金融资产智能分析与诊断系统

人机混合智能的金融量化研究与工程框架：整合大模型分析与机器学习预测，覆盖港股 / A股，并提供验证、诊断、个股分析三类通用能力。

一句话

这是一个能跑、能解释、能被第三方复核的研究平台，五项能力权重相同： ① 港股预测 ② A股预测 ③ 假设验证 ④ 市场诊断 ⑤ 个股基本面分析。每项能力都写明输入 / 输出 / 适用边界；预测类不承诺收益，诊断/分析类不替代投资决策。

🗺 目录

部分	章节
一 · 能力与数据	1 能力总览 · 2 五大能力 · 3 数据清单
二 · 使用与系统	4 快速开始 · 5 系统构成 · 6 技术架构 · 7 命令参考 · 8 配置
三 · 方法与运行	9 通用机制 · 10 自动化调度
四 · 边界与参考	11 适用边界 · 12 文档索引 · 13 依赖与许可

第一部分 · 能力与数据

1. 能力总览

#	能力	输入	输出	定位
①	🇭🇰 港股预测	310 只训练池 + 30 只自选	恒指/个股 5·10·20d 分数、异常、报告	生产/研究系统
②	🇨🇳 A股预测	53 只股票池	三周期预测、综合建议、板块	生产/研究系统
③	🧾 假设验证	任意策略/因子/参数	过/不过、MDE、适用边界	项目最可信的资产
④	🔎 市场诊断	指数、个股、公告、成本参数	收益归因、成本校准、事件研究	通用分析能力
⑤	📄 个股分析	三表 + 价格 + 股息	财务质量、红旗、估值、情景	通用分析能力

三类产品性质不同：预测给分数，验证判断分数可不可信，诊断/分析解释分数或收益从哪来。五者共用同一套数据与口径，但不能互相替代，也不能把后三者的结论当交易信号。

2. 五大能力

2.1 🇭🇰 港股预测系统

做什么

恒生指数 5/10/20 日方向；
30 只自选股的 5/10/20 日横截面强弱分位；
异常检测（Z-Score + Isolation Forest）。

关键口径

训练池 310 只、预测池 30 只；LightGBM + rank 标签；
5d/20d 默认 3-seed bagging，10d 单 seed；模型月度重训、日常只加载；
市场情绪按训练池广度分层（批量行情，约 7 个请求）。

适用边界：研究 / 展示 / 风控；信号经 PIT Walk-forward 与三道闸验证，不承诺收益。

入口

python3 hsi_prediction.py --no-email
./scripts/run_comprehensive_analysis.sh

真实日报

日报目录：output/comprehensive_reports/
目录内文件名即日期；最新日报为目录中最新日期的文件。
日报由 16:30 HKT 自动生成，顶部含「数据时点 + 港股/美股快照 + 重要新闻」，后接综合判断、重点个股与信息参考。
仓库只保留最近 15 天日报；更早报告由 CI 自动清理。

2.2 🇨🇳 A股预测系统

做什么

个股 5/10/20 日预测；
综合买卖建议 + 板块分析；
核心 4 只 + 扩展 49 只的股票池。

关键口径

LightGBM；核心股样本权重 3.0；
腾讯 A 股接口恒返回 640 行（≈2.5 年），可用测试期不足 2 年；
涨跌停 10%/20% 需标签标准化，代码保存 zfill(6)。

适用边界：受数据硬限，结论功效不足；定位研究/展示，不升配。

入口

./scripts/run_a_stock_analysis.sh
python3 a_stock_walk_forward.py --horizon 20

2.3 🧾 假设验证框架

做什么

任何「策略 / 因子 / 参数 / 换池 / 换周期」命题的标准化验证；
预注册判据 → ⓪ 同一性 → 数据卫生 → 口径 → A/B/C 三闸 → 稳健性 → MDE → 记录。

关键口径

A 闸：泄漏检查（presentation_gate.py，非零退出即阻断）；
B 闸：PBO 对零假设带 + DSR ≥ 0.95；
C 闸：超额净 IR 的 95%CI 下界 > 0；
结论必须带适用范围与 MDE（「不显著」≠「没有」）。

适用边界：它不生产 alpha，只保证不自欺；所有预测/诊断结论都要先过它。

入口

技能：.opencode/skills/hypothesis-validation/SKILL.md
台账：docs/DECISIONS.md / lessons.md

2.4 🔎 市场诊断与归因

做什么

指数 vs 个股：把「跑赢/跑输」拆成股息、端点、权重、幸存者；
IC 归因：按流动性 / Beta / 行业分层；
成本校准：按 ADV / 佣金 / 价差 / 冲击；
事件研究：盈警、配售、供股、卖空；
跨快照 / 跨窗口稳健性。

关键口径

股票用前复权，指数必须用含息基准（如 2800.HK）；
回填历史必须标注幸存者偏差（当前池 ≠ 当时池）；
至少报「等权 / 市值加权 / 含息」三套并标注端点。

示例（2016-10 → 2026-10）：恒指价格 +5.0%，含息 +43.8%；310 当前池中位 +2.1%。

入口

技能：.opencode/skills/market-diagnostics/SKILL.md

python3 scripts/ic_attribution.py --input output/<run>/prediction_analysis.csv --horizon 20
python3 scripts/cost_calibration.py --pred output/<run>/prediction_analysis.csv
python3 scripts/hkex_event_study.py --horizon 20

2.5 📄 个股基本面分析

做什么

生意与护城河、财务质量、财报红旗；
相对估值 + 绝对估值三情景；
长期收益拆解、建仓方式（DCA vs 一次性）、风险清单；
金融股附录：NIM、成本收入、信用成本、PB-ROE、合理 PB。

关键口径

必算：营收/净利增速、毛利率、净利率、ROE/ROA、资产负债率、OCF÷净利；
估值：PE/PB/PS/FCF yield + DCF/DDM 三情景 + 反向 DCF；
金融股：NPL / 拨备覆盖率 / CET1 必须看年报（三表没有）。

适用边界：输出是条件化分析（含数据缺口），不构成个性化买卖建议。

入口

技能：.opencode/skills/equity-analysis/SKILL.md
脚本：scripts/stock_fundamentals.py

python3 scripts/stock_fundamentals.py --codes 0700.HK,0939.HK --ccy CNY
python3 scripts/stock_fundamentals.py --codes 0939.HK,1398.HK --bank --ccy CNY

3. 数据清单（24 类）

本项目共维护 24 类数据：21 类原始/采集数据，3 类派生数据。

#	数据类型	内容	规模	频率 / 来源
1	港股行情	OHLCV 日线	310 只训练池；面板 2,443 只；2006-01→2026-10	日频 / 腾讯、yfinance
2	美股与宏观	标普500、纳斯达克、VIX、美债收益率	4 类序列；2018→	日频 / AKShare、yfinance
3	利率与汇率	HIBOR、CNH HIBOR、USD/CNY	3 类序列	日频 / 香港银行公会、市场数据
4	港股财务三表	资产负债表、利润表、现金流量表	318 只 × 6 张表（年度/中期 × 3 表）；1,908 个文件	年度/中期 / AKShare
5	HKEX 公告	公告标题、日期、链接、PDF	310 只；2010–2026；403,156 条	日更 / HKEXnews
6	公司行动事件	盈警/盈喜、配售、供股、CB、私有化、锁定等	10 类；2,247 条（首次公告 2,050）	周更 / HKEX 公告
7	公司行动规模	配售稀释/折价、CB 转股、要约溢价、锁定天数	24 条；4 类	事件驱动 / 公告 PDF
8	回购明细	逐日回购股数/价格/金额	3,238 份 PDF；1,624 条记录；2024–2026	日更 / FF305、FF304
9	SFC 卖空	聚合卖空持仓（股数/金额）	520,866 行；2012-08→2026-10	周频 / SFC
10	CCASS 持股	参与者持股（股数/占比）	310 只；约 12 个月	日频 / HKEX（私有数据仓，禁止再分发）
11	南向持仓	逐股南向持股数量/市值/占比	117,568 行；2024-10→2026-10	日频 / 东方财富
12	恒指 PIT 成分	历史成分股（月度快照）	3,360 行；2023-07→2026-10	月频 / 指数公告
13	A-H 溢价	A/H 对照价格、溢价、汇率	13 组 A/H + FX	日频 / 市场数据
14	银行年报	NPL、拨备、CET1、地产敞口	8 家银行 × 4 年；33 份 PDF	年频 / 公司年报
15	A股数据	行情、财务、资金流、两融、龙虎榜	53 只股票池；行情源上限 640 行（≈2.5 年）	日频 / 腾讯、AKShare
16	权益披露（DI）	大股东/董事增减持、持股变化	17,332 条；271 只；2017–2026（2024+ 覆盖 310 池）	周更 / HKEX DI
17	月度股本（FF301）	已发行股数、库存股、总股本	310/310（309 官方 + 1 yfinance 兜底）	月频 / HKEX 月报表
18	除牌名单	已除牌证券代码/名称	810 条	周更 / HKEX
19	Stock Connect 北向	沪/深股通合资格证券	3,987 条	周更 / HKEX
20	历史股本	逐日股本（yfinance 代理）	26,933 行；30 只；2016–2026	月更 / yfinance
21	FF301 历史	月度已发行/库存/总股本	2,987 行；30 只；2015–2026	月更 / HKEX 月报表
22	主题/概念图	主题—个股关系图	36 KB	派生 / 公告与行情
23	网络/社区特征	相关性网络、社区、中心度	80 MB	派生 / 行情
24	模型/预测输出	模型 pkl、预测历史、日报、验证产物	5/10/20d 模型 + 每日预测/报告	派生 / 本项目

第二部分 · 使用与系统

4. 快速开始

4.1 安装

git clone https://github.com/wonglaitung/fortune.git
cd fortune
pip install -r requirements.txt
cp set_key.sh.sample set_key.sh   # 填邮箱与 API 密钥后 source set_key.sh

4.2 验证安装

python hsi_email.py --no-email

4.3 五项能力各跑一次

# ① 港股预测
python3 hsi_prediction.py --no-email
./scripts/run_comprehensive_analysis.sh

# ② A股预测
./scripts/run_a_stock_analysis.sh

# ③ 验证（对任意回测产物）
python3 scripts/presentation_gate.py --input output/<run>/prediction_analysis.csv --horizon 20
python3 ml_services/monthly_guardrail.py --horizon 20 --pred output/<run>/prediction_analysis.csv

# ④ 市场诊断
python3 scripts/ic_attribution.py --input output/<run>/prediction_analysis.csv --horizon 20
python3 scripts/cost_calibration.py --pred output/<run>/prediction_analysis.csv

# ⑤ 个股分析
python3 scripts/stock_fundamentals.py --codes 0700.HK,0939.HK --ccy CNY

5. 系统构成

5.1 双市场一览

	🇭🇰 港股	🇨🇳 A股
预测池	30 只自选股	53 只（4 核心 + 49 扩展）
训练池	310 只（300 冻结池 ∪ 原 49 池）	53 只
预测内容	恒指三周期 + 个股三周期 + 异常检测	个股三周期 + 综合建议 + 板块
指数预测	✅ 恒指 5/10/20d	❌
市场特有	南向资金、CCASS、SFC 卖空	北向资金、涨跌停特征
模型	LightGBM（rank；5/20d 3-seed bagging）	LightGBM
特征量	~1400 → Top500 + FORCE	~1077
数据硬限	—	腾讯源 640 行（≈2.5 年）
自动化	工作日 16:30 HKT	本地 15:15 CST；CI 周日

标签口径：个股（港股 + A股）为横截面百分位 rank 回归，周期 5 / 10 / 20 天；输出语义是「池内相对强弱分位」。恒指 / 异常检测是方向任务，不用 rank 标签。 打分口径：生产选股 = raw prob（保留板块间信息），无行业中性、无开关。

5.2 训练池与预测池（港股）

训练池 310 只 = data/hk_broad/universe_310.json（300 冻结池 ∪ 原 49 池）
      │  LightGBM 5/10/20d 训练（rank；5/20d 3-seed bagging）
      ▼
模型 pkl（data/ml_trading_model_lgbm_{5,10,20}d.pkl + *.manifest.json）
      │  参数：data/lgbm_best_params.json（生产与 WF 同源）
      │  逐只推理（30 只）
      ▼
预测池 30 只 = config.WATCHLIST

训练池是生产依赖，已入库；缺失时 config 直接报错。
模型月级更新：日常只加载 pkl；scripts/monthly_retrain.sh 每月 1 日重训（D82）。

5.3 缓存

市场	缓存	位置	有效期
🇭🇰	原始数据 / 特征	`data/stock_cache/` `data/feature_cache/`	7 天
🇨🇳	原始数据 / 特征	`data/a_stock_cache/` `data/a_stock_feature_cache/`	7 天

改特征后必须清缓存，否则旧特征静默复用（命令见 7）。

6. 技术架构

6.1 数据流

flowchart TD
    subgraph SRC["外部数据源"]
        direction LR
        S1["腾讯财经"] ~~~ S2["yfinance"] ~~~ S3["AKShare"] ~~~ S4["HKEX / SFC"]
    end
    subgraph DS["data_services/"]
        direction LR
        D1["技术指标"] ~~~ D2["基本面"] ~~~ D3["南向/北向资金"] ~~~ D4["批量行情/成本暴露"]
    end
    subgraph AN["分析层"]
        direction LR
        A1["异常检测"] ~~~ A2["综合分析"] ~~~ A3["归因/事件研究"]
    end
    subgraph ML["ml_services/"]
        direction LR
        M1["模型预测"] ~~~ M2["Walk-forward"] ~~~ M3["护栏/成本模型"]
    end
    subgraph OUT["输出层"]
        direction LR
        O1["邮件"] ~~~ O2["JSON"] ~~~ O3["Markdown"]
    end
    SRC --> DS --> AN --> ML --> OUT

模块	港股	A股
数据获取	yfinance + 腾讯财经	AKShare + 腾讯财经
市场资金	南向资金	北向资金
核心模型	`ml_services/ml_trading_model.py`	`a_stock_ml_model.py`
综合分析	`comprehensive_analysis.py`	`a_stock_comprehensive_analysis.py`
大模型建议	`comprehensive_analysis.py` 集成	`a_stock_email.py`

7. 命令参考

# ① 港股
python3 hsi_prediction.py --no-email
python3 comprehensive_analysis.py
./scripts/run_comprehensive_analysis.sh
python3 detect_stock_anomalies.py --mode standalone --mode-type deep
python3 ml_services/ml_trading_model.py --mode train --horizon 20 --model-type lgbm --use-feature-selection
python3 ml_services/ml_trading_model.py --mode predict --horizon 20 --model-type lgbm --use-feature-selection
python3 ml_services/walk_forward_validation.py --model-type lgbm --horizon 20 --use-feature-selection
bash scripts/monthly_retrain.sh
bash scripts/run_ccass_archive.sh

# ② A股
./scripts/run_a_stock_analysis.sh
python3 a_stock_ml_model.py --mode train --horizon 20
python3 a_stock_ml_model.py --mode predict --horizon 20 --core-only
python3 a_stock_walk_forward.py --horizon 20

# ③ 验证 / 护栏
python3 scripts/presentation_gate.py --input output/<run>/prediction_analysis.csv --horizon 20
python3 ml_services/monthly_guardrail.py --horizon 20 --pred output/<run>/prediction_analysis.csv
python3 ml_services/monthly_guardrail.py --horizon 20 --pred output/<run>/prediction_analysis.csv --sensitivity
python3 ml_services/portfolio_backtest.py --horizon 20 --topk 10 --pred output/<run>/prediction_analysis.csv
python3 ml_services/portfolio_backtest.py --horizon 20 --topk 10 --cost-mode model --pred output/<run>/prediction_analysis.csv

# ④ 诊断 / 归因
python3 scripts/ic_attribution.py --input output/<run>/prediction_analysis.csv --horizon 20 --write-subsets
python3 scripts/cost_calibration.py --pred output/<run>/prediction_analysis.csv
python3 scripts/hkex_event_study.py --horizon 20
python3 scripts/sfc_signal.py --fwd 20 --lag 10
python3 scripts/vintage_sensitivity.py --horizon 20 --topk 10

# ⑤ 个股分析
python3 scripts/stock_fundamentals.py --codes 0700.HK,0939.HK --ccy CNY
python3 scripts/stock_fundamentals.py --codes 0939.HK,1398.HK --bank --ccy CNY
python3 scripts/dca_eval.py --code 0700.HK --start 2016-10-17 --end 2026-10-16   # 定投 vs 一次性（IRR）
python3 scripts/dca_eval.py --code 0005.HK --start 2016-10-17 --end 2026-10-16 --total-return   # 总回报（股息再投资）

# 共用
python3 ml_services/performance_monitor.py --mode all --no-email
python3 ml_services/stock_network_analysis.py --skip-pmfg
python3 scripts/doc_gate.py

# 缓存清理（改特征后必做）
rm -rf data/feature_cache/*.pkl
rm -rf data/stock_cache/*.pkl
rm -rf data/a_stock_feature_cache/*.pkl
rm -rf data/a_stock_cache/*.pkl

复现基线：先做三冻结（宏观快照 / 个股行情快照 / 门槛基准 CSV），再验收双跑 md5 一致。完整口径见 AGENTS.md 与 docs/BASELINES.md。

8. 配置与环境变量

变量名	说明
`SMTP_SERVER` / `EMAIL_SENDER` / `EMAIL_PASSWORD` / `RECIPIENT_EMAIL`	邮件
`QWEN_API_KEY`（+ `QWEN_CHAT_URL` / `QWEN_CHAT_MODEL`）	LLM 密钥（opencode zen）
`CCASS_DATA_REPO` / `CCASS_DATA_TOKEN`	CCASS 归档的私有数据仓与 PAT

完整环境变量、特征开关（F1_FEATURES / HIBOR_FEATURES 等）与调度细节见 docs/ARCHITECTURE.md。

第三部分 · 方法与运行

9. 通用机制（验证 / 口径 / 成本）

9.1 八步工作流（任何结论都走一遍）

① 命题预登记 ──► ② ⓪同一性闸 ──► ③ 数据卫生 ──► ④ 口径对齐
   (写死判据)      (WF=生产?)       (非空/无穿越)    (标签/成本/时点)
        │
        ▼
⑤ 三道闸 ──► ⑥ 稳健性 ──► ⑦ 功效/MDE ──► ⑧ 记录与适用范围
 A泄漏/B过拟合  相邻参数/独立窗   不显著≠没有      D 编号 + lessons

9.2 三道闸

闸	卡什么	工具
A 泄漏	准确率异常、概率饱和、符号退化	`scripts/presentation_gate.py`（H1–H6，非零退出即阻断）
B 过拟合	参数一挑就漂亮	PBO 对零假设带 + DSR ≥ 0.95
C 净超额	毛正净负	超额净 IR 的 95%CI 下界 > 0

9.3 成本口径

一律用往返：COST_ROUND_TRIP = 0.5%（单边 0.25%）；
持仓替换：成本 = 单边换手 × 往返；仓位变化：0.5 × Σabs(Δw) × 往返；
可选分层模型：--cost-mode model（按 ADV / 佣金 / 价差 / 冲击）；
生产 30 只实测隐含约 0.58%，310 池约 1.02%（D99）。

9.4 可复核机制

机制	做法
三冻结	宏观快照 + 个股行情快照 + 门槛基准 CSV
双跑验收	同配置连跑两次，`prediction_analysis.csv` md5 相同
同一性	社区集合 / 列集合 / 时点 / 概率来源四问
模型清单	每个 pkl 带 `*.manifest.json`（sha256 / 参数 / bag / 特征数 / 训练时间）

10. 自动化调度

时间	工作流	功能	市场
06:00（工作日）	`hsi-prediction.yml`	恒生指数预测	🇭🇰
06:00（工作日）	`batch-stock-news-fetcher.yml`	批量个股新闻	🇭🇰
每小时	`hourly-crypto-monitor.yml` / `hourly-gold-monitor.yml`	加密 / 黄金监控	🌐
16:30 HKT（工作日）	`comprehensive-analysis.yml`	港股综合分析（只加载模型）	🇭🇰
00:00 HKT（工作日）	`performance-monitor.yml`	性能报告	🇭🇰
周日 09:00 HKT	`weekly-comprehensive-analysis.yml`	港股周度分析	🇭🇰
周日 11:00 CST	`weekly-a-stock-comprehensive-analysis.yml`	A股周度分析	🇨🇳
每月 1 日 18:00 HKT	`monthly-retrain.yml`	港股 5/10/20d 重训 + 提交模型	🇭🇰
每交易日 20:00 HKT	`ccass-archive.yml`	CCASS 日归档（私有数据仓）	🇭🇰

严格护栏（monthly_guardrail.py）需本地 prediction_analysis.csv，见 docs/DEPLOYMENT.md。

第四部分 · 边界与参考

11. 适用边界

预测能力（①/②）

已系统测过大市 / 板块 / 个股差异 / 风格 / 关联题材等层，尚未发现可交易 edge；口径是「未发现（不显著）」，不等于「已证明没有」（本宇宙 MDE ≈ 1.5 IR）。
定位：研究 / 展示 / 风控，不作为收益承诺。

验证 / 诊断 / 个股分析（③/④/⑤）

不预测收益，只负责把指标/收益拆解到可复核的口径；
诊断受数据缺口限制：无历史股数/权重、无退市股、无 2010–2023 PIT 成分；
个股分析缺分部数据、一致预期；金融股缺 NPL/拨备/CET1（需年报）。

警告	说明
数据泄漏	WF 准确率 >65%（个股）或 >80%（恒指）通常是泄漏
预测阈值	方向判断用 0.5（rank 口径 = 池内中位数）
周期集合	仅 5 / 10 / 20 天
IC 口径	只认部署口径（逐日 + raw prob）；行级 z 是伪显著，须折聚类
绝对值 IR	含 beta；判断能力看超额
成本	往返 0.5%（单边 0.25%）；分层模型见 `--cost-mode model`
状态持续时间	HMM `Regime_Duration` 不可预测（AUC ≈ 0.48），只作描述
时点口径	全链路 `mode='production'`（T 收盘，T+1 成交）
深度学习	LSTM / Transformer F1≈0，不推荐
A股特殊	涨跌停 10%/20%；代码 `zfill(6)`；核心股权重 3.0
特征缓存	改特征后不清缓存会静默复用旧值

12. 文档索引

想知道什么	看哪份
所有 Walk-forward 实测数字	docs/BASELINES.md（唯一真相源）
⓪ 同一性闸 / 三道闸 / 硬约束	docs/REVIEW_GATES.md ⭐
决策与负结果台账	docs/DECISIONS.md
经验教训（因果链）	lessons.md
进度	progress.txt
会话规则 / 常用命令	AGENTS.md
文档导航	docs/README.md
建设方法论	docs/QUANT_SYSTEM_METHODOLOGY.md
实盘部署与护栏	docs/DEPLOYMENT.md
A股设计	docs/A_STOCK_DESIGN.md
三周期分析	docs/THREE_HORIZON_ANALYSIS.md
特征工程	docs/FEATURE_ENGINEERING.md
验证方法	docs/VALIDATION_GUIDE.md
个股分析技能	.opencode/skills/equity-analysis/SKILL.md
量化常见误区	docs/量化交易误解-正式文档.md
编程规范	docs/programmer_skill.md

13. 依赖 · 许可 · 联系

依赖：yfinance lightgbm akshare pandas scikit-learn requests beautifulsoup4 lxml jieba hmmlearn arch networkx

许可：MIT License（CCASS 原始数据仅本地，不入库、不再分发）

联系：

Issues: https://github.com/wonglaitung/fortune/issues
Email: wonglaitung@gmail.com

Name		Name	Last commit message	Last commit date
.githooks		.githooks
.github/workflows		.github/workflows
.opencode		.opencode
anomaly_detector		anomaly_detector
assets		assets
data		data
data_services		data_services
docs		docs
llm_services		llm_services
message_services		message_services
ml_services		ml_services
output		output
scripts		scripts
tests		tests
.gitignore		.gitignore
AGENTS.md		AGENTS.md
README.md		README.md
a_stock_comprehensive_analysis.py		a_stock_comprehensive_analysis.py
a_stock_config.py		a_stock_config.py
a_stock_email.py		a_stock_email.py
a_stock_ml_model.py		a_stock_ml_model.py
a_stock_prediction.py		a_stock_prediction.py
a_stock_recommendation_generator.py		a_stock_recommendation_generator.py
a_stock_walk_forward.py		a_stock_walk_forward.py
ai_trading_analyzer.py		ai_trading_analyzer.py
comprehensive_analysis.py		comprehensive_analysis.py
config.py		config.py
crypto_email.py		crypto_email.py
detect_stock_anomalies.py		detect_stock_anomalies.py
gold_analyzer.py		gold_analyzer.py
hk_smart_money_tracker.py		hk_smart_money_tracker.py
hk_themes_config.py		hk_themes_config.py
hk_universe_config.py		hk_universe_config.py
hsi_email.py		hsi_email.py
hsi_prediction.py		hsi_prediction.py
lessons.md		lessons.md
opencode.json		opencode.json
progress.txt		progress.txt
requirements.txt		requirements.txt
send_alert.sh		send_alert.sh
set_key.sh.sample		set_key.sh.sample
simulation_trader.py		simulation_trader.py
update_data.sh		update_data.sh

Latest commit

History

Folders and files

Repository files navigation

金融资产智能分析与诊断系统

一句话

🗺 目录

第一部分 · 能力与数据

1. 能力总览

2. 五大能力

2.1 🇭🇰 港股预测系统

2.2 🇨🇳 A股预测系统

2.3 🧾 假设验证框架

2.4 🔎 市场诊断与归因

2.5 📄 个股基本面分析

3. 数据清单（24 类）

第二部分 · 使用与系统

4. 快速开始

4.1 安装

4.2 验证安装

4.3 五项能力各跑一次

5. 系统构成

5.1 双市场一览

5.2 训练池与预测池（港股）

5.3 缓存

6. 技术架构

6.1 数据流

7. 命令参考

8. 配置与环境变量

第三部分 · 方法与运行

9. 通用机制（验证 / 口径 / 成本）

9.1 八步工作流（任何结论都走一遍）

9.2 三道闸

9.3 成本口径

9.4 可复核机制

10. 自动化调度

第四部分 · 边界与参考

11. 适用边界

12. 文档索引

13. 依赖 · 许可 · 联系

About

Topics

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages