⭐ 如果您觉得这个项目有用，请先给项目Star再Fork，以支持项目发展！⭐
实践人机混合智能的理念，开发具备变现能力的金融资产智能量化分析助手。系统整合大模型智能决策与机器学习预测模型，实时监控加密货币、港股、黄金等金融市场。
- 恒生指数及港股交易信号提醒 - 恒生指数及自选股智能分析报告
- 【综合分析】港股买卖建议 - 综合买卖建议报告
多周期预测：同时预测1天、5天、20天三个周期
| 周期 | 准确率 | 特点 |
|---|---|---|
| 1天 | 51.31% | 噪音大，仅供参考 |
| 5天 | 57.17% | 趋势确认，辅助判断 |
| 20天 | 80.73% | 最可靠，主要决策依据 |
八大交易模式（Walk-forward验证，938样本）：
| 模式 | 描述 | 20天准确率 | 策略 |
|---|---|---|---|
| 110 | 震荡回调（短涨长跌） | 90.00% | ⭐ 最优做空 |
| 000 | 一致看跌 | 79.19% | 强烈卖出 |
| 111 | 一致看涨 | 70.31% | 强烈买入 |
| 100 | 冲高回落 | 87.4% | 短线看空 |
| 011 | 探底回升 | 81.4% | 抄底机会 |
四条交易法则：
| 法则 | 条件 | 胜率 | 平均收益 |
|---|---|---|---|
| 一致看涨买入 | 三周期全看涨(111) | 70.31% | +3.55% |
| 一致看跌做空 | 三周期全看跌(000) | 79.19% | +3.21% |
| 震荡回调做空 | 1-5天涨，20天跌(110) | 90.00% | +4.25% |
| 阶梯验证 | 1+5天都对→20天 | 84.1% | - |
性能指标（训练时CV验证）：
| 周期 | 准确率 | 标准差 |
|---|---|---|
| 1天 | 61.24% | ±6.51% |
| 5天 | 62.90% | ±4.61% |
| 20天 | 64.67% | ±4.32% |
模型配置：
| 参数 | 值 | 说明 |
|---|---|---|
| 预测阈值 | 0.5 | 概率 > 0.5 预测上涨 |
| 置信度分级 | 0.65 / 0.55 | 判断信号强弱 |
| 特征数量 | 918 个 | 技术指标、基本面、情感指标等 |
| 特征缓存 | 7天有效期 | 170x 加速 |
双层检测：Z-Score + Isolation Forest
验证策略（两年数据）：
| 异常类型 | 策略 | 5日收益 | 胜率 |
|---|---|---|---|
| Z-Score + 当日下跌 | 🟢 抄底 | +4.12% | 72% |
| IF high 异常 | 🔴 减仓 | -3.04% | 43% |
- 六层分析框架：风险控制 → 市场环境 → 基本面 → 技术面 → 信号识别 → 综合决策
- 板块分析：16个板块排名和龙头股识别
- 主力资金追踪：识别建仓和出货信号
选股辅助工具：对比多只股票的风险回报率，找出最佳投资标的
三种投资风格：
| 风格 | 风险权重 | 回报权重 | 适用场景 |
|---|---|---|---|
| 保守型 | 60% | 40% | 防御性资产 |
| 平衡型 | 50% | 50% | 稳健投资 |
| 激进型 | 30% | 70% | 高成长标的 |
风险指标：VaR、最大回撤、波动率、Beta、流动性
回报指标：趋势评分、动量评分、夏普比率、技术形态、实时状态
- 支持进取型、稳健型、保守型三种风险偏好
- 自动止损跟踪
- 决策一致性保护（3小时/24小时窗口）
# 恒生指数预测
python3 hsi_prediction.py --no-email
# 综合分析（含三周期预测和风险回报率分析）
./scripts/run_comprehensive_analysis.sh
# 风险回报率分析（选股辅助）
python3 ml_services/risk_reward_analyzer.py --stocks watchlist --style moderate
# 港股异常检测
python3 detect_stock_anomalies.py --mode standalone --mode-type deep
# 模型训练
python3 ml_services/ml_trading_model.py --mode train --horizon 20 --model-type catboost
# Walk-forward验证
python3 ml_services/walk_forward_validation.py --model-type catboost --horizon 20外部数据源 → data_services/ → 分析层 → ml_services/ → 输出
↓ ↓ ↓ ↓ ↓
腾讯财经 技术指标计算 异常检测 CatBoost 邮件报告
yfinance 基本面数据 综合分析 Walk-forward JSON文件
AKShare 南向资金 主力追踪 性能监控
缓存机制：
| 缓存类型 | 位置 | 有效期 | 加速效果 |
|---|---|---|---|
| 原始数据 | data/stock_cache/ |
7天 | - |
| 特征缓存 | data/feature_cache/ |
7天 | 170x |
fortune/
├── 核心脚本
│ ├── comprehensive_analysis.py # 综合分析
│ ├── hsi_prediction.py # 恒指三周期预测
│ ├── detect_stock_anomalies.py # 异常检测
│ └── simulation_trader.py # 模拟交易
├── ml_services/ # 机器学习模块
│ ├── ml_trading_model.py # CatBoost模型
│ └── walk_forward_validation.py # Walk-forward验证
├── data_services/ # 数据服务
├── anomaly_detector/ # 异常检测
├── llm_services/ # 大模型服务
├── docs/ # 详细文档
└── data/ # 数据和缓存
├── stock_cache/ # 原始数据缓存
└── feature_cache/ # 特征缓存
| 工作流 | 功能 | 执行时间 |
|---|---|---|
hsi-prediction.yml |
恒生指数预测 | 工作日 06:00 |
comprehensive-analysis.yml |
综合分析 | 工作日 16:00 |
stock-anomaly-detection.yml |
港股异常检测 | 每天凌晨2点 |
hourly-stock-monitor.yml |
交易时段监控 | 10:00-15:00 每小时 |
performance-monitor.yml |
性能报告 | 每月1号 |
# 1. 克隆项目
git clone https://github.com/wonglaitung/fortune.git
cd fortune
# 2. 安装依赖
pip install -r requirements.txt
# 3. 配置环境变量
cp set_key.sh.sample set_key.sh
# 编辑 set_key.sh，填写邮箱和API密钥
source set_key.sh
# 4. 验证安装
python hsi_email.py --no-email必填环境变量：
| 变量名 | 说明 |
|---|---|
SMTP_SERVER |
SMTP服务器地址 |
EMAIL_SENDER |
发件人邮箱 |
EMAIL_PASSWORD |
邮箱授权码 |
RECIPIENT_EMAIL |
收件人邮箱 |
QWEN_API_KEY |
通义千问API密钥 |
| 警告 | 说明 |
|---|---|
| 数据泄漏 | 准确率 >65% 通常有数据泄漏 |
| 预测阈值 | 方向判断用 0.5，不是 0.65 |
| CatBoost 1天 | 过拟合，不推荐 |
| 深度学习 | LSTM/Transformer F1≈0，不推荐 |
| Walk-forward | 唯一可信的验证方法 |
| 加密货币 | 股票策略不适用 |
- CLAUDE.md - 快速参考指南
- lessons.md - 经验教训
- progress.txt - 项目进展
- docs/ - 详细文档
- THREE_HORIZON_ANALYSIS.md - 三周期分析
- SECTOR_ROTATION_TRADING_RULES.md - 板块轮动
- programmer_skill.md - 开发规范
yfinance catboost akshare pandas scikit-learn lightgbm jieba
MIT License