ljwx-stock/CHANGES_SUMMARY.md

改动总结 - 真实股票推荐系统

概述

本次更新将系统从硬编码股票列表升级为真实世界的动态股票推荐系统，集成了Claude + Qwen3 AI协作架构。

核心改动

1. 动态股票筛选系统 ✅

文件: backend/app/modules/stock_universe.py (新建)

功能:

• 从TuShare获取全部A股市场股票（~5000只）
• 三阶段智能筛选：
  • 第一阶段: 流动性筛选（日均成交额 > 1亿）
  • 第二阶段: 基本面筛选（PE < 50, PB < 10, ROE > 5%）
  • 第三阶段: 技术面筛选（MA5 > MA20, RSI < 70）
• 支持市场类型选择（主板/创业板/科创板/全市场）

核心方法:

stock_universe.get_recommended_stocks(
    market="all",
    top_n=20,
    enable_liquidity_filter=True,
    enable_fundamental_filter=True,
    enable_technical_filter=True
)

2. Claude + Qwen3 AI协作服务 ✅

文件: backend/services/ai_collaboration_service.py (新建)

架构:

用户查询
    ↓
Claude (理解意图，生成分析任务)
    ↓
Qwen3-coder:30b (执行数据分析)
    ↓
Claude (综合结果，生成自然语言回答)
    ↓
返回给用户

工作流程:

1. Claude分析: 理解用户查询，识别意图（推荐、分析、查询等）
2. 任务生成: 生成具体的分析prompts给Qwen3
3. Qwen3执行: 执行数据获取、筛选、计算等任务
4. Claude综合: 将Qwen3的分析结果转换为专业的投资建议

核心方法:

await ai_service.full_pipeline(
    user_query="帮我推荐几只银行股",
    context={}
)

3. 推荐系统升级 ✅

文件: backend/app/routes/recommendations.py (修改)

变更:

• ❌ 删除硬编码的股票列表
• ✅ 使用stock_universe动态筛选
• ✅ 保留降级机制（TuShare不可用时使用预定义列表）

前:

symbols = ["600000", "601398", "601988", "601398"]  # 硬编码

后:

recommended_stocks = stock_universe.get_recommended_stocks(
    market="all",
    top_n=30,
    enable_liquidity_filter=True,
    enable_fundamental_filter=True,
    enable_technical_filter=True
)
symbols = [stock['symbol'] for stock in recommended_stocks]

4. AI推荐集成 ✅

文件: backend/app/routes/ai_recommendations.py (修改)

变更:

• ❌ 删除get_recommendations_internal()中的硬编码数据
• ✅ 调用真实的推荐接口get_recommendations()
• ✅ 保留降级机制

核心修改:

# 使用现有的 recommendations 模块获取真实推荐
from app.routes.recommendations import get_recommendations
recommendations_response = await get_recommendations()
recommendations = recommendations_response.get("recommendations", [])

新增文件

代码文件

1. backend/app/modules/stock_universe.py - 股票池管理器
2. backend/services/ai_collaboration_service.py - AI协作服务

文档文件

1. DEPLOYMENT_GUIDE_DOCKER.md - Docker部署完整指南
2. CHANGES_SUMMARY.md - 本文档
3. deploy.sh - 自动化部署脚本

修改文件

1. backend/app/routes/recommendations.py

   • 添加stock_universe导入
   • 替换硬编码股票列表为动态筛选

2. backend/app/routes/ai_recommendations.py

   • 更新get_recommendations_internal()使用真实数据

3. docker-compose.yml

   • 已配置Ollama连接（OLLAMA_BASE_URL）
   • 已配置Qwen3模型（DEEPSEEK_MODEL=qwen3-coder:30b-a3b-q8_0）

部署方式

自动化部署（推荐）

# 一键部署
./deploy.sh

# 带日志输出
./deploy.sh --logs

# 清理旧镜像后部署
./deploy.sh --clean --logs

手动部署

# 1. 停止旧服务
docker-compose down

# 2. 构建镜像
docker-compose build

# 3. 启动服务
docker-compose up -d

# 4. 查看日志
docker-compose logs -f

关键配置

环境变量（.env）

# AI协作必需
OPENROUTER_API_KEY=sk-or-v1-xxx          # Claude API
OLLAMA_BASE_URL=http://host.docker.internal:11434
DEEPSEEK_MODEL=qwen3-coder:30b-a3b-q8_0  # 或更小的模型

# 数据源必需
TUSHARE_TOKEN=your_token                  # A股数据
ALPHA_VANTAGE_API_KEY=your_key            # 国际股票数据

# 数据库
DATABASE_URL=postgresql://stockai:stockai2025@postgres:5432/stock_ai
REDIS_URL=redis://:redis2025@redis:6379/0

前置条件

1. Ollama安装和模型下载:

   brew install ollama
   ollama serve
   ollama pull qwen3-coder:30b-a3b-q8_0
   

2. TuShare账户:

   • 注册：https://tushare.pro/register
   • 获取token并配置到.env

API变化

新增端点

端点	方法	说明
/api/assistant/chat	POST	AI助手对话（Claude + Qwen3）
/api/assistant/recommend	GET	AI智能推荐
/api/assistant/analyze-stock/{symbol}	POST	AI深度分析单只股票
/api/assistant/market-pulse	GET	AI市场脉搏

改进端点

端点	变化	说明
/api/recommendations	✅	现在使用动态筛选，从全市场选股
/api/ai/recommendations/explained	✅	使用真实数据代替模拟数据
/api/ai/market/overview	✅	集成真实市场数据

性能考虑

缓存策略

• 股票列表: 全局缓存，每天更新一次
• 筛选结果: Redis缓存60秒
• Claude响应: Redis缓存3600秒（成本优化）
• Qwen3响应: 按需执行，不缓存（保证实时性）

筛选性能

• 全量股票: ~5000只（0.5秒）
• 流动性筛选: ~1000只（10-15秒，TuShare API限流）
• 基本面筛选: ~300只（15-20秒）
• 技术面筛选: ~100只（10-15秒）
• 总耗时: 约40-60秒（首次）

优化建议:

1. 异步并行处理
2. 增加缓存TTL
3. 使用更快的筛选阶段（禁用某些筛选）
4. 使用TuShare积分账户提高API限额

AI推理性能

• Claude调用: 2-5秒（OpenRouter）
• Qwen3调用: 5-15秒（本地Ollama，取决于模型大小）
• 优化: 使用更小的Qwen模型（14b代替30b）

测试验证

1. 测试动态推荐

curl http://localhost:8001/api/recommendations | jq

预期结果:

• 返回10-20只股票
• 股票来自不同行业
• 每只股票包含PE、PB、ROE、技术指标

2. 测试AI助手

curl -X POST http://localhost:8001/api/assistant/chat \
  -H "Content-Type: application/json" \
  -d '{"message":"推荐几只银行股"}' | jq

预期结果:

• answer: Claude生成的自然语言回答
• intent: "stock_recommendation"
• data: Qwen3的分析数据

3. 测试市场概览

curl http://localhost:8001/api/ai/market/overview | jq

预期结果:

• raw_data: 真实市场数据（情绪、板块、资金流）
• ai_analysis: Claude的市场分析

故障排查

问题1: "No stocks passed filters"

原因: 筛选条件太严格 解决:

• 降低筛选阈值（stock_universe.py）
• 禁用某些筛选阶段

问题2: "Qwen3 execution failed"

原因: Ollama未运行或模型未下载 解决:

ollama serve
ollama pull qwen3-coder:30b-a3b-q8_0

问题3: "TuShare API limit exceeded"

原因: API调用频率超限 解决:

• 增加缓存TTL
• 减少并发请求
• 使用TuShare积分账户

下一步计划

短期优化

• 实现并行筛选（异步处理）
• 添加更多筛选策略（动量、低估、稳健）
• 优化Qwen3 prompt工程
• 添加回测功能验证推荐准确性

中期计划

• 集成更多数据源（Wind、彭博）
• 实现自适应筛选（根据市场环境调整阈值）
• 添加用户画像和个性化推荐
• 支持港股、美股推荐

长期愿景

• 完全自动化的投资组合管理
• 实时交易信号生成
• 多资产配置建议（股票、债券、商品）
• 风险管理和止损策略

贡献者

• 系统架构设计: @claude-code
• AI协作实现: @claude-code
• 股票筛选算法: @claude-code
• 部署和文档: @claude-code

许可证

MIT License

联系方式

• GitHub: https://github.com/your-repo
• Issues: https://github.com/your-repo/issues