Skip to content

ceyoo126/Wyckoff-Analysis

BranchesTags
 
 

Repository files navigation

🏛️ Wyckoff 分析与交易系统

致用户：本项目从用户体验角度由两部分核心组成，无需全员 Fork 或本地运行即可使用。

  1. Streamlit Web 交互中心（即开即用）
    👉 点击直接访问线上的 Web 页面
    这是本系统的可视化大本营，已在云端部署。你可以在此查看最新的大盘水温、AI 研报结果、单股量化复盘、持仓管理以及回测记录。大部分日常看盘需求在 Web 页面即可完成，无需自己 Fork 运行。

  2. 云端漏斗筛选任务 (Wyckoff Funnel)
    这是后台的“计算工厂”，通过 GitHub Actions 定时执行全市场的量化初筛、AI 深度审问、飞书推送及风控任务。

用 akshare + 自研 Wyckoff 漏斗做量化初筛，交由大模型开展多空博弈深度剖析，最后由 OMS 负责执行约束。适合拒绝无脑黑盒、需“白盒逻辑 + 量化防守 + AI参谋预判”的 A 股散户投资者。

Tip

💡 进阶功能：个人持仓换股工作
本项目除公开筛选功能外，还深度支持个人持仓的动态管理与“AI 换股决策”（基于实盘持仓的 Tape Reading 与外部猎物替换法则）。由于此功能涉及私人 API Key 配置与资产安全，如需使用或定制此项服务，请联系开发者获取支持。

你能做什么

功能 说明
📊 每日选股 配置 GitHub Actions 后，北京时间周日到周四 18:25 自动跑 Wyckoff Funnel，从主板+创业板筛选候选并推送飞书
📘 策略手册 见 README_STRATEGY.md（含核心量化金融术语、风控公式及各层筛选指标执行口径）
🔬 Wyckoff Funnel Web 前台提交参数，GitHub Actions 在后台执行多层漏斗筛选：剥离垃圾 → 六通道强弱甄别 → Markup 识别 → 威科夫狙击 → AI 双轨候选
🤖 AI 研报 对筛选结果生成三阵营判断（逻辑破产/储备营地/处于起跳板），含结构战区、确认条件及防踏空策略
🎓 AI 分析（大师模式） 单股维持本地轻量分析；批量代码与漏斗候选改为后台研报任务，避免 Streamlit 长时间持有大批量 OHLCV 与模型上下文
🕶️ 私人决断 结合个人持仓与外部候选，生成 Buy/Hold/Sell 私密指令，并通过 Telegram 单独发送；自动跳过停牌股、验证数据日期对齐，AI 乱出止损价时自动降级为持有
🛡️ RAG 防雷 基于新闻检索自动过滤有负面舆情的股票（立案/调查/减持/业绩预亏等）
🧪 日线回测 轻量回放 Funnel 命中后的 N 日收益，输出胜率/分位数（无需分钟级数据）
📁 行情导出 Web 或命令行拉取指定股票日线，导出原始/增强两份 CSV（OHLCV 开高低收量等）
🧰 自定义导出 支持 A股/指数/ETF/宏观 CPI 等多数据源，灵活配置参数
📈 持仓管理 实时同步持仓至云端并生成状态签名；内置 AI 订单建议面板、自动作废旧单与过时预警
🎯 推荐跟踪 记录历史推荐股票及加入价，自动同步每日收盘价并计算累计收益；默认按涨幅→推荐次数→AI→日期→分值→现价多级排序，支持搜索与单列排序
📣 市场信号栏 登录后页面顶部统一展示最新交易日的大盘水温、A50（盘前风向标）与 VIX（恐慌指数），并给出简洁中文操作提示
🕘 下载历史 查看历史下载记录（最近 20 条）
🔐 登录与配置 支持登录；飞书 / 企微 / 钉钉 Webhook 及多厂商 API Key（Gemini、OpenAI、智谱、Minimax、DeepSeek、Qwen）云端同步

🧠 Wyckoff 量价分析 Skills

如果你只想把这套 Wyckoff 量价分析思路 以轻量方式复用到 OpenClaw / AI Agent，可以直接使用这个简易 Skills 仓库：

  • 仓库地址：YoungCan-Wang/wyckoff_skill
  • 定位：将威科夫量价分析的核心提示词、判断框架、输出口径拆成可复用的简易 Skill
  • 适合场景：单股复盘、持仓诊断、候选股结构判断、给 AI 助手快速挂载一套“威科夫视角”

🚀 快速开始

1. 环境

需要 Python 3.10+。

cd Wyckoff-Analysis
python3 -m venv .venv
source .venv/bin/activate   # Windows: .venv\Scripts\activate
python -m pip install -U pip
python -m pip install -r requirements.txt

2. 配置

复制 .env.example 为 .env，填入：

  • SUPABASE_URL、SUPABASE_KEY：登录用（项目依赖 Supabase）
  • FEISHU_WEBHOOK_URL（可选）：飞书推送地址；可选 WECOM_WEBHOOK_URL、DINGTALK_WEBHOOK_URL 实现企微/钉钉推送
  • 大模型：可配置 GEMINI_API_KEY 或 OpenAI/智谱/Minimax/DeepSeek/Qwen 等厂商的 API Key 与模型（见设置页）

Tushare 注册推荐：可通过 此链接注册，双方可一起提升获取更高级股票数据的权益。

3. 运行

Web 界面（推荐）：浏览器里查数据、下 CSV。 单股分析、导出、持仓等轻量交互仍在 Streamlit 进程内执行；Wyckoff Funnel 与批量 AI 研报则通过页面按钮触发 GitHub Actions 后台任务。

streamlit run streamlit_app.py

命令行：批量导出。

python -m integrations.fetch_a_share_csv --symbol 300364
python -u -m integrations.fetch_a_share_csv --symbols 000973 600798 601390

📅 每日选股（Wyckoff Funnel）

从全市场（主板 + 创业板）多轮过滤，最终输出高胜率的精要标的，经过量化压缩后交由 AI 研判并推送到飞书。
水温判断同时参考指数趋势 + 市场广度（站上 MA20 占比），弱市会自动收紧筛选与买入容忍度。

从 v2.0.0 起，Web 端不再本地重算漏斗。 Streamlit 页面负责提交股票池和参数，真正的全量取数、漏斗计算、AI 候选整理由 GitHub Actions 后台执行，页面只展示运行状态和轻量结果摘要。

漏斗筛选逻辑（多层）

层级 名称 筛选逻辑
Layer 1 剥离垃圾 剔除 ST/北交所/科创板，保留市值 ≥ 35 亿、日均成交额 ≥ 5000 万的股票
Layer 2 六大独立通道甄选 ① 主升：MA多头+RPS双高+乖离≤25%（过滤高位鱼尾）；② 点火：低位大阳爆量突破（乖离≤20%）；③ 潜伏：长强短弱回踩年线；④ 吸筹：低位横盘紧凑极度缩量；⑤ 地量：创下年内极小地量枯竭；⑥ 护盘：大盘新低但个股拒创新低底背离
Layer 2.5 Markup 识别 MA50 从下穿上 MA200 并连续确认 N 日，角度验证趋势强度，标注已进入上升趋势的股票
Layer 3 板块共振 行业分布 Top-N，筛选与热门板块共振的标的
Layer 4 威科夫微观狙击 Spring（终极震仓假突破）、LPS（极度缩量≤40%的最后回踩）、SOS（低位跳跃小溪放量点火，乖离≤20%）、EVR（高位放量不跌的变异）
Layer 5/AI 三阵营 AI 评判 将候选交由 LLM 进行独立审讯，输出“逻辑破产/储备营地/处于起跳板”三阵营决策。采用大盘水温动态压缩总容量配额，默认更偏向潜伏/吸筹候选，降低单边追强倾向，并在结构战区内提供 T+1 的 Plan A/B 计划说明

启用方式

仓库内置工作流：.github/workflows/wyckoff_funnel.yml

  • 定时：北京时间周日到周四 18:25
  • 手动：Actions 页面选择 Wyckoff Funnel → Run workflow

Web 端后台任务架构

仓库内置专门给 Streamlit 页面使用的后台工作流：.github/workflows/web_quant_jobs.yml

  • Wyckoff Funnel 页面：提交后台漏斗筛选任务
  • AI 分析 页面：提交后台批量研报或输入预演任务
  • 页面职责：触发工作流、轮询运行状态、读取 artifact 结果
  • 后台职责：拉全量 OHLCV、跑漏斗、调用模型、产出轻量 JSON 结果

这样做的目的，是把最耗内存、最容易超时的链路从 Streamlit Community Cloud 进程里移走。

配置 GitHub Secrets

Settings → Secrets and variables → Actions，添加：

名称 必填 说明
FEISHU_WEBHOOK_URL 是 接收选股结果与研报 (配置教程)
WECOM_WEBHOOK_URL 否 企微群机器人 Webhook，与飞书同时推送
DINGTALK_WEBHOOK_URL 否 钉钉自定义机器人 Webhook，与飞书同时推送
GEMINI_API_KEY 是 AI 研报（或使用 DEFAULT_LLM_PROVIDER + 对应厂商 Key）
DEFAULT_LLM_PROVIDER 否 定时任务使用的厂商：gemini / openai / zhipu / minimax / deepseek / qwen，未配则 gemini
TUSHARE_TOKEN 是 行情与市值数据
GEMINI_MODEL 否 未配则用默认模型；其他厂商可配 OPENAI_MODEL、ZHIPU_MODEL 等
SUPABASE_URL Step4 用 否（走 USER_LIVE:<user_id> 路径时需要）
SUPABASE_KEY ❌ Supabase 匿名 Key；脚本侧可作为读取兜底。
SUPABASE_SERVICE_ROLE_KEY ❌ Supabase 管理员 Key；若 Step4 需要稳定读写，建议优先配置。
SUPABASE_USER_ID ❌ 用户锁定：指定 Step4 运行的目标用户 ID。
MY_PORTFOLIO_STATE ❌ 本地账本兜底：若 USER_LIVE:<user_id> 不可用，可用 JSON 字符串配置持仓 (格式见 .env.example)。
TG_BOT_TOKEN ❌ 私密推送：Telegram Bot Token，用于接收私密交易建议。
TG_CHAT_ID ❌ Telegram Chat ID。
TAVILY_API_KEY ❌ 防雷：用于 RAG 新闻检索 (Tavily)，推荐配置。
SERPAPI_API_KEY ❌ 防雷备用：Tavily 挂了时自动切换到 Google News (SerpApi)。

提示：以上配置只在你需要对应功能时才需填写。最基础运行仅需前 3 项。

Web 端后台任务所需 Streamlit Secrets

如果你希望在 Streamlit 页面里直接点按钮触发后台漏斗或后台批量 AI，还需要在 Streamlit Secrets 中配置：

名称 必填 说明
GITHUB_ACTIONS_TOKEN 是 GitHub API Token，用于触发 workflow_dispatch 并读取 Actions 运行结果 artifact
GITHUB_ACTIONS_REPO_OWNER 否 默认 YoungCan-Wang
GITHUB_ACTIONS_REPO_NAME 否 默认 Wyckoff-Analysis
GITHUB_ACTIONS_REF 否 默认 main
GITHUB_ACTIONS_WORKFLOW_FILE 否 默认 web_quant_jobs.yml
GITHUB_ACTIONS_ALLOWED_USER_IDS 否 逗号分隔的用户 ID 白名单；配置后仅白名单账号可在页面里触发后台任务

推荐使用细粒度单仓库 Token，至少授予：

  • Actions: Read and write
  • Contents: Read

验证

跑一次手动触发后，检查：

  • 日志中有 阶段汇总 且 ok=True
  • Artifacts 中有 daily-job-logs-*
  • 飞书收到漏斗结果 + 研报

常规跑完约 90～130 分钟。报错时看日志里缺哪个配置。

日线回测（轻量）

不依赖分钟级和高价数据源，直接回放 Funnel 命中后的未来 N 日表现：

python -m scripts.backtest_runner \
  --start 2025-01-01 \
  --end 2025-12-31 \
  --hold-days 5 \
  --top-n 3 \
  --board all \
  --exit-mode sltp \
  --stop-loss -9 \
  --take-profit 0 \
  --sample-size 300 \
  --output-dir analysis/backtest

当前脚本默认值是 --hold-days 15 --top-n 3 --exit-mode sltp --stop-loss -9 --take-profit 0。
如果你要复现目前更贴近实战的收紧口径，推荐使用上面示例里的 --hold-days 5 --top-n 3。

回测偏差口径说明（重要）：

  • 默认关闭当前截面市值/行业映射过滤（降低 look-ahead bias）。
  • 若你要复现旧口径，可显式加 --use-current-meta（会引入前视偏差，仅用于对比）。
  • 无论是否开启，仍存在幸存者偏差（股票池来自当前在市名单）。
  • 回测默认纳入双边摩擦成本：--buy-friction-pct 0.2 --sell-friction-pct 0.2（可按券商与滑点实况调整）。

输出文件：

  • summary_*.md：收益统计 + 风险统计（最大回撤、VaR95、CVaR95、最长连亏）
  • trades_*.csv：逐笔信号收益明细

常见报错

  • 配置缺失: FEISHU_WEBHOOK_URL
    • 原因：未配置飞书 Secret
    • 处理：在仓库 Secrets 添加 FEISHU_WEBHOOK_URL
  • 配置缺失: GEMINI_API_KEY
    • 原因：未配置模型 Key 或已失效
    • 处理：更新 GEMINI_API_KEY 后重跑
  • 市值数据为空（TUSHARE_TOKEN 可能缺失/失效）
    • 原因：TUSHARE_TOKEN 缺失/失效/额度问题
    • 处理：检查并更新 TUSHARE_TOKEN，确认账号权限
  • [step3] 模型 ... 失败 / llm_failed
    • 原因：模型不可用、限流、网络抖动
    • 处理：更换 GEMINI_MODEL 或稍后重试
  • [step3] 飞书推送失败 / feishu_failed
    • 原因：Webhook 无效、限流、网络问题
    • 处理：重新生成飞书机器人 Webhook 并替换 Secret
  • 阶段 3 私人再平衡: 跳过（SUPABASE_USER_ID 未配置/用户持仓缺失）
    • 原因：未配置 SUPABASE_USER_ID，或 USER_LIVE:<user_id>/MY_PORTFOLIO_STATE 都不可用
    • 处理：在 Secrets 配置 SUPABASE_USER_ID；优先保证 Supabase 有 USER_LIVE:<user_id>，必要时提供 MY_PORTFOLIO_STATE 兜底
  • 阶段 3 私人再平衡: 跳过（TG_BOT_TOKEN/TG_CHAT_ID 未配置）
    • 原因：Telegram Secret 未配置
    • 处理：配置 TG_BOT_TOKEN 和 TG_CHAT_ID 后重跑
  • User location is not supported for the API use
    • 原因：模型地域限制
    • 处理：更换可用网络出口或供应商
  • Action 超时或明显慢于 2 小时
    • 原因：数据源抖动、重试变多
    • 处理：查看批次日志定位卡点，必要时手动重跑

私人决断（可选）

Step4 完全由 GitHub Actions Secrets 驱动：读取 SUPABASE_USER_ID 定位 USER_LIVE:<user_id>，读取 TG_BOT_TOKEN/TG_CHAT_ID 推送 Telegram，模型使用 GEMINI_API_KEY/GEMINI_MODEL。若 Supabase 持仓缺失可用 MY_PORTFOLIO_STATE 做兜底。

交流

飞书群二维码

飞书群二维码

飞书个人二维码

飞书个人二维码

☕ 赞助与支持

各位股友，觉得这个脚本筛选的股票形态很得您心，辛苦给个吆喝，点个star。如果这个借助这个脚本赚到钱了，也欢迎赞助作者一顿汉堡，升级下大模型和股票数据，非常感谢

支付宝 (Alipay) 微信支付 (WeChat)

附录

目录结构

.
├── streamlit_app.py        # Web 入口
├── app/                    # UI 组件（layout/auth/navigation）
│   ├── background_jobs.py  # Streamlit 侧后台任务状态管理
│   └── ...
├── core/                   # 核心策略与领域逻辑
│   ├── wyckoff_engine.py   # Wyckoff 多层漏斗引擎（六通道L2 + Markup L2.5）
│   ├── wyckoff_single_prompt.py  # 单股分析 Prompt
│   ├── single_stock_logic.py    # 单股分析页面逻辑
│   ├── download_history.py      # 下载历史记录
│   ├── stock_cache.py            # 股票数据缓存
│   └── constants.py              # 常量定义
├── integrations/           # 数据源/LLM/Supabase 适配层
│   ├── data_source.py      # 统一数据源（自动降级）
│   ├── fetch_a_share_csv.py  # CSV 导出模块
│   ├── github_actions.py  # GitHub Actions 触发与结果查询
│   ├── llm_client.py      # LLM 客户端
│   ├── ai_prompts.py      # AI 提示词（Alpha 投委会）
│   ├── supabase_client.py # Supabase 云端同步
│   ├── supabase_portfolio.py # Supabase 策略持仓同步
│   ├── rag_veto.py        # RAG 防雷模块
│   └── feishu.py          # 飞书推送
├── pages/                  # Streamlit 页面
│   ├── AIAnalysis.py      # AI 分析（单股本地，批量后台）
│   ├── WyckoffScreeners.py # Wyckoff Funnel 后台筛选页
│   ├── Portfolio.py       # 持仓管理
│   ├── CustomExport.py    # 自定义导出
│   ├── DownloadHistory.py # 下载历史
│   ├── Settings.py        # 设置
│   └── Changelog.py       # 版本更新日志
├── scripts/
│   ├── wyckoff_funnel.py  # 定时选股任务
│   ├── step3_batch_report.py  # AI 研报
│   ├── web_background_job.py  # Web 后台任务执行入口
│   ├── step4_rebalancer.py    # 私人决断
│   ├── premarket_risk_job.py  # 盘前风控预警
│   ├── daily_job.py      # 日终流水线
│   ├── benchmark_funnel_fetch.py  # 取数性能基准测试
│   └── backtest_runner.py  # 日线轻量回测
├── requirements.txt
└── .env.example

盘前风险与市场信号栏

  • 盘前风控任务会综合 A50 + VIX 判断外部风险，并输出 NORMAL / CAUTION / RISK_OFF / BLACK_SWAN 四档结果。
  • Web 端会将“盘后大盘水温”与“盘前外部风险”融合成一条顶部市场信号栏，统一按“最新交易日”口径展示，不要求用户理解内部工程标签。
  • 页面展示采用 A 股常用颜色习惯：上涨偏红、下跌偏绿；VIX 恐慌抬升也会按防守方向显示。

交易日与时间窗口

按交易日计算，自动跳过周末与节假日。

  • 结束日（北京时间口径）：
    • 17:00-23:59 → 取 T（当天）
    • 00:00-16:59 → 取 T-1（上一自然日）
  • 最终会对齐到最近交易日（自动跳过周末与节假日）
  • 开始日：从结束日向前回溯 N 个交易日（默认 500）
  • 参数：--trading-days、--end-offset-days

CSV 输出说明

  • hist_data.csv：akshare 原始字段（日期、开高低收、成交量、成交额、振幅、换手率等）
  • ohlcv.csv：增强版（OHLCV + 均价、行业），便于回测与可视化

复权

--adjust："" 不复权，qfq 前复权，hfq 后复权。

python -m integrations.fetch_a_share_csv --symbol 300364 --adjust qfq

常见问题

  • ImportError: create_client from supabase → pip install supabase>=2.0.0
  • macOS pip externally-managed-environment → 用虚拟环境安装依赖
  • 文件名有空格 → 股票名本身带空格，脚本会做安全替换

AI 分析：Alpha 虚拟投委会

Web 端提供「AI 分析」页面，采用「Alpha」虚拟投委会模式，由七位历史级交易大师人格共同决策。

当前执行口径：

  • 单股分析：继续在 Streamlit 内本地执行，适合轻量、即时交互
  • 批量代码分析：改为 GitHub Actions 后台执行
  • 漏斗候选分析：先在后台 Funnel 页得到候选，再在 AI 页提交后台批量研报

这样既保留了单股即时性，也把最重的批量 OHLCV 和模型上下文从 Community Cloud 内存里移走。

大师分工如下：

大师 职责
🌊 道氏与艾略特 宏观定势，判断牛市/熊市主趋势
💰 彼得·林奇 价值透视，PEG 估值，六大股票分类
🕵️ 理查德·威科夫 主力侦察，吸筹/派发阶段判断，供需法则
📐 缠中说禅 结构精算，中枢、背驰、买卖点数学定位
🔥 情绪流龙头战法 情绪博弈，周期定位，龙头识别
🐊 杰西·利弗莫尔 关键时机，关键点突破确认
🕯️ 史蒂夫·尼森 微观信号，蜡烛图反转形态

RAG 防雷（负面舆情过滤）

每日选股流程中集成 RAG 防雷模块，自动过滤有负面舆情的股票：

  • 数据源：Tavily 新闻搜索（如未配置则跳过）
  • 默认负面关键词：立案、调查、证监会、处罚、违规、造假、退市、减持、质押爆仓、债务违约、业绩预亏、业绩下滑、商誉减值、诉讼、仲裁、冻结等
  • 配置：TAVILY_API_KEY 环境变量

数据源降级机制

个股日线优先使用 tushare（固定前复权 qfq），失败时依次降级：

tushare → akshare → baostock → efinance
  • TUSHARE_TOKEN 未配置时自动跳过，回退到 akshare 优先
  • 指数/大盘数据始终 tushare 直连，确保稳定性
  • 可通过环境变量按需禁用各源：DATA_SOURCE_DISABLE_AKSHARE=1 / DATA_SOURCE_DISABLE_BAOSTOCK=1

自定义导出支持的数据源

数据源 说明 复权支持
A股个股历史 日线 K 线，6 位代码 ✅
指数历史 上证/深证/创业板/北证 ❌
ETF 历史 510300 / 159707 等 ✅
宏观 CPI 月度 CPI 指标 ❌

Fork 与部署

  1. Fork 本仓库，克隆到本地
  2. 按上文配置 .env 后运行
  3. 部署到 Streamlit Cloud：入口选 streamlit_app.py
  4. 至少配置 SUPABASE_URL、SUPABASE_KEY、COOKIE_SECRET
  5. 若要启用页面内的后台漏斗/后台批量 AI，再额外配置 GITHUB_ACTIONS_TOKEN

Open in Streamlit

版本更新

详见 CHANGELOG.md。Web 端「版本更新日志」页面直接读取该文件。

版权声明 | Copyright & License

  • 版权所有 © 2026 youngcan. All Rights Reserved.
  • 开源用途：个人学习研究免费使用，署名即可
  • 商业授权：如需将本项目用于商业产品或服务（包括但不限于 SaaS、付费咨询、代客选股、量化基金、OEM/嵌入式等），必须先联系作者获得授权并支付授权费用
  • 联系方式：可通过微信/飞书，或 GitHub Issue 联系

⚠️ 未经授权的商业使用将被视为侵权，作者保留追究法律责任的权利。

Star History

Star History Chart

About

威科夫降临 分析A股，灵感来自 秋生trader @Hoyooyoo

Resources

Readme

License

View license
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages

  • Python 100.0%