sp-quant 1.2.0

投机倒把 (Speculation)

基于技术面形态识别与 LLM 深度分析的量化选股框架。系统集成了高信噪比的预筛选漏斗与并发处理流水线。

核心特性 (v1.4.0)

1. 两阶段并发流水线：
   • 阶段 1：技术面初筛 (Technical Scan)：基于 TradingPatternScanner v1.4.0，通过六层漏斗（流动性、价格结构、趋势背景、量能质量、生命周期、综合评分）并发扫描标的。
   • 阶段 2：AI 深度分析 (AI Analysis)：对排序后的 Top 标的进行并发 LLM 分析，自动识别 底部企稳 或 趋势跟随 策略逻辑。批量场景下会按 市场 + 日期 预生成 大盘 AI 简报，同市场当日所有标的共用同一份结论，减少 token 与判断分歧。
2. 高信噪比过滤：不仅识别形态，更通过多维度技术标准过滤掉僵尸股、妖股及趋势背离标的。
3. 多渠道报告存储：支持本地结构化 Markdown/JSON 研报归档以及 Kafka 异步推送对接。

快速入门

1. 环境准备

uv sync
source .venv/bin/activate

2. 技术面扫描 (不走 AI，快速寻找信号)

使用 -s basic 参数仅执行技术面初筛。

# 探测底部反转信号 (BRP)
uv run speculation -l brp -s basic -f data/china/ETF/config_etf.yaml 

# 探测趋势跟随信号 (TF)
uv run speculation -l tf -s basic -f data/china/ETF/config_etf.yaml 

# 组合扫描 (Combined)
uv run speculation -l combined -s basic -f data/china/ETF/config_etf.yaml 

uv run speculation -l combined -s basic -f data/china/ETF/config_etf.yaml  -d 2026-05-01

# 量价异动与潜在机会雷达 (Radar)
uv run speculation -l radar -s basic -f data/china/ETF/config_etf.yaml 

3. 全自动分析 (技术分析 + AI 研判)

默认模式。系统会筛选出得分最高的标的交付给 AI。

# 运行美股分析
uv run speculation -f data/usa/config_test.yaml

# 运行 A 股 ETF 深度分析
uv run speculation -l combined -f data/china/config_etf_test.yaml

选择器模式说明 (-l 参数)

策略优先级与打分截断机制

在 combined 或多信号模式下，初筛后的标的按照 “严格分级 + 全局高分优先” 的规则进行打分截断和 AI 交付，优先保证高确定性与高形态质量的标的入选：

• T0（最高优）：量化异动、机会雷达、右侧确认、右侧候选
• T1（高优）：趋势跟随、等待突破
• T2（中优）：底部反转、筑底成熟
• T3（一般）：区间震荡、均线压缩

排序逻辑：

1. 优先按策略层级升序排列（T0 -> T3）。
2. 在同一层级内，按 tp-quant 综合形态评分（total_score）降序排列。
3. 规则与阈值配置统一维护于 src/speculation/constants.py（单一事实来源），可按需调整策略门槛与优先级。

单只标的 AI 分析

# 同步大盘数据
uv run kdata-market --cn
uv run ai-analyze-stock -s sh.600000 -t 2026-03-31
uv run ai-analyze-stock -s 159825

单独工具

• 单股 AI：uv run ai-analyze-stock -s sh.600000 -t 2026-03-31（直接对指定标的做深度分析；会先取或生成当日该市场的大盘简报并注入提示词）。
• 大盘简报：uv run ai-analyze-market -m A -t 2026-03-31（仅生成大盘环境 AI 简报，与单股分析注入的是同一份缓存）。

市场 -m：A（A 股主要指数）、US、HK、ETF（与 A 股大盘同源）。默认若该日该市场的简报文件已存在则跳过 LLM；加 --force 可删缓存后重算。

简报默认落在 <REPORT_DIR>/market_briefs/{MARKET}_{YYYY-MM-DD}.md（与个股报告共用 REPORT_DIR；若设置 K_DATA_CENTER，则为 <K_DATA_CENTER>/report/market_briefs/）。也可通过环境变量 SPECULATION_MARKET_BRIEF_DIR 指定独立目录。

批量执行 (Batch Run)

针对历史回测或定期批量任务，可以使用内置的 shell 脚本按日期范围或时间间隔执行。

# 1. 按日期范围运行，每隔 5 天执行一次
./script/batch_run.sh -s 2026-01-01 -e 2026-05-01 -i 5

# 2. 运行最近 30 天的任务，每周执行一次 (间隔 7 天)
./script/batch_run.sh -n 30 -i 7 -f data/china/etf/config_etf.yaml

# 3. 运行最近 7 天，默认配置 (间隔 5 天)
./script/batch_run.sh -n 7

参数说明：

• -s: 开始日期 (YYYY-MM-DD)
• -e: 结束日期 (YYYY-MM-DD)
• -n: 最近天数 (与 -s/-e 二选一)
• -i: 间隔天数 (默认 5 天)
• -f: 配置文件路径
• -l: 选择器模式 (combined, brp, tf, radar, all)

构建与部署

• 普通构建（源码 wheel）: uv run python -m build
• 机器码分发构建（Cython）: make build — 在本机（macOS 上即当前架构）生成带 macosx_… 的 wheel；wheel 内 不含 .py，资源文件由 packaging/prepare_native_build.py 自动扫描（已排除 __pycache__ / .pyc）。
  • 在 macOS 上同时出 Linux 多架构：需安装 Docker，然后：
    • make build-linux-x86_64 → manylinux x86_64（linux/amd64）
    • make build-linux-aarch64 → manylinux aarch64（linux/arm64）
    • make build-all → clean 后依次打 本机 + 上述两个 Linux（产物均在 dist/）。
  • manylinux 内 Python 次版本默认与当前 $(PYTHON) 一致，可用 MANYLINUX_PY=3.12 覆盖。
  • Apple Silicon 上打 x86_64 会走模拟，速度较慢属正常。
• 发布到 PyPI:
  • make publish: 上传 dist/ 下包含的三平台/单平台所有 wheel 到 PyPI。
  • make publish-all: 自动执行 make build-all 依次编译本机 macOS + Linux x86_64 + Linux aarch64 三平台 wheel，并一键上传至 PyPI（需环境变量 TOKEN 或 UV_PUBLISH_TOKEN）。
• 平台与标签：产物为 cp3xx-cp3xx-<platform>，与 OS + CPU + Python ABI 绑定；不能用单个 none-any wheel 替代多平台构建。
• 安全与形态说明：
  • .pyc：易被反编译，保护弱。
  • Cython / C 扩展（本 make build）：分发 机器码，逆向成本通常比 .pyc 高得多，但 仍可被逆向，不是绝对安全；且与 OS + CPU + Python ABI 绑定，与 py3-none-any 式纯 Python wheel 不同。