⭐ 如果您觉得这个项目有用，请先给项目Star再Fork，以支持项目发展！⭐
实践人机混合智能的理念，开发具备变现能力的金融资产智能量化分析助手。系统整合大模型智能决策与机器学习预测模型，实时监控加密货币、港股、黄金等金融市场。香港股票方面集成11个数据源，以智能副驾的方式为投资者提供全面的市场分析、交易策略验证和买卖建议。
- 恒生指数及港股交易信号提醒 - 恒生指数及自选股智能分析报告
- 【综合分析】港股买卖建议 - 综合买卖建议报告
本项目的核心理念是实践人机混合智能，将大模型的推理能力与机器学习的预测能力相结合，为投资者提供更全面、更可靠的决策支持。
人机协作模式：
-
大模型（人类智能的延伸）：
- 深度分析市场环境、技术指标、基本面数据
- 生成短期和中期投资建议（具体到股票、操作、价格指引、风险提示）
- 提供板块分析和龙头股识别
- 进行策略复盘和AI交易分析
-
机器学习（数据驱动的预测）：
- CatBoost 20天模型准确率60.88%，预测个股涨跌方向
- 板块特定模型评估不同行业股票的预测准确度
- 为大模型建议提供量化支撑
-
智能副驾角色：
- 不是替代投资者，而是辅助决策
- 提供数据驱动的分析和建议
- 帮助投资者识别机会和控制风险
- 最终决策权在投资者手中
人机协同优势：
- ✅ 全面性：大模型提供定性分析，机器学习提供定量预测
- ✅ 可靠性：双重验证，大模型建议和ML预测相互印证
- ✅ 灵活性：适应不同投资风格（保守型、稳健型、进取型）
- ✅ 可解释性：大模型提供解释性建议，机器学习提供概率预测
大模型智能决策：
- 多维度分析：综合技术指标、基本面、市场环境、板块轮动等多维度信息
- 智能投资建议：生成短期（日内/数天）和中期（数周-数月）投资建议，包含推荐理由、操作建议、价格指引、风险提示
- 动态调整：根据市场环境变化，动态调整投资策略和风险控制措施
- 人机协同：与机器学习预测结果相互印证，提高决策可靠性
机器学习预测模型：
- CatBoost 20天模型：准确率60.88%，F1分数0.6416，标准差2.06%
- 板块特定模型：为16个板块训练独立模型，评估不同行业股票的预测准确度
- 真实预测能力：通过Walk-forward验证，评估模型的真实预测能力和泛化能力
大模型智能决策功能：
- ✅ 恒生指数及自选股分析：六层分析框架（风险控制、市场环境、基本面、技术面、信号识别、综合评分）
- ✅ 短期投资分析（日内/数天）：关注动量、成交量、突破信号，止损位3-5%
- ✅ 中期投资分析（数周-数月）：关注趋势持续性、均线排列、资金流向，止损位8-12%，含筹码分布分析
- ✅ 板块分析和龙头识别：l个板块排名，MVP模型识别龙头股
- ✅ 主力资金追踪：1-6层分析框架，识别建仓和出货信号
- ✅ AI交易分析：复盘AI推荐策略有效性
- ✅ 大模型建议自动保存：保存短期和中期建议到文件，方便综合对比分析
综合分析系统（每日自动执行）：
- ✅ 整合大模型建议和CatBoost预测结果
- ✅ 生成详细的综合买卖建议
- ✅ 包含实时技术指标、模拟交易记录、板块分析等14个部分
数据获取与监控：
- ✅ 11个数据源：加密货币、港股、黄金、美股、基本面、股息、IPO等
- ✅ 实时技术指标：恒生指数及自选股的RSI、MACD、布林带、ATR等
- ✅ 模拟交易记录：最近48小时模拟交易记录以表格格式展示
市场分析功能：
- ✅ 牛熊市分析自动化：每周一自动执行，分析市场环境和股票表现
- ✅ 板块表现分析自动化：每月1号自动执行，按股票类型分析准确度
- ✅ 股票表现TOP 10排名分析：每月1号自动执行，按不同指标排名
- ✅ 月度趋势分析：2024-2026年跨年度回测月度分析，识别季节性规律
- ✅ 筹码分布分析：基于成交量的分箱法，计算筹码集中度和拉升阻力
风险管理功能：
- ✅ VaR（风险价值）和ES（预期损失）计算
- ✅ 止损止盈计算（基于ATR或百分比）
- ✅ 最大回撤计算
- ✅ 风险控制检查（止损/止盈/Trailing Stop）
自动化调度：
- ✅ 11个GitHub Actions工作流全自动运行
- ✅ 无需服务器，零成本部署
- ✅ 覆盖全天候市场监控和智能分析
- 机器学习模型仅供参考：CatBoost 20天模型准确率60.88%，仅供参考，不构成投资建议
- 风险提示：本系统仅供学习和研究使用，不构成投资建议
- 人机协作：系统是智能副驾，最终决策权在投资者手中
- 市场波动：市场存在不确定性，预测模型无法保证100%准确
系统整合11个数据源，为大模型智能决策提供全面的数据支撑：
- 加密货币监控：比特币、以太坊价格和技术分析（每小时）
- 港股异常检测：价格和成交量异常检测（每天凌晨2点）
- 港股IPO信息：最新IPO信息（每天）
- 黄金市场分析：黄金价格和投资建议（每小时）
- 恒生指数监控：价格、技术指标、交易信号（交易时段）
- 美股市场数据：标普500、纳斯达克、VIX、美国国债收益率
- 基本面数据：财务指标、利润表、资产负债表、现金流量表
- 股息信息：自动获取股息和除净日信息
- 股票新闻：批量获取自选股新闻，用于情感分析
港股异常检测：
- 双异常检测：价格 + 成交量异常（基于Z-Score）
- 深度分析模式：Z-Score + Isolation Forest（多维特征检测）
- 时间间隔支持：支持每日（
--time-interval day）和每小时（--time-interval hour）两种检测模式 - 自动参数适配：每日模式（window_size=30, period='3mo'）、每小时模式（window_size=72, period='1mo'）
- 日期参数支持：支持检测指定日期的异常（
--date参数） - 异常原因分析：分析价格、成交量、多维特征异常的具体原因
- 异常日期数据：使用异常发生日期的技术指标（RSI、布林带、MACD、涨跌幅）
- 邮件表格增强：显示异常日期、异常原因、技术指标等详细信息
- 交易时段误报防护：每小时监控只在交易时段执行（09:30-12:00, 13:00-16:00）
- 每小时深度分析：交易时段每小时执行深度分析（Z-Score + Isolation Forest）
六层分析框架：
- 第一层：风险控制检查（止损/止盈/Trailing Stop）
- 第二层：市场环境评估（VIX、成交额、换手率、系统性风险）
- 第三层：基本面质量评估（基本面评分、估值水平）
- 第四层：技术面分析（多周期趋势、相对强度、技术指标协同）
- 第五层：信号识别（建仓/出货信号筛选）
- 第六层：综合评分与决策（最终判断）
风险管理：
- VaR（风险价值）计算：1日VaR（超短线）、5日VaR（波段交易）、20日VaR（中长期）
- ES（预期损失）计算：尾部风险量化
- 最大回撤计算
- 止损止盈计算（基于ATR或百分比）
投资建议类型：
-
短期投资分析（日内/数天）：
- 进取型短期分析（可选）
- 稳健型短期分析
- 关注短期动量、成交量变化、突破信号
- 止损位设置较紧（3-5%），快速止损保护本金
-
中期投资分析（数周-数月）：
- 稳健型中期分析
- 保守型中期分析（可选）
- 关注趋势持续性、均线排列、资金流向
- 止损位设置较宽（8-12%），允许中期波动
- 筹码分布分析：
- 上方筹码比例：评估拉升阻力（低/中/高）
- 筹码集中度：评估主力控盘程度（高/中/低）
- 阻力等级分类：提供突破难度的直观判断
板块分析：
- 16个板块排名和龙头股识别
- 业界标准MVP模型（动量+成交量+基本面）
- 支持小市值板块的龙头股识别
模拟交易：
- 最近48小时模拟交易记录
- 止损止盈建议
- 连续信号跟踪
大模型建议自动保存：短期和中期建议保存到 data/llm_recommendations_YYYY-MM-DD.txt
1-6层分析框架：
- 第1层：数据准备和基础指标计算
- 第2层：建仓信号识别
- 第3层：出货信号识别
- 第4层：信号强度评估
- 第5层：风险评估
- 第6层：综合决策
投资风格支持：
- 进取型：关注动量，快速进出
- 稳健型：平衡分析，风险可控
- 保守型：关注基本面，长期持有
筹码分布分析集成：
- 为每只股票计算筹码分布
- 识别拉升阻力
- 影响建仓/出货评分
- 复盘AI推荐策略有效性
- 分析交易记录和收益率
- 生成改进建议
- 大模型生成恒生指数交易策略
- 支持多种技术指标
- 提供进场/出场信号
每日自动执行，整合大模型建议和CatBoost预测结果，生成实质买卖建议，包含14个部分的内容（详见独立章节）。
- 真实模拟：基于大模型建议的模拟交易系统
- 风险控制：自动止损机制
- 详细记录：完整的交易日志和持仓分析
- 多种策略：支持保守型、平衡型、进取型投资偏好
- 大模型提示词优化：确保大模型提取所有买卖建议，不受策略建议影响
机器学习预测模型作为大模型智能决策的补充，提供数据驱动的量化预测
- CatBoost 20天模型：主要使用的预测模型（准确率60.88%，F1分数0.6416）
- 板块特定模型：为16个板块训练独立模型（银行、半导体、科技等）
- 多周期预测：预测1天、5天、20天后的涨跌
- 特征工程：892个全量特征（技术指标、基本面、美股市场、情感指标等）
- 滚动统计特征（偏度、峰度、多周期波动率）
- 价格形态特征（日内振幅、影线比例、缺口）
- 量价关系特征（背离、OBV、成交量波动率）
- 长期趋势特征（MA120/250、长期收益率、长期波动率、长期ATR、长期成交量、长期支撑阻力位、长期RSI）
- 主题分布特征（LDA主题建模，10个主题概率分布）
- 主题情感交互特征（10个主题 × 5个情感指标 = 50个交互特征）
- 预期差距特征（新闻情感相对于市场预期的差距，5个特征）
- 市场环境自适应特征（8个）
- 风险管理特征（18个）
- 事件驱动特征（9个）：分红特征（3个）、财报日期特征（3个）、财报超预期特征（3个）
- 特征选择：使用全量特征（892个），依赖CatBoost的自动特征选择机制
- 自动处理分类特征，无需手动编码
- 更好的默认参数，减少调参工作量
- 更快的训练速度（1-2分钟）
- 更好的泛化能力，减少过拟合
- 稳定性显著提升（标准差2.06%）
Walk-forward验证是业界标准的模型验证方法，每个fold重新训练模型，评估真实预测能力
银行股板块（6只股票，12-fold验证）：
- 买入胜率：50.72%（突破50%盈亏线）
- 平均收益率：2.98%（20天持有期）
- 年化收益率：35.82%
- 夏普比率：3.04 ⭐⭐⭐⭐⭐（业界优秀标准，基于Fold收益率计算）
- 最大回撤：-13.30%
- 稳定性评级：中（良好）
异常检测与动态策略优化（2026-04-03）：
- 异常检测验证：相关系数0.1843，Granger因果检验显著
- Walk-forward验证结果：异常期间波动率+79%，胜率52.38%
- 策略优化建议：高异常55-60%仓位、+0.03阈值调整
- 业界标准验证：风险平价仓位55.75%，符合Binance/Two Sigma标准
关键发现：
- ✅ 银行股夏普比率3.04是优秀的，远超业界标准（>1.0）
- ✅ 银行股回撤仅-13.30%，符合防御性资产特性
- ✅ 半导体股夏普比率0.126较低，需继续优化
- ✅ 银行股和半导体股表现最佳，推荐继续使用板块模型
- ✅ 异常期间波动率显著增加，需动态调整仓位和止损
基于6,328条回测交易记录的实证分析，验证了预测概率与实际涨幅的强正相关关系：
- 相关系数：0.6289（强正相关）
- R²值：0.3956（概率能解释39.56%的涨幅变化）
- 关键发现：预测概率越大，实际涨幅也越大；概率>0.70的信号，20天平均涨幅9.25%（年化116.55%），胜率93.9%
经过严格测试，CatBoost 远优于深度学习模型：
| 模型 | 准确率 | F1分数 | 推荐指数 |
|---|---|---|---|
| CatBoost | 60.88% | 0.6416 | ⭐⭐⭐⭐⭐ |
| LSTM | 51.79% | 0.0000 | ⭐ |
| Transformer | 51.15% | 0.1303 | ⭐ |
结论：继续使用 CatBoost 单模型作为主要预测模型，深度学习模型仅用于对比研究。
系统支持5种融合方法，用于对比研究：
| 融合方法 | 年化收益率 | 夏普比率 | 买入信号胜率 |
|---|---|---|---|
| CatBoost 单模型 | 79.54% | 1.20 | 30.02% |
| 加权平均 | 3.16% | 0.32 | 22.75% |
| 简单平均 | 4.01% | 0.40 | 23.63% |
| 投票机制 | 2.31% | 0.36 | 22.58% |
| 动态市场 | 2.40% | 0.33 | 22.96% |
注意：根据历史回测结果，所有融合方法的表现均不如CatBoost单模型，建议优先使用CatBoost单模型。融合模型仅用于对比研究。
整合大模型智能决策与机器学习预测模型，生成实质买卖建议
综合分析系统每日自动执行，整合大模型建议和CatBoost预测结果，进行综合对比分析，生成实质的买卖建议。
- 步骤0：训练 CatBoost 20天模型（使用全量特征）
- 步骤1：生成 CatBoost 单模型预测
- 步骤2：生成大模型建议（短期和中期）
- 步骤3：综合对比分析（整合大模型建议和CatBoost预测）
- 步骤4：生成详细的综合买卖建议
- 步骤5：发送邮件通知（每日自动发送）
- 显示全部28只股票的 CatBoost 预测结果
- 添加"预测方向"栏位（上涨/下跌）
- 添加"预测概率"栏位
- 添加"置信度"栏位（高/中/低）
- 添加"阻力标识"栏位：
- ✅：低阻力（上方筹码 < 30%），拉升容易
⚠️ ：中等阻力（30-60%），注意风险- 🔴：高阻力（> 60%），拉升困难
- N/A：无法计算（数据不足）
- 筹码分布摘要：
- 低/中/高阻力股票数量统计
- 高阻力股票列表
- 阻力标识说明
买入策略：
- 强烈买入信号且预测概率>0.60
- 大模型建议买入且CatBoost预测上涨
持有策略：
- 预测概率>0.50且无卖出信号
- 大模型建议持有
卖出策略：
- 预测概率≤0.50且大模型建议卖出
- 止损位被触发
┌─────────────────────────────────────────────────────────────────┐
│ 数据流（人机混合智能） │
├─────────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ 多数据源获取 │ │
│ │ • 港股数据 (yfinance, 腾讯财经, AKShare) │ │
│ │ • 加密货币数据 (CoinGecko) │ │
│ │ • 黄金数据 (yfinance) │ │
│ │ • 美股市场数据 (yfinance) │ │
│ │ • 基本面数据 (AKShare) │ │
│ │ • 股息信息 (AKShare) │ │
│ │ • IPO信息 (AASTOCKS) │ │
│ │ • 股票新闻 (腾讯财经等) │ │
│ └─────────────────────┬───────────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ 数据服务层 │ │
│ │ ┌─────────────────────────────────────────────────┐ │ │
│ │ │ 技术分析引擎 │ │ │
│ │ │ • 80+ 技术指标 (RSI, MACD, 布林带, ATR等) │ │ │
│ │ │ • 筹码分布分析 (HHI指数, 拉升阻力) │ │ │
│ │ │ • 趋势识别 (均线排列, 突破信号) │ │ │
│ │ │ • TAV评分系统 (趋势+动量+成交量) │ │ │
│ │ └──────────────────┬──────────────────────────────┘ │ │
│ │ │ │ │
│ │ ┌─────────────────────────────────────────────────┐ │ │
│ │ │ 基本面分析 │ │ │
│ │ │ • 财务指标 (PE, PB, ROE等) │ │ │
│ │ │ • 估值水平 │ │ │
│ │ └──────────────────┬──────────────────────────────┘ │ │
│ │ │ │ │
│ │ ┌─────────────────────────────────────────────────┐ │ │
│ │ │ 板块分析 │ │ │
│ │ │ • 16个板块排名 │ │ │
│ │ │ • 龙头股识别 (MVP模型) │ │ │
│ │ └──────────────────┬──────────────────────────────┘ │ │
│ └─────────────────────┼───────────────────────────────────┘ │
│ │ │
│ ├──────────────────────┐ │
│ ▼ ▼ │
│ ┌─────────────────────────┐ ┌─────────────────────────┐ │
│ │ 大模型智能决策层 │ │ 机器学习预测层 │ │
│ ├─────────────────────────┤ ├─────────────────────────┤ │
│ │ 恒生指数及自选股分析 │ │ CatBoost 20天模型 ⭐ │ │
│ │ • 六层分析框架 │ │ • 500+ 精选特征 │ │
│ │ • 短期/中期投资建议 │ │ • 准确率60.88% │ │
│ │ • 板块分析和龙头识别 │ │ • F1分数0.6416 │ │
│ ├─────────────────────────┤ ├─────────────────────────┤ │
│ │ 主力资金追踪 │ │ 板块特定模型 │ │
│ │ • 0-5层分析框架 │ │ • 16个板块独立模型 │ │
│ │ • 建仓/出货信号 │ │ • Walk-forward验证 │ │
│ │ • 筹码分布集成 │ │ • 银行股夏普比率3.04 │ │
│ ├─────────────────────────┤ ├─────────────────────────┤ │
│ │ 恒生指数涨跌预测 │ │ 批量回测 │ │
│ │ • 加权评分模型 │ │ • 28只股票回测 │ │
│ │ • 20个关键特征 │ │ • 性能评估和排名 │ │
│ └───────────┬─────────────┘ └───────────┬─────────────┘ │
│ │ │ │
│ └──────────────┬───────────────┘ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ 综合分析系统（每日自动执行） │ │
│ │ • 整合大模型建议和CatBoost预测结果 │ │
│ │ • 双重验证（定性分析 + 定量预测） │ │
│ │ • 生成实质买卖建议 │ │
│ │ • 14个部分信息参考 │ │
│ └─────────────────────┬───────────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ 输出层 │ │
│ │ ┌─────────────────────────────────────────────────┐ │ │
│ │ │ 邮件通知 │ │ │
│ │ │ • 综合买卖建议 │ │ │
│ │ │ • 实时技术指标 │ │ │
│ │ │ • 模拟交易记录 │ │ │
│ │ │ • 板块分析和排名 │ │ │
│ │ └─────────────────────────────────────────────────┘ │ │
│ │ ┌─────────────────────────────────────────────────┐ │ │
│ │ │ 数据保存 │ │ │
│ │ │ • 大模型建议 (llm_recommendations_*.txt) │ │ │
│ │ │ • CatBoost预测 (catboost_predictions_*.csv) │ │ │
│ │ │ • 综合建议 (comprehensive_recommendations_*.txt)│ │ │
│ │ │ • 预测历史 (prediction_history.json) │ │ │
│ │ └─────────────────────────────────────────────────┘ │ │
│ └─────────────────────────────────────────────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────────┘
核心优势：
✅ 人机混合智能：大模型提供定性分析，机器学习提供定量预测
✅ 双重验证：大模型建议与ML预测相互印证，提高决策可靠性
✅ 全数据源：11个数据源提供全面的市场信息
✅ 实时监控：每小时、每日、每周、每月自动化分析
✅ 零成本部署：GitHub Actions全自动运行，无需服务器
金融信息监控与智能交易系统
│
├── 数据获取层
│ ├── 加密货币数据 (CoinGecko)
│ ├── 港股数据 (yfinance, 腾讯财经, AKShare)
│ ├── 黄金数据 (yfinance)
│ ├── 基本面数据 (AKShare)
│ └── 美股市场数据 (yfinance)
│
├── 数据服务层
│ ├── 技术分析 (RSI、MACD、布林带、ATR等)
│ │ └── 筹码分布分析（HHI指数、拉升阻力分析）
│ ├── 基本面分析
│ ├── 板块分析
│ └── 新闻过滤
│
├── 分析层（大模型智能决策）
│ ├── 恒生指数及自选股分析（六层分析框架）
│ ├── 主力资金追踪（0-5层分析框架）
│ ├── AI交易分析
│ ├── 恒生指数策略
│ └── 综合分析（每日自动执行）
│
├── 机器学习层（预测模型）
│ ├── CatBoost 单模型（主要使用）⭐
│ ├── LightGBM 模型
│ ├── GBDT 模型
│ ├── LSTM 模型（对比实验，不推荐）
│ ├── Transformer 模型（对比实验，不推荐）
│ ├── 融合模型（5种方法）
│ ├── 板块特定模型
│ ├── Walk-forward验证
│ └── 批量回测（28只股票）
│
├── 交易层
│ └── 模拟交易系统
│
├── 工具脚本层
│ ├── 数据诊断工具
│ ├── 特征评估工具
│ └── 训练工具
│
└── 服务层
├── 大模型服务（Qwen API）
└── 邮件服务
fortune/
├── 核心脚本
│ ├── ai_trading_analyzer.py # AI交易分析器
│ ├── detect_stock_anomalies.py # 港股异常检测器（支持每日/每小时，交易时段检测）
│ ├── crypto_email.py # 加密货币监控器
│ ├── gold_analyzer.py # 黄金市场分析器
│ ├── hk_ipo_aastocks.py # IPO信息获取器
│ ├── hk_smart_money_tracker.py # 主力资金追踪器
│ ├── hsi_email.py # 恒生指数监控器
│ ├── hsi_prediction.py # 恒生指数涨跌预测器
│ ├── simulation_trader.py # 模拟交易系统
│ ├── comprehensive_analysis.py # 综合分析脚本（每日自动执行）
│ └── ...
│
├── 数据服务模块 (data_services/)
│ ├── technical_analysis.py # 通用技术分析工具
│ │ └── get_chip_distribution() # 筹码分布分析
│ ├── fundamental_data.py # 基本面数据获取器
│ ├── hk_sector_analysis.py # 板块分析器
│ └── ...
│
├── 机器学习模块 (ml_services/)
│ ├── ml_trading_model.py # 机器学习交易模型
│ │ ├── LightGBMModel # LightGBM模型
│ │ ├── GBDTModel # GBDT模型
│ │ ├── CatBoostModel # CatBoost模型 ⭐
│ │ ├── EnsembleModel # 融合模型
│ │ ├── LSTMModel # LSTM模型（不推荐）
│ │ └── TransformerModel # Transformer模型（不推荐）
│ ├── batch_backtest.py # 批量回测脚本
│ ├── backtest_evaluator.py # 回测评估模块
│ ├── backtest_monthly_analysis.py # 月度趋势分析脚本
│ ├── stock_monthly_trend_analysis.py # 股票月度趋势对比脚本
│ ├── walk_forward_by_sector.py # 板块Walk-forward验证 ⭐
│ ├── train_sector_model.py # 板块模型训练
│ ├── evaluate_sector_model.py # 板块模型评估
│ ├── us_market_data.py # 美股市场数据
│ ├── feature_selection.py # 特征选择模块
│ ├── topic_modeling.py # LDA主题建模模块
│ ├── lstm_experiment.py # LSTM对比实验脚本
│ ├── transformer_experiment.py # Transformer对比实验脚本
│ ├── sector_performance_analysis.py # 板块表现分析脚本
│ ├── ranking_analysis.py # 股票表现排名分析脚本
│ ├── performance_monitor.py # 预测性能监控脚本
│ ├── BACKTEST_GUIDE.md # 回测功能使用指南
│ └── ...
│
├── 大模型服务 (llm_services/)
│ ├── qwen_engine.py # Qwen大模型接口
│ └── sentiment_analyzer.py # 情感分析模块
│
├── 自动化脚本 (scripts/)
│ ├── run_comprehensive_analysis.sh # 综合分析自动化脚本
│ ├── run_model_comparison.sh # 模型对比自动化脚本
│ ├── run_bull_bear_analysis.sh # 牛熊市分析自动化脚本
│ ├── run_sector_analysis.sh # 板块表现分析自动化脚本
│ ├── run_ranking_analysis.sh # 股票表现排名分析自动化脚本
│ ├── train_and_predict_all.sh # 训练和预测自动化脚本
│ ├── data_diagnostic.py # 数据诊断工具
│ ├── feature_evaluation.py # 特征评估工具
│ └── train_with_feature_selection.py # 训练工具
│
├── 配置文件
│ ├── config.py # 全局配置
│ ├── requirements.txt # 项目依赖
│ ├── set_key.sh # 环境变量配置（已加入.gitignore）
│ ├── set_key.sh.sample # 环境变量配置模板
│ ├── update_data.sh # 数据更新工具
│ ├── send_alert.sh # 定时任务发送工具
│ └── .github/workflows/ # GitHub Actions工作流配置
│
├── 文档目录 (docs/)
│ ├── CATBOOST_SIGNAL_QUALITY_ANALYSIS.md # CatBoost信号质量分析
│ ├── model_importance_std_analysis.md # 模型重要性标准差分析
│ ├── feature_selection_methods_comparison.md # 特征选择方法对比
│ ├── feature_selection_summary.md # 特征选择总结
│ ├── backtest_results_report.md # 回测结果报告
│ ├── backtest_horizon_explanation.md # 回测周期说明
│ ├── DEEP_LEARNING_COMPARISON_README.md # 深度学习模型对比实验指南
│ ├── TIME_SERIES_LEAKAGE_ANALYSIS.md # 时间序列泄漏分析
│ ├── BULL_BEAR_ANALYSIS_GUIDE.md # 牛熊市分析使用指南
│ ├── 不同股票类型分析框架对比.md
│ └── IMPROVEMENT_POINTS_FROM_DAILY_STOCK_ANALYSIS.md # 从daily_stock_analysis项目学到的提升点
│
├── 输出文件 (output/)
│ ├── batch_backtest_*.json # 批量回测详细数据
│ ├── batch_backtest_summary_*.txt # 批量回测汇总报告
│ ├── model_comparison_report_*.txt # 模型对比汇总报告
│ ├── lstm_experiment_*.json # LSTM对比实验详细数据
│ ├── transformer_experiment_*.json # Transformer对比实验详细数据
│ ├── sector_performance_analysis_*.csv # 板块表现分析CSV数据
│ ├── sector_performance_analysis_*.json # 板块表现分析JSON数据
│ ├── sector_performance_analysis_*.md # 板块表现分析Markdown报告
│ ├── ranking_analysis_*.csv # 股票表现排名分析CSV数据
│ ├── ranking_analysis_*.json # 股票表现排名分析JSON数据
│ ├── ranking_analysis_*.md # 股票表现排名分析Markdown报告
│ ├── performance_report_*.md # 预测性能月度报告
│ └── ...
│
└── 数据文件 (data/)
├── actual_porfolio.csv # 实际持仓数据
├── prediction_history.json # 预测历史记录
├── llm_recommendations_*.txt # 大模型建议文件
├── ml_trading_model_catboost_predictions_20d.csv # CatBoost预测结果
├── comprehensive_recommendations_*.txt # 综合买卖建议文件
├── model_accuracy.json # 模型准确率信息
└── ...
训练时机：
- 最佳时机：周末或完市后（数据完整且不影响交易）
- 避免时机：开市中（数据不稳定，资源占用）、开市前（数据不足）
- 训练频率：
- CatBoost 20天模型：每月1次或当市场环境发生重大变化时
- 板块模型：每季度1次
- 特征选择：只执行一次，除非特征工程发生重大变化
预测/使用时机：
- 最佳预测时机：完市后（16:00 HKT），使用当日完整数据预测次日
- 恒生指数预测：开市前（06:00 HKT），预测当日走势
- 避免预测时机：开市前（数据不足，预测质量低）、开市中（数据不完整）
推荐工作流：
| 操作 | 时机 | 说明 |
|---|---|---|
| 模型训练 | 周末或完市后 | 数据完整，不影响交易 |
| 模型预测 | 完市后（16:00 HKT） | 使用当日完整数据预测次日 |
| 恒指预测 | 开市前（06:00 HKT） | 预测当日走势 |
| 综合分析 | 完市后（16:00 HKT） | 生成次日买卖建议 |
| 避免开市中操作 | 09:30-16:00 | 数据不稳定，资源占用 |
时间线参考：
- 06:00 HKT：查看恒指预测邮件
- 09:30-16:00：开市中监控（可选）
- 16:00 HKT：综合分析邮件自动发送，查看次日买卖建议
- 20:00 HKT：更新交易记录
系统使用 GitHub Actions 进行全自动化调度，无需服务器部署，零硬件成本运行。目前有12个工作流正常运行，覆盖全天候市场监控和智能分析。
| 工作流 | 功能 | 执行时间 | 说明 |
|---|
- hourly-crypto-monitor.yml | 每小时加密货币监控 | 每小时 | 监控比特币、以太坊价格和技术分析 | | stock-anomaly-detection.yml | 港股异常检测 | 每天凌晨2点（香港时间） | 港股价格和成交量异常检测，避免交易时段误报 | | hourly-gold-monitor.yml | 每小时黄金监控 | 每小时 | 监控黄金价格和投资建议 | | hsi-prediction.yml | 恒生指数涨跌预测 | 周一到周五 UTC 22:00（香港时间上午6:00） | 预测恒生指数短期走势 | | comprehensive-analysis.yml | 综合分析邮件 | 周一到周五 UTC 08:00（香港时间下午4:00） | 整合大模型建议和CatBoost预测结果 | | batch-stock-news-fetcher.yml | 批量股票新闻获取 | 每天 UTC 22:00 | 批量获取自选股新闻，用于情感分析 | | daily-ipo-monitor.yml | IPO 信息监控 | 每天 UTC 02:00 | 获取最新IPO信息 | | daily-ai-trading-analysis.yml | AI 交易分析日报 | 周一到周五 UTC 08:30 | AI驱动的交易策略分析 | | weekly-comprehensive-analysis.yml | 周综合交易分析 | 每周日 UTC 01:00（香港时间上午9:00） | 全面周度分析 | | bull-bear-analysis.yml | 牛熊市分析自动化 | 每周日 UTC 17:00（香港时间周一上午1:00） | 分析市场环境和股票表现 | | sector-analysis.yml | 板块表现分析自动化 | 每月1号 UTC 19:00（香港时间上午2:00） | 按股票类型分析模型准确度 | | ranking-analysis.yml | 股票表现TOP 10排名分析 | 每月1号 UTC 19:00（香港时间上午3:00） | 按不同指标排名 | | performance-monitor.yml | 预测性能月度报告 | 每月1号 UTC 20:00（香港时间上午4:00） | 评估预测准确率并发送报告 |
配置说明：详细的配置步骤请参考文档末尾的快速开始章节中的"🌟 无服务器部署 - GitHub Actions 自动化"部分。
GitHub Actions 免费额度：
- 公开仓库：无限制
- 私有仓库：每月2000分钟免费
- 每个工作流运行时间通常在1-5分钟
- 本项目总运行时间每月约150-300分钟
- 结论：免费额度充足，完全够用
CatBoost 20天模型（推荐）：
- 准确率：60.88%
- F1分数：0.6416
- 标准差：2.06%
- 训练时间：1-2分钟
- 特征数量：500+
其他模型（对比研究）：
- GBDT 20天：准确率57.94%，F1分数0.7007
- LightGBM 20天：准确率58.93%，F1分数0.7102
- CatBoost 1天：准确率63.09%（
⚠️ 不推荐，存在过拟合风险）
总体性能指标：
- 回测时间范围：2024-01-02 至 2026-01-02
- 总交易机会：13,457
- 买入信号数：7,554（占比56.15%）
- 整体准确率：81.53%
- 平均收益率：3.05%（20天持有期）
季节性规律：
- 上半年平均收益率：3.79%
- 下半年平均收益率：2.74%
- 最佳月份：2025-01（收益率16.58%）
- 最差月份：2025-03（收益率-7.78%）
| 维度 | 状态 | 说明 |
|---|---|---|
| 核心功能 | ✅ 完整 | 数据获取、分析、交易、通知全覆盖 |
| 恒生指数预测 | ✅ 完整 | 基于特征重要性的加权评分模型 |
| 深度学习对比实验 | ✅ 完整 | LSTM、Transformer与CatBoost对比评估 |
| F1分数指标 | ✅ 完整 | 模型性能评估中加入F1分数指标 |
| 模型对比回测 | ✅ 完整 | 支持3个基本模型和5种融合方法的批量回测 |
| 月度趋势分析 | ✅ 完整 | 2024-2026年跨年度回测月度分析 |
| 股票月度趋势对比 | ✅ 完整 | 相关性分析、波动性分析、异常值检测 |
| 牛熊市分析自动化 | ✅ 完整 | 每周一自动执行，分析市场环境和股票表现 |
| 板块表现分析自动化 | ✅ 完整 | 每月1号自动执行，按股票类型分析模型准确度 |
| 股票表现TOP 10排名分析 | ✅ 完整 | 每月1号自动执行，按不同指标排名 |
| 预测性能监控 | ✅ 完整 | 每月1号自动执行，评估预测准确率并发送报告 |
| 筹码分布分析 | ✅ 完整 | 基于成交量的简单分箱法，计算筹码集中度和拉升阻力 |
| 板块Walk-forward验证 | ✅ 完整 | 业界标准的板块模型验证，评估真实预测能力 |
| 市场环境自适应过滤 | ✅ 完整 | 基于ADX+波动率双因子，动态调整过滤条件 |
| 数据泄漏修正 | ✅ 完整 | 系统性修正10+个特征，使用.shift(1)确保滞后数据 |
| 模块化架构 | ✅ 完成 | data_services、llm_services、ml_services |
| ML模型 | ✅ 顶尖 | CatBoost 20天准确率60.88%，F1分数0.6416 |
| 批量回测 | ✅ 完整 | 支持28只股票批量回测 |
| 综合分析 | ✅ 稳定 | 每日自动执行，整合大模型建议和CatBoost预测 |
| 交易记录展示 | ✅ 完整 | 最近48小时模拟交易记录以表格格式展示 |
| 实时指标集成 | ✅ 完整 | 集成 hsi_email.py 的实时技术指标 |
| 自动化 | ✅ 稳定 | 12个GitHub Actions工作流正常运行 |
| 文档 | ✅ 完整 | README、AGENTS、BACKTEST_GUIDE齐全 |
| 数据验证 | ✅ 严格 | 无数据泄漏，时间序列交叉验证 |
| 风险管理 | 可添加VaR、ES、压力测试 | |
| Web界面 | ❌ 未实现 | 可考虑添加可视化界面 |
| 性能等级 | 准确率范围 | 说明 |
|---|---|---|
| 随机/平衡基线 | ≈50% | 随机猜测水平 |
| 常见弱信号 | ≈51-55% | 简单动量/基准模型 |
| 有意义的改进 | ≈55-60% | 可交易边际 |
| 非常好/罕见 | ≈60-65% | 优秀模型 |
| 异常高（需怀疑） | >65% | 可能存在数据泄漏 |
基于12个Fold的Walk-forward验证结果（银行股板块，2024-01-01至2025-12-31）：
整体性能对比：
| 指标 | 阈值 0.55 | 阈值 0.6 | 阈值 0.65 |
|---|---|---|---|
| 年化收益率 | 37.59% | 39.58% | 40.15% |
| 买入信号胜率 | 50.72% | 50.40% | 50.88% |
| 平均准确率 | 62.97% | 61.30% | 63.10% |
| 夏普比率（基于 Fold） | 3.04 ⭐ | 3.24 ⭐ | 3.31 ⭐ |
| 索提诺比率 | 0.8369 | 0.9287 | 0.9391 |
| 最大回撤 | -13.30% | -13.30% | -12.97% |
| 总买入信号数 | 706 | 695 | 615 |
说明：
-
夏普比率基于 Fold 收益率计算（业界标准方法），使用非重叠样本
-
计算公式：
(年化收益率 - 无风险利率 2%) / 年化标准差 -
所有阈值夏普比率均 > 3.0，属于业界优秀水平（>1.0 即为优秀）
关键发现：
- ✅ 阈值0.6的综合评分最高（78.7分 vs 0.55: 73.9分）
⚠️ 阈值0.65的边际效益递减（仅比0.6提升0.9分）⚠️ 阈值0.65的信号减少显著（-12.9%）- ✅ 阈值0.65在50%的Fold（6/12）表现最佳
12个Fold级别推荐：
| Fold | 市场环境 | 推荐阈值 | 理由 |
|---|---|---|---|
| 1 | 牛市 | 0.6/0.65 | 收益率最高（6.54%） |
| 2 | 牛市 | 0.65 | 胜率最高（54.05%） |
| 3 | 震荡市 | 0.6 | 收益率改善最大（+0.87%） |
| 4 | 震荡市 | 0.55 | 收益率最高（0.26%），胜率最高（71.74%） |
| 5 | 牛市 | 0.6 | 胜率最高（68.00%） |
| 6 | 牛市 | 0.55 | 收益率最高（5.06%），胜率最高（60.29%） |
| 7 | 牛市 | 0.6 | 收益率最高（6.32%） |
| 8 | 震荡市 | 0.65 | 从负转正（0.04%）⭐ |
| 9 | 震荡市 | 0.65 | 胜率最高（58.06%） |
| 10 | 牛市 | 0.6/0.65 | 收益率几乎相同 |
| 11 | 牛市 | 0.65 | 收益率最高（5.31%），准确率最高（74.00%） |
| 12 | 牛市 | 0.55 | 收益率最高（-0.85%），胜率最高（59.26%） |
💡 关键洞察：
-
市场环境是关键：
- 牛市：三个阈值相似，0.6交易机会更多
- 震荡市：0.65表现最佳（Fold 3、8改善显著）
-
边际效益递减：
- 0.55→0.6：改善显著
- 0.6→0.65：改善有限
-
稳定性改善持续：
- 阈值0.65的胜率标准差最低（9.31%）
-
交易机会代价显著：
- 阈值0.65的信号减少12.9%
最终推荐：阈值0.6（综合评分提升显著，代价可接受）
详细分析报告：
- 12个Fold详细对比：
output/walk_forward_12_folds_detailed_analysis_055_vs_060_vs_065.md - 综合对比分析：
output/threshold_optimization_analysis_060_vs_065_vs_055.md
-
置信度阈值选择：
- 保守型投资者：0.60-0.65（风险控制优先）
- 平衡型投资者：0.55（收益与风险平衡）⭐ 推荐
- 进取型投资者：0.50-0.55（追求更高收益）
-
数据验证：严格的时间序列交叉验证，无数据泄漏，日期索引保留，按时间顺序排列
-
数据源限制：部分数据源可能有访问频率限制
-
缓存机制：基本面数据缓存7天，可手动清除
-
交易时间：模拟交易系统遵循港股交易时间
-
风险提示：本系统仅供学习和研究使用，不构成投资建议
-
API密钥：请妥善保管API密钥，不要提交到版本控制
yfinance # 金融数据获取
requests # HTTP请求
pandas # 数据处理
numpy # 数值计算
akshare # 中文财经数据
matplotlib # 数据可视化
lightgbm # 机器学习模型（LightGBM）
catboost # 机器学习模型（CatBoost）主要模型
scikit-learn # 机器学习工具库
jieba # 中文分词
nltk # 自然语言处理
torch # PyTorch深度学习框架（深度学习模型，需要单独安装，不推荐）本章节提供完整的使用指南，分为快速开始和进阶使用两部分。
适用场景：已完成安装配置的用户，快速体验核心功能
快速体验核心功能：
已完成安装配置的用户，直接使用以下命令快速体验
快速体验核心功能：
# 1. 恒生指数及自选股智能分析（最常用）
python hsi_email.py
# 2. 综合分析（整合大模型建议和CatBoost预测）
./scripts/run_comprehensive_analysis.sh
# 3. 主力资金追踪
python hk_smart_money_tracker.py
# 4. 加密货币价格监控
python crypto_email.py模型训练和预测：
# 训练 CatBoost 20天模型（推荐）
python ml_services/ml_trading_model.py --mode train --horizon 20 --model-type catboost
# 生成预测
python ml_services/ml_trading_model.py --mode predict --horizon 20 --model-type catboost
# 批量回测（28只股票）
python3 ml_services/batch_backtest.py --model-type catboost --horizon 20 --confidence-threshold 0.6常用分析工具：
# 板块Walk-forward验证（业界标准方法）
python3 ml_services/walk_forward_by_sector.py --sector bank --horizon 20
# 2025年全年回测分析
python3 ml_services/backtest_analysis_2025.py
# 月度趋势分析
python3 ml_services/backtest_monthly_analysis.py适用场景：需要深入了解系统功能、进行高级分析或自定义配置的用户
# CatBoost 批量回测（推荐，使用阈值0.6）
python3 ml_services/batch_backtest.py --model-type catboost --horizon 20 --confidence-threshold 0.6
# 其他模型回测
python3 ml_services/batch_backtest.py --model-type lgbm --horizon 20 --confidence-threshold 0.6
python3 ml_services/batch_backtest.py --model-type gbdt --horizon 20 --confidence-threshold 0.6
# 回测结果会保存到：
# - output/batch_backtest_{model_type}_{horizon}d_{timestamp}.json（详细数据）
# - output/batch_backtest_summary_{model_type}_{horizon}d_{timestamp}.txt（汇总报告）# 模型对比回测（3个基本模型 + 5个融合方法）
./scripts/run_model_comparison.sh
python3 scripts/run_model_comparison.sh --force-train # 强制重新训练所有模型# LSTM模型对比实验（实验性，不推荐）
python3 ml_services/lstm_experiment.py --horizon 1 # 1天预测
python3 ml_services/lstm_experiment.py --horizon 5 # 5天预测
python3 ml_services/lstm_experiment.py --horizon 20 --stocks 0700.HK 0939.HK 1347.HK # 20天预测
# Transformer模型对比实验（实验性，不推荐）
python3 ml_services/transformer_experiment.py --horizon 1 # 1天预测
python3 ml_services/transformer_experiment.py # 使用特征选择
python3 ml_services/transformer_experiment.py --stocks 0700.HK 0939.HK # 自定义测试股票什么是Walk-forward验证？ 业界标准的模型验证方法，每个fold重新训练模型，评估真实预测能力，避免数据泄漏。
# 验证所有板块（16个板块，推荐）
python3 ml_services/walk_forward_by_sector.py --all-sectors --horizon 20 --start-date 2024-01-01 --end-date 2025-12-31 --output-dir output
# 验证单个板块（如银行股）
python3 ml_services/walk_forward_by_sector.py --sector bank --horizon 20 --start-date 2024-01-01 --end-date 2025-12-31 --output-dir output
# 验证多个板块
python3 ml_services/walk_forward_by_sector.py --sectors tech bank consumer --horizon 20 --start-date 2024-01-01 --end-date 2025-12-31 --output-dir output
# 自定义参数（推荐使用阈值0.6）
python3 ml_services/walk_forward_by_sector.py --all-sectors --train-window 12 --test-window 1 --step-window 1 --horizon 20 --confidence-threshold 0.6 --start-date 2024-01-01 --end-date 2025-12-31 --output-dir output支持板块：bank（银行）、semiconductor（半导体）、tech（科技）、ai（人工智能）、exchange（交易所）等16个板块
Walk-forward验证说明：
- 目的：业界标准的验证方法，评估模型的真实预测能力和泛化能力
- 方法：12个月训练窗口，1个月测试窗口，滚动步长1个月
- 优势：每个fold重新训练模型，避免数据泄漏，更准确评估泛化能力
- 输出：
- 每个板块生成：JSON、CSV、Markdown格式报告
- 汇总报告：
output/walk_forward_sectors_summary_{timestamp}.md - 包含年化收益率数据（符合业界标准）
- 预计时间：约4小时（16个板块）
关键指标：
- 夏普比率：风险调整后收益指标（必须使用年化收益率计算）
- 最大回撤：极端风险指标
- 稳定性评级：收益率标准差（高<2%，中<5%，低>=5%）
- 20天收益率：持有20天的收益率
- 年化收益率：20天收益率 × 12.6（252个交易日/20天）
# 使用默认参数（上个月之前的一年）
./scripts/run_sector_analysis.sh
# 自定义日期范围
./scripts/run_sector_analysis.sh 2024-01-01 2025-12-31
# 自定义输出格式（csv/json/markdown/all）
./scripts/run_sector_analysis.sh 2024-01-01 2025-12-31 markdown
# 直接运行分析脚本
python3 ml_services/sector_performance_analysis.py
python3 ml_services/sector_performance_analysis.py --start-date 2024-01-01 --end-date 2025-12-31
python3 ml_services/sector_performance_analysis.py --trades-file output/backtest_20d_trades_20260307_002039.csv
python3 ml_services/sector_performance_analysis.py --output-format all测试结果示例：
关键发现:
🏆 表现最佳板块: 生物医药股 (准确率: 91.15%)
⚠️ 表现最差板块: 公用事业股 (准确率: 69.47%)
📊 板块数量: 14个
💰 平均收益率最高: 半导体股 (7.90%)
🎯 胜率最高: 银行股 (86.37%)
# 使用默认参数（上个月之前的一年）
./scripts/run_ranking_analysis.sh
# 自定义日期范围
./scripts/run_ranking_analysis.sh 2024-01-01 2025-12-31
# 自定义输出格式（csv/json/markdown/all）
./scripts/run_ranking_analysis.sh 2024-01-01 2025-12-31 markdown
# 直接运行分析脚本
python3 ml_services/ranking_analysis.py
python3 ml_services/ranking_analysis.py --start-date 2024-01-01 --end-date 2025-12-31
python3 ml_services/ranking_analysis.py --trades-file output/backtest_20d_trades_20260307_002039.csv
python3 ml_services/ranking_analysis.py --output-format all测试结果示例：
关键发现:
💰 平均收益率最高: 华虹半导体 (11.91%)
🎯 胜率最高: 汇丰银行 (75.66%)
🎯 准确率最高: 汇丰银行 (92.48%)
🏆 综合优秀股票数量: 7
📊 分析股票总数: 28只
# 评估预测准确率
python3 ml_services/performance_monitor.py --mode evaluate --horizon 20
# 生成月度报告
python3 ml_services/performance_monitor.py --mode report --horizon 20
# 评估+报告（推荐）
python3 ml_services/performance_monitor.py --mode all --horizon 20
# 不发送邮件
python3 ml_services/performance_monitor.py --mode all --horizon 20 --no-email输出文件：
data/prediction_history.json：预测历史记录output/performance_report_YYYY-MM.md：月度性能报告
适用场景：首次使用本项目、重新部署环境、或需要从零开始配置的用户
本指南将带领您完成完整的安装和配置流程，包括环境准备、依赖安装、环境变量配置和功能验证。
- Python：3.10 或更高版本
- 操作系统：Linux、macOS、Windows（推荐使用WSL2）
- 包管理器：pip
- 内存：建议 4GB 以上
- 磁盘空间：建议 2GB 以上
步骤 1：克隆项目
# 克隆项目到本地
git clone https://github.com/wonglaitung/fortune.git
cd fortune步骤 2：创建虚拟环境（推荐）
# 创建虚拟环境
python3 -m venv venv
# 激活虚拟环境
# Linux/macOS:
source venv/bin/activate
# Windows:
venv\Scripts\activate步骤 3：安装依赖
# 安装项目依赖
pip install -r requirements.txt
# （可选）安装PyTorch用于深度学习模型对比实验（不推荐）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu步骤 4：配置环境变量
# 复制配置模板
cp set_key.sh.sample set_key.sh
# 编辑 set_key.sh 文件，填写你的配置信息
# 使用你喜欢的编辑器打开 set_key.sh：
# nano set_key.sh
# vim set_key.sh
# 或使用任何文本编辑器
# 激活配置
source set_key.sh
# 验证配置（可选）
echo $EMAIL_SENDER步骤 5：验证安装
# 运行恒生指数分析测试
python hsi_email.py --no-email
# 如果成功，你应该看到分析结果输出到控制台set_key.sh 脚本用于配置系统运行所需的环境变量。
必填变量：
| 变量名 | 说明 | 示例值 |
|---|---|---|
SMTP_SERVER |
SMTP服务器地址 | smtp.163.com |
EMAIL_SENDER |
发件人邮箱 | your-email@163.com |
EMAIL_PASSWORD |
邮箱应用密码 | 从邮箱设置中生成的授权码 |
RECIPIENT_EMAIL |
收件人邮箱列表（逗号分隔） | user1@gmail.com,user2@yahoo.com.hk |
QWEN_API_KEY |
通义千问大模型API密钥 | sk-xxxxxxxxxxxxxxxxxxxx |
可选变量（大模型配置）：
| 变量名 | 说明 | 默认值 |
|---|---|---|
QWEN_CHAT_URL |
通义千问chat API地址 | https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions |
QWEN_CHAT_MODEL |
通义千问chat模型名称 | qwen-plus-2025-12-01 |
MAX_TOKENS |
最大token数 | 32768 |
配置步骤详解：
-
复制配置模板：
cp set_key.sh.sample set_key.sh
-
编辑配置文件： 使用文本编辑器打开
set_key.sh，填写以下信息：export SMTP_SERVER="smtp.163.com" # SMTP服务器 export EMAIL_SENDER="your-email@163.com" # 你的邮箱 export EMAIL_PASSWORD="your-auth-code" # 邮箱授权码（不是登录密码） export RECIPIENT_EMAIL="recipient@gmail.com" # 收件人邮箱 export QWEN_API_KEY="sk-your-api-key" # 通义千问API密钥
-
激活配置：
source set_key.sh -
验证配置：
echo $EMAIL_SENDER echo $QWEN_API_KEY
邮箱授权码获取方法：
-
163邮箱：
- 登录163邮箱
- 设置 → POP3/SMTP/IMAP
- 开启POP3/SMTP服务
- 点击"生成授权码"
- 按提示发送短信获取授权码
-
Gmail：
- 登录Google账户
- 账户设置 → 安全性
- 启用两步验证
- 应用密码 → 生成新密码
- 选择"邮件"应用，生成16位应用密码
-
QQ邮箱：
- 登录QQ邮箱
- 设置 → 账户
- POP3/IMAP/SMTP服务
- 开启服务
- 生成授权码
通义千问API密钥获取方法：
- 访问通义千问官网：https://dashscope.aliyun.com/
- 注册/登录账号
- 进入API-KEY管理页面
- 点击"创建API-KEY"
- 复制生成的API Key
注意事项：
⚠️ set_key.sh已添加到.gitignore，不会提交到仓库，请妥善保管⚠️ 不要将set_key.sh文件分享给他人或上传到公共代码库⚠️ 未设置可选变量时，系统将使用默认值，不影响基本功能⚠️ GitHub Actions 需要在 Secrets 中配置相同的环境变量
问题 1：pip 安装失败
# 升级 pip
pip install --upgrade pip
# 使用国内镜像源
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple问题 2：运行脚本时提示"找不到模块"
# 确保已激活虚拟环境
source venv/bin/activate # Linux/macOS
# 或
venv\Scripts\activate # Windows
# 重新安装依赖
pip install -r requirements.txt问题 3：邮件发送失败
- 检查
EMAIL_PASSWORD是否正确（不是邮箱登录密码） - 确认邮箱已开启SMTP服务
- 检查SMTP服务器地址是否正确
问题 4：大模型API调用失败
- 检查
QWEN_API_KEY是否正确 - 确认API密钥是否已激活
- 检查网络连接是否正常
适用场景：需要全自动运行、不想维护服务器、或希望零成本部署的用户
⚡ 无需部署服务器，即刻拥有功能完整的金融资产智能量化分析助手
本项目通过 GitHub Actions 实现全自动化运行，无需购买服务器、无需维护运维。
核心优势：
| 优势 | 说明 |
|---|---|
| 零成本 | GitHub Actions 免费额度充足，每月2000分钟免费运行时间 |
| 零运维 | 无需服务器维护、无需监控、无需备份 |
| 自动化 | 11个工作流自动运行，覆盖全天候市场监控 |
| 稳定性 | GitHub 提供高可用基础设施，99.9%在线率 |
| 可扩展 | 轻松扩展到更多数据源和分析功能 |
| 安全性 | GitHub Secrets 加密存储环境变量 |
使用方法：
方式一：Fork项目后启用（推荐）
# 1. Fork本项目到你的GitHub账号
# 2. 进入你Fork的仓库 → Settings → Secrets and variables → Actions
# 3. 添加以下Secrets（必填）：
# - EMAIL_SENDER: 你的邮箱地址
# - EMAIL_PASSWORD: 邮箱授权码
# - SMTP_SERVER: SMTP服务器地址
# - RECIPIENT_EMAIL: 收件人邮箱列表（逗号分隔）
# - QWEN_API_KEY: 通义千问API密钥
# 4. 可选添加以下Secrets（使用默认值）：
# - QWEN_CHAT_URL: Chat API地址（默认：https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions）
# - QWEN_CHAT_MODEL: Chat模型名称（默认：qwen-plus-2025-12-01）
# - MAX_TOKENS: 最大token数（默认：32768）
# 5. 启用GitHub Actions工作流
# 6. 完成！系统将自动运行，分析结果会发送到你的邮箱方式二：克隆到自己的GitHub仓库
# 1. 克隆项目
git clone https://github.com/wonglaitung/fortune.git
cd fortune
# 2. 推送到你的GitHub仓库
git remote set-url origin https://github.com/YOUR_USERNAME/fortune.git
git push -u origin main
# 3. 在GitHub仓库中配置Secrets（同方式一）
# 4. 启用GitHub Actions工作流
# 5. 完成！详细配置步骤：
-
配置邮箱服务：
- 163邮箱：设置 → POP3/SMTP/IMAP → 开启POP3/SMTP服务 → 生成授权码
- Gmail：Google账户设置 → 安全性 → 两步验证 → 应用密码 → 生成新密码
- QQ邮箱：设置 → 账户 → POP3/IMAP/SMTP服务 → 生成授权码
-
配置大模型API：
- 访问通义千问官网：https://dashscope.aliyun.com/
- 注册账号并创建API Key
- 复制API Key用于配置
-
添加GitHub Secrets：
- 进入仓库 → Settings → Secrets and variables → Actions
- 点击"New repository secret"
- 逐个添加以下Secrets：
EMAIL_SENDER: 你的发件人邮箱EMAIL_PASSWORD: 邮箱授权码（不是登录密码）SMTP_SERVER: SMTP服务器地址（如smtp.163.com）RECIPIENT_EMAIL: 收件人邮箱列表，多个邮箱用逗号分隔QWEN_API_KEY: 通义千问API Key
-
启用工作流：
- 进入仓库 → Actions
- 确认所有工作流已启用
- 可以查看工作流运行日志
-
手动触发（可选）：
- 进入任一工作流 → Run workflow
- 选择分支并点击"Run workflow"按钮
- 等待运行完成，查看结果
工作流状态监控：
- 查看运行日志：进入仓库 → Actions → 选择任一工作流查看运行历史
- 接收分析结果：所有分析结果会自动发送到
RECIPIENT_EMAIL配置的邮箱
注意事项：
- GitHub Actions 免费额度：每月2000分钟，对于本项目绰绰有余
- 时区配置：所有工作流已配置为香港时区，确保运行时间准确
- 数据保密：使用GitHub Secrets加密存储敏感信息，安全可靠
- 运行频率：可根据需要调整工作流的触发时间和频率
- 错误通知：如工作流运行失败，GitHub会自动发送通知
MIT License
如有问题，请提交 Issue 或联系项目维护者。
最后更新: 2026-04-04 - 新增港股异常检测系统（双层检测、异常原因分析、异常日期数据）