面向 A 股个人投资者与小型投研团队的量化分析与盘后复盘场景。
这类用户的典型困境有三个：一是数据分散，行情、资金流、财务、事件公告、估值快照分散在不同数据源，口径互不一致；二是盘后复盘靠手工，每天翻几十只票的 K 线、筹码、板块强弱，耗时且容易漏；三是市面上的 AI 选股工具喜欢"给结论"，但算不出来源与口径，可信度低。
本项目把这三件事收在一个终端里：统一数据底座（18 张标准化数据表，覆盖 A 股全市场 5500+ 标的）、可解释的指标引擎（8 项技术指标 + 筹码分布 + 综合打分，每个数值都能回溯口径）、以及一个把答案锚定在知识库上的金融问答模型（不编数字，查不到就直说查不到）。
项目定位是研究工具，只覆盖 A 股（沪深主板、创业板、科创板、北交所），不含港美股、期货与加密资产；不接券商下单，不构成投资建议。
平台按投研流程拆成四段，共 19 个页面：
① 发现（看现在市场在发生什么）
- 数据看板：一屏给出全市场截面——指数点位、成交额与 20 日均额、上涨家数占比、中位数涨幅、涨停家数、全市场 PE 中位数；支持单日 / 5 / 7 / 15 / 30 / 60 / 120 / 250 日时间窗切换，个股与板块两张热力图按同一颜色标尺联动。
- 市场扫描：全市场 60 日 RPS 排名 + 15 条量化条件组合筛选（RPS、均线斜率、MFI、TRIX、BIAS、CCI、BBI、低位单峰密集等），筛选在前端即时生效。
- 板块总览 / 同花顺看板 / 底部脱离：板块强度矩阵、概念板块联动、涨停池与连板天梯、龙虎榜、行业强度矩阵；底部脱离专门筛"长期下跌后首次放量脱离底部"的标的。
② 研究（把想法变成可复现的结论）
- 个股诊断：8 项指标 + 自研三角分布筹码峰 + 趋势/资金/动量三维打分 + 买卖点提示，输出结构化 JSON，前端直接渲染图表。
- AI 分析与金融专家：前者接 DeepSeek / OpenAI / Ollama 生成研报；后者是本地 0.5B 金融问答模型，专门回答"这个字段能不能算、口径怎么来、参数默认多少"，答案由知识库逐条渲染，附门禁状态与知识库指纹。
- 因果推断：EconML 双机器学习估计因子→收益的 ATE/CATE、causal-learn 格兰杰因果发现、DoWhy 四步分析（含安慰剂检验等反驳步骤）。
- 时序预测回溯：预测结果按日留档，用样本外误差与 Naive 基线对比，明确回答"这个预测到底有没有用"。
③ 策略（从结论下到钱上）
- 策略回测：Qlib Alpha158 因子 + LightGBM + TopK 选股，输出年化、夏普、最大回撤、胜率、Rank IC 与净值曲线。
- 买卖点建议 / 策略验证：把指标规则落成可
技术栈：后端 Python 3.12 + FastAPI（≥0.115）+ pandas / numpy，量化计算用 Qlib 0.9.7 + LightGBM 4.6；前端 React 19 + TypeScript 6 + Vite 8 + Ant Design 6 + ECharts 6；数据以 parquet 列存，部署走 Docker + Caddy 自动 HTTPS（另有 Cloudflare Tunnel 方案）。
分层结构：backend/routers 只做参数校验与响应组装，backend/services 承载业务，indicators/、causal/、forecast/、ai_analysis/、agent/ 是彼此独立的纯计算包（可单独 CLI 运行，也可被 API 调用）。同一套指标既供页面用也供回测用，避免"页面一套算法、回测另一套"的口径漂移。
数据层：18 张标准化 parquet 表（行情主表 512MB，另有估值快照、资金流、财务事件、指数基准、行业映射等），统一到一张字段注册表，字段含义、单位、可用区间集中定义。行情源按 AkShare / 东方财富 / 腾讯 / 同花顺做降级链，任一源失败自动切下一条，且永不回退到演示数据——宁可报"数据不可用"，也不给假数字。
几个真正花时间的工程点：
1. 指标口径统一：成交量在不同标的、不同时段量纲并不一致，全部收敛到一个换算模块，缺值不允许当 1.0 处理；取反类条件（"未触发某指标"）必须先判断指标是否存在，否则数据不足会被当成通过。
2. 缓存新鲜度：不用文件 mtime 判断，改为把"源文件数量 + 总字节 + 最大 mtime"写成指纹存进产物元数据，指纹不符即重算。
3. 数据完整性：除了总量校验，另设逐标的逐日的完整性哨兵，并对双数据源做对拍；对拍里零样本必须判失败，不能当通过
评论