股票/基金/期货量化分析工具
全球智能投研工具(stock-researcher)v14.0:多源数据 + 概率预测 + 批量研究 + 可导出报告。 核心能力: - 多源数据路由:按市场/类别选源,逐级降级;每个结果标注来源与时效等级;源不可用时明确标 unavailable - 全资产量化:股票/ETF/场外基金/指数/期货(期限结构、基差、持仓、折溢价)多因子分析 - 概率预测:1d/5d/1M/3M/6M 经验分布 + 分位数 + 方向概率 + 区间,kNN 邻域收缩融合全局分布; 样本不足自动弃权,可按历史命中样本(同桶)做概率校准 - 研究闭环:多标的批量研究对比表(含数据质量门槛)+ 两份简报差异(识别实质性变化) - 证据链简报:每条结论绑定来源、时间与数据质量,冲突信号保留而不抹平 - 报告导出:Word/PPT/PDF/Markdown/JSON/纯文本,纯标准库渲染 + 可选第三方引擎 - MCP Server 26 工具,Claude Code 可直接调用;知识库 12 适配器双向同步 三条铁律: - 数据不装:拿不到就报不可用,不拿 0 价、不拿空表冒充 - 预测不装:概率来自历史相似条件的经验分布,样本不足就说不足,不硬给方向 - 评分≠盈利保证:任何结论都带免责声明
skillhub install @user_9d5a2a39/aistockresearcher
README 文档
10,304 字股票研究员 v14.0 — 真实数据 + 概率预测 + 研究闭环 + 可导出报告
🆕 v14 在 v13 之上补齐研究闭环:多标的批量研究出对比表并带数据质量门槛,两份简报可直接 diff 出评分/方向/概率/质量/因子的变化并判定是否实质性变化。同时修复了证据时间与数据截止被当前时间顶替、弃权仍展示占位概率、缓存清理只清内存不删磁盘等诚实性问题。v12 统一摄入/证据链与 v13 导出能力全部保留。
🔁 v14 研究闭环(新增)
python scripts/research_hub_cli.py batch --symbols "600519,hk:00700,AAPL" --format markdown
python scripts/research_hub_cli.py batch --symbols "600519,110022,RB2610" --min-quality derived --format both --out data/reports/group
python scripts/research_hub_cli.py diff --old reports/old.json --new reports/new.json --format markdown
- 批量研究:单标的失败只落一行错误,不中断整批;
--min-quality未达标退出码 5。Python API:BatchResearcher(hub).run(symbols)→BatchResult。 - 报告差异:评分/方向/置信度/质量/周期概率/因子/风险对比;
--fail-on-material在实质性变化(评分≥10 分、方向翻转、质量状态变化、概率≥10 个百分点)时退出码 4。
🧠 v12 研究智能中枢(新增)
它解决什么
| 旧流程 | v12 统一流程 |
|---|---|
| 行情、新闻、资金、财务各查各的 | 一个 ResearchHub.analyze() 并行获取并归一化 |
| 分析结论无法回溯 | 每条因子绑定 evidence_id,报告附来源/时间/质量 |
| 只给一个方向分 | 1d/5d/1M/3M/6M 概率、分位数、90% 区间、情景 |
| 预测像确定结论 | 输出样本量、Brier 技能分;样本不足/校准失败自动弃权 |
| 只能查实时接口 | 同时支持 CSV/TSV/JSON/JSONL/XLSX/PDF/TXT/MD 与受限 URL |
| 期货快照只有元数据 | 优先真实报价;无法取得时标记 unavailable,绝不伪造 |
| 新闻简单关键词计数 | 去重、来源可信度、事件类型、时间衰减、冲突保留 |
| 场外基金冒充实时 | 官方净值与盘中估值分栏,明确估值不等于净值 |
一键命令
# 离线能力自检(不联网)
python scripts/research_hub_cli.py doctor --offline
# 在线研究:行情 + 新闻 + 资金 + 基本面 + 预测 + 证据链
python scripts/research_hub_cli.py analyze --symbol 600519 --format markdown
python scripts/research_hub_cli.py analyze --symbol 110022 --asset-type fund --format both --out data/reports/fund_110022
python scripts/research_hub_cli.py analyze --symbol RB2610 --asset-type futures --contracts RB2610,RB2611,RB2701 --spot 3100
# 有界实时刷新(不启动常驻线程)
python scripts/research_hub_cli.py live --symbols 600519,510300,AU2502 --iterations 3 --interval 15
# 分析已有文件 / 已获取信息
python scripts/research_hub_cli.py file --path data/prices.csv --symbol 600519 --format json
python scripts/research_hub_cli.py file --path data/nav.xlsx --symbol 110022 --asset-type fund --mapping '{"close":"单位净值","date":"日期"}'
Python API
from stock_researcher import ResearchHub, quick_research, DatasetLoader
# 一键研究(在线)
report = ResearchHub().analyze("600519", question="当前风险收益比如何?")
print(report.direction, report.confidence, report.score)
print(report.executive_summary)
print(ResearchHub.to_markdown(report)) # 可审计 Markdown
print(report.to_json()) # 结构化 JSON
# 已有 CSV/XLSX/PDF/文本 → 统一数据 → 分析
report = ResearchHub().analyze_dataset("data/prices.csv", symbol="600519")
# 已有信息:CollectedData(quote=..., history=..., news=...) 显式注入,不触网
# 概率预测:EmpiricalForecastEngine().forecast_multi(prices) 返回5周期分布与校准
新增 MCP 工具
research_brief:一次调用完成行情 + 历史 + 新闻/公告 + 资金 + 基本面 + 多资产分析 + 概率预测 + 证据链,可返回 JSON/Markdown。analyzelocaldataset:分析本地 CSV/JSON/XLSX/PDF/文本文件,支持字段映射。
执行门禁(v12)
- 先取数并记录
as_of、来源、时效、质量;未知就说未知。 - 事实、推断、预测分开写;结论绑定证据 ID。
- 预测必须给概率/区间/样本量/质量;样本不足或校准失败时明确弃权。
- 新闻/公告必须去重、标注来源可信度;冲突证据并列,不强行合成。
- 场外基金盘中估值不得写成官方净值;期货缺失报价写
unavailable。 - 报告末尾附免责声明,不输出确定性买卖指令或收益保证。
🆕 v13 本轮变更(数据真实性 + 概率预测 + 报告导出)
- 数据层:源返回空壳/0 价统一标 unavailable 并逐级降级;akshare 全市场大表按代码裁行(裁不到交给降级);第三方调用加墙钟超时;路由表按真实条目统计。
- 预测层:kNN 邻域分位与全局分位按有效样本量收缩融合;方向概率取经验分布 Φ(μ/σ),上限 0.85;70% 区间用 Z=1.036σ;同桶历史命中校准需显式开启;弃权行与摘要不再打印占位概率。
- 期货口径:到期日按交易所规则(CFFEX 股指/商品第 3 个周五、国债第 2 个周五、其他商品 15 日);主力合约按持仓量确认(缺失时用成交量)。
- 报告导出:纯标准库渲染与可选第三方引擎两条路都通,且同吃一棵格式中立 IR:
from stock_researcher.research_export import export_bytes
docx = export_bytes(report, "docx", engine="auto") # 内置 OOXML 或 python-docx
pptx = export_bytes(report, "pptx", engine="auto")
pdf = export_bytes(report, "pdf", engine="auto") # 内置 CID 字体,不嵌字体文件
MCP 工具 exportreport(path, fmt, reportjson=...) 可直接把研究简报落盘成 Word/PPT/PDF/Markdown/JSON/纯文本。
- 安全开关:
STOCKRESEARCHERDIRECTCONNECT=1才改全局 opener;语音 SAPI 与外部 MCP 子进程分别需STOCKRESEARCHERENABLEVOICE=1/STOCKRESEARCHERENABLEEXTERNALMCP=1。导入包不产生进程、全局副作用或网络请求;语音与外部 MCP 模块只留在源码树,口语指令解析保留在voice_command.py。
纯 Python 标准库核心,零 pip 依赖。覆盖 12 个全球市场 + 股票/基金/指数/债券/商品/期货/货币基金/可转债;数据源:腾讯 + 东方财富 + akshare + 新浪 + 雪球 + 同花顺 + yfinance(均免费无 Key)。
⚠️ 支持范围与限制(重要,请先读)
v11.0 数据源(12 个)
| 数据源 | 标识 | 覆盖 | Key |
|---|---|---|---|
| 东方财富 API | eastmoney_api | A 股/指数/资金流 | ❌ |
| 新浪财经 | sina 🆕 | A 股/港股/美股/K线 | ❌ |
| 雪球 | xueqiu 🆕 | A 股行情+情绪 | ❌ |
| 同花顺 | tonghuashun 🆕 | A 股行情+资金流 | ❌ |
| 期货交易所 | futures_exchange 🆕 | 上期所/大商所/郑商所 | ❌ |
| akshare | akshare | A 股/基金/期货/宏观/可转债 | ❌ |
| yfinance | yfinance | 全球市场 | ❌ |
| Finnhub | finnhub | 美股深度 | ✅ 可选 |
| 腾讯 | tencent | A 股/港股/美股 | ❌ |
| 外部 MCP | external_mcp | 金融六日桥接(需显式授权;上架包不含该模块) | 视子 MCP |
限制
| 限制 | 说明 |
|---|---|
| 🔴 需国内直连 | 腾讯/东财/新浪/雪球/同花顺为国内接口,开代理反而失败。v13 起默认不改全局 opener,需要时设 STOCKRESEARCHERDIRECT_CONNECT=1 |
| 🔴 非实时数据 | 国内接口延迟约 3~5 秒,非交易时段返回收盘价 |
| 🔴 评分≠盈利 | 概率来自历史相似条件下的经验分布(样本不足会弃权),不保证未来收益 |
| 🟡 不构成投资建议 | 仅供学习参考 |
| 🟡 akshare 可选 | 部分高级功能(基金净值/债券/可转债/宏观)需 pip install akshare |
| 🟡 金融六日 MCP | 配置 STOCKRESEARCHEREXTERNALMCPCOMMAND 环境变量启用 |
| 🟡 场外基金无实时净值 | 盘中估值仅作参考;申购赎回以基金公司确认净值为准 |
| 🟡 期货真实报价 | 优先新浪/东财公开接口;失败时明确标记 unavailable,不返回伪报价 |
| 🟢 v12 概率预测 | 输出分布、区间、样本量与 Brier 技能分;样本/校准不足会主动弃权 |
⚡ 快速上手
# v11.0 新增功能
python -c "from stock_researcher import predict_multi_horizon; print(predict_multi_horizon('600519').overall_signal)"
python -c "from stock_researcher import get_router; r=get_router(); print(r.query_money_flow('600519').source)"
python -c "from stock_researcher import analyze; print(analyze('futures_analysis', {'contract':'AU2502', ...}).content[:200])"
# v10.0 + v9.x(兼容)
python scripts/stock_predict.py 600519
python scripts/stock_predict.py --masters 600519
python scripts/stock_predict.py --topdown cn
MCP Server 26 工具(v14)
# 配置 Claude Code mcpServers
{
"mcpServers": {
"stock-researcher": {
"command": "python",
"args": ["./mcp_server.py"],
"env": {
"DEEPSEEK_API_KEY": "sk-...",
"PYTHONDONTWRITEBYTECODE": "1",
# 可选:金融六日外部 MCP(需 STOCK_RESEARCHER_ENABLE_EXTERNAL_MCP=1)
"STOCK_RESEARCHER_EXTERNAL_MCP_COMMAND": "python jinrong_liuri.py",
"STOCK_RESEARCHER_EXTERNAL_MCP_NAME": "金融六日",
"STOCK_RESEARCHER_EXTERNAL_MCP_ENV_TOKEN": "your_token"
}
}
}
}
工具分类:
| 类别 | 工具数 | 工具 |
|---|---|---|
| 数据查询 | 5 | getstockquote / getfundnav / getmacrodata / getfuturesquote 🆕 / listdatasources |
| AI 分析 | 11 | aianalyzestock / aianalyzefund / aianalyzemarketregime / aianalyzemastercouncil / aianalyzemacrooutlook / aianalyzeriskreport / aianalyzesectorrotation / aianalyzefutures 🆕 / aianalyzemoneyflow 🆕 / aianalyzeindexforecast 🆕 / aianalyze_portfolio 🆕 |
| 量化分析 | 3 | runmastercouncil / quickpredict / predictmulti_horizon |
| 统一研究 🆕 | 2 | researchbrief / analyzelocal_dataset |
| 报告导出 | 2 | exportreport / listexport_formats |
| 研究闭环 🆕 | 2 | researchbatch / diffresearch_reports |
| 系统 | 1 | getskillstatus |
🆕 v11.0/v12 核心 API
from stock_researcher import (predict_multi_horizon, get_router, DataCategory,
ResearchHub, EmpiricalForecastEngine, quick_research)
router = get_router()
quote = router.query_with_validation("cn", DataCategory.REALTIME_QUOTE,
validate_field="price", code="600519")
report = ResearchHub().analyze("600519") # 统一研究 + 证据链
forecasts = EmpiricalForecastEngine().forecast_multi(prices)
🆕 v11.0 AI 模板(11 类)
股票/基金/市场体制/大师圆桌/宏观/风险/板块轮动/期货/资金流/指数预测/组合诊断;字段与调用示例见 README 与 aianalysisengine.py。
🎯 期货 v11.0 专项
# 期货交易所路由
from stock_researcher.data_multi_source import FuturesExchangeAdapter
ad = FuturesExchangeAdapter()
print(ad._resolve_exchange("AU2502")) # shfe (上期所)
print(ad._resolve_exchange("M2501")) # dce (大商所)
print(ad._resolve_exchange("SR2501")) # czce (郑商所)
# AI 期货分析
from stock_researcher import analyze
result = analyze("futures_analysis", {
"contract": "AU2502", "symbol": "AU", "exchange": "SHFE",
"price": "500", "change_pct": "1.0",
"open_interest": "100000", "volume": "50000",
"basis": "5", "roll_yield": "3.5",
"top5_long": "...", "top5_short": "...",
"forecast_5d": "[495, 505]",
})
print(result.content)
🤖 预测算法 v11.0
from stock_researcher.prediction_v1100 import (
predict_horizon, predict_multi_horizon,
detect_asset_type, calibrate_probability,
HORIZON_DAYS, HORIZON_WEIGHTS,
)
# 资产类型自动识别
print(detect_asset_type("600519")) # stock
print(detect_asset_type("110022")) # fund
print(detect_asset_type("AU2502")) # futures
print(detect_asset_type("idx:000300")) # index
# 多周期预测(权重:1d 10% + 5d 20% + 1M 30% + 3M 25% + 6M 15%)
result = predict_multi_horizon("600519", prices=[100, 101, 102, ...])
print(f"综合: {result.overall_signal}, 置信度: {result.overall_confidence}")
# 单周期
from stock_researcher.prediction_v1100 import predict_horizon
pred = predict_horizon(prices, horizon="1M", regime="bullish")
print(pred.direction, pred.expected_return, pred.range_low, pred.range_high)
# 概率校准
cal = calibrate_probability(0.7, history=[(0.65, True), (0.7, False), ...])
print(f"校准: {cal.raw_probability} → {cal.calibrated_probability}")
🧠 AI 深度解读配置
# 设置环境变量启用 LLM(推荐 DeepSeek,国内直连友好)
export DEEPSEEK_API_KEY=sk-xxx
# 或在 config/settings.json 填写 llm.api_key(不推荐)
{
"llm": {
"provider": "deepseek",
"model": "deepseek-chat",
"temperature": 0.3,
"max_tokens": 2000
}
}
无 API Key 时自动降级到规则化模板输出。
📦 目录速查
stock_researcher/
├── data_multi_source.py # v11 多源数据层(12 适配器 + 交叉验证 + 异常检测 + unavailable 标记)
├── ai_analysis_engine.py # v11 AI 模板(11 类)
├── prediction_v1100.py # 多周期预测器(经验分布 + 分位数 + 概率 + 校准)
├── research_hub.py # v12 研究编排(数据 → 分析 → 预测 → 证据链)
├── research_analysis.py # 条件分布与 kNN 邻域收缩
├── research_batch.py # v14 批量研究 + 报告差异
├── report_ir.py # v13 报告中间表示(格式中立 IR)
├── research_export.py # v13 导出门面(docx/pptx/pdf/markdown/json/text)
├── export_docx.py # v13 Word 渲染(纯 OOXML + 可选 python-docx)
├── export_pptx.py # v13 PPT 渲染(纯 OOXML + 可选 python-pptx)
├── export_pdf.py # v13 PDF 渲染(内置 CID 字体,不嵌字体文件)
├── voice_command.py # 口语指令解析(纯文本,随包交付)
├── voice_interface.py # 语音 SAPI 会话 —— 只在源码树,上架包不含
├── mcp_external_bridge.py # 外部 MCP 桥 —— 只在源码树,上架包不含
├── data_*.py # 数据源(akshare/东方财富/新浪/雪球/同花顺/期货所)
├── quantitative_*.py # 量化(指标/因子/组合优化/MC/回测/债券/货基/可转债)
├── fusion_*.py # 十维信号融合多周期预测
├── core_*.py # 分析器/预测引擎/技术/估值
├── value_investing_*.py # DCF/护城河/财务健康/管理层/行业
├── funds.py / index_analysis_*.py / sector_analysis_*.py / agents_*/ ...
├── constants.py # v14.0 VERSION="14.0.0"
❓ 常见问题
Q1: 金融六日 MCP 怎么接入?
A: 设置环境变量:
export STOCK_RESEARCHER_EXTERNAL_MCP_COMMAND="python jinrong_liuri_mcp_server.py"
export STOCK_RESEARCHER_EXTERNAL_MCP_NAME="金融六日" # 可选
export STOCK_RESEARCHER_EXTERNAL_MCP_ENV_TOKEN="xxx" # 可选透传环境变量
然后调用 bridge.autoconnect() 或 router.registerexternal_mcp(command, allow=True);没有显式授权时只登记命令、不启动任何进程。
Q2: v11.0 数据获取更及时了吗?
A: 是的。v11.0 引入:
- ETag/If-Modified-Since 缓存(304 直接复用)
- 时效分级标签(数据获取时间戳 + freshness 字段)
- 多源交叉验证(同一字段多源比对)
- 3σ + IQR 二阶段异常值检测
Q3: 新增数据源需要 Key 吗?
A: 新浪/雪球/同花顺/期货所都不需要 Key。Finnhub 需要 API Key。
Q4: 预测评分 70 分是不是一定会涨?
A: 不是。评分 70 只是综合打分,不等于 70% 的上涨概率;概率看报告里的概率字段(经验分布 + 可选校准),且不保证未来。
Q5: 期货分析支持哪些交易所?
A: v11.0 支持上期所(SHFE)/ 大商所(DCE)/ 郑商所(CZCE)。中金所(CFFEX)可通过 akshare 补充。
Q6: 如何使用多周期预测?
A: predictmultihorizon(code, prices=...),返回 1d/5d/1M/3M/6M 五个周期的方向+概率+置信度+区间。
免责声明
⚠️ 本工具仅供学习参考,不构成任何形式的投资建议。 股市有风险,投资需谨慎。
同分类其他技能
查看全部 ›中国金融机构数据爬取与分析综合 Skill v12.1.0。2334家/43大类机构名单、60+财经媒体源舆情、 A股报告/公告/研报、
303 99.4万 MysteelAI - 智能问数我的钢铁网(Mysteel)大宗商品价格行情数据查询技能,基于钢联/隆众数据平台提供专业价格数据服务。覆盖黑色金属、有色金属、能源化工、
9 75万 smart-charts32种图表,3 个主题,2步生成: 1.上传数据 — 将 CSV / Excel / JSON 等格式的数据文件拖入对话框; 2.查看结
149 74.3万 论文配图一键生成论文配图一键生成:一条命令从 JSON/CSV/Excel 生成顶刊级学术图表,科研绘图 与期刊配图全场景覆盖。41 种图表(森林图/K
91 52.8万 smart-chartsIntelligent chart generation and data analysis skill. Reads user-sup
2 37.9万 股票舆情智能AI助手获取实时大事,决定成败之间。------你的舆情智能AI助手------ - **美股行情**:道琼斯、纳斯达克、标普500 实时收盘数
96 21.3万