name: stock-researcher version: 9.2.0 description: | 全球智能投研工具 v9.2 — 深度板块 + 深度指数 + 体制感知预测 + 定期报告解读，全资产量化 + 真实数据源。 覆盖 12 个全球市场，支持股票/基金/指数/板块/商品/期货/债券/货币基金/可转债， 零依赖核心（纯 stdlib）。

🆕 v9.0 三大支柱： - 深度板块：RPS 相对强度百分位排名、板块宽度（%在MA20/50/200、新高新低、 Zweig 推动、背离）、横截面离散度、主题概念板块（AI算力/人形机器人等）、 经典轮动周期阶段（美林时钟） - 深度指数：市场体制（牛/熊/震荡+概率）、波动率体制、市场结构（高低点/关键位）、 市场内含（涨跌家数/McClellan）、真实指数 PE/PB 历史分位 - 体制感知预测：体制条件化权重（熊市动量折扣）、信号共识度、命名宏观情景 概率加权、预测置信度校准；regime="auto" 一键开启

数据源：腾讯 + 东方财富（免费无 Key）+ akshare（可选）。测试 501。

触发词：股票、基金、行情、分析、预测、涨跌、指数、板块、商品、黄金、债券、可转债、 货币基金、全球市场、量化、技术指标、组合优化、风险平价、夏普、回测、价值投资、 蒙特卡洛、VaR、Sharpe、涨跌预测、量化分析、全资产、因子库、策略回测、数据质量、 相对强度、RPS、板块宽度、轮动周期、市场体制、牛熊、波动率体制、市场内含、 McClellan、指数估值、PE分位、情景分析、软着陆、硬着陆、预测校准、自上而下、 主题板块、AI算力、人形机器人、低空经济 auto_trigger: keywords: [股票, 基金, 行情, 分析, 预测, 涨跌, 指数, 板块, 商品, 黄金, 债券, 可转债, 货币基金, 全球市场, 量化, 技术指标, 组合优化, 风险平价, 夏普, 回测, 价值投资, 蒙特卡洛, VaR, Sharpe, 涨跌预测, 量化分析, 全资产, 因子库, 策略回测, 数据质量, 相对强度, RPS, 板块宽度, 轮动周期, 市场体制, 牛熊, 波动率, 市场内含, 指数估值, PE分位, 情景, 软着陆, 硬着陆, 校准, 自上而下, 主题板块, AI算力, 人形机器人] patterns: - "(分析|预测|查询|筛选|看下|看看).(股票|基金|涨跌|行情|指数|板块|黄金|原油|债券|可转债)" - "(技术|指标|量化|基本面).分析" - "(看涨|看跌|买入|卖出).信号" - "(推荐|建议|排名).(板块|个股|基金|投资|指数)" - "(护城河|DCF|内在价值|安全边际|财务健康).(分析|评估)" - "(舆情|情绪|新闻|论坛).(监控|分析|预警)" - "(港股|美股|日经|标普|纳斯达克|恒生|道琼斯).(分析|预测|筛选|走势)" - "(全球|跨市场|海外).(指数|市场|分析)" - "(黄金|原油|商品|债券).(分析|预测|走势|期货)" - "(政策|监管|宏观).(解读|分析|影响)" - "(未来|下个|短期).(走势|趋势|涨跌)" - "(板块|行业).(轮动|排名|推荐|趋势)" - "(相对强度|RPS|宽度|离散度|强弱).(板块|行业)" - "(市场体制|牛熊|震荡市).(判断|分析|分类|预测)" - "(波动率|波动).(体制|扩张|压缩|高波动)" - "(情景|软着陆|硬着陆|衰退|通胀).(分析|推演|预测)" - "(置信度|校准|可靠性).(预测|评分)" - "(自上而下|市场全景|TopDown).(分析|报告)" - "(五维|资金面|财经信息|社会舆情).(分析|综合|评估)" - "(推演|涨跌预测|方向预测).(股票|基金|期货|指数)" - "(PE|PB|估值).(分位|历史|真实|估算)" - "(数据|财务|报表).(质量|时效|准确|过时|新鲜)" - "(严格|宽松).(模式|分析|校验)" - "(start_date|end_date|日期|时间).(区间|范围|参数)" - "(组合|仓位|资产配置).(优化|风险平价|马科维茨|夏普)" - "(货币基金|货基|余额宝类).(评分|分析|收益)" - "(可转债|转债).*(分析|评分|转股|溢价)"

股票研究员 v9.0 — 深度板块 + 深度指数 + 体制感知预测

纯 Python 标准库核心，零 pip 依赖。覆盖 12 个全球市场 + 股票/基金/指数/债券/商品/期货/货币基金/可转债。 数据源：腾讯 + 东方财富（免费无 Key）+ akshare（可选增强，未装自动降级）。

⚠️ 支持范围与限制（重要，请先读）

支持的市场

限制条件

⚡ 快速上手

# 离线自检 / 单股预测 / 批量多市场
python scripts/stock_predict.py --test
python scripts/stock_predict.py 600519
python scripts/stock_predict.py "600519,hk:00700,us:AAPL" --json

# 统一全资产量化分析（任意金融产品）
python -c "from stock_researcher import quant_analyze_asset; print(quant_analyze_asset('600519'))"

# v9.0 深度板块/指数/体制感知预测
python scripts/stock_predict.py --sector-ranking cn      # 板块RPS相对强度排名
python scripts/stock_predict.py --index-regime sh000001  # 市场体制（牛/熊/震荡）
python scripts/stock_predict.py --scenario               # 宏观情景概率加权
python scripts/stock_predict.py --topdown cn             # 自上而下市场全景

v9.0 深度分析速查

# 板块：相对强度 + 宽度 + 离散度 + 主题 + 轮动周期
from stock_researcher import rps_ranking, analyze_breadth, analyze_dispersion, \
    list_themes, analyze_theme, detect_cycle_stage
ranking = rps_ranking("cn")                 # RPS 百分位排名（真实成分股 vs 沪深300）
b = analyze_breadth("电子")                  # 宽度：%在MA20/50/200、Zweig推动、背离
d = analyze_dispersion("电子")               # 离散度：横截面σ、龙头-落后差、齐涨/分化
themes = list_themes("cn")                  # AI算力/人形机器人/低空经济/固态电池...
t = analyze_theme("AI算力", "cn")            # 主题板块强度+宽度+离散度+资金
stage = detect_cycle_stage("cn")            # 美林时钟：早/中/晚周期/衰退概率

# 指数：体制 + 波动率 + 结构 + 内含 + 估值分位
from stock_researcher import classify_market_regime, analyze_volatility, \
    analyze_market_structure, analyze_market_internals, classify_index_valuation
reg = classify_market_regime("sh000001")    # 牛/熊/震荡 + 概率
vol = analyze_volatility("sh000001")        # 波动率体制（低/扩张/高/压缩）
ms = analyze_market_structure("sh000001")   # 高低点结构 + 阻力/支撑
mi = analyze_market_internals("sh000300")   # 涨跌家数 + McClellan（混合数据策略）
iv = classify_index_valuation("sh000300")   # 真实 PE 历史分位（多级降级不编造）

# 体制感知预测（regime="auto" 一键开启；默认 None 与 v8.0 行为一致）
from stock_researcher.fusion.multi_horizon_forecaster import MultiHorizonForecaster
fc = MultiHorizonForecaster().forecast_stock("600519", regime="auto")
print(fc.regime, fc.horizons["1M"].regime, fc.horizons["1M"].consensus)

# 宏观情景 + 校准
from stock_researcher import analyze_scenarios, calibrate_confidence
rep = analyze_scenarios(base_return=0.08, base_vol=0.20)   # 6情景概率加权+尾部
adj = calibrate_confidence(0.7, horizon="1M")               # 历史校准后置信度

# 自上而下全景（三支柱一条线）
from stock_researcher import build_topdown
print(build_topdown("cn").summary)

# v9.2 定期报告解读（年报/半年报/季报 同比环比 + 亮点风险 + 中文报告）
from stock_researcher import interpret_report, format_report
rep = interpret_report("600519", period="2024")     # "2024"=年报；"2025Q3"/"2025H1"/"2024-06-30" 亦可
print(rep.verdict, rep.metrics["revenue_yoy"], rep.metrics["net_profit_yoy"])
print(format_report(rep))
7w4.net收录了海量优质技能插件。

🚀 Agent 执行指南（先探测环境，再分析，最后按模板输出）

Step 1: 运行时检测（不要假设环境，先探测再决策）

# ① Python 解释器（Windows 优先用 py launcher 定位）
python --version 2>/dev/null || py --version 2>/dev/null || echo "NO_PYTHON"

# ② 可选依赖探测（决定降级路径）
python -c "import akshare" 2>/dev/null && echo "AKSHARE_OK" || echo "AKSHARE_MISSING"
python -c "import numpy, sklearn" 2>/dev/null && echo "ML_OK" || echo "ML_MISSING"

# ③ 数据源连通性（腾讯/东财需国内直连，开代理会失败）
python scripts/stock_predict.py --test

Step 2: 按需求选择入口（参数默认值见下表）

批量/快速场景优先加 --simple --quick（跳过蒙特卡洛 + 全球风险偏好，提速约 60%）。

参数默认值

Step 3: 输出报告（结构化模板，编号分节）

每次分析按以下模板输出，数据缺失时如实标注，不编造：

1. 标的概览 — 代码 / 名称 / 市场 / 最新价 / 涨跌幅 / 数据时效（data_freshness）
2. 核心指标 — 评分、方向、置信度、关键量化指标（Sharpe/最大回撤/PE 分位等）
3. 多周期预测 — 1d/5d/1M/3M/6M 方向 + 概率 + 共识度（regime 开启时附体制标签）
4. 风险提示 — VaR/最大回撤/情景尾部风险 + 数据质量标记（actual/derived/estimated/unavailable）
5. 结论 — 一句话结论 + 免责声明（仅供学习参考，不构成投资建议）

核心能力总览

数据层（v8.0 真实数据）

量化模型（v8.0）

# 组合优化（纯 stdlib，不依赖 numpy/scipy）
from stock_researcher.quantitative.portfolio_models import mean_variance_optimize, allocate_portfolio
weights = mean_variance_optimize(returns_matrix, risk_aversion=2.5)["weights"]
port = allocate_portfolio(returns_matrix, method="risk_parity")

# 蒙特卡洛增强（跳跃扩散 + 肥尾 t）
from stock_researcher.quantitative.scenario_simulator import quick_scenario_forecast
r = quick_scenario_forecast(prices, distribution="t", use_jumps=True, dof=5)

# ML 预测叠加 + 进化闭环
from stock_researcher.fusion.multi_horizon_forecaster import MultiHorizonForecaster
fc = MultiHorizonForecaster().forecast_stock("600519", track=True)  # track 写入 PredictionTracker

全资产统一入口

from stock_researcher import quant_analyze_asset
r = quant_analyze_asset("600519")            # 股票
r = quant_analyze_asset("128046")            # 可转债（11/12 开头自动识别）
r = quant_analyze_asset("gold")              # 商品
r = quant_analyze_asset("510300", asset_type="fund")  # ETF
# 返回：metrics(QuantMetrics) + scenario(蒙特卡洛) + forecast(多周期) + asset_specific

预测链路（三栈关系）

• scripts/stock_predict.py：CLI 七维评分（趋势/动量/量价/波动/概率/环境/黄金）+ 蒙特卡洛，零依赖单股快速预测
• fusion/multi_horizon_forecaster：主预测链路，十维信号融合 1d~6M，v8.0 叠加 ML 短期概率 + 进化闭环
• core/prediction_engine：三维预测（情绪/估值/历史/技术）+ GBM 蒙特卡洛
• 三栈独立可并用；v8.0 quant_analyze_asset 统一收口全资产预测

核心模块 API

版本历史

目录速查

scripts/stock_researcher/
├── data/            # 数据源（腾讯/东财/新浪/akshare 可选）+ 多源管理器 + 数据质量
│                    #   + v9.0: macro_series 宏观序列 / index_constituents 指数成分
├── quantitative/    # 量化（指标/因子/组合优化/MC/回测/债券/货基/可转债/全资产入口）
│                    #   + v9.0: scenario_engine 宏观情景引擎
├── fusion/          # 十维信号融合多周期预测（含 ML overlay + 进化闭环）
│                    #   + v9.0: regime_overlay 体制权重 / signal_consensus 共识度
├── core/            # 分析器/预测引擎/技术/估值
├── value_investing/ # DCF/护城河/财务健康
├── funds/           # 基金量化
├── index_analysis/  # 指数：IndexAnalyzer + v9.0: 体制/波动率/结构/内含/估值分位
├── sector_analysis/ # 板块：Analyzer/Rotation + v9.0: RPS/宽度/离散度/主题/轮动周期
├── evolution/       # 回测 + 预测追踪（进化闭环）+ v9.0: calibration 预测校准
├── analysis/        # 五维聚合/资产推演 + v9.0: top_down 自上而下全景
├── sentiment/ agents/ screening/ advisor/ tracker/ # 舆情/大师/筛选/投顾/跟踪
├── research/        # 券商研报/宏观信号 + v9.2: financial_report 定期报告解读
scripts/stock_predict.py   # CLI 预测引擎（零依赖，v9.0 新命令 --sector-ranking 等）
pkg/fund_analyzer.py       # 基金深度分析
tests/                     # 501 测试（python runtests.py）

❓ 常见问题与避坑指南（FAQ）

Q1: 开了代理（VPN）后数据获取失败？

A: 腾讯/东财数据源只接受国内 IP，开启代理反而会失败。解决方案：关闭代理后再运行，或设置代理绕过国内地址。

Q2: 港股/美股代码怎么写？

A: 必须加市场前缀：

python scripts/stock_predict.py hk:00700      # 港股腾讯
python scripts/stock_predict.py us:AAPL        # 美股苹果
python scripts/stock_predict.py "600519,hk:00700,us:AAPL"  # 批量

Q3: 全球指数代码怎么写？

A: 用 idx: 前缀 + 指数代码：

python scripts/stock_predict.py idx:N225       # 日经225
python scripts/stock_predict.py idx:SPX        # 标普500
python scripts/stock_predict.py idx:上证指数    # 中文名也行

Q4: 预测评分 70 分是不是一定会涨？

A: 不是。 评分 70 表示历史上相似条件下约 70% 的情况上涨，不保证未来。请结合基本面、政策、市场情绪综合判断。

Q5: 返回的数据是实时的吗？

A: 不是。腾讯/东财接口延迟约 3~5 秒，非交易时段返回上一交易日收盘价。不适合做高频交易参考。

Q6: akshare 相关功能报错？

A: akshare 是可选依赖，未安装时自动降级。如需使用：

pip install akshare

Q7: 速度太慢怎么办？

A: 使用 --quick 模式跳过蒙特卡洛模拟和全球风险偏好获取，速度提升约 60%：

python scripts/stock_predict.py 600519 --simple --quick

Q8: 如何判断工具是否正常工作？

A: 运行离线自检：

python scripts/stock_predict.py --test

📘 更多问题请查看 README.md 或运行 python runtests.py 验证环境。

免责声明

⚠️ 本工具仅供学习参考，不构成任何形式的投资建议。 股市有风险，投资需谨慎。

这个 Skill 功能非常丰富，覆盖股票、基金、债券、黄金等多个市场的分析预测，做得好的地方是零依赖核心设计（不用装很多包就能用）和分层可选的增强功能。但整体比较复杂，新手可能不太容易上手，而且文档标注了需要国内直连环境，海外用户使用会有问题。代码规模较大，后续维护和更新可能会比较费力。总体质量中上，功能全面但有一定学习门槛。