a-stock-orchestrator

A股投研指挥官

编排调度 8 个子 Skill，串联成完整投研流水线。不自己抓数据，只做调度 + 整合 + 输出。

🎯 四种运行模式

模式一：板块扫描（"今天有什么机会？"）

触发词：今日机会、扫描市场、找机会、今天买什么、热点

流程：

Step 1 - 热点扫描
  调用 a-stock-trading-assistant（fetch_stock.py --hot-sectors）
  → 获取当日涨幅前列板块 + 资金流向

Step 2 - 龙头识别
  对 Top 3-5 热点板块，调用 a-stock-leader-identification
  → 每个板块锁定 1-2 只龙头候选

Step 3 - 基本面排雷
  对候选个股，调用 a-stock-fundamental-screening
  → 排除 ST、亏损、减持等风险标的

Step 4 - 量价验证
  对通过排雷的个股，调用 a-stock-volume-price
  → 确认走势真实性，排除诱多

Step 4.5 - 技术面快速扫描（Top 3 候选）
  对 Top 3 候选执行技术面综合分析（同模式三 Step 4.5，简化版）
  → 三方交叉验证技术面强度，排序

Step 5 - 深度分析（Top 2-3）
  默认：stock-research-engine
  辅助（如有 Token）：tradingagents-analysis
  → 输出完整研报

Step 6 - 汇总输出投资简报

模式二：板块分析（"帮我分析 XX 板块"）

触发词：分析XX板块、XX行业怎么样、板块摸底

流程：

Step 1 - 板块概况
  调用 akshare-stock 获取板块行情数据
    → stock_board_industry_name_em() 或 stock_board_concept_name_em()
  调用 a-stock-trading-assistant 获取板块实时数据

Step 2 - 热点新闻与资金流向
  调用 akshare-stock 获取板块资金流向数据
  用 web_search 搜索板块近期热点新闻（最近3天）
  → 整理板块驱动因素

Step 3 - 龙头识别
  调用 a-stock-leader-identification
  → 板块内找真龙 + 跟风股对比

Step 4 - 成分股扫描与排雷
  调用 akshare-stock 获取板块成分股列表
    → stock_board_industry_cons_em(symbol="板块名")
  调用 a-stock-fundamental-screening 对主要成分股排雷
  → 输出风险标的清单

Step 5 - 量价验证（Top 3）
  调用 a-stock-volume-price
  → 确认龙头走势

Step 6 - 深度分析（龙头股）
  默认：stock-research-engine
  辅助（如有 Token）：tradingagents-analysis

Step 7 - 输出板块分析报告

模式三：个股深度分析（"帮我看看 600519"）

触发词：分析XX、看看XX、XX怎么样、帮我看看这个票、股票代码

流程：

Step 1 - 实时行情
  调用 a-stock-trading-assistant（fetch_stock.py --code XXX）
  → 当前价、涨跌幅、成交量、技术指标

Step 2 - 历史数据
  调用 akshare-stock 获取 K 线 + 财务数据
  → 近30日K线、PE/PB/ROE等

Step 3 - 基本面排雷
  调用 a-stock-fundamental-screening
  → 排雷检查

Step 4 - 量价验证
  调用 a-stock-volume-price
  → 量价关系判断

Step 4.5 - 技术面综合分析（三方交叉验证）
  同时执行三个技术面分析方案，交叉验证：
  
  4.5a - 方案A: a-stock-kline-analyzer
    exec: python3 skills/a-stock-kline-analyzer/scripts/kline_analyzer.py --code XXX --days 60 --report
    → K线形态识别 + 量能分析 + 技术评分(0-100)
    → 提取：趋势判断、MACD信号、RSI信号、支撑位/压力位、综合建议
  
  4.5b - 方案B: stock-kline-analysis
    exec: python3 -c "
      from scripts.fetch_kline import fetch_all_timeframes
      from scripts.indicators import add_indicators
      d, w, m = fetch_all_timeframes('XXX')
      d = add_indicators(d)
      # 输出最后3日指标 + 多时间框架判断
    " (在 skills/stock-kline-analysis/ 目录下执行)
    → 多时间框架分析（日线+周线+月线）
    → 提取：均线排列、MACD/RSI/ATR 数值、布林带位置
    → 图表生成：
      exec: plot_kline(d, code='XXX', name='名称', out_path='/tmp/kline-XXX.png')
      上传飞书：feishu_doc_media insert（需先 wiki_space_node get 获取 obj_token）
      wiki node token → obj_token 转换示例：
        feishu_wiki_space_node(action="get", token="wiki_node_token")
        → obj_token, obj_type
        然后 feishu_doc_media(action="insert", doc_id=obj_token, file_path="/tmp/kline-XXX.png", type="image")
  
  4.5c - 方案C: stock-daily-analysis（AI增强）
    exec (在 skills/stock-daily-analysis/ 目录下执行):
      python3 -c "
      from scripts.data_fetcher import get_daily_data
      from scripts.trend_analyzer import analyze_stock
      from scripts.ai_analyzer import AIAnalyzer
      import json
      df = get_daily_data('XXX', 60)
      # 列名转换（tushare 中文列名 → trend_analyzer 英文列名）
      df = df.rename(columns={'日期':'date','开盘':'open','最高':'high','最低':'low','收盘':'close','成交量':'volume','成交额':'amount'})
      df = df[['date','open','high','low','close','volume']]
      tech = analyze_stock(df, 'XXX')
      tech_data = {
        'current_price': tech.current_price,
        'ma5': tech.ma5, 'ma10': tech.ma10, 'ma20': tech.ma20,
        'bias_ma5': tech.bias_ma5, 'bias_ma10': tech.bias_ma10,
        'trend_status': tech.trend_status.value,
        'macd_status': tech.macd_status.value,
        'macd_signal': str(tech.macd_signal),
        'rsi_status': tech.rsi_status.value,
        'rsi_signal': str(tech.rsi_signal),
        'volume_status': tech.volume_status.value,
        'volume_trend': str(tech.volume_trend),
        'signal_score': tech.signal_score,
        'buy_signal': tech.buy_signal.value,
        'signal_reasons': tech.signal_reasons,
        'risk_factors': tech.risk_factors,
      }
      config = json.load(open('config.json'))
      ai = AIAnalyzer(config['ai'])
      result = ai.analyze('XXX', '名称', tech_data)
      print(json.dumps(result, ensure_ascii=False, indent=2))
      "
    → LLM 趋势判断 + 买入信号评分
    → 提取：sentiment_score、trend_prediction、operation_advice、confidence_level
  
  4.5d - 三方交叉验证汇总
    对比三个方案的核心指标，判断一致性：
    - 趋势方向：三方是否一致（看多/看空/分歧）
    - MACD：金叉/死叉一致性
    - RSI：超买/超卖/中性
    - 综合评分：取均值或加权
    - 输出"技术面综合分析"章节（见输出模板）

Step 5 - 深度研报
  主力：stock-research-engine（按其分析框架执行完整6步）
  辅助（如有 Token）：tradingagents-analysis → 多智能体交叉验证

Step 5.5 - 多空辩论
  调用 stock-debate V2.1
  → 读取 skills/stock-debate/SKILL.md，按其7步流程执行
  → 数据采集：腾讯财经（直连）+ 东方财富（代理）+ AkShare
  → 代理：仅数据采集时按需启停（stock_start_proxy / stock_stop_proxy），采集完必须关闭
  → 输出多空辩论报告，写入飞书（节点：EhQ6w2F5yiC0DKkxlzlcEMvIn2f）

Step 6 - 输出个股投资简报