Initial commit: cc-cursor 全链路量化研究平台

7 Sprints 全部完成:
  Sprint 0: 基础设施 (DataManager + MariaDB)
  Sprint 1: 因子引擎 (34因子/12分类)
  Sprint 2: VectorBT 回测 (5策略+截面)
  Sprint 3: Optuna 优化 (+Walk-Forward)
  Sprint 4: ML 模型 (LightGBM+CatBoost)
  Sprint 5: Qwen 情绪因子 (三源新闻+日期对齐)
  Sprint 6: Agent 系统 (4Agent+日报.md/.html)

生产加固 (15项): Tushare双源fallback, SSH自动恢复, pool_pre_ping,
  save_daily先删后插, load_dotenv绝对路径, 日报5d/20d修复,
  RiskAgent改上证指数, 昨日对比+数据截止, mac_report utf8mb4,
  CLAUDE-*.md 9条已知Bug, demo全参数化, djapi数据源归一化,
  indexDatas API修正

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>

finance/factors/sentiment/qwen_client.py

@@ -0,0 +1,229 @@
+"""
+Qwen API 封装（DashScope / 本地 Ollama）。
+
+文本 → 情绪分析 → 标准化 JSON 输出。
+"""
+
+import json
+import os
+import time
+from typing import Optional
+
+import requests
+
+# 确保 .env 已加载（无论从哪个路径导入）
+import config.settings  # noqa: F401
+
+
+class QwenClient:
+    """
+    Qwen 情绪分析客户端。
+
+    支持两种后端：
+    1. DashScope API（云）- 需要 QWEN_API_KEY
+    2. 本地 Ollama（本地）- 需要 QWEN_LOCAL_BASE_URL
+
+    优先级：本地 > API
+
+    参数:
+        api_key: DashScope API Key，默认从环境变量 QWEN_API_KEY 读取
+        model: 模型名称，默认从 QWEN_MODEL 读取
+        local_base_url: Ollama 地址，默认从 QWEN_LOCAL_BASE_URL 读取
+        local_model: Ollama 模型名，默认从 QWEN_LOCAL_MODEL 读取
+        max_retries: 失败重试次数
+        cache_enabled: 是否启用结果缓存（按文本 hash）
+    """
+
+    # 情绪分析 Prompt
+    SYSTEM_PROMPT = """你是一个专业的金融情绪分析专家。分析以下 A 股相关的新闻/公告文本，返回 JSON 格式的分析结果。
+
+分析维度：
+1. sentiment_score: -1.0(极度利空) ~ 0(中性) ~ +1.0(极度利好)，保留1位小数
+2. impact_duration: "short"(1-3个交易日) | "medium"(1-2周) | "long"(1个月以上)
+3. confidence: 0.0~1.0 置信度
+4. key_topics: 涉及的关键主题列表（最多5个）
+5. affected_factors: 可能影响的基本面/技术面因子类型列表
+
+重要规则：
+- 只考虑对股价的直接影响
+- 中性新闻（常规报道、例行公告）给 0 分
+- 重大利好（业绩超预期、政策支持、大订单）给 >0.5 分
+- 重大利空（亏损、处罚、减持、诉讼）给 <-0.5 分
+- 如果不确定，confidences 要低 (<0.5)
+
+返回格式（仅 JSON）：
+{"sentiment_score": 0.0, "impact_duration": "short", "confidence": 0.5, "key_topics": [], "affected_factors": []}"""
+
+    def __init__(
+        self,
+        api_key: str | None = None,
+        model: str | None = None,
+        local_base_url: str | None = None,
+        local_model: str | None = None,
+        max_retries: int = 3,
+        cache_enabled: bool = True,
+    ):
+        self.api_key = api_key or os.getenv("QWEN_API_KEY", "")
+        self.model = model or os.getenv("QWEN_MODEL", "qwen-turbo")
+        self.local_base_url = local_base_url or os.getenv("QWEN_LOCAL_BASE_URL", "")
+        self.local_model = local_model or os.getenv("QWEN_LOCAL_MODEL", "qwen2.5:7b")
+        self.max_retries = max_retries
+        self.cache_enabled = cache_enabled
+        self._cache: dict[str, dict] = {}
+        self._is_local = bool(self.local_base_url)
+
+    # ── 单条分析 ──────────────────────────────────────────
+
+    def analyze_sentiment(self, text: str) -> dict:
+        """
+        分析单条文本的情绪。
+
+        返回:
+            {"sentiment_score": float, "impact_duration": str, "confidence": float,
+             "key_topics": list, "affected_factors": list}
+        """
+        if not text or not text.strip():
+            return self._empty_result()
+
+        cache_key = str(hash(text))
+        if self.cache_enabled and cache_key in self._cache:
+            return self._cache[cache_key]
+
+        for attempt in range(self.max_retries):
+            try:
+                if self._is_local:
+                    result = self._call_ollama(text)
+                else:
+                    result = self._call_dashscope(text)
+
+                if result and "sentiment_score" in result:
+                    if self.cache_enabled:
+                        self._cache[cache_key] = result
+                    return result
+
+            except Exception as e:
+                if attempt < self.max_retries - 1:
+                    time.sleep(1 * (attempt + 1))
+                else:
+                    print(f"  [ERROR] Qwen 分析失败(重试{self.max_retries}次): {e}")
+
+        return self._empty_result()
+
+    # ── 批量分析 ──────────────────────────────────────────
+
+    def analyze_batch(
+        self,
+        texts: list[str],
+        batch_size: int = 10,
+        progress_callback: callable = None,  # type: ignore
+    ) -> list[dict]:
+        """
+        批量分析（逐条调用，节省并发成本）。
+
+        参数:
+            texts: 文本列表
+            batch_size: 每批次数量
+            progress_callback: 进度回调 fn(done, total)
+
+        返回:
+            [{"sentiment_score": ..., ...}, ...]
+        """
+        results = []
+        total = len(texts)
+        for i, text in enumerate(texts):
+            result = self.analyze_sentiment(text)
+            results.append(result)
+            if progress_callback:
+                progress_callback(i + 1, total)
+            # 批次间短暂休息，避免触发限频
+            if (i + 1) % batch_size == 0 and i < total - 1:
+                time.sleep(0.5)
+        return results
+
+    # ── DashScope API ──────────────────────────────────────
+
+    def _call_dashscope(self, text: str) -> dict:
+        """调用 DashScope API。"""
+        resp = requests.post(
+            "https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions",
+            headers={
+                "Authorization": f"Bearer {self.api_key}",
+                "Content-Type": "application/json",
+            },
+            json={
+                "model": self.model,
+                "messages": [
+                    {"role": "system", "content": self.SYSTEM_PROMPT},
+                    {"role": "user", "content": text[:4000]},  # 截断长文本
+                ],
+                "temperature": 0.1,
+                "max_tokens": 500,
+            },
+            timeout=30,
+        )
+        resp.raise_for_status()
+        body = resp.json()
+        content = body["choices"][0]["message"]["content"]
+        return self._parse_json(content)
+
+    # ── Ollama 本地调用 ────────────────────────────────────
+
+    def _call_ollama(self, text: str) -> dict:
+        """调用本地 Ollama。"""
+        resp = requests.post(
+            f"{self.local_base_url.rstrip('/')}/chat/completions",
+            json={
+                "model": self.local_model,
+                "messages": [
+                    {"role": "system", "content": self.SYSTEM_PROMPT},
+                    {"role": "user", "content": text[:4000]},
+                ],
+                "temperature": 0.1,
+                "max_tokens": 500,
+            },
+            timeout=60,
+        )
+        resp.raise_for_status()
+        body = resp.json()
+        content = body["choices"][0]["message"]["content"]
+        return self._parse_json(content)
+
+    # ── JSON 解析 ──────────────────────────────────────────
+
+    @staticmethod
+    def _parse_json(content: str) -> dict:
+        """从模型输出中提取 JSON。"""
+        # 尝试直接解析
+        try:
+            return json.loads(content)
+        except json.JSONDecodeError:
+            pass
+        # 尝试提取 ```json ... ``` 代码块
+        if "```json" in content:
+            start = content.find("```json") + 7
+            end = content.find("```", start)
+            if end > start:
+                try:
+                    return json.loads(content[start:end].strip())
+                except json.JSONDecodeError:
+                    pass
+        # 尝试找 { ... }
+        brace_start = content.find("{")
+        brace_end = content.rfind("}")
+        if brace_start >= 0 and brace_end > brace_start:
+            try:
+                return json.loads(content[brace_start:brace_end + 1])
+            except json.JSONDecodeError:
+                pass
+
+        return QwenClient._empty_result()
+
+    @staticmethod
+    def _empty_result() -> dict:
+        return {
+            "sentiment_score": 0.0,
+            "impact_duration": "short",
+            "confidence": 0.0,
+            "key_topics": [],
+            "affected_factors": [],
+        }