|
||
overall_summary = self._prepare_overall_summary(filtered_data)
|
||
|
||
# 三大分析师整体分析
|
||
fund_flow_analysis = self._fund_flow_overall_analysis(filtered_data, overall_summary)
|
||
industry_analysis = self._industry_overall_analysis(filtered_data, overall_summary)
|
||
fundamental_analysis = self._fundamental_overall_analysis(filtered_data, overall_summary)
|
||
|
||
# 保存分析报告到对象属性，供UI展示
|
||
self.fund_flow_analysis = fund_flow_analysis
|
||
self.industry_analysis = industry_analysis
|
||
self.fundamental_analysis = fundamental_analysis
|
||
|
||
# 步骤4: 综合决策，精选优质标的
|
||
print(f"\n{'='*80}")
|
||
print(f"👔 资深研究员综合评估并精选标的...")
|
||
print(f"{'='*80}\n")
|
||
|
||
final_recommendations = self._select_best_stocks(
|
||
filtered_data,
|
||
fund_flow_analysis,
|
||
industry_analysis,
|
||
fundamental_analysis,
|
||
final_n=final_n
|
||
)
|
||
|
||
result['final_recommendations'] = final_recommendations
|
||
result['success'] = True
|
||
|
||
# 显示最终结果
|
||
self._print_final_recommendations(final_recommendations)
|
||
|
||
return result
|
||
|
||
except Exception as e:
|
||
result['error'] = f"分析过程出错: {str(e)}"
|
||
import traceback
|
||
traceback.print_exc()
|
||
return result
|
||
|
||
def _prepare_overall_summary(self, df: pd.DataFrame) -> str:
|
||
"""准备整体数据摘要"""
|
||
|
||
summary_lines = []
|
||
summary_lines.append(f"候选股票总数: {len(df)}只")
|
||
|
||
# 主力资金统计
|
||
main_fund_cols = [col for col in df.columns if '主力' in col and '净流入' in col]
|
||
if main_fund_cols:
|
||
col_name = main_fund_cols[0]
|
||
df[col_name] = pd.to_numeric(df[col_name], errors='coerce')
|
||
total_inflow = df[col_name].sum()
|
||
avg_inflow = df[col_name].mean()
|
||
summary_lines.append(f"主力资金总净流入: {total_inflow/100000000:.2f}亿")
|
||
summary_lines.append(f"平均主力资金净流入: {avg_inflow/100000000:.2f}亿")
|
||
|
||
# 涨跌幅统计
|
||
range_cols = [col for col in df.columns if '涨跌幅' in col]
|
||
if range_cols:
|
||
col_name = range_cols[0]
|
||
df[col_name] = pd.to_numeric(df[col_name], errors='coerce')
|
||
avg_change = df[col_name].mean()
|
||
max_change = df[col_name].max()
|
||
min_change = df[col_name].min()
|
||
summary_lines.append(f"平均涨跌幅: {avg_change:.2f}%")
|
||
summary_lines.append(f"涨跌幅范围: {min_change:.2f}% ~ {max_change:.2f}%")
|
||
|
||
# 行业分布
|
||
industry_cols = [col for col in df.columns if '行业' in col]
|
||
if industry_cols:
|
||
col_name = industry_cols[0]
|
||
top_industries = df[col_name].value_counts().head(10)
|
||
summary_lines.append("\n主要行业分布:")
|
||
for industry, count in top_industries.items():
|
||
summary_lines.append(f" - {industry}: {count}只")
|
||
|
||
return "\n".join(summary_lines)
|
||
|
||
def _fund_flow_overall_analysis(self, df: pd.DataFrame, summary: str) -> str:
|
||
"""资金流向整体分析"""
|
||
|
||
print("💰 资金流向分析师整体分析中...")
|
||
|
||
# 准备数据表格
|
||
data_table = self._prepare_data_table(df, focus='fund_flow')
|
||
|
||
prompt = f"""
|
||
你是一名资深的资金面分析师，现在需要你从整体角度分析这批主力资金净流入的股票。
|
||
|
||
【整体数据摘要】
|
||
{summary}
|
||
|
||
【候选股票详细数据】（共{len(df)}只）
|
||
{data_table}
|
||
|
||
【分析任务】
|
||
请从资金流向的整体角度进行分析，重点关注：
|
||
|
||
1. **资金流向特征**
|
||
- 哪些板块/行业资金流入最集中？
|
||
- 主力资金的整体行为特征（大规模建仓/试探性进场/板块轮动）
|
||
- 资金流向与涨跌幅的配合情况
|
||
|
||
2. **优质标的识别**
|
||
- 从资金面角度，哪些股票最值得关注？
|
||
- 主力资金流入大但涨幅不高的潜力股
|
||
- 资金持续流入且趋势明确的股票
|
||
|
||
3. **板块热点判断**
|
||
- 当前资金最看好哪些板块？
|
||
- 是否有板块轮动迹象？
|
||
- 新兴热点 vs 传统强势板块
|
||
|
||
4. **投资建议**
|
||
- 从资金面角度，建议重点关注哪3-5只股票？
|
||
- 理由和风险提示
|
||
|
||
请给出专业、系统的资金面整体分析报告。
|
||
"""
|
||
|
||
messages = [
|
||
{"role": "system", "content": "你是资金面分析专家，擅长从整体资金流向中发现投资机会。"},
|
||
{"role": "user", "content": prompt}
|
||
]
|
||
|
||
analysis = self.deepseek_client.call_api(messages, max_tokens=4000)
|
||
|
||
print(" ✅ 资金流向整体分析完成")
|
||
time.sleep(1)
|
||
|
||
return analysis
|
||
|
||
def _industry_overall_analysis(self, df: pd.DataFrame, summary: str) -> str:
|
||
"""行业板块整体分析"""
|
||
|
||
print("📊 行业板块分析师整体分析中...")
|
||
|
||
# 准备数据表格
|
||
data_table = self._prepare_data_table(df, focus='industry')
|
||
|
||
prompt = f"""
|
||
你是一名资深的行业板块分析师，现在需要你从行业热点和板块轮动角度分析这批股票。
|
||
|
||
【整体数据摘要】
|
||
{summary}
|
||
|
||
【候选股票详细数据】（共{len(df)}只）
|
||
{data_table}
|
||
|
||
【分析任务】
|
||
请从行业板块的整体角度进行分析，重点关注：
|
||
|
||
1. **热点板块识别**
|
||
- 哪些行业/板块最受资金青睐？
|
||
- 热点板块的持续性如何？
|
||
- 是否有新兴热点正在形成？
|
||
|
||
2. **板块特征分析**
|
||
- 各板块的涨幅与资金流入匹配度
|
||
- 哪些板块处于启动阶段（资金流入但涨幅不大）
|
||
- 哪些板块可能过热（涨幅高但资金流入减弱）
|
||
|
||
3. **行业前景评估**
|
||
- 主力资金集中的行业，基本面支撑如何？
|
||
- 政策面、产业面是否有催化因素？
|
||
- 行业竞争格局和龙头地位
|
||
|
||
4. **优质标的推荐**
|
||
- 从行业板块角度，推荐3-5只最具潜力的股票
|
||
- 推荐理由（行业地位、成长空间、催化因素）
|
||
|
||
请给出专业、深入的行业板块分析报告。
|
||
"""
|
||
|
||
messages = [
|
||
{"role": "system", "content": "你是行业板块分析专家，擅长发现市场热点和板块机会。"},
|
||
{"role": "user", "content": prompt}
|
||
]
|
||
|
||
analysis = self.deepseek_client.call_api(messages, max_tokens=4000)
|
||
|
||
print(" ✅ 行业板块整体分析完成")
|
||
time.sleep(1)
|
||
|
||
return analysis
|
||
|
||
def _fundamental_overall_analysis(self, df: pd.DataFrame, summary: str) -> str:
|
||
"""财务基本面整体分析"""
|
||
|
||
print("📈 财务基本面分析师整体分析中...")
|
||
|
||
# 准备数据表格
|
||
data_table = self._prepare_data_table(df, focus='fundamental')
|
||
|
||
prompt = f"""
|
||
你是一名资深的基本面分析师，现在需要你从财务质量和基本面角度分析这批股票。
|
||
|
||
【整体数据摘要】
|
||
{summary}
|
||
|
||
【候选股票详细数据】（共{len(df)}只）
|
||
{data_table}
|
||
|
||
【分析任务】
|
||
请从财务基本面的整体角度进行分析，重点关注：
|
||
|
||
1. **财务质量评估**
|
||
- 整体财务指标健康度如何？
|
||
- 哪些股票盈利能力、成长性突出？
|
||
- 是否存在财务风险较大的股票？
|
||
|
||
2. **估值水平分析**
|
||
- 市盈率、市净率的整体分布
|
||
- 哪些股票估值合理且有成长空间？
|
||
- 高估值是否有业绩支撑？
|
||
|
||
3. **成长性评估**
|
||
- 营收、净利润增长情况
|
||
- 哪些股票成长性最好？
|
||
- 成长能力评分较高的股票
|
||
|
||
4. **优质标的筛选**
|
||
- 从基本面角度，推荐3-5只最优质的股票
|
||
- 推荐理由（财务健康、估值合理、成长性好）
|
||
|
||
请给出专业、详实的基本面分析报告。
|
||
"""
|
||
|
||
messages = [
|
||
{"role": "system", "content": "你是基本面分析专家，擅长从财务角度评估投资价值。"},
|
||
{"role": "user", "content": prompt}
|
||
]
|
||
|
||
analysis = self.deepseek_client.call_api(messages, max_tokens=4000)
|
||
|
||
print(" ✅ 财务基本面整体分析完成")
|
||
time.sleep(1)
|
||
|
||
return analysis
|
||
|
||
def _prepare_data_table(self, df: pd.DataFrame, focus: str = 'all') -> str:
|
||
"""准备数据表格用于AI分析"""
|
||
|
||
# 选择关键列
|
||
key_columns = ['股票代码', '股票简称']
|
||
|
||
# 根据分析重点添加相关列
|
||
if focus == 'fund_flow' or focus == 'all':
|
||
fund_cols = [col for col in df.columns if '主力' in col or '资金' in col]
|
||
key_columns.extend(fund_cols[:3]) # 最多3列资金数据
|
||
|
||
if focus == 'industry' or focus == 'all':
|
||
industry_cols = [col for col in df.columns if '行业' in col]
|
||
key_columns.extend(industry_cols[:1])
|
||
|
||
# 智能匹配区间涨跌幅列
|
||
interval_pct_col = None
|
||
possible_names = [
|
||
'区间涨跌幅:前复权', '区间涨跌幅:前复权(%)', '区间涨跌幅(%)',
|
||
'区间涨跌幅', '涨跌幅:前复权', '涨跌幅:前复权(%)', '涨跌幅(%)', '涨跌幅'
|
||
]
|
||
for name in possible_names:
|
||
for col in df.columns:
|
||
if name in col:
|
||
interval_pct_col = col
|
||
break
|
||
if interval_pct_col:
|
||
break
|
||
if interval_pct_col:
|
||
key_columns.append(interval_pct_col)
|
||
|
||
if focus == 'fundamental' or focus == 'all':
|
||
fundamental_cols = [col for col in df.columns if any(
|
||
keyword in col for keyword in ['市盈率', '市净率', '营收', '净利润', '评分']
|
||
)]
|
||
key_columns.extend(fundamental_cols[:5])
|
||
|
||
# 去重并保持顺序
|
||
seen = set()
|
||
unique_columns = []
|
||
for col in key_columns:
|
||
if col in df.columns and col not in seen:
|
||
seen.add(col)
|
||
unique_columns.append(col)
|
||
|
||
# 限制显示前50只股票的详细数据，避免超出token限制
|
||
display_df = df[unique_columns].head(50)
|
||
|
||
# 转换为表格字符串
|
||
table_str = display_df.to_string(index=False, max_rows=50)
|
||
|
||
if len(df) > 50:
|
||
table_str += f"\n... 还有 {len(df) - 50} 只股票未显示"
|
||
|
||
return table_str
|
||
|
||
def _select_best_stocks(self, df: pd.DataFrame,
|
||
fund_analysis: str,
|
||
industry_analysis: str,
|
||
fundamental_analysis: str,
|
||
final_n: int = 5) -> List[Dict]:
|
||
"""综合三位分析师的意见，精选最优标的"""
|
||
|
||
# 准备完整数据表格
|
||
data_table = self._prepare_data_table(df, focus='all')
|
||
|
||
prompt = f"""
|
||
你是一名资深股票研究员，具有20年以上的投资研究经验。现在需要你综合三位分析师的意见，
|
||
从{len(df)}只候选股票中精选出{final_n}只最具投资价值的优质标的。
|
||
|
||
【候选股票数据】
|
||
{data_table}
|
||
|
||
【资金流向分析师观点】
|
||
{fund_analysis}
|
||
|
||
【行业板块分析师观点】
|
||
{industry_analysis}
|
||
|
||
【财务基本面分析师观点】
|
||
{fundamental_analysis}
|
||
|
||
【筛选标准】
|
||
1. **主力资金**: 主力资金净流入较多，显示机构看好
|
||
2. **涨幅适中**: 区间涨跌幅不是很高（避免追高），还有上涨空间
|
||
3. **行业热点**: 所属行业有发展前景，是市场热点
|
||
4. **基本面良好**: 财务指标健康，盈利能力强
|
||
5. **综合平衡**: 资金、行业、基本面三方面都不错
|
||
|
||
【任务要求】
|
||
综合三位分析师的观点，精选出{final_n}只最优标的。
|
||
|
||
对于每只精选股票，请提供：
|
||
1. **股票代码和名称**
|
||
2. **核心推荐理由**（3-5条，综合资金、行业、基本面）
|
||
3. **投资亮点**（最突出的优势）
|
||
4. **风险提示**（需要注意的风险）
|
||
5. **建议仓位**（如20-30%）
|
||
6. **投资周期**（短期/中期/长期）
|
||
|
||
请按以下JSON格式输出（只输出JSON，不要其他内容）：
|
||
```json
|
||
{{
|
||
"recommendations": [
|
||
{{
|
||
"rank": 1,
|
||
"symbol": "股票代码",
|
||
"name": "股票名称",
|
||
"reasons": [
|
||
"理由1：资金面角度",
|
||
"理由2：行业板块角度",
|
||
"理由3：基本面角度"
|
||
],
|
||
"highlights": "投资亮点描述",
|
||
"risks": "风险提示",
|
||
"position": "建议仓位",
|
||
"investment_period": "投资周期"
|
||
}}
|
||
]
|
||
}}
|
||
```
|
||
|
||
注意：
|
||
- 必须严格按照JSON格式输出
|
||
- 推荐数量为{final_n}只
|
||
- 按投资价值从高到低排序
|
||
- 理由要具体、有说服力，体现三位分析师的综合观点
|
||
"""
|
||
|
||
try:
|
||
print(" 🔍 正在综合评估并精选标的...")
|
||
|
||
messages = [
|
||
{"role": "system", "content": "你是资深股票研究员，擅长综合多维度分析做出投资决策。"},
|
||
{"role": "user", "content": prompt}
|
||
]
|
||
|
||
response = self.deepseek_client.call_api(messages, max_tokens=4000)
|
||
|
||
# 解析JSON响应
|
||
import re
|
||
|
||
# 提取JSON部分
|
||
json_match = re.search(r'```json\s*(\{.*?\})\s*```', response, re.DOTALL)
|
||
if json_match:
|
||
json_str = json_match.group(1)
|
||
else:
|
||
# 尝试直接解析
|
||
json_str = response
|
||
|
||
result = json.loads(json_str)
|
||
recommendations = result.get('recommendations', [])
|
||
|
||
# 补充详细数据
|
||
for rec in recommendations:
|
||
symbol = rec['symbol']
|
||
# 从原始数据中找到对应股票
|
||
stock_data = df[df['股票代码'] == symbol]
|
||
if not stock_data.empty:
|
||
rec['stock_data'] = stock_data.iloc[0].to_dict()
|
||
|
||
return recommendations
|
||
|
||
except Exception as e:
|
||
print(f" ❌ JSON解析失败，使用备选方案: {e}")
|
||
|
||
# 降级方案：按主力资金排序返回前N个
|
||
main_fund_cols = [col for col in df.columns if '主力' in col and '净流入' in col]
|
||
if main_fund_cols:
|
||
col_name = main_fund_cols[0]
|
||
df[col_name] = pd.to_numeric(df[col_name], errors='coerce')
|
||
sorted_df = df.nlargest(final_n, col_name)
|
||
else:
|
||
sorted_df = df.head(final_n)
|
||
|
||
recommendations = []
|
||
for i, (idx, row) in enumerate(sorted_df.iterrows(), 1):
|
||
recommendations.append({
|
||
'rank': i,
|
||
'symbol': row.get('股票代码', 'N/A'),
|
||
'name': row.get('股票简称', 'N/A'),
|
||
'reasons': [
|
||
f"主力资金净流入较多",
|
||
f"所属行业: {row.get('所属同花顺行业', 'N/A')}",
|
||
f"涨跌幅适中"
|
||
],
|
||
'highlights': '主力资金持续关注',
|
||
'risks': '需关注后续走势',
|
||
'position': '15-25%',
|
||
'investment_period': '中短期',
|
||
'stock_data': row.to_dict()
|
||
})
|
||
|
||
return recommendations
|
||
|
||
def _print_final_recommendations(self, recommendations: List[Dict]):
|
||
"""打印最终推荐结果"""
|
||
if not recommendations:
|
||
print("❌ 未能生成推荐结果")
|
||
return
|
||
|
||
print(f"\n{'='*80}")
|
||
print(f"⭐ 最终精选推荐 ({len(recommendations)}只)")
|
||
print(f"{'='*80}\n")
|
||
|
||
for rec in recommendations:
|
||
print(f"【第{rec['rank']}名】{rec['symbol']} - {rec['name']}")
|
||
print(f"{'-'*60}")
|
||
|
||
print(f"📌 推荐理由:")
|
||
for reason in rec.get('reasons', []):
|
||
print(f" • {reason}")
|
||
|
||
print(f"\n💡 投资亮点: {rec.get('highlights', 'N/A')}")
|
||
print(f"⚠️ 风险提示: {rec.get('risks', 'N/A')}")
|
||
print(f"📊 建议仓位: {rec.get('position', 'N/A')}")
|
||
print(f"⏰ 投资周期: {rec.get('investment_period', 'N/A')}")
|
||
print(f"{'='*80}\n")
|
||
|
||
# 全局实例
|
||
main_force_analyzer = MainForceAnalyzer()
|