daily-stock-analysis（DSA）深度调研报告

文档类型: 技术调研报告
调研时间: 2026-05-15
调研范围: /opt/vendor/daily-stock-analysis/ 全项目源码
代码总量: ~12,000+ 行 Python（不含前端和测试）

一、项目概览

daily-stock-analysis（简称 DSA） 是一个基于 AI 大模型的 A股/港股/美股自选股智能分析系统。核心能力包括：

• 每日自动分析自选股，生成”决策仪表盘”（一句话核心结论 + 评分 + 买卖点位 + 风险警报）
• 内置 11 种交易策略（缠论、波浪、龙头、情绪周期等），YAML 文件定义，无需写代码
• 多数据源自动 fallback（akshare、efinance、baostock、tushare、yfinance 等 10+ 数据源）
• 多 Agent 协作分析体系（technical → intel → risk → decision）
• 多渠道推送（企业微信、飞书、TG、Discord、Slack、邮件）
• 回测验证系统（对历史分析做事后验证，追踪方向准确率）

技术栈：Python 3.11、FastAPI、SQLAlchemy + SQLite、LiteLLM（多 LLM 适配）、Jinja2（报告模板）

二、架构树

DSA 采用分层架构，从上到下分为：入口层、服务层、核心层、数据层、存储层。

daily-stock-analysis/
├── 入口层（多种调用方式）
│   ├── main.py                  # CLI 入口（命令行分析、定时任务）
│   ├── server.py                # FastAPI 服务入口（端口 8000）
│   ├── analyzer_service.py      # 程序化调用封装（可被 import）
│   ├── webui.py                 # WebUI 入口
│   └── bot/                     # 机器人入口（TG/Discord/飞书/钉钉）
│       ├── dispatcher.py        # 命令分发器
│       ├── handler.py           # 消息处理器
│       ├── commands/            # 命令实现（/ask /analyze /chat 等）
│       └── platforms/           # 平台适配（各聊天平台）
│
├── API 层（RESTful 接口）
│   └── api/v1/endpoints/
│       ├── analysis.py          # 股票分析接口
│       ├── agent.py             # Agent 策略问答接口
│       ├── history.py           # 历史报告查询
│       ├── portfolio.py         # 持仓管理接口
│       ├── backtest.py          # 回测接口
│       └── system_config.py     # 系统配置接口
│
├── 服务层（业务服务）
│   └── src/services/
│       ├── analysis_service.py  # 分析服务编排
│       ├── portfolio_service.py # 持仓管理（买卖/成本/分红/拆股）
│       ├── backtest_service.py  # 回测服务
│       ├── history_service.py   # 历史报告管理
│       ├── report_renderer.py   # Jinja2 报告渲染
│       └── social_sentiment_service.py # 社交舆情（美股）
│
├── 核心层（分析引擎）
│   ├── src/core/
│   │   ├── pipeline.py          # 分析流水线（1775行，核心中的核心）
│   │   ├── market_review.py     # 大盘复盘
│   │   ├── market_strategy.py   # 市场策略
│   │   ├── backtest_engine.py   # 回测引擎
│   │   ├── trading_calendar.py  # 交易日历
│   │   └── config_registry.py   # 配置注册表（所有配置项定义）
│   │
│   ├── src/agent/               # Agent 体系
│   │   ├── agents/              # 6个专用 Agent
│   │   │   ├── base_agent.py    # 抽象基类（system_prompt + run）
│   │   │   ├── technical_agent.py   # 技术面分析（max_steps=6）
│   │   │   ├── intel_agent.py       # 情报分析（max_steps=4）
│   │   │   ├── risk_agent.py        # 风险评估（max_steps=4）
│   │   │   ├── decision_agent.py    # 决策合成（max_steps=3）
│   │   │   └── portfolio_agent.py   # 持仓分析
│   │   ├── orchestrator.py      # 多 Agent 流水线调度器
│   │   ├── runner.py            # ReAct 执行循环
│   │   ├── executor.py          # AgentExecutor（单 Agent 模式）
│   │   ├── factory.py           # AgentExecutor 工厂（build_agent_executor）
│   │   ├── llm_adapter.py       # 多 LLM 适配器（via LiteLLM）
│   │   ├── memory.py            # AgentMemory（分析历史 + 校准）
│   │   ├── conversation.py      # 会话管理
│   │   ├── skills/              # Skill 系统
│   │   │   ├── router.py        # Skill 路由器
│   │   │   ├── skill_agent.py   # Skill 执行 Agent
│   │   │   ├── aggregator.py    # Skill 意见聚合
│   │   │   └── defaults.py      # 默认策略
│   │   └── tools/               # Tool 系统
│   │       ├── registry.py      # Tool 注册表
│   │       ├── data_tools.py    # 数据工具（行情/K线/筹码/持仓）
│   │       ├── market_tools.py  # 市场工具（指数/板块）
│   │       ├── search_tools.py  # 搜索工具（新闻/情报）
│   │       ├── analysis_tools.py # 分析工具（趋势/均线/形态）
│   │       └── backtest_tools.py # 回测工具
│   │
│   └── src/analyzer.py          # 传统分析器（GeminiAnalyzer，2547行）
│
├── 数据层（多数据源适配）
│   └── data_provider/
│       ├── base.py              # DataFetcherManager + BaseFetcher（2500行）
│       ├── akshare_fetcher.py   # 东方财富接口（免费）
│       ├── efinance_fetcher.py  # 东方财富另一接口（免费）
│       ├── baostock_fetcher.py  #  baostock（免费）
│       ├── pytdx_fetcher.py     # 通达信协议（免费）
│       ├── yfinance_fetcher.py  # Yahoo Finance（免费）
│       ├── tushare_fetcher.py   # Tushare（免费额度 80次/分钟）
│       ├── tickflow_fetcher.py  # TickFlow（付费）
│       └── longbridge_fetcher.py # Longbridge（付费港股/美股）
│
├── 存储层
│   ├── data/stock_analysis.db   # SQLite 主数据库
│   └── src/storage.py           # SQLAlchemy 模型 + DatabaseManager
│
├── 策略层
│   └── strategies/*.yaml        # 11 种策略定义文件
│
└── 配置层
    ├── .env.example             # 完整环境变量配置模板
    ├── src/config.py            # 配置加载器（2581行）
    └── src/core/config_registry.py # 配置项注册表（所有配置定义）

三、典型 Query 动线：一次股票分析的全流程

以 analyzer_service.analyze_stock("600519") 为例，代码执行链路如下。

3.1 入口阶段

analyzer_service.analyze_stock(code="600519")
  └─→ 创建 StockAnalysisPipeline(config, query_id, query_source="cli")
        └─→ pipeline.process_single_stock(code, report_type, query_id, ...)

3.2 数据获取阶段（pipeline.py Step 1-3）

Step 1: 实时行情获取

• ​fetcher_manager.get_realtime_quote("600519")
• 按优先级遍历所有 fetcher：tushare → efinance → akshare → …（自动 fallback）
• 返回：price、change_pct、volume、turnover、pe、pb 等

Step 2: 历史K线获取

• ​fetcher_manager.get_daily_history("600519", days=60)
• 优先从 SQLite DB 缓存读取，缺失时调用 fetcher，成功后写入缓存

Step 2.5: 基本面聚合

• ​fetcher_manager.get_fundamental_context("600519")
• 获取 PE/PB/ROE/营收/净利润等

Step 3: 趋势分析（本地计算，不调用 LLM）

• ​trend_analyzer.analyze(df_historical, code)
• 计算 MA5/MA10/MA20/MA60、MACD、RSI、布林带
• 判断趋势状态，生成买入信号评分（0-100）

3.3 分支点：Agent 模式判断

use_agent = config.agent_mode  # 默认 False
if not use_agent:
    configured_skills = config.agent_skills  # 默认空
    if configured_skills and configured_skills != ["all"]:
        use_agent = True  # 配置了特定策略时自动启用 Agent 模式

分支 A — 传统分析路径（默认，agent_mode=false）

Step 4: 多维度情报搜索（最多 5 次搜索，新闻/公告/研报/舆情）
Step 5-6: 上下文增强（聚合所有数据到 enhanced_context）
Step 7: AI 分析 — 只调 1 次 LLM

• ​analyzer.analyze(enhanced_context, news_context)
• 通过 LiteLLM Router 调用配置的 LLM
• LLM 返回 JSON 格式决策仪表盘

分支 B — Agent 分析路径（agent_mode=true）

Step 7’: Agent 分析链路

• ​build_agent_executor(config, skills) 创建执行器
• 根据 AGENT_ARCH 选择：single（单 Agent ReAct）或 multi（多 Agent 流水线）

Multi-Agent 模式执行流程：

• Stage 1: technical_agent.run() — 技术面分析（最多 6 步 ReAct）
• Stage 2: intel_agent.run() — 情报分析（最多 4 步）
• Stage 3: risk_agent.run() — 风险评估（full/specialist 模式，最多 4 步）
• Stage 3.5: skill_agent.run() — 策略执行（specialist 模式，最多 3 个并行 skill）
• Stage N: decision_agent.run() — 决策合成（无工具权限，纯汇总）

3.4 结果输出阶段

两种路径最终都生成 AnalysisResult：

• dashboard（决策仪表盘 JSON）: core_conclusion / data_perspective / intelligence / battle_plan
• sentiment_score（0-100 情绪评分）
• operation_advice（买入/加仓/持有/减仓/卖出/观望）
• confidence_level（高/中/低）

如果配置了 notifier，通过 Matrix/企业微信/飞书/TG/… 推送报告。

四、Skill 系统：自然语言策略引擎

4.1 Skill 是什么

Skill 是 DSA 的”策略能力包”，用 YAML 文件定义交易策略的分析逻辑和判断规则。用户写自然语言即可定义策略，无需写任何代码。

DSA 的 strategies/​ 目录与代码中的 skill 是同一概念：代码里叫 skill，用户文档里叫策略。

4.2 Skill 文件结构

以 strategies/dragon_head.yaml（龙头策略）为例：

name: dragon_head              # 唯一标识（英文，下划线）
display_name: 龙头策略          # 显示名称（中文）
description: 板块轮动中识别龙头股  # 简短描述
category: trend                # 分类：trend/pattern/reversal/framework
core_rules: [2, 7]             # 关联核心交易理念编号
required_tools:                # 该策略需要使用的工具
  - get_realtime_quote
  - get_sector_rankings
  - search_stock_news
aliases: [龙头, 龙头战法]       # 用户可用别名调用
default_priority: 90           # 展示优先级（越小越靠前）
market_regimes: [sector_hot]   # 适用市场状态

instructions: |
  **龙头策略（Dragon Head Strategy）**

  评估标准：
  1. 板块领涨地位：使用 get_sector_rankings 检查板块排名...
  2. 换手率与动能：使用 get_realtime_quote 检查换手率...
  3. 相对强度：对比个股涨跌幅与板块平均值...
  4. 新闻催化：使用 search_stock_news 搜索催化剂...

  评分调整：
  - 确认为龙头股：sentiment_score +10
  - 板块轮动期：额外 +5

4.3 Skill 加载机制

SkillManager（src/agent/skills/base.py）负责加载和管理 Skill：

1. 系统启动时扫描 strategies/​ 目录（或 AGENT_SKILL_DIR 配置目录）
2. 解析所有 .yaml 文件，构建 Skill 原型对象
3. 通过 deepcopy 克隆给每个请求使用（线程安全）
4. Skill 内容以自然语言形式注入 Agent 的 System Prompt

SkillRouter（src/agent/skills/router.py）负责选择适用 Skill：

• ​auto 模式：根据市场状态（market_regime）自动选择匹配的 Skill
• ​manual​ 模式：只使用 AGENT_SKILLS 配置列表中的 Skill

4.4 Skill 执行流程

1. SkillRouter 选择适用 Skill（如缠论策略）
2. 创建 SkillAgent（src/agent/skills/skill_agent.py），封装该 Skill
3. SkillAgent 的 tool_names​ 被限制为 Skill YAML 中 required_tools 声明的子集
4. SkillAgent 执行 ReAct 循环，LLM 按 Skill instructions 自主调用所需 Tool
5. 输出 Skill 意见（AgentOpinion），注入共享上下文

4.5 Skill 意见聚合

当多个 Skill 同时执行时（specialist 模式最多 3 个并行），SkillAggregator（src/agent/skills/aggregator.py）会：

1. 收集每个 SkillAgent 的 AgentOpinion
2. 根据历史回测胜率（BacktestService）动态加权
3. 合成一份共识意见（consensus），供 decision_agent 使用

4.6 内置 Skill 清单

五、Tool 系统：数据与计算的武器库

5.1 Tool 是什么

Tool 是 DSA 中可被 LLM 调用的数据获取和计算函数。每个 Tool 都是一个 Python 函数，通过 @tool​ 装饰器或 ToolDefinition 包装后注册到 ToolRegistry。

5.2 Tool 注册与发现

ToolRegistry（src/agent/tools/registry.py）是 Tool 的中央注册表：

# factory.py 中模块级缓存，所有 Agent 共享
_TOOL_REGISTRY = None

def get_tool_registry():
    global _TOOL_REGISTRY
    if _TOOL_REGISTRY is None:
        registry = ToolRegistry()
        for tool_fn in (ALL_DATA_TOOLS + ALL_ANALYSIS_TOOLS + 
                        ALL_SEARCH_TOOLS + ALL_MARKET_TOOLS + ALL_BACKTEST_TOOLS):
            registry.register(tool_fn)
        _TOOL_REGISTRY = registry
    return _TOOL_REGISTRY

注册后的 Tool 会被转换为 OpenAI function schema，供 LLM 在 ReAct 循环中调用。

5.3 Tool 分类清单（共 17+ 个）

数据工具 data_tools.py：

• ​get_realtime_quote — 实时行情（价格、涨跌幅、量比、PE/PB、市值）
• ​get_daily_history — 日线 OHLCV 历史数据（含 MA5/10/20）
• ​get_chip_distribution — 筹码分布（获利比例、平均成本、集中度）
• ​get_analysis_context — 从数据库获取历史分析上下文
• ​get_stock_info — 基本面信息（估值、成长、板块归属）
• ​get_capital_flow — 主力资金流向（净流入、5日/10日累计）
• ​get_portfolio_snapshot — 持仓组合快照与风险摘要

分析工具 analysis_tools.py：

• ​analyze_trend — 综合技术分析（MA排列、MACD、RSI、乖离率、支撑阻力）
• ​calculate_ma — 计算任意周期均线（5/10/20/30/60/120/250）
• ​get_volume_analysis — 量价关系分析（量比、量价配合/背离）
• ​analyze_pattern — K线形态识别（十字星、锤子线、吞没、双底、箱体等）

搜索工具 search_tools.py：

• ​search_stock_news — 搜索个股最新新闻
• ​search_comprehensive_intel — 多维度情报搜索（新闻、风险、业绩、行业趋势）

市场工具 market_tools.py：

• ​get_market_indices — 大盘指数（上证、深证、沪深300 / 标普、纳指）
• ​get_sector_rankings — 板块涨幅排行（领涨/领跌板块）

回测工具 backtest_tools.py：

• ​get_skill_backtest_summary — Skill 级回测统计
• ​get_strategy_backtest_summary — 整体回测统计
• ​get_stock_backtest_summary — 个股回测历史记录

5.4 Tool 执行机制

在 ReAct 循环中（src/agent/runner.py）：

1. LLM 收到 System Prompt + 当前上下文 + Tool 声明列表
2. LLM 自主决定调用哪些 Tool（可一次请求多个，并行执行）
3. runner 通过 ThreadPoolExecutor 并行执行（最多 5 个并发）
4. 工具结果返回给 LLM，LLM 继续推理或给出最终答案
5. 缓存机制：相同参数的工具调用会被缓存，避免重复执行

5.5 Agent 工具权限隔离

每个 Agent 可以声明自己需要的 Tool 子集：

class TechnicalAgent(BaseAgent):
    agent_name = "technical"
    max_steps = 6
    tool_names = ["get_realtime_quote", "get_daily_history", 
                  "analyze_trend", "calculate_ma", "get_volume_analysis"]

class DecisionAgent(BaseAgent):
    agent_name = "decision"
    max_steps = 3
    tool_names = []  # 无工具权限，纯合成

BaseAgent.run() 在启动 ReAct 循环前，通过 _filtered_registry() 构建只包含所需 Tool 的临时注册表，实现最小权限原则。

六、Skill 与 Tool 的关系

一句话总结：Skill 是”策略意图”（分析什么、按什么规则判断），Tool 是”数据动作”（获取什么数据、执行什么计算）。

Skill 通过 YAML 描述策略规则，Agent 将 Skill 的 instructions 注入 System Prompt 后，LLM 在 ReAct 循环中自主决定调用哪些 Tool 来获取数据、验证条件，最终按照 Skill 的策略规则生成分析结论。

6.1 核心差异

6.2 协作流程示例

以”缠论分析 600519”为例：

1. SkillRouter 选择 chan_theory.yaml
2. SkillAgent 创建，tool_names 限制为 [get_daily_history, analyze_trend, get_realtime_quote]
3. ReAct 执行：

• Step 1: LLM 调用 get_daily_history 获取 60 日 K 线
• Step 2: LLM 调用 analyze_trend 获取 MACD/RSI
• Step 3: LLM 按缠论规则判断背驰 → 调用 get_realtime_quote 验证当前价 4. 输出缠论分析结论

七、功能实现清单

八、DSA 与 financial-team 的架构映射

8.1 功能映射

8.2 架构差异

8.3 互补关系

financial-team 的优势：多用户隔离、对话历史、Matrix 推送、OpenClaw 集成
DSA 的优势：数据源丰富、策略系统、多 Agent 分析、决策仪表盘、回测验证

最佳结合方式：financial-team 作为”交互管理层”，DSA 作为”分析引擎层”。

九、关键设计决策与可借鉴点

9.1 双路径分析设计

DSA 同时支持”传统 LLM 直调”和”Agent ReAct”两种分析路径，通过 agent_mode 配置无缝切换：

• 默认走传统路径（成本低，1 次 LLM）
• 需要深度分析时走 Agent 路径（成本高，4-7 次 LLM）

可借鉴：financial-team 的 hunter 也可以设计双路径 — 日常查询走轻量路径，深度分析时启用 Agent 路径。

9.2 多数据源自动 fallback

DataFetcherManager 按优先级排序所有 fetcher，逐个尝试直到成功：

• 实时行情：tushare → tencent → akshare_sina → efinance → akshare_em
• 历史K线：akshare → baostock → yfinance → sina

可借鉴：financial-team 的 get_stock_spot​ 和 get_stock_history 也可以引入 fallback 机制，避免单点故障。

9.3 自然语言策略（YAML Skill）

用户写 YAML 文件即可定义交易策略，无需写代码。策略内容以自然语言注入 Agent Prompt，LLM 按策略规则自主调用 Tool。

可借鉴：financial-team 的 hunter 也可以支持 YAML 策略文件，让用户（或我们）自定义短线策略规则。

9.4 Agent 工具权限隔离

每个 Agent 声明自己的 tool_names 子集，BaseAgent.run() 在启动 ReAct 循环前过滤注册表，实现最小权限。

可借鉴：financial-team 的 expert_runner 也可以为不同专家分配不同的工具子集（如 research 只能调用 news，strategy 可以调用 technical）。

9.5 模块级缓存 + deepcopy 复用

ToolRegistry 和 SkillManager 原型在模块级别缓存，每个请求通过 deepcopy 克隆，兼顾性能和线程安全。

可借鉴：financial-team 的 prompt 加载也可以引入缓存，避免每次请求都重新读文件。

9.6 决策仪表盘标准化输出

无论走传统路径还是 Agent 路径，最终都输出标准化的 AnalysisResult，包含 dashboard（核心结论/数据透视/情报/作战计划）等结构化字段。

可借鉴：financial-team 的专家输出也可以标准化为类似的结构化格式，便于下游解析和存储。

9.7 回测验证闭环

DSA 支持对历史分析做事后验证，追踪方向准确率和模拟收益。AgentMemory 根据历史准确率自动校准置信度。

可借鉴：financial-team 可以引入类似的回测机制，追踪专家推荐的实际表现，逐步优化策略。