微信扫一扫股票研究员 v9.8 → v11.0 内核 + v12 Research Intelligence Hub（全球零依赖版）
纯 Python 标准库，零 pip install，覆盖 12 个全球市场。 数据源：腾讯财经 + 东方财富 + 新浪/雪球/同花顺/期货交易所（免费无 Key）+ akshare/yfinance（可选增强）。
🆕 v12 研究智能中枢：统一实时/历史获取、CSV/JSON/XLSX/PDF 摄入、新闻去重与事件抽取、 股票/基金/期货多资产因子、1d/5d/1M/3M/6M 概率分布与样本外 Brier 校准、证据链、 Markdown/JSON 报告、
research_hub_cli.py与 MCPresearch_brief/analyze_local_dataset。 内核版本保持 11.0.0 向后兼容，研究能力层版本 12.0.0。v9.8：主流知识库全覆盖 —— 12 适配器双向交互（本地兜底库 / Obsidian / 腾讯 IMA / Dify / RAGFlow / FastGPT / MaxKB / 语雀 / 飞书知识库 / Notion / 思源笔记 / Logseq）：分析结果一键存档为知识笔记（内嵌机读 JSON）， 也可从知识库回读价格序列直接离线量化体检 + 形态匹配预测；凭证全部走环境变量，零新依赖。
v9.6：两条标红限制固化 —— ①国内直连防护：导入即安装无代理 opener，腾讯/东财接口开代理/VPN 反而会失败； ②评分≠盈利保证：预测评分仅代表历史相似条件下约 X% 上涨概率，输出自动携带免责声明。
v9.5：大佬圆桌（索罗斯/费雪/达利欧/马克斯/格林布拉特/利弗莫尔 6 位大师策略，置信度加权共识）+ 全面性能提速（行情+K线并行拉取、批量标的并发、ATR 去重、--timing 耗时统计）。 v9.4：强化量化分析计算 + 语音交互 — advanced_stats（滚动指标/回撤剖析/Kelly 仓位/JB 正态性/ Ljung-Box/跟踪误差/上下捕获率）+ voice_interface（Windows SAPI 零依赖 TTS/STT + 口语指令引擎）。 v9.3：量化预测增强 — 历史形态匹配预测（股票/基金/期货通用）+ 基金尾部风险/回撤恢复/NAV 预测 + 期货置信区间预测/仓位建议/展期收益 + quant_analyze_asset 接线。 v9.2：定期报告解读（年报/半年报/季报 同比环比 + 业绩亮点/风险 + 中文报告）。 v9.0 三大支柱：深度板块（RPS 相对强度/宽度/离散度/主题概念/轮动周期）+ 深度指数（市场体制/波动率体制/市场结构/市场内含/真实指数 PE 分位）+ 体制感知预测（体制条件化权重/信号共识度/宏观情景/置信度校准）+ 自上而下全景。 v8.0：真实 PE/PB 历史分位、组合优化、MC 增强、ML 接入、全资产量化入口、akshare。 v7.x 历史：QuantMetrics 统一指标、数据质量四级标记、五维信息聚合、多资产涨跌推演。
🆕 v12 一键研究（推荐入口）
# 离线能力自检
python scripts/research_hub_cli.py doctor --offline
# 在线统一研究：行情/历史 + 新闻/公告 + 资金 + 基本面 + 概率预测 + 证据链
python scripts/research_hub_cli.py analyze --symbol 600519 --format markdown
python scripts/research_hub_cli.py analyze --symbol 110022 --asset-type fund --format both --out data/reports/110022
python scripts/research_hub_cli.py analyze --symbol RB2610 --asset-type futures --contracts RB2610,RB2611 --spot 3100
# 有界实时刷新
python scripts/research_hub_cli.py live --symbols 600519,510300,AU2502 --iterations 3 --interval 15
# 分析已有 CSV/JSON/XLSX/PDF/文本
python scripts/research_hub_cli.py file --path data/prices.csv --symbol 600519 --format json
Python 一行调用
from stock_researcher import quick_research
result = quick_research("600519", question="当前风险收益比如何？")
print(result["executive_summary"])
print(result["forecasts"])
新增 MCP 工具
research_brief：统一研究简报（JSON/Markdown）。analyze_local_dataset：本地数据集分析。
30 秒上手
# 1. 离线自检（确认一切就绪）
python scripts/stock_predict.py --test
# 2. 查看一只股票
python scripts/stock_predict.py 600519 --simple
# 3. 快速模式（跳过耗时计算，适合批量使用）
python scripts/stock_predict.py 600519 --simple --quick
常用命令
| 场景 | 命令 |
|------|------|
| A股单股 | python scripts/stock_predict.py 600519 |
| 港股 | python scripts/stock_predict.py hk:00700 --simple |
| 美股 | python scripts/stock_predict.py us:AAPL --simple |
| 全球指数 | python scripts/stock_predict.py idx:N225 --simple |
| 黄金期货 | python scripts/stock_predict.py gold:comex --simple |
| 批量多市场 | python scripts/stock_predict.py "600519,hk:00700,us:AAPL" |
| JSON 输出 | python scripts/stock_predict.py 600519 --json |
| 板块RPS排名 (v9.0) | python scripts/stock_predict.py --sector-ranking cn |
| 市场体制 (v9.0) | python scripts/stock_predict.py --index-regime sh000001 |
| 宏观情景 (v9.0) | python scripts/stock_predict.py --scenario |
| 自上而下全景 (v9.0) | python scripts/stock_predict.py --topdown cn |
| 语音交互 (v9.4) | python run_voice.py 或 python scripts/stock_predict.py --voice |
| 量化一站式体检 (v9.4) | python -c "from stock_researcher import quick_advanced_stats; print(quick_advanced_stats([100,101,103,102,105]))" |
| 大佬圆桌 (v9.5) | python scripts/stock_predict.py --masters 600519 |
| 批量并行+耗时 (v9.5) | python scripts/stock_predict.py "600519,000858" --timing |
| 知识库状态 (v9.8) | python scripts/stock_predict.py --kb |
| 保存到知识库 (v9.8) | python scripts/stock_predict.py --kb-save 600519 （可加 --kb-target 指定 12 适配器） |
| 知识库检索 (v9.8) | python scripts/stock_predict.py --kb-search 茅台 |
| 知识库回读量化 (v9.8) | python scripts/stock_predict.py --kb-quant 茅台（离线体检+形态预测） |
| 语音存档知识库 (v9.8) | python run_voice.py 后说：“把茅台保存到 ragflow 知识库” / “查一下语雀知识库里的茅台” |
知识库交互（v9.8，12 适配器）
| 适配器 | 说明 | 凭证 |
|---|---|---|
| local | 本地兜底库 data/knowledge_base/，MD5 幂等 | 无需 |
| obsidian | 直写 Vault 目录（Markdown + frontmatter） | OBSIDIAN_VAULT_PATH 或 config/knowledge_config.json |
| ima | 腾讯 IMA OpenAPI（笔记创建→知识库关联→检索） | IMA_OPENAPI_CLIENTID / IMA_OPENAPI_APIKEY |
| dify | Dify Knowledge API（create/update/retrieve） | DIFY_API_KEY（可选 DIFY_BASE_URL/DIFY_DATASET_ID） |
| ragflow | RAGFlow 开源 RAG（dataset 定位/创建 + multipart 上传 + 语义检索） | RAGFLOW_API_KEY（可选 RAGFLOW_BASE_URL） |
| fastgpt | FastGPT（虚拟集合 + pushData 全文入库 + 语义检索） | FASTGPT_API_KEY（可选 FASTGPT_BASE_URL） |
| maxkb | MaxKB（web 文档入库 + hit_test 命中检索） | MAXKB_API_KEY（可选 MAXKB_BASE_URL） |
| yuque | 语雀（同名文档新建/PUT 更新 + 全站检索） | YUQUE_TOKEN + YUQUE_REPO（或 YUQUE_LOGIN+YUQUE_REPO_NAME） |
| feishu | 飞书知识库（租户令牌 + wiki 建节点 + 正文写入） | FEISHU_APP_ID / FEISHU_APP_SECRET（可选 FEISHU_WIKI_SPACE_ID） |
| notion | Notion（新建页面，同名幂等追加） | NOTION_API_KEY + NOTION_PARENT_PAGE_ID |
| siyuan | 思源笔记（本地内核 API，笔记本定位 + Markdown 直写 + 全文检索） | 无需（可选 SIYUAN_URL/SIYUAN_TOKEN/SIYUAN_NOTEBOOK） |
| logseq | Logseq 图谱（直写 pages/*.md，索引外置不污染图谱） | LOGSEQ_GRAPH_PATH |
保存的笔记内嵌机读 JSON（价格序列/评分/蒙特卡洛），--kb-quant 据此离线跑 QuantMetrics 体检 +
历史形态匹配预测，无需重新联网拉行情。同步日志存 data/knowledge_sync_log.json（保留 200 条）。
代码格式速查
| 市场 | 格式 | 示例 |
|------|------|------|
| A股 | 6 位数字 | 600519 cn:600519 |
| 港股 | hk: + 代码 | hk:00700 00700.HK |
| 美股 | us: + 代码 | us:AAPL AAPL.US |
| 全球指数 | idx: + 指数码 | idx:N225 idx:SPX idx:上证指数 |
| 商品期货 | 品种:交易所 | gold:comex crude:wti |
功能速查
# 价值投资分析
from stock_researcher.value_investing_decision_integration import ValueInvestingDecision
print(ValueInvestingDecision.format_report(ValueInvestingDecision().analyze('600519')))
# 基金十维评分
from pkg.fund_analyzer import score_fund_v3
print(score_fund_v3('110022'))
# 多资产推演（股票/基金/期货/指数）
from stock_researcher import quick_forecast, detect_asset_type
print(detect_asset_type('fund:110022')) # → fund
print(detect_asset_type('etf:510300')) # → fund
print(quick_forecast('fund:110022')['direction'])
# 统一量化体检（纯标准库）
from stock_researcher import compute_quant_metrics, format_quant_metrics
metrics = compute_quant_metrics(
[100, 101, 103, 102, 105, 104, 106],
benchmark_prices=[100, 100.5, 101, 101.5, 102, 102.5, 103],
)
print(format_quant_metrics(metrics))
# 投资筛选（PE<20 且 ROE>15 的港股）
from stock_researcher.screening import UnifiedScreener
r = UnifiedScreener().screen_stocks({'pe_max': 20, 'roe_min': 15}, market='hk')
print(r[:5])
# 舆情监控
from stock_researcher.sentiment_sentiment_engine import UnifiedSentimentEngine
print(UnifiedSentimentEngine().analyze_stock('00700', 'hk'))
# 回测验证
from stock_researcher.evolution_backtest_engine import BacktestEngine
print(BacktestEngine('00700', 'hk').run_and_report())
# ── v9.0 深度板块 / 深度指数 / 体制感知预测 ──
# 板块相对强度 RPS 排名（真实成分股 vs 沪深300，含百分位）
from stock_researcher import rps_ranking
ranking = rps_ranking("cn")
print([(r.sector, r.rps_score, r.rps_percentile, r.rs_trend) for r in ranking[:5]])
# 板块宽度（%在MA20/50/200、新高新低、Zweig推动、背离）
from stock_researcher import analyze_breadth
b = analyze_breadth("电子")
print(b.pct_above_ma20, b.health, b.breadth_thrust, b.divergence)
# 主题概念板块（AI算力/人形机器人/低空经济/固态电池/氢能/创新药...）
from stock_researcher import list_themes, analyze_theme
print(list_themes("cn"))
print(analyze_theme("AI算力", "cn")["strength"].rps_score)
# 轮动周期阶段（美林时钟）
from stock_researcher import detect_cycle_stage
stage = detect_cycle_stage("cn")
print(stage.stage, stage.favored_sectors)
# 指数市场体制（牛/熊/震荡+概率）
from stock_researcher import classify_market_regime
reg = classify_market_regime("sh000001")
print(reg.regime, reg.probabilities, reg.regime_score)
# 波动率体制 / 市场结构 / 市场内含
from stock_researcher import analyze_volatility, analyze_market_structure, \
analyze_market_internals
print(analyze_volatility("sh000001").regime)
print(analyze_market_structure("sh000001").trend_structure)
print(analyze_market_internals("sh000300").mcclellan)
# 指数真实 PE 历史分位（多级降级，无分位不编造）
from stock_researcher import classify_index_valuation
iv = classify_index_valuation("sh000300")
print(iv.pe, iv.pe_percentile, iv.valuation_label, iv.data_mode)
# 体制感知预测（regime="auto" 一键开启；默认 None 与 v8.0 一致）
from stock_researcher.fusion_multi_horizon_forecaster import MultiHorizonForecaster
fc = MultiHorizonForecaster().forecast_stock("600519", regime="auto")
print(fc.regime, fc.horizons["1M"].direction, fc.horizons["1M"].confidence)
# 宏观情景概率加权 + 预测校准
from stock_researcher import analyze_scenarios, calibrate_confidence
rep = analyze_scenarios(0.08, 0.20)
print(rep.weighted_return, rep.tail_risk, rep.upside_probability)
print(calibrate_confidence(0.7, horizon="1M"))
# 自上而下市场全景（宏观→板块→指数 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）──
from stock_researcher import interpret_report, format_report
rep = interpret_report("600519", period="2024") # "2024"=年报；"2025Q3"/"2025H1" 亦可
print(rep.verdict, rep.metrics["revenue_yoy"], rep.metrics["net_profit_yoy"])
print(format_report(rep))
# ── v9.4 高级量化统计 + 语音交互（零依赖）──
from stock_researcher import rolling_metrics, drawdown_report, kelly_fraction, quick_advanced_stats
rolling_metrics(prices, window=60) # 滚动年化收益/波动/Sharpe/回撤
drawdown_report(prices) # Top-N 回撤剖析：深度/谷底/恢复期
kelly_fraction(0.55, 1.8) # 凯利仓位（默认半凯利封顶 25%）
quick_advanced_stats(prices) # 一站式体检：统计检验+仓位建议+业绩归因
from stock_researcher import parse_voice_command, VoiceResearchChat
parse_voice_command("预测茅台") # {'intent':'predict','code':'600519',...}
# 语音循环：python run_voice.py（或 stock_predict.py --voice；STT 不可用自动降级文本输入）
# 语音说“大佬们怎么看茅台” → intent='masters' 直接进入圆桌（v9.5）
# ── v9.5 大佬圆桌（6 位大师策略共识参考面板）──
from stock_researcher import MasterInput, MasterCouncil
inp = MasterInput.from_market(code="600519", price=1500, pe=22, roe=30, closes=prices)
rep = MasterCouncil().analyze(inp) # 置信度×权重共识分 + 多空一致度 + 最乐观/最谨慎代表
print(MasterCouncil.format(rep)) # 中文圆桌报告（数据缺失诚实降级不编造）
主要功能模块
| 模块 | 说明 | 依赖 | |------|------|------| | stock_predict.py | CLI 预测引擎（12项指标+蒙特卡洛+七维评分） | 零依赖 | | value_investing/ | DCF估值+护城河+财务健康+管理层+行业分析 | 零依赖 | | fund_analyzer | 基金十维评分+VaR+风格漂移检测 | 零依赖 | | fusion/ | 多周期预测（1d~6M，10维信号融合） | 零依赖 | | screening.py | 多市场多条件筛选+6套预设策略 | 零依赖 | | sentiment/ | 新闻+论坛+研报舆情监控 | 零依赖 | | agents/ | 巴菲特/格雷厄姆/林奇 + v9.5 索罗斯/费雪/达利欧/马克斯/格林布拉特/利弗莫尔圆桌共识 | 零依赖 | | quantitative/ | GARCH/10因子/配对交易/ML预测 + v9.0 宏观情景引擎 | 可选 numpy | | sector_analysis/ (v9.0) | RPS相对强度/宽度/离散度/主题概念/轮动周期 | 零依赖 | | index_analysis/ (v9.0) | 市场体制/波动率体制/市场结构/内含/McClellan/真实PE分位 | 零依赖 | | fusion/regime_overlay (v9.0) | 体制条件化权重+熊市动量折扣（regime="auto"） | 零依赖 | | evolution/calibration (v9.0) | 预测置信度校准（可靠性曲线+Brier） | 零依赖 | | analysis/top_down (v9.0) | 自上而下市场全景报告 | 零依赖 | | research/financial_report (v9.2) | 定期报告解读（年报/半年报/季报 同比环比+亮点风险） | 零依赖 | | quantitative/pattern_predictor (v9.3) | 历史形态匹配预测（股票/基金/期货通用） | 零依赖 | | quantitative/advanced_stats (v9.4) | 滚动指标/回撤剖析/仓位计算/统计检验/业绩归因 | 零依赖 | | voice_interface (v9.4) | 语音交互（SAPI 零依赖 TTS/STT + 口语指令引擎，可选 vosk/pyttsx3 升级） | 零依赖 | | agents/master_council (v9.5) | 大佬圆桌：6 策略统一快照评分 + 置信度加权共识 + 多空一致度 | 零依赖 | | 性能优化 (v9.5) | 行情+K线并行拉取/批量标的并发/ATR 去重/--timing | 零依赖 |
⚠️ 重要提示（必读）
| 限制 | 说明 |
|------|------|
| 🔴 需国内直连 | 数据源为腾讯/东财国内接口，开启代理反而会失败（会走海外 IP 被拒） |
| 🟡 时效分层 | 公开接口通常有延迟；v12 每条数据标 freshness（realtime/delayed/closing/estimated/stale），不承诺逐笔实时 |
| 🟡 评分≠盈利预测 | 预测评分表示历史上相似条件下约 X% 概率上涨，不保证未来 |
| 🟡 不构成投资建议 | 仅供学习参考，买卖决策自行负责 |
| 🟡 akshare 可选 | 部分高级功能需要 pip install akshare，未装自动降级 |
❓ 常见问题与避坑指南
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: 不承诺逐笔实时。腾讯/东财等公开接口通常有数秒延迟，非交易时段返回收盘价；v12 会在报告与 JSON 中标注来源、抓取时间、freshness 和 as_of。高频交易请使用有授权的专业行情。
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: 先跑 python scripts/research_hub_cli.py doctor --offline，再跑 python scripts/stock_predict.py --test。
Q9: 为什么有些股票分析结果为空？
A: 可能原因：1）代码格式错误（港股/美股需加前缀）；2）该股票在腾讯/东财无数据；3）网络问题。先用 --test 确认环境正常。
Q10: 能分析期货/期权吗？
A: v12 支持国内商品/金融期货真实报价、基差、期限结构、持仓与概率预测；期权仍不在承诺范围内。
目录结构
stock-researcher/
├── SKILL.md # Agent 触发指南
├── README.md # 本文件
├── run_voice.py # v9.4 语音交互入口（--text/--no-tts）
├── scripts/
│ ├── stock_predict.py # CLI 预测引擎（兼容入口）
│ └── research_hub_cli.py # ★ v12 一键研究 CLI（analyze/live/file/doctor）
├── stock_researcher/ # 核心模块库（含 research_contracts/data/analysis/hub）
├── pkg/ # 基金分析 + HTTP 工具
├── config/ # 配置文件
└── tests/ # 895 个测试用例
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。