Skip to main content
Glama
mengxiaoxian

ashare

by mengxiaoxian
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Remote

A 股 AI 研究与验证系统（ashare-ai-research）

确定性引擎负责计算，LLM 负责归纳，交易判断保留人工确认。

一个从 0 到 1 独立设计搭建的 A 股投研系统：研究链路为「宏观与产业证据 → 主线候选 → 价格确认 → 风险预算 → 成交记录 → 成本后验证」，覆盖数据更新、每日复盘、产业分析、观察池、策略验证与研究回放。当前主流程为持有 1–4 周的主线波段，不自动下单。

为什么这样设计（三条核心决策）

决策

被否掉的备选

理由

确定性引擎与 LLM 分工

LLM 端到端给建议

账户、规则、成本、回测计算必须是可复算的；LLM 只做信息归纳——可靠性、可解释性、责任归属三个角度都指向同一结论

基于公开时点信息的历史重建

直接用当前数据回测

防「未来数据」污染：研究只允许使用当时已存在的信息，保留信息来源、时间戳、分析过程与失败记录

能力开放（MCP + Plugins）

封闭单体系统

领域能力封装为兼容 Agent Plugins 1.0 的插件，并通过 MCP 向不同 Agent 客户端开放——研究能力可被任意 Agent 复用

Related MCP server: financial-research-mcp

验证状态（诚实口径）

  • 69 个交易日回放、116 日研究、独立对账，168 项自动化测试通过

  • 截至六月底的独立回放与完整回放前缀完全一致；研究失败日照实保留，没有重抽答案或按收益调参

  • 诚实边界：历史数据回填和模型训练记忆无法完全排除，因此不是严格前瞻盲测；没有真实下单；「研究功能可用」不等于「已证明交易盈利」

目录速览

src/ashare_review/    核心引擎（数据、研究链路、复盘）
strategy_factory/     策略工厂
plugins/              Agent Plugins 1.0 兼容插件
mcp_server.py         MCP 能力开放服务
web/                  本地工作台（默认 http://127.0.0.1:8787）
scripts/              数据更新 / 回放 / 健康检查
tests/                自动化测试（168 项）
docs/                 产品与系统文档（从 0 到 1 搭建过程、项目地图、业务指南）

一键健康检查：python3 scripts/check_project.py ｜ 一键启动：./start_ai_strategy.command

数据源：Tushare 本地日频快照（需自备 token，见 docs/tushare_usage.md）+ DeepSeek API。仓库不含行情原始数据与实验数据库（体积与数据源协议原因），复算材料另行保留。

A-share Intelligence Review MVP（使用手册）

一个从“宏观与产业证据 → 主线候选 → 价格确认 → 风险预算 → 成交记录 → 成本后验证”的 A 股研究系统。当前主流程是持有 1–4 周的主线波段，不自动下单。

2026-09-05 新增默认首页「主线波段」，接通真实宏观指标、近期快讯全文、行情缺日补采、AI 传导与反证、模拟/实际分账。当前使用方法、验收证据、时间目标和未完成项见 主线波段使用说明。

系统从 0 到 1 的搭建过程、问题复盘、当前能力和后续调优方向见：

docs/system_product_document.md

面向业务理解和日常沟通的通俗版文档见：

docs/system_business_guide.md

当前使用 Tushare 本地日频快照与增量研究缓存、DeepSeek API，保留样例数据入口。它不是实时行情或券商执行系统。

当前尚未完整接入研报和公告正文、公司分业务营收及行业订单/价格/库存序列。快讯全文不等于其引用的公告原文；研究功能可用不等于已证明交易盈利。

很久没看项目时，从这里重新开始

先读 项目地图，它只保留当前主线、目录职责、已知风险和下一步；完整文档导航见 docs/README.md。

然后执行一键健康检查：

python3 scripts/check_project.py

这会检查 Python 与全部 JavaScript（网页脚本）语法，并运行项目自动化测试。

快速开始

一键启动本地操作界面：

./start_ai_strategy.command

在 macOS Finder 中也可以直接双击 start_ai_strategy.command。脚本默认只启动 Web 工作台并打开：

http://127.0.0.1:8787

如果 8787 端口已被占用，脚本会提示先关闭旧服务，不会自动切换端口。MCP 服务保持可选，不随一键启动默认启动；数据更新仍在页面中点击“更新数据”手动触发。

python3 scripts/run_review.py --date 2026-05-15

输出报告会生成到：

reports/2026-05-15.md

批量回放样例历史数据：

python3 scripts/backfill_reviews.py

默认只回放有行情数据的日期。如果要把只有新闻、没有行情的日期也生成出来：

python3 scripts/backfill_reviews.py --include-news-only

报告索引：

reports/index.md

启动本地操作界面：

python3 scripts/serve_app.py

然后打开：

http://127.0.0.1:8787

页面包含八个工作区：

  1. 主线波段：默认首页，自动采集宏观与快讯、更新行情、研究产业传导、等待价格确认、制定风险计划并记录成交结果。

  2. 宏观研究：查看经典周期地图、生成 AI 研究简报，维护结构性方向、产业链、证据、催化剂和失效条件。

  3. 每日复盘：生成事件、题材、涨停、龙虎榜和全量候选池。

  4. 策略实验室：理解近期市场，验证单战法或多战法组合。

  5. 观察池：用已验证策略筛选并持续维护标的。

  6. 个股分析：复盘成本、关键位和后续情景。

  7. 风控监控：统一查看市场与持仓风险。

  8. 盘中信号：扫描分钟级机会和风险信号。

首页加载主线波段与基础数据状态；其余工作区首次进入时按需加载。

DeepSeek AI 分析

当前已内置 DeepSeek V4 Pro，配置读取自本机私有文件 .env.local。页面不会把 Key 暴露给浏览器源码。

使用方式：

  1. 启动本地操作界面。

  2. 进入 策略实验室。

  3. 等待“近期盘感与Agent假设”加载完成。

  4. 点击 AI深度分析。

AI 分析发生在“本地规则盘感生成之后、战法回测之前”：系统先用本地数据生成市场阶段、题材、来源反馈和规则假设，再把这份结构化材料交给 DeepSeek V4 Pro，生成市场叙事、研究假设、观察纪律和风险提醒。

如果要更换 Key 或模型，编辑：

.env.local

策略实验室当前支持：

  • 近阶段盘感：市场阶段、来源反馈、题材上下文和 Agent 假设

  • DeepSeek V4 Pro 深度分析：输出市场叙事、研究假设、观察纪律和风险提醒

  • 假设卡片：可回测假设可一键带入实验，待编码假设先沉淀

  • 单战法学习模式：先理解用途、规则、适用场景和常见误判，再运行回测

  • 多战法组装模式：支持“全部满足”和“至少满足两个”两种组合关系

  • 价升量缩

  • 过左峰

  • 回马枪

  • 长阴短柱

  • 经典日本蜡烛图：看涨吞没、锤子线、早晨之星

  • 固定持有或九阴风控

  • 持有 1、2、3、5、10 个交易日对比

  • 双边成本、一字涨停无法买入和一字跌停延后卖出模拟

回测口径为复盘日收盘确认信号，下一交易日开盘尝试买入。持有 1 日表示买入后至少隔夜，于下一交易日收盘卖出。

页面中点击“更新最新数据”，会自动拉取最近交易日的：

日线、每日指标、市值、涨跌停价、资金流、涨停专题、连板梯队、
热点题材、停复牌、主要指数、龙虎榜和新闻

也可以在终端执行：

python3 scripts/update_market.py

指定历史日期：

python3 scripts/update_market.py --date 20260612

批量补齐日期区间：

python3 scripts/update_market_range.py --start-date 2026-05-15 --end-date 2026-06-15

生成回测汇总：

python3 scripts/summarize_backtest.py --start-date 2026-05-15 --end-date 2026-06-15

如果当前环境不能启动本地端口，也可以生成静态看板：

python3 scripts/build_static_dashboard.py

然后直接打开：

reports/dashboard.html

MCP Server（AI Agent 接口）

系统内置 MCP Server，让 AI Agent（Claude、GPT、Cursor 等）可以通过标准 tool call 调用全部功能。

安装

# 创建虚拟环境并安装依赖（需要 Python 3.10+）
uv venv .venv --python 3.11
source .venv/bin/activate
uv pip install -r requirements.txt

启动

source .venv/bin/activate
python3 mcp_server.py

Claude Desktop 配置

{
  "mcpServers": {
    "ashare": {
      "command": "/Users/menke/Desktop/AI策略/.venv/bin/python3",
      "args": ["/Users/menke/Desktop/AI策略/mcp_server.py"]
    }
  }
}

Cursor / VS Code Copilot 配置

{
  "servers": {
    "ashare": {
      "command": "/Users/menke/Desktop/AI策略/.venv/bin/python3",
      "args": ["/Users/menke/Desktop/AI策略/mcp_server.py"]
    }
  }
}

可用 Tools

工具

说明

工作流步骤

cycle_list

查看经典周期地图与当前评估

Step 0: 宏观研究

cycle_save

保存周期阶段、证据、反证与复查日期

Step 0

cycle_delete

清除一个周期评估

Step 0

narrative_list

查看宏观叙事和复查日期

Step 0: 宏观研究

narrative_save

新建/更新叙事卡

Step 0

narrative_delete

删除叙事卡

Step 0

macro_research_brief

DeepSeek 综合周期、货币、行业和盘面

Step 0

update_market_data

拉取最新行情数据

Step 1: 每日复盘

daily_review

生成某日复盘报告

Step 1

market_sense

近期盘感

Step 1

ai_market_sense

DeepSeek AI 深度分析

Step 1

available_dates

查询可用日期

Step 1

profile

系统数据概况

Step 1

strategy_config

列出战法和条件类型

Step 2: 策略实验室

strategy_run

运行战法回测

Step 2

strategy_create

创建自定义战法

Step 2

strategy_draft

自然语言生成战法草案

Step 2

strategy_delete

删除自定义战法

Step 2

observation_pool

查看/筛选观察池

Step 3: 观察池 + 个股演绎

observation_scan

用战法扫描入池

Step 3

observation_update

更新池项状态/备注

Step 3

stock_analysis

个股深度分析（含场景演绎）

Step 3

stock_lookup

查找股票代码/题材

Step 3

daily_klines

获取日K线数据

Step 3

risk_monitor

组合风控监控

Step 4: 盘中实战

minute_signals

分钟级信号扫描

Step 4

Agent 典型调用链

0. cycle_list() → cycle_save(cycle_id="kitchin", ...)
1. narrative_list() → macro_research_brief() → narrative_save(name="AI基础设施", ...)
2. update_market_data() → daily_review(date="2026-06-17") → ai_market_sense()
3. strategy_draft("缩量回踩20日线后放量突破") → strategy_run(...) → strategy_create()
4. observation_scan(date="2026-06-17", strategy_ids=[...]) → stock_analysis(query="000001")
5. risk_monitor() → minute_signals(ts_codes=["000001.SZ"])

当前能力

  • 读取历史新闻事件样例

  • 根据题材知识库做事件到题材映射

  • 读取历史行情/涨停样例

  • 判断题材是否被市场验证

  • 生成涨停梯队、情绪周期、次日观察池

  • 将结构化结果保存为 Markdown 复盘

  • 提供本地 Web 控制台，便于选择日期和测试报告

目录

config/
  themes.yaml              # 题材知识库
  concept_rules.yaml       # Tushare 概念清洗规则
data/sample/
  news_events.csv          # 样例事件
  market_daily.csv         # 样例行情
  limit_up_daily.csv       # 样例涨停
reports/                   # 复盘输出
scripts/
  run_review.py            # 一键运行
  backfill_reviews.py      # 批量回放
  serve_app.py             # 本地操作界面
  build_static_dashboard.py # 静态看板
src/ashare_review/
  datasources.py           # 数据读取
  local_daily.py           # 本地日线 CSV 适配
  event_mapper.py          # 事件 -> 题材映射
  market_validator.py      # 市场验证评分
  report.py                # 报告生成
  models.py                # 数据结构

当前完成状态

  • 本地历史日线与 Tushare 每日市场快照

  • 股票名称、行业、概念板块和多题材归属

  • Tushare 真实新闻采集、去重、分类和题材映射

  • 题材热度、事件市场验证和情绪周期

  • 准确涨跌停价、封板时间、开板次数、封单金额和连板梯队

  • 热门涨停反查原因，区分个股直接消息、题材新闻共振、涨停专题共振和低置信度盘面归因

  • 指数、换手率、市值和资金流

  • 龙虎榜每日明细和机构席位

  • 次日观察池、表现追踪和结果分类

  • 观察池记录“资讯驱动 / 市场热度 / 热门涨停反查”来源，支持后续分组回测

  • 观察池量价二次筛选和多持有期回测

  • 原始观察池、量价战法与随机对照组比较

  • 逐笔命中依据、买卖日期、收益和最大回撤下钻

  • 页面一键更新最新数据、一键生成复盘

  • 按交易日保存市场快照，最新复盘约 0.5 秒生成

  • 战法库维护模板和流程说明：docs/strategy_playbook_guide.md

  • DeepSeek V4 Pro AI 分析入口：策略实验室 -> AI深度分析

当前产品范围不包含研报和公告正文，AKShare 也不再是必需依赖。

后续产品优化

  1. 增加人工修正入口：修改事件分类、主炒题材、龙头/中军和观察池。

  2. 增加历史统计看板：观察池胜率、平均收益、最大回撤和题材持续性。

  3. 优化新闻精选：合并同一事件，降低 ETF 推广和重复行情播报权重。

  4. 增加题材和个股详情页，支持历史事件、涨停、龙虎榜和表现追踪。

  5. 将本地 CSV 逐步迁移到 SQLite，提高历史查询和批量回放速度。

Tushare

Tushare 初始化方式已封装在：

src/ashare_review/tushare_client.py

调用说明见：

docs/tushare_usage.md

测试命令：

python3 scripts/test_tushare_client.py

新闻接口测试：

python3 scripts/test_tushare_news.py

分钟交易提示：

PYTHONPATH=src python3 scripts/run_minute_signals.py --ts-code 000001.SZ --freq 1min --limit 120

说明见：

docs/minute_signals.md

SQLite 本地缓存：

PYTHONPATH=src python3 scripts/sync_sqlite.py --all
PYTHONPATH=src python3 scripts/sync_sqlite.py --local-daily

说明见：

docs/sqlite_local_cache.md

拉取股票基础信息：

python3 scripts/fetch_stock_basic.py

输出：

data/tushare/stock_basic.csv

拉取概念板块和概念成分：

python3 scripts/fetch_concepts.py

输出：

data/tushare/concepts.csv
data/tushare/concept_members.csv

拉取新闻事件：

python3 scripts/fetch_news.py --src cls --start-date "2026-04-01 00:00:00" --end-date "2026-04-01 23:59:59"

输出：

data/tushare/news_events.csv

拉取龙虎榜：

python3 scripts/fetch_lhb.py --trade-date 20260401

输出：

data/tushare/top_list_20260401.csv
data/tushare/top_inst_20260401.csv

批量生成观察池并计算次日表现：

python3 scripts/backfill_tracking.py --start-date 2026-03-30 --end-date 2026-04-01

输出：

data/tracking/watchlist.csv
data/tracking/outcomes.csv

追踪指标：

次日开盘涨幅、最高涨幅、最低涨幅、收盘涨幅、开盘后最大回撤、是否涨停、结果分类

同一只股票即使属于多个题材，也只计为一个追踪样本，避免胜率重复统计。

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivityMaintained
ResponsivenessNo issues

Resources

Related MCP Connectors

Related MCP Servers

  • dragon-trading-agent

    BAI2007-Dev
    A
    license
    Not graded
    quality
    B
    maintenance
    Enables LLM clients to access A-share market data, run the trading rule engine, and retrieve daily decision reports through 32 MCP tools.
    MIT

  • DeepFusion MCP Server

    chestnutsheep
    A
    license
    C
    quality
    B
    maintenance
    Enables AI agents to access Chinese financial market data and investment research through 177 tools, covering stocks, industries, macroeconomics, economic cycles, commodities, crypto, funds, and asset allocation.
    181
    MIT

  • lab-mcp

    KSamsoe
    A
    license
    Not graded
    quality
    C
    maintenance
    Enables AI agents to run a full quant research workflow over MCP: pulling data, authoring and backtesting strategies, running statistical validation and risk checks, and recording findings for future sessions.
    1
    MIT