Sequoia-X: 王者回归 | The King Returns

A 股量化选股系统 V2 — 三阶层选股 + WxPusher 微信推送 + DeepSeek LLM 多维度研判，每日收盘后自动运行

---

📋 目录

• 三阶层选股架构
• 数据同步模块（DataSync）
• 内置策略与排名
• 每日选股流程
• 快速开始
• 推送配置（WxPusher）
• DeepSeek LLM 配置
• Cron 定时任务
• 参考文档

---

🏛️ 三阶层选股架构

每次选股严格走以下三步，确保结果安全、精准、可排序：

第一步：基础股票池

DataEngine.get_base_stock_pool() 统一过滤所有 A 股：

过滤条件	规则	剔除对象
🚫 板块剔除	688/689/300/301/4xx/8xx	科创板、创业板、北交所
🚫 质量剔除	名称含 ST/*ST/退	ST股、退市风险股
🚫 次新剔除	上市日期 < 1年	次新股
🚫 低价剔除	最新收盘价 < 2元	低价股

第二步：策略选股 + 打分

每个策略只在 基础股票池 范围内运行，每个候选股票附带 分数（score）。

第三步：按分数取前 5 支

_pick_top(candidates, top_n=5) 按分数降序取前 5，确保推送的是策略最看好的股票。

---

🤖 数据同步模块（DataSync）

基于 baostock 的 A 股日线全量/增量自动同步，职责从 DataEngine 独立为 DataSync 类。

四阶段同步管线 (run_full())

Phase 1: sync_stock_list()       → baostock 全量列表对比，检测上市/退市
Phase 2: sync_daily(force=False) → 增量日线（交易日判断 + 17:30 时间门控）
Phase 3: repair_missing(days=5)  → 诊断缺失 + 自动补填（含2轮指数退避重试）
Phase 4: sync_index_daily()      → 6大指数日线（stock_daily 隔离存储）

核心特性

特性	说明
批量写入优化	500条/批，持久化SQLite连接，避免逐只提交开销
幂等写入	INSERT OR REPLACE 基于 UNIQUE(symbol,date)
断连恢复	连续10次错误自动重连 + 指数退避重试
交易日判断	baostock query_trade_dates API（fail-open）
新字段支持	pctChg, peTTM, pbMRQ, psTTM, pcfNcfTTM
pandas 3.0 兼容	_bs_get_data() 手动拼接，避免 baostock 内部 df.append()

命令速查

命令	用途	耗时
python main.py --sync-only	日常自动同步（四阶段）	~5-8 min
python main.py --repair --all	全量修复缺失	按缺失量
python main.py --repair	快速修复前50只	< 1 min
python main.py --backfill	首次历史全量回填	~50 min

详细文档：股票及指数日线数据拉取模块使用指南.md

---

系统每日分两个时段自动运行：

时间线

17:45  数据同步（--sync-only）              ← 远程服务器无人值守
    ↓
├─ Phase 1: 股票列表同步（上市/退市检测）
├─ Phase 2: 增量日线同步（交易日判断 + 时间门控）
├─ Phase 3: 缺失补填（诊断 + 2轮重试）
├─ Phase 4: 6大指数日线同步
└─ 推送同步摘要到微信

20:55  选股策略运行                        ← 远程服务器无人值守
    ↓
├─ 1. 检查数据完整性 → check_missing(days=5)
│   ├─ 覆盖率 > 90% → ✅ 继续进行
│   └─ 覆盖率 ≤ 90% → ❌ 推送告警，跳过选股
├─ 2. 基础股票池过滤（~2950 只）
├─ 3. 8 策略独立选股 + 按分数取前 5
├─ 4. **DeepSeek LLM 综合研判**（基于10大市场模块 + 知兔API个股数据）
├─ 5. 保存选股结果到 data/results/results_YYYYMMDD.json
├─ 6. WxPusher 推送到微信（初版）
└─ 预计耗时 3~5 分钟

───────────────────────────────────────── 次日 ─────────────────────────────────────────

07:30  通达信深度分析                      ← WorkBuddy 自动化任务（需本地开机）
    ↓
├─ 1. SSH 读取昨夜选股结果 JSON
├─ 2. 对每只候选股调用 通达信MCP 查询：
│   ├─ 📝 研报评级一致预期
│   ├─ 💰 资金流向（主力/超大单）
│   ├─ 🔥 热点题材关联
│   ├─ 📊 财务数据（利润表）
│   └─ 🏛️ 公司基本信息
├─ 3. DeepSeek 生成深度荐股分析报告
└─ 4. WxPusher 推送详报到微信（深度版）

退市股与新股处理

每次 --sync-only 运行时自动执行：

操作	判断依据	处理方式
退市股清理	baostock 当前上市列表 vs 本地数据库	自动删除 stock_daily 中对应记录
新股发现	baostock 有新代码	记录日志，下次增量同步会自动拉取
缺失交易日	对比交易日历和本地数据	自动回填缺失交易日数据
同步记录	每次同步后写入 sync_log 表	用于 20:55 检查完整性

命令速查

命令	用途	执行时间
python main.py --sync-only	数据同步+清洗	17:45（cron）
python main.py	完整选股+推送	20:55（cron）
python main.py --skip-llm	选股但跳过 LLM 分析	手动
python main.py --backfill	首次回填/补充数据	手动

日志说明

• logs/sync_YYYYMMDD.log — 17:45 同步日志（含退市/新股/补填信息）
• logs/daily_YYYYMMDD.log — 20:55 选股日志

---

📊 内置策略与排名

策略	中文名	排名依据
MaVolumeStrategy	均量线突破	放量倍数（今日量/20日均量）
TurtleTradeStrategy	海龟交易法则	流通市值（市值越大流动性越好）
HighTightFlagStrategy	高紧旗形突破	动量倍数/收敛幅度（爆发潜力）
LimitUpShakeoutStrategy	涨停洗盘	放量/跌幅比（洗盘充分度）
UptrendLimitDownStrategy	上涨回调	放量倍 × 跌幅（错杀反弹潜力）
RpsBreakoutStrategy	RPS动量突破	RPS分数（全市场动量百分位）
RpsMultiPeriodStrategy	多周期RPS突破	综合信号评分（三周期RPS加权+形态加分）
PrivatePlacementStrategy	定增公告监控	公告日期（最新优先）

---

🚀 快速开始

环境要求

• Python >= 3.10

1. 安装依赖

# 推荐使用 uv（快速包管理器）
uv sync

# 或使用 pip
pip install -r requirements.txt

# 安装 WxPusher 推送库
uv pip install wxpusher

2. 配置环境变量

cp .env.example .env
# 编辑 .env，填写 WxPusher Token
# WXPUSHER_TOKEN=your_app_token
# WXPUSHER_TOPIC_IDS=["39277"]

3. 首次回填历史数据

python main.py --backfill

约 45~60 分钟完成 ~5200 只 A 股历史前复权（adjustflag=2）日 K 数据回填（视网络与服务器性能而定）。

4. 日常运行

python main.py

日常模式自动完成：增量补数据 → 获取基础股票池 → 8 策略选股 → WxPusher 微信推送。

---

🔔 推送配置（WxPusher）

本项目使用 WxPusher 将选股结果推送至微信。

获取 WxPusher Token

1. 前往 WxPusher 官网 注册
2. 创建应用，获取 AppToken
3. 创建 Topic，获取 Topic ID
4. 扫码关注，即可接收消息

配置

# .env
WXPUSHER_TOKEN=AT_xxxxxxxxxxxxxxxxxxxxxxxx
WXPUSHER_TOPIC_IDS=["39277"]

# 知兔 API（可选，用于个股实时行情含PE/PB/市值/60日涨幅）
# 申请地址：https://www.zhituapi.com/gettoken.html
ZHITU_TOKEN=your_zhitu_api_token_here

消息示例

📈 Sequoia-X 选股播报 | 均量线突破
日期: 2026-06-08
选股数量: 3

选股列表:
- 平安银行 (000001)
- 万科A (000002)
- 贵州茅台 (600519)

---

⏰ Cron 定时任务

系统在交易日自动运行两个阶段，cron 配置如下：

# ===== Sequoia-X 数据同步 (17:45) =====
# 退市清理 → 新股发现 → 缺失补填 → 增量拉取 → 推送同步摘要到微信
10 19 * * 1-5 cd /path/to/Sequoia-X && /path/to/python main.py --sync-only >> logs/sync_$(date +\%Y\%m\%d).log 2>&1

# ===== Sequoia-X 选股推送 (20:55) =====
# 检查数据完整性 → 基础池过滤 → 8策略选股 → LLM研判 → 保存结果 → 推送结论到微信
55 20 * * 1-5 cd /path/to/Sequoia-X && /path/to/python main.py >> logs/daily_$(date +\%Y\%m\%d).log 2>&1

推送消息速览

时间	触发条件	推送内容	样式
17:45 同步成功	run_full() 正常返回	股票数、退市清理数、新股发现数、补填天数、耗时	📊 数据同步完成
17:45 同步失败	run_full() 异常	错误信息、股票数	⚠️ 数据同步失败
20:55 选股正常	数据覆盖率 > 85%	LLM 综合研判报告（10大市场模块 + 知兔API个股行情/PE/PB/60日涨幅 + 公告新闻）	📈 AI 选股研判
20:55 数据不足	覆盖率 ≤ 85%	覆盖率、有数据/总股票数、可能原因	❌ 选股已取消
07:30 深度分析次日	WorkBuddy 自动化任务	通达信MCP 深度荐股报告（含研报/资金流/题材/财报）	📊 Sequoia-X 深度分析

回填数据加速

当使用 --backfill 回填全市场历史数据时，系统采用 多进程并行 模式：

• 每批 200 只股票，9 进程并发
• 每只股票间隔 200ms（防止 baostock 封 IP）
• 单线程约 60 分钟 → 并行约 10~15 分钟

日志文件说明

日志文件	对应模式	生产时间
logs/sync_YYYYMMDD.log	--sync-only	17:45
logs/daily_YYYYMMDD.log	常规模式	20:55

---

📁 目录结构

Sequoia-X/
├── main.py                      # 入口：argparse 分发日常/回填模式
├── pyproject.toml               # 依赖声明 + 测试配置
├── .env.example                 # 环境变量模板
├── .env                         # 环境变量（不入 git）
├── data/                        # SQLite 数据库（运行时生成，不入 git）
├── logs/                        # 运行日志（不入 git）
├── sequoia_x/
│   ├── __init__.py
│   ├── core/
│   │   ├── config.py            # Pydantic-settings 配置管理
│   │   └── logger.py            # rich 结构化日志
│   ├── data/
│   │   ├── engine.py            # 数据引擎（回填 + 增量同步 + 基础池）
│   │   └── save_results.py      # 选股结果保存（供 WorkBuddy 自动化读取）
│   ├── strategy/
│   │   ├── base.py              # 策略抽象基类（含 _pick_top 排序）
│   │   ├── turtle_trade.py      # 海龟交易策略
│   │   ├── ma_volume.py         # 均线放量策略
│   │   ├── high_tight_flag.py   # 高窄旗形策略
│   │   ├── limit_up_shakeout.py # 涨停洗盘策略
│   │   ├── uptrend_limit_down.py# 上升跌停策略
│   │   ├── rps_breakout.py      # RPS 突破策略
│   │   ├── rps_multi_period.py  # 多周期RPS突破策略
│   │   └── private_placement.py # 定增公告监控
│   ├── analysis/
│   │   └── analyst.py           # LLM 分析引擎（10大市场模块 + 知兔API/Sina/SQLite三源采集）
│   └── notify/
│       └── wxpusher.py          # WxPusher 微信推送
└── tests/                       # 属性测试（pytest + hypothesis）
    ├── test_config.py
    ├── test_data_engine.py
    ├── test_feishu.py
    ├── test_logger.py
    ├── test_main.py
    └── test_strategy.py

---

📦 数据说明

• 数据源：baostock（免费、无需注册、无限流）
• 复权方式：前复权（adjustflag=2）（hfq）— 历史价格不变，适合增量存储
• 存储：本地 SQLite（data/sequoia_v2.db），可直接拷贝使用
• 增量更新：sync_today_bulk() 单进程顺序补数据，40~50 分钟完成
• 数据更新时间：日 K 线每个交易日 17:30 入库，建议 19:00 后运行

---

📚 参考文档

• 股票及指数日线数据拉取模块使用指南.md — DataSync 详细使用手册
• 004_Sequoia-X量化选股系统开发部署运行指南.md — 系统部署运维指南

新增策略必须遵守三阶层选股架构：

from sequoia_x.strategy.base import BaseStrategy

class MyNewStrategy(BaseStrategy):
    webhook_key: str = "my_new"
    display_name: str = "新策略名称"
    top_n: int = 5

    def run(self) -> list[str]:
        symbols = self.stock_pool or self.engine.get_local_symbols()
        candidates: list[tuple[str, float]] = []  # (代码, 分数)

        for symbol in symbols:
            # ... 选股逻辑 ...
            if 满足条件:
                score = ...  # 策略核心信号强度
                candidates.append((symbol, score))

        return self._pick_top(candidates, self.top_n)  # 按分排序取前N

铁律：

1. ✅ 用 self.stock_pool（而非全量遍历）
2. ✅ 构造 (symbol, score)
3. ✅ 用 _pick_top() 截取
4. ✅ 在 main.py 的 strategies 列表注册

---

📄 许可证

MIT