| 包 | -版本 | -用途 | -
|---|---|---|
| pandas | -3.0 | -数据处理 | -
| numpy | -2.4 | -数值计算 | -
| akshare | -1.18 | -A 股数据获取 | -
| vectorbt | -1.0 | -回测引擎 | -
| optuna | -4.9 | -参数优化 | -
| lightgbm | -4.6 | -梯度提升模型 | -
| catboost | -1.2 | -梯度提升模型 | -
| scikit-learn | -1.9 | -特征工程 | -
| sqlalchemy | -2.0 | -数据库 ORM | -
| pymysql | -1.2 | -MySQL 连接 | -
所有代码从 finance/ 目录运行。Python 脚本开头加入：
import sys
-sys.path.insert(0, "/path/to/cc-cursor/finance")
-系统通过 SSH 隧道连接远程 MariaDB：
-bash shared/script/autossh.sh
-验证隧道：
-lsof -i :13306 | grep LISTEN
-# → ssh ... localhost:13306 (LISTEN) ...
-Host: 127.0.0.1
-Port: 13306
-User: myquant
-Password: <your-db-password>
-Database: myquant
-所有表使用 mac_ 前缀，与已有表隔离：
| 表名 | -内容 | -说明 | -
|---|---|---|
mac_stock_basic |
-A 股列表 | -5,524 只股票 | -
mac_stock_daily |
-日线行情 | -按需同步 | -
mac_stock_financial |
-财务指标 | -同花顺核心指标 | -
from database.connection import test_connection
-
-if test_connection():
- print("数据库连接成功")
-else:
- print("请先建立 SSH 隧道: bash shared/script/autossh.sh")
-from data.data_manager import DataManager
-
-dm = DataManager()
-dm.init_db() # 首次使用创建表（幂等操作）
-# 从 DB 缓存读取（已缓存的 5,524 只 A 股）
-stocks = dm.get_stock_list()
-# → DataFrame: index=ts_code, columns=[name, area, industry, ...]
-
-# 强制从 AkShare 刷新
-stocks = dm.get_stock_list(force_refresh=True)
-# 获取单只股票日线（DB 缓存优先，缺失自动补拉）
-daily = dm.get_daily("000001.SZ")
-# → DataFrame: trade_date, open, high, low, close, vol, amount, ...
-
-# 指定日期范围
-daily = dm.get_daily("000001.SZ", start="20240101", end="20241231")
-
-# 直接用索引
-price = daily.set_index("trade_date").sort_index()
-close = price["close"]
-fina = dm.get_financial("000001.SZ")
-# → DataFrame: end_date, eps, bvps, roe, net_profit_margin, debt_to_assets, ...
-# 数据源: stock_financial_abstract_ths（同花顺）
-# 覆盖: 主板/创业板/科创板
-# 增量同步：从 DB 最新日期到今天的缺失数据
-n = dm.sync_daily("000001.SZ")
-
-# 批量同步全部股票（谨慎使用，耗时长）
-total = dm.sync_all_daily()
-from factors.registry import get_factor, list_factors, list_categories
-
-# 查看所有因子分类
-print(list_categories())
-# → ['动量', 'RSI', 'MACD', '量价', '布林', 'ATR', '均线', '波动率', '换手率', '振幅', '基本面', '情绪']
-
-# 查看某个分类下的因子
-print(list_factors("RSI"))
-# → ['rsi_7', 'rsi_14']
-
-# 查看全部因子
-all_factors = list_factors()
-print(len(all_factors))
-# → 34
-# 按名称获取（使用默认参数）
-factor = get_factor("momentum_20") # 20 日动量
-factor = get_factor("rsi_14") # 14 日 RSI
-factor = get_factor("roe") # ROE 基本面因子
-factor = get_factor("news_sent_5") # 5 日新闻情绪因子
-
-# 自定义参数
-from factors.technical.momentum import MomentumFactor
-factor = MomentumFactor(period=60)
-from factors.engine import FactorEngine
-
-engine_fe = FactorEngine(dm)
-
-# 单股票多因子
-factors = [
- get_factor("momentum_20"),
- get_factor("rsi_14"),
- get_factor("volatility_20"),
- get_factor("ma_dev_20"),
-]
-factor_df = engine_fe.compute("000001.SZ", factors)
-# → DataFrame: index=trade_date, columns=[momentum_20, rsi_14, volatility_20, ma_dev_20]
-
-# 查看因子值
-print(factor_df.tail())
-print(factor_df.describe())
-# 计算多只股票在某一天的因子值
-cross = engine_fe.compute_universe(
- factors=[get_factor("momentum_20"), get_factor("rsi_14")],
- date="20250630",
- ts_codes=["000001.SZ", "600519.SH", "300750.SZ"],
-)
-# → DataFrame: index=ts_code, columns=[momentum_20, rsi_14]
-# 查看 NaN 率
-total = len(factor_df)
-for col in factor_df.columns:
- nan_pct = factor_df[col].isna().sum() / total * 100
- print(f"{col}: NaN {nan_pct:.1f}%")
-# 正常范围: 技术因子 0.3%-2.1%, 基本面因子 0%
-from backtest.vectorbt.engine import VectorBTEngine
-
-engine_bt = VectorBTEngine(
- initial_capital=100_000,
- commission=0.0003,
-)
-from backtest.strategies.rsi_mean_revert import RSIMeanRevertStrategy
-
-# 创建策略
-strategy = RSIMeanRevertStrategy(oversold=30, overbought=70)
-
-# 运行回测
-report = engine_bt.run(strategy, price_df, factor_df)
-# 一行摘要
-print(report.summary())
-# → 收益=29.4% 年化=4.3% 回撤=-19.1% 夏普=0.37 胜率=77.1% 交易=70笔
-
-# 字典格式
-metrics = report.to_dict()
-# → {'total_return': 29.4, 'cagr': 4.3, 'sharpe_ratio': 0.37, ...}
-
-# 获取净值曲线
-equity = report.equity_curve # pd.Series
-drawdown = report.drawdown_curve # pd.Series
-
-# 逐笔交易
-trades = report.trades_df # pd.DataFrame
-| 策略 | -类名 | -适用场景 | -
|---|---|---|
| 均线交叉 | -SMACrossStrategy(fast=5, slow=20) |
-趋势跟踪 | -
| RSI 反转 | -RSIMeanRevertStrategy(oversold=30, overbought=70) |
-均值回归 | -
| 动量突破 | -MomentumBreakoutStrategy(lookback=20, exit_period=10) |
-动量策略 | -
| 因子阈值 | -FactorCrossStrategy(factor_column, buy_threshold, sell_threshold) |
-通用因子 | -
| 因子轮动 | -FactorRotationStrategy(factor_name, top_n=5) |
-截面选股 | -
from backtest.base import BaseStrategy
-
-class MyStrategy(BaseStrategy):
- name = "my_strategy"
- category = "custom"
-
- def __init__(self, param_a=10):
- self.param_a = param_a
-
- def generate_signals(self, factor_df):
- # factor_df 包含因子值和 close 列
- # 返回: 1=买入, 0=卖出, -1=持有
- signals = pd.Series(-1, index=factor_df.index)
- signals[factor_df["rsi_14"] < 30] = 1 # RSI 超卖买入
- signals[factor_df["rsi_14"] > 70] = 0 # RSI 超买卖出
- return signals
-
-report = engine_bt.run(MyStrategy(param_a=20), price_df, factor_df)
-report_xs = engine_bt.run_cross_section(
- strategy,
- price_universe={"000001.SZ": df1, "600519.SH": df2},
- factor_universe={"000001.SZ": f1, "600519.SH": f2},
-)
-# → 等权组合回测报告
-from optimizer.engine import OptunaEngine
-from optimizer.space import rsi_revert_space, sma_cross_space
-from backtest.strategies.rsi_mean_revert import RSIMeanRevertStrategy
-
-opt_engine = OptunaEngine(engine_bt)
-
-# 优化 RSI 反转策略参数
-result = opt_engine.optimize(
- strategy_class=RSIMeanRevertStrategy,
- search_space=rsi_revert_space,
- price_df=price_df,
- factor_df=factor_df,
- metric="sharpe", # 优化目标: sharpe/cagr/calmar/total_return
- n_trials=200, # 试验次数
-)
-print(result.summary())
-# → 最优参数: oversold=13, overbought=66
-# → 最优目标 (sharpe): 0.5985
-
-# 最优参数的回测报告
-best_report = result.best_report
-
-# 参数重要性
-for k, v in sorted(result.param_importance.items(), key=lambda x: -x[1]):
- print(f" {k}: {v:.4f}")
-
-# 试验记录
-trials = result.trials_df # pd.DataFrame
-wf_result = opt_engine.optimize_walk_forward(
- strategy_class=RSIMeanRevertStrategy,
- search_space=rsi_revert_space,
- price_df=price_df,
- factor_df=factor_df,
- metric="sharpe",
- n_trials=80,
- train_window=252 * 3, # 3 年训练
- test_window=252, # 1 年测试
-)
-print(wf_result.summary())
-# → 各窗口参数变化 + 整体收益
-from optimizer.presets import (
- optimize_sma_cross,
- optimize_rsi_revert,
- optimize_momentum_breakout,
-)
-
-result = optimize_rsi_revert(price_df, factor_df, engine_bt, n_trials=100)
-from optimizer.space import SearchSpace
-
-my_space = SearchSpace(params=[
- {"name": "fast", "type": "int", "low": 2, "high": 30, "step": 1},
- {"name": "slow", "type": "int", "low": 15, "high": 120, "step": 5},
-])
-result = opt_engine.optimize(MyStrategy, my_space, price_df, factor_df)
-from models.features import FeatureEngine
-
-# lookahead=5: 预测未来 5 个交易日收益
-fe = FeatureEngine(lookahead=5, label_type="regression")
-
-# 构建特征矩阵和标签
-X, y = fe.build(factor_df, price_df, fit=True)
-# → X: 标准特征矩阵（去极值 → 缺失填充 → RobustScaler）
-# → y: 未来 5 日收益率（%）
-
-print(f"特征: {X.shape[1]} 列, 样本: {X.shape[0]} 行")
-print(f"标签: mean={y.mean():.2f}%, std={y.std():.2f}%")
-# 时间序列划分（前 70% 训练，后 30% 测试）
-n = len(X)
-split = int(n * 0.7)
-X_train, X_test = X.iloc[:split], X.iloc[split:]
-y_train, y_test = y.iloc[:split], y.iloc[split:]
-
-print(f"训练集: {len(X_train)} 行")
-print(f"测试集: {len(X_test)} 行")
-from models.lightgbm.model import LightGBMModel
-
-model = LightGBMModel(
- params={
- "n_estimators": 200,
- "learning_rate": 0.03,
- "num_leaves": 15,
- },
- early_stopping=100,
- eval_ratio=0.2, # 20% 做验证集
-)
-
-model.fit(X_train, y_train)
-pred = model.predict(X_test)
-
-# 评估
-ic = pred.corr(y_test)
-print(f"测试集 IC: {ic:.4f}")
-from models.catboost.model import CatBoostModel
-
-model = CatBoostModel(
- params={"iterations": 200, "learning_rate": 0.03, "depth": 5},
- eval_ratio=0.2,
-)
-model.fit(X_train, y_train)
-pred = model.predict(X_test)
-# LightGBM
-imp = model.get_feature_importance(importance_type="gain")
-print(imp.head(10))
-# → feature, importance, importance_pct
-
-# CatBoost
-imp = model.get_feature_importance()
-print(imp.head(5))
-# 5 折时间序列 CV（不 shuffle）
-cv_df = model.cv_evaluate(X_train, y_train, n_folds=5)
-print(cv_df)
-# → 各折 IC + MSE, 均值
-# 保存
-model.save("models/lightgbm_000001.pkl")
-
-# 加载
-model = LightGBMModel.load("models/lightgbm_000001.pkl")
-from models.backtest_integration import MLStrategy, MLBenchmark
-
-# 预测值分位 → 交易信号
-strategy = MLStrategy(
- model=model,
- feature_engine=fe,
- buy_quantile=0.7, # 预测值最高的 30% 买入
- sell_quantile=0.3, # 预测值最低的 30% 卖出
- rebalance_freq=5, # 每 5 日调仓
-)
-report = engine_bt.run(strategy, price_df, factor_df)
-
-# 多模型对比
-benchmark = MLBenchmark(
- models=[lgb_model, cb_model],
- feature_engine=fe,
- price_df=test_price,
- factor_df=test_factor,
-)
-df = benchmark.run()
-print(df)
-# → model × (IC, total_return, sharpe, win_rate, trades)
-编辑 finance/.env：
# DashScope API（推荐）
-QWEN_API_KEY=sk-your-key-here
-QWEN_MODEL=qwen-turbo
-
-# 或本地 Ollama
-# QWEN_LOCAL_BASE_URL=http://localhost:11434/v1
-# QWEN_LOCAL_MODEL=qwen2.5:7b
-# 按指数成分股分析（沪深300 + 中证500）
-SENTIMENT_SCOPE_TYPE=index
-SENTIMENT_SCOPE_INDEXES=000300,000905
-
-# 按板块分析
-# SENTIMENT_SCOPE_TYPE=sector
-# SENTIMENT_SCOPE_SECTORS=银行,电力设备,医药生物
-
-# 按自定义列表
-# SENTIMENT_SCOPE_TYPE=custom
-# SENTIMENT_SCOPE_CUSTOM=000001.SZ,600519.SH,300750.SZ
-from factors.sentiment.sentiment_engine import SentimentEngine
-from factors.sentiment.news_source import NewsSource
-from factors.sentiment.qwen_client import QwenClient
-
-sent = SentimentEngine(dm, qwen_client=QwenClient(), news_source=NewsSource())
-
-# 单股票情绪因子
-sent_df = sent.compute("000001.SZ", max_news=20)
-# → DataFrame: (trade_date, news_sent_5, news_conf_5, sent_delta_5)
-
-# 批量计算
-results = sent.compute_batch(
- ts_codes=["000001.SZ", "600519.SH", "300750.SZ"],
- max_news=10,
-)
-系统聚合三个数据源：
-| 数据源 | -说明 | -配置 | -
|---|---|---|
AkShare stock_news_em |
-东方财富个股新闻 | -use_akshare=True |
-
MariaDB xwlb_daily_ext |
-新闻联播分割数据 | -use_xwlb=True |
-
MCP trendradar-news |
-外部新闻聚合服务 | -use_mcp=True |
-
news = NewsSource(
- use_akshare=True, # 启用东方财富
- use_xwlb=True, # 启用新闻联播
- use_mcp=False, # 关闭 MCP
-)
-
-news_df = news.fetch("000001.SZ", start="20260501", end="20260603")
-# → DataFrame: date, title, content, source, url
-发布时间 直接保留 → align_news_to_trading_days 对齐到最近交易日news_date + 1 day（晚间播出 → 次日市场影响）→ 对齐到交易日周五新闻联播 → +1 = 周六 → align → 下周一交易日
-from agents.orchestrator import AgentOrchestrator
-
-engines = {
- "dm": dm,
- "fe": engine_fe,
- "bt": engine_bt,
- "opt": opt_engine,
- "sent": sent,
-}
-
-orch = AgentOrchestrator(**engines)
-orch.setup()
-# → [Orchestrator] 已注册 4 个 Agent: ['research', 'selection', 'risk', 'report']
-# 完整每日流程（同步行情 → 风险评估 → 选股打分 → 生成日报）
-python finance/cli/agent_cli.py daily
-
-# 今日选股 Top 15
-python finance/cli/agent_cli.py picks 15
-
-# 风险评估
-python finance/cli/agent_cli.py risk
-
-# 因子研究（IC 评估）
-python finance/cli/agent_cli.py research
-
-# 生成指定日期日报
-python finance/cli/agent_cli.py report 20260603
-============================================================
-[Orchestrator] 每日流程 — 20260603
-============================================================
-
-[Step 1/4] 同步行情... 0 条（已是最新）
-[Step 2/4] 风险评估... high, 仓位 30%
-[Step 3/4] 股票打分... 1 只
-[Step 4/4] 生成日报... reports/daily_20260603.md
-日报保存到 finance/reports/daily_YYYYMMDD.md，内容包含：
# 各 Agent 独立调用
-selection_result = orch.picks(date="20260603", top_n=15)
-risk_result = orch.risk_check()
-research_result = orch.run_research_cycle()
-report_result = orch.generate_report(date="20260603")
-finance/.env）# ── Qwen API ──────────────────────
-QWEN_API_KEY=sk-xxx # DashScope API Key
-QWEN_MODEL=qwen-turbo # 模型选择: qwen-turbo/plus/max
-
-# ── 本地 Ollama（可选） ──────────
-# QWEN_LOCAL_BASE_URL=http://localhost:11434/v1
-# QWEN_LOCAL_MODEL=qwen2.5:7b
-
-# ── 数据库 ───────────────────────
-MAC_DB_HOST=127.0.0.1
-MAC_DB_PORT=13306
-MAC_DB_USER=myquant
-MAC_DB_PASSWORD=<your-db-password>
-MAC_DB_NAME=myquant
-
-# ── 情绪分析范围 ─────────────────
-SENTIMENT_SCOPE_TYPE=index
-SENTIMENT_SCOPE_INDEXES=000300,000905
-SENTIMENT_MAX_NEWS_PER_STOCK=20
-
-# ── MCP 新闻服务（可选） ─────────
-NEWS_MCP_URL=http://192.168.1.160:3333/mcp
-VectorBTEngine(
- initial_capital=100_000, # 初始资金（元）
- commission=0.0003, # 手续费（万三）
-)
-opt_engine.optimize(
- n_trials=200, # 试验次数
- metric="sharpe", # 优化目标
- # 可选: cagr, calmar, total_return, return_over_dd, win_rate, profit_factor
-)
-# LightGBM 推荐参数
-LightGBMModel(params={
- "n_estimators": 200,
- "learning_rate": 0.03,
- "num_leaves": 15,
- "min_data_in_leaf": 20,
- "feature_fraction": 0.7,
- "bagging_fraction": 0.7,
-})
-
-# CatBoost 推荐参数
-CatBoostModel(params={
- "iterations": 200,
- "learning_rate": 0.03,
- "depth": 5,
- "min_data_in_leaf": 20,
-})
-import sys; sys.path.insert(0, "finance")
-
-from data.data_manager import DataManager
-from factors.registry import get_factor
-from factors.engine import FactorEngine
-from backtest.vectorbt.engine import VectorBTEngine
-from backtest.strategies.rsi_mean_revert import RSIMeanRevertStrategy
-
-# 数据
-dm = DataManager(); dm.init_db()
-price = dm.get_daily("000001.SZ").set_index("trade_date")
-
-# 因子
-engine_fe = FactorEngine(dm)
-factor_df = engine_fe.compute("000001.SZ", [get_factor("rsi_14")])
-
-# 回测
-engine_bt = VectorBTEngine()
-report = engine_bt.run(
- RSIMeanRevertStrategy(oversold=30, overbought=70),
- price, factor_df,
-)
-print(report.summary())
-from optimizer.engine import OptunaEngine
-from optimizer.space import rsi_revert_space
-
-opt_engine = OptunaEngine(engine_bt)
-
-# 寻优
-result = opt_engine.optimize(
- RSIMeanRevertStrategy, rsi_revert_space,
- price, factor_df, metric="sharpe", n_trials=200,
-)
-print(result.summary())
-
-# Walk-Forward 验证
-wf = opt_engine.optimize_walk_forward(
- RSIMeanRevertStrategy, rsi_revert_space,
- price, factor_df, n_trials=80,
- train_window=756, test_window=252,
-)
-print(wf.summary())
-from models.features import FeatureEngine
-from models.lightgbm.model import LightGBMModel
-from models.backtest_integration import MLStrategy
-
-# 特征工程
-fe = FeatureEngine(lookahead=5)
-X, y = fe.build(factor_df, price, fit=True)
-split = int(len(X) * 0.7)
-
-# 训练
-model = LightGBMModel(params={"n_estimators": 200, "learning_rate": 0.03})
-model.fit(X.iloc[:split], y.iloc[:split])
-
-# 回测
-strategy = MLStrategy(model, fe)
-report = engine_bt.run(strategy, price, factor_df)
-print(report.summary())
-print(model.get_feature_importance().head(5))
-from agents.orchestrator import AgentOrchestrator
-
-orch = AgentOrchestrator(
- dm=dm, fe=engine_fe, bt=engine_bt, opt=opt_engine, sent=sent,
-)
-orch.setup()
-results = orch.run_daily()
-
-# 获取结果
-sel = results["selection"]
-risk = results["risk"]
-report_path = results["report"]["report_path"]
-print(f"日报: {report_path}")
-# 检查端口
-lsof -i :13306 | grep LISTEN
-
-# 重新建立
-bash shared/script/autossh.sh
-这是 AkShare 的 curl_cffi 在连续请求时偶发的连接问题。系统已内置 3 次递增间隔重试 + fallback 机制，通常第 2-3 次重试会成功。如果持续失败：
-dm.get_financial(ts_code)）QWEN_API_KEYOptunaEngine.optimize() 寻找更优参数factor_df.describe()）当验证集损失不下降时，早停会在很少的迭代后触发。这是单股票预测的正常现象（信号噪声比低）。建议：
-eval_ratio=0.0 禁用早停learning_rate 到 0.01min_data_in_leaf 防止过拟合.env 中 QWEN_API_KEY 已配置dashscope.aliyuncs.comcurl http://localhost:11434/api/tags日报只对 DB 中有日线缓存的股票打分。需要先同步目标股票池的数据：
-# 同步单只
-dm.sync_daily("000001.SZ")
-
-# 按范围批量同步（需先配置 SENTIMENT_SCOPE）
-codes = sent.get_scope_stocks()
-for code in codes[:10]:
- dm.sync_daily(code)
-所有脚本位于 finance/cli/，需在项目根目录或 finance/ 下运行。
agent_cli.pycd finance && python cli/agent_cli.py <命令> [参数]
-| 命令 | -说明 | -示例 | -
|---|---|---|
daily [DATE] |
-完整每日流程（增量同步已缓存→评估风险→选股→日报） | -agent_cli.py daily |
-
picks [N] [DATE] |
-多因子选股 Top N（需已缓存） | -agent_cli.py picks 15 |
-
risk |
-市场风险评估（等级、仓位、止损） | -agent_cli.py risk |
-
research |
-因子发现：遍历因子计算 IC/IC_IR 排名 | -agent_cli.py research |
-
report [DATE] |
-生成日报（含三指数行情+选股+情绪+风险评估） | -agent_cli.py report |
-
warmup [N] |
-首次批量预热范围股票到 DB 缓存（每批 N 只，默认 50） | -agent_cli.py warmup 50 |
-
daily 流程：
[Step 1/4] 增量同步 → 只更新已缓存股票（最新则 0.04s 跳过）
- → 未缓存提示：运行 'agent_cli.py warmup' 首次预热
-[Step 2/4] 风险评估 → high/medium/low + 仓位建议 + 预警
-[Step 3/4] 股票打分 → DB 缓存命中率 + 多因子等权打分 → Top 15
-[Step 4/4] 日报生成 → 三指数行情 (Tushare) + 情绪摘要 + 风险预警
- → reports/daily_YYYYMMDD.md
-数据源优先级：Tushare → AkShare（.env 配置 TUSHARE_TOKEN）
demo_data_manager.pypython cli/demo_data_manager.py [--ts_code CODE] [--start YYYYMMDD]
-| 参数 | -默认值 | -说明 | -
|---|---|---|
--ts_code |
-000001.SZ |
-测试股票代码 | -
--start |
-20250101 |
-起始日期 YYYYMMDD | -
5 步验证：数据库连接 → 建表 → 股票列表 → 日线获取（双源fallback） → 增量同步。
-demo_factor_engine.pypython cli/demo_factor_engine.py [--ts_code CODE] [--ts_code2 CODE]
-| 参数 | -默认值 | -说明 | -
|---|---|---|
--ts_code |
-000001.SZ |
-测试股票代码 | -
--ts_code2 |
-600519.SH |
-截面测试第二只股票 | -
验证：因子注册表（12分类/34因子）→ 技术因子计算(describe统计) → 基本面因子(ROE/PE/PB/EP) → NaN 覆盖率检查 → 双股票截面因子。
-demo_backtest.pypython cli/demo_backtest.py [--ts_code CODE]
-| 参数 | -默认值 | -说明 | -
|---|---|---|
--ts_code |
-000001.SZ |
-回测股票代码 | -
测试 5 个内置策略：
-| 策略 | -参数 | -
|---|---|
| SMACrossStrategy | -(5,20) / (10,60) | -
| RSIMeanRevertStrategy | -(30,70) / (20,80) | -
| MomentumBreakoutStrategy | -lookback=20 | -
| FactorCrossStrategy | -momentum_20 > 0 | -
| FactorRotationStrategy | -momentum top 20% | -
demo_optimizer.pypython cli/demo_optimizer.py [--ts_code CODE] [--trials N]
-| 参数 | -默认值 | -说明 | -
|---|---|---|
--ts_code |
-000001.SZ |
-回测股票代码 | -
--trials |
-200 |
-Optuna 试验次数 | -
对 RSI 反转策略执行参数寻优 + Walk-Forward 验证。输出最优 vs 默认对比表 + 参数重要性排序。
-demo_ml.pypython cli/demo_ml.py [--ts_code CODE] [--lookahead N]
-| 参数 | -默认值 | -说明 | -
|---|---|---|
--ts_code |
-000001.SZ |
-训练股票代码 | -
--lookahead |
-5 |
-预测未来 N 日收益 | -
完整 ML pipeline：特征工程(25因子→Winsorize→RobustScaler) → LightGBM训练(IC/CV) → CatBoost训练 → MLBenchmark对比(IC/收益/夏普/胜率)。
-demo_sentiment.pypython cli/demo_sentiment.py [--ts_code CODE] [--no-qwen]
-| 参数 | -默认值 | -说明 | -
|---|---|---|
--ts_code |
-000001.SZ |
-测试股票代码 | -
--no-qwen |
-flag | -跳过 Qwen API 调用 | -
6 步验证：新闻数据源(三源聚合) → 日期对齐 → Qwen 客户端状态 → SentimentEngine全链路 → 分析范围解析。
-适合快速检查情绪因子系统是否就绪。
-demo_sentiment_detail.pypython cli/demo_sentiment_detail.py [选项]
-最详细的情绪因子脚本，支持完整命令行参数和逐步输出。
-| 参数 | -类型 | -默认值 | -说明 | -
|---|---|---|---|
--ts_code |
-str | -000001.SZ |
-股票代码，多个用逗号分隔 | -
--date |
-str | -今天 | -目标日期 YYYYMMDD | -
--start |
-str | -date-30天 | -起始日期 YYYYMMDD | -
--end |
-str | -date | -结束日期 YYYYMMDD | -
--scope-type |
-str | -- | -分析范围：index/sector/custom/all |
-
--scope-indexes |
-str | -000300 |
-指数代码（逗号分隔） | -
--scope-sectors |
-str | -- | -板块名称（逗号分隔） | -
--max-news |
-int | -.env 配置 | -最大新闻条数 | -
--max-analyze |
-int | -50 |
-Qwen API 分析最大条数（控制成本） | -
--no-xwlb |
-flag | -- | -禁用新闻联播数据源 | -
--no-akshare |
-flag | -- | -禁用东方财富数据源 | -
--no-mcp |
-flag | -- | -禁用 MCP 数据源 | -
--source |
-str | -- | -仅用指定数据源：xwlb/akshare/mcp |
-
--no-qwen |
-flag | -- | -跳过 Qwen API 调用（仅演示数据流） | -
使用示例：
-# 默认演示（000001.SZ，最近30天，全数据源）
-python cli/demo_sentiment_detail.py
-
-# 指定股票和日期
-python cli/demo_sentiment_detail.py --ts_code 600519.SH --date 20260603
-
-# 多股票 + 日期范围
-python cli/demo_sentiment_detail.py --ts_code 000001.SZ,300316.SZ --start 20260501 --end 20260603
-
-# 按指数成分股分析
-python cli/demo_sentiment_detail.py --scope-type index --scope-indexes 000300
-
-# 按板块分析
-python cli/demo_sentiment_detail.py --scope-type sector --scope-sectors 银行,电力设备
-
-# 只看东方财富新闻，不调用 Qwen
-python cli/demo_sentiment_detail.py --source akshare --no-qwen --max-news 20
-输出 6 步详情：
-Step 0: 初始化引擎（显示数据源、API状态、范围、Tushare可用性）
-Step 1: 按数据源分别拉取新闻（xwlb/AkShare/MCP 各自数量 + 双源fallback）
-Step 2: 新闻详情（按来源分开展示标题/内容/链接）
-Step 3: 日期对齐（xwlb +1day偏移 + 非交易日对齐 + DB缓存检查→sync补齐）
-Step 4: Qwen 情绪分析（每条新闻的分数/置信度/主题/来源标签）
-Step 5: 因子计算（weighted sent / confidence-weighted / momentum + 公式说明）
-Step 6: 结果输出（因子值表 + 历史统计 + 每新闻情绪贡献明细）
-| 脚本 | -参数 | -用途 | -数据源 fallback | -
|---|---|---|---|
agent_cli.py |
-子命令 + 参数 | -日常操作入口 | -✅ | -
demo_data_manager.py |
---ts_code --start |
-Sprint 0 验证 | -✅ | -
demo_factor_engine.py |
---ts_code --ts_code2 |
-Sprint 1 验证 | -✅ | -
demo_backtest.py |
---ts_code |
-Sprint 2 验证 | -✅ | -
demo_optimizer.py |
---ts_code --trials |
-Sprint 3 验证 | -✅ | -
demo_ml.py |
---ts_code --lookahead |
-Sprint 4 验证 | -✅ | -
demo_sentiment.py |
---ts_code --no-qwen |
-Sprint 5 快速验证 | -✅ | -
demo_sentiment_detail.py |
-14 个 argparse 参数 | -Sprint 5 详细演示 | -✅ | -