from headroom import compress

result = compress(your_text, ratio=0.3)
print(result.compressed)
print(result.original) # 可逆还原

做量化最烦的不是写策略，是搭环境。

数据源、回测框架、代码调试、参数优化……光把这些串起来就够喝一壶的。这两年试了不少工具链，今天分享一套我现在用得比较顺手的方案，零策略内容，纯工具选型，放心看。

一、回测框架：Backtrader

选 Backtrader 就两个原因：

1. Python 原生，跟自己写的策略代码无缝衔接
2. 数据格式灵活，不管你是从 MySQL 读还是 CSV 喂，几行代码接上

市面上回测框架一大堆，但 Backtrader 的生态最成熟，踩坑记录一搜一大把，适合个人选手。

装完框架，配个简单的数据加载脚本，把日线数据灌进去，一个基本的回测环境就有了。代码量不大，但第一次搞的时候各种坑——编码问题、日期索引、复权处理——够折腾一两天。

这时候用 AI 编程工具辅助调试就值回票价了。

二、AI 编程工具：Cursor + Claude Code

现在写回测代码，我的流程是：

• Cursor 主力写代码：Prompt 把需求说清楚，生成骨架，我改逻辑
• Claude Code 做重构和 debug：遇到报错直接把错误信息扔给它

效率提升很明显。举个实际场景：写一个多标的并行回测的调度脚本，纯手写大概半天，用 AI 辅助一个半小时搞定，剩下时间调参数。

但这里有个实际问题——模型切换。有时候写简单逻辑用轻量模型就够了，复杂推理才上大模型。如果每次切模型都要换 API Key、换配置，很烦。

三、模型方案：方舟 Coding Plan

我现在用的方案是火山方舟 Coding Plan，核心解决了一个痛点：一个套餐，随便切模型。

订阅之后，Cursor 和 Claude Code 里配置一次 Base URL，后面在工具里直接 /model 命令就能切模型：

• DeepSeek-V4：日常编码主力
• GLM-5.2：复杂逻辑推理
• Kimi-K2.6：前端改样式的时候用

一套额度所有工具共享，不用每个工具单独买套餐。

价格方面，正常走 API 的话，DeepSeek-V4 这种模型一个月跑下来几百块很正常。Coding Plan Lite 用邀请码只要 9.4 元起/月，额度折合 token 量大概是 API 的 1 折。

而且 6 月底前 DeepSeek-V4-Pro、Kimi-K2.6、GLM-5.2 这几个模型还享 2.5 折抵扣，等于 9.4 块跑出三四倍的量。

配置步骤（5 分钟）：

1. 订阅 → https://volcengine.com/L/07-JyBvdTrU/
2. 邀请码：4MVJCSPP
3. Cursor/Claude Code 设 Base URL：
   https://ark.cn-beijing.volces.com/api/coding/v3
4. 填入 API Key，开搞

📣 最新活动： 方舟 Coding Plan 最新支持 GLM-5.2、MiniMax-M3、DeepSeek-V4 系列、Doubao-Seed-2.0 系列、Kimi-K2.6 等模型，工具不限，现在订阅叠加9.5折，低至9.4元，订阅越多越划算！

👉 https://volcengine.com/L/07-JyBvdTrU/
邀请码： 4MVJCSPP

四、数据源

数据这块我用的方案比较常规：

• 日线数据：从公开接口拉，存本地 SQLite
• 分钟线：用接口实时拿，不留库
• 财务数据：同花顺/东方财富公开页面爬

具体接口不提了，网上教程一大把，关键词搜 "A股数据 Python 接口" 就行。

五、一些经验

几个坑帮你提前踩了：

1. 回测框架选一个深耕，不要换来换去。Backtrader 够用就 staying。
2. AI 工具不要迷信，生成代码一定 review，尤其是资金管理和风控逻辑。
3. 数据和代码分离，策略代码不要硬编码数据路径，用配置文件管理。
4. 模型选合适的不选最贵的，简单任务用轻量模型省钱又省时间。

尾巴

以上就是一个散户的量化工具链配置，不涉及任何策略逻辑，纯基础设施分享。

如果你也在搭自己的量化环境，或者对 AI 编程工具感兴趣，可以试试方舟 Coding Plan。现在订阅用邀请码叠加9.5折，低至9.4元/月，模型随便切，省心又省钱。

👉 https://volcengine.com/L/07-JyBvdTrU/
邀请码： 4MVJCSPP

⚠️ 风险免责声明：本文内容仅供技术学习与交流，不构成任何投资建议或交易推荐。所有量化策略、模型调用示例均基于公开资料整理，实际交易存在市场风险，请自行评估并承担相应责任。入市有风险，投资需谨慎。

一、什么是 Headroom？为什么你需要它？

Headroom 是由 Netflix 前工程师开源的 AI 上下文压缩工具，专门放在你的 Agent（OpenClaw/Hermes）和大模型（Agnes、Claude 等）中间，自动精简长对话、日志、文件内容、工具返回大段文本、网页长文，在不丢失关键信息的前提下，砍掉 60%~95% 的 Token 消耗。

它解决你的 2 个核心痛点：

1. 对话越聊越长 → 上下文塞满导致频繁触发超长上下文报错、模型变慢

2. 读取长内容太贵 → 研报、财报、代码、网页一次性消耗上万 Token，API 费用飙升

关键特性

二、实测压缩效果（量化场景）

在实际量化交易中，Headroom 的表现尤为突出：

💡 量化交易者注意：频繁调用文件读取、网页抓取、东财研报、回测日志的场景，最容易产生海量冗余 Token。用 Headroom 能大幅降低 API 调用成本。

三、4 种接入方式（适配 OpenClaw 场景）

方式 1️⃣：透明代理模式（⭐ 最推荐，零改造）

启动本地代理服务，把 OpenClaw 的模型 base_url 指向本地代理地址，所有请求自动压缩：

# 启动代理服务
headroom proxy --port 8787

# 配置模型接口地址改为
http://127.0.0.1:8787/v1

优势：无需修改任何代码，所有请求自动经过压缩，无缝接入 Agnes / Claude / 火山引擎。

方式 2️⃣：MCP 服务模式

可封装成 ClawHub 技能，随时手动压缩粘贴的长文本、网页抓取内容、财报研报，按需精简再送入模型。

# 启动 MCP 服务
headroom mcp --port 9999

# 手动压缩
headroom compress --input report.txt

优势：灵活可控，适合需要手动选择压缩场景的量化策略开发。

方式 3️⃣：一键 Wrap 包装 Agent

直接包裹 OpenClaw 进程，全局自动上下文压缩：

headroom wrap openclaw

优势：一条命令搞定，全局自动压缩，无需任何配置。

方式 4️⃣：Python SDK 代码调用

自己写脚本批量压缩长文档、量化研报、历史对话记录：

from headroom import compress

result = compress(your_text, ratio=0.3)
print(result.compressed)
print(result.original)  # 可逆还原

优势：适合集成到自定义量化系统中，灵活控制压缩策略。

四、OpenClaw 使用优势

🚀 为什么量化交易者应该用 Headroom？

1. 大幅降低成本 — 频繁调用文件读取、网页抓取、东财研报、回测日志，用 Headroom 能砍掉 60%~95% 的 Token 消耗

2. 解决上下文溢出 — 解决长会话上下文溢出、请求超时、之前遇到的 waiting for provider response 流式卡死问题

3. 完全兼容 — 兼容 Agnes 2.0 Flash + VL 视觉模型，不影响识图、工具调用能力

4. 隐私安全 — 所有压缩在本机完成，量化策略和交易数据不会泄露

📦 快速开始

# 1. 安装
pip install headroom-ai

# 2. 启动代理
headroom proxy --port 8787

# 3. 修改 OpenClaw 模型配置中的 base_url 为
#    http://127.0.0.1:8787/v1

# 完成！所有请求自动压缩

五、资源链接

六、总结

Headroom 是一个实用且高效的 AI 上下文压缩工具，特别适合：

• ✅ 长期使用 Agnes / Claude / GPT 等大模型的量化交易者

• ✅ 需要处理大量研报、财报、代码的金融从业者

• ✅ 对 API 费用敏感的开发者

• ✅ 注重数据隐私的安全意识用户

一句话总结：装上 Headroom，Token 费用直接打骨折，而且你的量化策略数据依然牢牢掌握在自己手里。

最近 GitHub 上一个叫 KHunter 的开源项目引起了我的注意——15 种选股策略、5 维评分体系、Web 管理界面、PTrade 自动交易支持，号称"开箱即用的 A 股量化交易系统"。花了点时间研究了一下，分享我的看法。

一、KHunter 是什么？

KHunter 是开发者 ling-0729 开源的 A 股量化系统，基于原项目 a-share-quant-selector 扩展而来，MIT 许可证，完全免费。

一句话定位：面向个人投资者的全流程量化解决方案，覆盖数据获取、策略选股、择时交易、风险控制、回测验证。

二、核心亮点

15 种选股策略

5 种择时策略

布林带、RSI、支撑位、海龟策略、顺势宝，覆盖震荡、短线、波段、趋势等场景。

五维评分体系

技术面 35% + 资金面 35% + 基本面 10% + 板块强度 10% + 事件驱动 10%

从选股 → 排名评分 → 筛选过滤 → 狩猎场 → 追踪管理，形成完整闭环。

Web 管理 + K 线可视化

Flask 构建的 Web 界面，支持策略参数在线修改、回测配置、结果查看，每只入选股票自动生成 K 线图。

PTrade 自动交易

支持事件驱动模型（before_trading_start / after_trading_end），信号读取 → 委托下单 → 结果反馈全链路自动化。

风险控制

VaR 风险评估、市场温度计连续监控、自动过滤 ST / 退市 / 市值过低 / 涨幅过高股票。

三、存在的问题

数据源稳定性

这是最大的短板。KHunter 目前使用 TickFlow + 腾讯财经作为免费数据源，官方 README 也承认：

"选股排名和狩猎场等功能依赖于除 K 线以外的资金面、基本面、板块、事件等数据，可能存在数据无法稳定获取的情况。"

完整功能需要 Tushare 6000 积分。

历史数据仅 3 年

对于需要长期回测验证的策略来说，3 年数据量偏少。

单开发者项目

刚上线不久，迭代节奏和 Issue 响应速度有待观察。

四、跟 Backtrader 对比

对比项       | Backtrader         | KHunter
策略数量     | 自己写             | 15 种内置 + 可扩展
数据源       | 自建（SQLite）      | TickFlow / 腾讯财经
回测         | 专业回测引擎        | 内置回测
可视化       | matplotlib          | Flask Web + K线图
自动交易     | 需自己对接          | PTrade 内置支持
上手难度     | 中等（需会编程）    | 低（一行命令启动）
数据深度     | 无限（自己控制）    | 3 年
风险控制     | 需自己实现          | VaR + 温度计内置
适用人群     | 进阶量化开发者      | 散户 / 快速选股

五、安装体验

git clone https://github.com/ling-0729/KHunter.git
cd KHunter
pip install -r requirements.txt
python main.py web

然后访问 http://localhost:5001 即可使用全部功能。

六、总结

KHunter 是一个诚意十足的开源项目，对散户非常友好：

• 适合谁用： 想快速上手量化选股但不想从头写代码的散户
• 不适合谁用： 已经有自己工具链的进阶玩家（比如你我）
• 最大的价值： 提供了一套完整的量化选股思路参考，15 种策略的源码本身就很值得学习

对于 aiquants.cn 的读者来说，KHunter 可以作为入门量化选股的快速通道，上手门槛低，效果立竿见影。进阶之后再迁移到 Backtrader 做更精细的控制。

👉 GitHub 仓库 | MIT 开源

⚠️ 风险免责声明：本文内容仅供技术学习与交流，不构成任何投资建议或交易推荐。所有量化策略、模型调用示例均基于公开资料整理，实际交易存在市场风险，请自行评估并承担相应责任。入市有风险，投资需谨慎。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
【🔥 期货品种舆情分析】

⛏️ 焦煤期货 — 🟢 情绪偏多（强度：强）
6月26日焦煤期货主力合约大涨超3%，报817.5元/吨。山西煤矿安全大检查持续发酵，523家炼焦煤矿山产能利用率降至68.2%，环比下降3.0%。供应端收缩预期强烈，下游高炉铁水产量维持高位，焦化厂补库需求旺盛。市场看多情绪高涨，短期价格易涨难跌。

🔩 焦炭期货 — 🟡 情绪中性偏多（强度：中）
焦炭期货主力报1929.5元/吨，跌1%。焦炭第五轮提价已落地，市场人士认为后期仍有提价空间。钢厂复产速度放缓但铁水产量小幅增加，给予焦炭需求支撑。不过前期涨幅较大，期货盘面升水现货，短期进入震荡消化阶段。

🧪 烧碱期货 — 🔴 情绪偏空（强度：中）
烧碱期货主力报1850元/吨附近，供需现实仍偏弱。山东地区32%离子膜碱报价610-690元/吨，价格相对平稳。行业库存处于历年高位，山东和江苏液碱库存压力较大。出口弱势，非铝需求疲软。中长期供需过剩格局未改，反弹抛空为主。

🪟 纯碱期货 — 🔴 情绪偏弱（强度：中）
纯碱期货主力报1111元/吨，跌1.33%。供增需弱拖累，国内纯碱产能利用率反弹至78.27%，供给端压力渐显。下游光伏、浮法玻璃日熔量低位波动，需求端短期难有实质性改善。库存持续累积，现货市场弱稳为主，后续低位震荡概率较大。

🧪 PTA期货 — 🔴 情绪偏弱（强度：中）
PTA期货主力报5448元/吨，跌0.40%。原油价格因地缘缓和回落，WTI原油跌破70美元，布伦特原油报72.56美元/桶。PTA成本端支撑减弱，下游聚酯产销整体偏弱，江浙涤丝平均产销约4成。现货市场商谈氛围一般，短期承压运行。

🔬 甲醇期货 — 🟡 情绪中性（强度：弱）
甲醇期货主力报2459-2502元/吨区间震荡，跌0.64%-2.34%。霍尔木兹海峡通航不确定性仍存，但美伊停火谈判推进增加供应预期。国内化工板块整体大面积下行，甲醇跟随弱势。短期关注地缘消息面变化，交易逻辑变化较快。

🪟 玻璃期货 — 🔴 情绪偏弱（强度：中）
玻璃期货主力在1000元/吨关口下方震荡，报967元/吨。供给端日产量小幅回升，需求端地产缺口难补，光伏和汽车玻璃需求稳定但有限。浮法玻璃行业开工率降至68.37%，库存7644万重箱环比增加0.59%。天然气和石油焦工艺路线维持亏损，吨亏损逾百元。期货市场新增驱动不足，继续寻底。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
【各平台热榜】
📱 雪球·今日话题：
• 科技股回调背后，A股主线大切换
• 半导体逆势再涨4%，泥沙俱下中这个信号别忽略
• 花旗最新研报：AI光互连进入结构性上行周期
• 大模型淘汰赛之后，算力还会稀缺吗？
• 终结！新易盛跌7%，立讯跌8%，57个龙头跌停

📡 新浪财经7×24h实时快讯：
• 两部门推动猪价尽快回到合理水平，生猪行业产能去化有望加速
• 英伟达详解Rubin全面液冷技术，供应链企业业绩有望快速释放
• 微信"小微"实测：14亿人聊天框里多了一个"打工人"
• 欧盟升级对Meta调查，因其设计易使儿童上瘾
• 普华永道预测2026年全球并购交易额将达4万亿美元

🔍 百度财经热榜：
• 六张网建设总投资超7万亿元
• 中国发布首个智能体互联国家标准体系
• 国防部长回应东风-17发射画面震惊美军
• 武汉高三班级全员超600分，平均分666分
• 世界杯韩国0-1不敌南非，孙兴慜赛后致歉

🏛 第一财经·要闻：
• 国新办就"十五五"新型能源体系建设举行发布会
• *ST中基撤销退市风险警示，更名为"中基健康"
• 昀冢科技股票停牌核查，股价多次触及异常波动
• 前5个月全国财政收入首次突破10万亿
• 三部门发布稳外资15条，支持重点外企在境内上市

🤖 36氪·24小时热榜：
• 苹果宣布上调iPad及Mac价格，黄牛疯狂囤货
• DeepSeek大更新，终于"开眼"了
• 亿咖通科技拟18亿元收购Flyme
• 2026年10000个中国版Codex大乱斗
• SK海力士向全体员工发放人均超64万元绩效奖金

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
【💡 数据来源】
华尔街见闻、雪球、新浪财经、百度财经、第一财经、36氪、财联社、证券时报、隆众资讯、生意社
🕐 采集时间：2026年6月26日 08:05 (CDT)
⚠️ 免责声明：本简报仅供参考，不构成投资建议。市场有风险，投资需谨慎。

作者：五乌 Wuwu ｜ 发布日期：2026-06-22 ｜ 分类：AI量化工具 ｜ 阅读时间：约 15 分钟

前言：为什么你需要一个 AI-native 的 A 股数据工具？

作为一名每天与 AI 打交道的量化爱好者，你是否经历过这样的痛苦：

• 想用 AI 分析某只股票的估值，却发现要手动打开东方财富、同花顺、巨潮资讯等多个网站翻数据？

• 想用 Claude Code 或 Codex 写脚本拉数据，结果要记 mootdx 的 K 线参数、东财的 PDF Referer 头、iwencai 的 X-Claw 鉴权？

• 装了 akshare 想省事，结果 pandas 3.0 的 ArrowInvalid 错误让你怀疑人生？

如果你点头了，那么 a-stock-data 就是为你量身定制的。

这是一个专为 AI Agent（Claude Code、Codex、OpenClaw 等）设计的 A 股一体化数据技能（Skill），将分散在 13 个数据源 中的原始数据整合成 28 个标准化端点，AI 编程助手可以直接调用，无需你记忆任何 API 细节。

GitHub 地址：https://github.com/simonlin1212/a-stock-data

开源协议：Apache 2.0（个人和商业均可免费使用）

最新版本：V3.2.4（2026-06-20 发布）

一、核心架构：七层数据体系

a-stock-data 采用分层设计，每一层专注于特定类型的数据，层次清晰、互不干扰。

整体架构图

第一层：行情层（Market Data）⭐ 首选

这是最基础也是最高频使用的层级，涵盖了股票的核心交易数据。

关键优势：这三个数据源实测不封 IP，可以放心高频调用。

第二层：研报层（Research Reports）

深度研究者的利器，覆盖了从个股到行业的全面研报数据。

💡 提示：除 iwencai 外，其余所有数据源完全免费无 Key。iwencai 语义搜索需要单独申请 API Key（申请地址）。

第三层：信号层（Signals）🔥

捕捉市场热点和资金动向，是短线交易者的重要参考。

第四层：资金面（Capital Flow）💰

追踪大资金的真实动向，是判断主力意图的关键。

第五层：新闻层（News）📰

⚠️ 注意：财联社快讯旧 API 已全面 404，项目已改用东财全球资讯替代。

第六层：基础数据（Fundamentals）📊

第七层：公告层（Filings）📋

二、数据源优先级与防封策略

这是 a-stock-data 最值得称道的设计之一——智能数据源优先级。

核心原则

"能用通达信(mootdx)/腾讯就别用东财"

东财防封机制

东财是唯一有访问频率风控的数据源。项目内置了统一的限流入口 em_get() ：

• 串行限流：间隔 ≥ 1秒 + 随机抖动

• 会话复用：复用 HTTP 连接，减少握手开销

• 风控阈值文档化：

• 每秒 > 5 次 → 触发风控

• 并发 ≥ 10 → 触发风控

• 1分钟 ≥ 200 次 → 触发风控

• 5分钟 ≥ 300 次 → 触发风控

💡 批量任务：调大 EM_MIN_INTERVAL 环境变量即可降低频率。

三、快速上手：3 步，2 分钟装好

第一步：创建 Skill 目录

mkdir -p ~/.claude/skills/a-stock-data

第二步：下载 SKILL.md

curl -o ~/.claude/skills/a-stock-data/SKILL.md \
 https://raw.githubusercontent.com/simonlin1212/a-stock-data/main/SKILL.md

第三步：安装依赖

pip install mootdx requests pandas stockstats

注意：V3.0 起已完全移除 akshare 依赖，不再需要安装 akshare。

开始使用

启动 Claude Code，说一句：

"帮我估一下 688017，给我 PE / PEG / 消化时间"

AI 会自动激活 Skill，在约 30 秒内完成实时价查询 → 一致预期 EPS 计算 → 前向 PE / PEG / PE 消化年数的完整估值分析。

四、OpenClaw / Hermes 用户特别指南

如果你和我一样使用 OpenClaw 或 Hermes 框架，安装方式略有不同：

方法一：放入 Skill 目录（推荐）

# 克隆仓库
git clone https://github.com/simonlin1212/a-stock-data.git
cd a-stock-data

# 将 SKILL.md 复制到 OpenClaw skill 目录
cp SKILL.md ~/.openclaw/workspace/skills/a-stock-data/SKILL.md

# 安装 Python 依赖
pip install mootdx requests pandas stockstats

然后在 OpenClaw 中使用 /skill 命令加载该 Skill，或直接在与我的对话中提到相关需求即可自动激活。

方法二：直接嵌入系统 Prompt

SKILL.md 的本质是 结构化 Markdown + 内嵌 Python 代码。你可以：

1. 直接将 SKILL.md 的内容粘贴到你的系统 prompt 或项目上下文文件中

2. 内嵌的 Python 代码可直接执行

方法三：独立使用 Python 代码段

即使不使用任何 AI 编程助手，你也可以：

1. 将 SKILL.md 中的 Python 代码段复制出来

2. 在自己的脚本中直接运行

3. 作为独立的数据采集工具使用

五、实战案例：用 AI 做完整的股票调研

让我演示几个典型的使用场景：

案例 1：单票估值分析

你说："帮我估一下 688017（芯原股份），给我 PE / PEG / 消化时间"

AI 自动执行：

1. 从腾讯财经获取实时价格和市值

2. 从同花顺获取一致预期 EPS

3. 计算前向 PE、PEG 和估值消化年数

4. 输出完整估值报告

耗时：约 30 秒

案例 2：题材归因分析

你说："今天哪些股票走强，主要是什么题材"

AI 自动执行：

1. 调用同花顺热点端点获取当日强势股

2. 获取题材归因标签（编辑部人工标注）

3. 汇总分析热门板块

耗时：约 10 秒

案例 3：主题研报调研

你说："人形机器人产业链最近的研报，特别是丝杠和减速器"

AI 自动执行：

1. 通过 iwencai 进行自然语言跨主题搜索

2. 交叉补充东财 PDF 研报

3. 提取关键观点和数据

耗时：约 2 分钟

案例 4：新标的完整调研

你说："帮我调研一下 688XXX"

AI 自动执行：

1. 机构覆盖情况 → 估值分析 → 概念板块归属

2. 资金流向 → 龙虎榜记录 → 限售解禁预警

3. 融资融券数据 → 近期新闻公告

耗时：约 1 分钟

案例 5：批量对比

你说："帮我对比这 5 只半导体股的估值"

AI 自动执行：

1. 并行获取多只股票实时数据

2. 横向排列 PE、PB、市值、换手率等指标

3. 给出排序和建议

耗时：约 1 分钟

六、常见问题解答

Q1：mootdx 和腾讯有什么区别？

互补关系。mootdx = 交易层（价格 + 盘口 + K 线），腾讯 = 估值层（PE / PB / 市值 / 换手率 / 涨跌停价）。两者都不封 IP，建议搭配使用。

Q2：在海外服务器跑，mootdx 超时怎么办？

mootdx 走 TCP 直连通达信行情服务器，需要国内 IP 才稳定。海外环境建议：

• 使用代理服务器

• 切换到 yfinance 作为替代方案

Q3：腾讯 API 字段 43 是 PB 吗？

不是。43 = 振幅%，46 = PB。网上大量教程写错了，这里是实测校准结果。

Q4：V3.0 为什么移除了 akshare？

akshare 本质是对东财/同花顺/新浪等公开 API 的封装，中间层增加了故障点（版本兼容 bug、pandas 3.0 ArrowInvalid 等）。V3.0 直连底层 HTTP API，零中间依赖，更稳定可控。

Q5：行业板块为什么从同花顺换成东财？

同花顺 stock_board_industry_summary_ths 接口在 2026 年初加了反爬 401。东财 push2 行业板块（m:90+t:2）是完美替代，零鉴权且字段更丰富。

Q6：iwencai 返回 401 怎么办？

检查：

1. API Key 是否有效

2. 是否携带了 X-Claw-* Headers（SkillHub 2.0 后强制要求）

Q7：不用 Claude Code，能用吗？

完全可以。SKILL.md 本质是 Markdown + 内嵌 Python 代码。Codex、OpenClaw 或任何 AI 编程助手都能读取。你也可以直接把 Python 代码段复制出来在自己的脚本里跑。

Q8：东财资金流/个股新闻偶尔返回空或 HTTP 000？

部分大陆住宅宽带 IP 会被东财 push2/search-api 连接级间歇风控（表现 HTTP 000 连接被拒、或新闻只返回 passportWeb 无文章）。这不是代码问题——同一代码在其他网络/时段实测正常。对策：

• 隔几分钟重试

• 换网络环境（手机热点）

• 调大 EM_MIN_INTERVAL 降频

• 日级资金流也可用 mootdx 量价数据务实替代

Q9：北向资金历史只有几天？

V2.1 改为本地自缓存。每次调用自动积累，越跑越丰富。首次运行只有当天数据，后续会越来越全。

七、项目亮点总结

八、结语

a-stock-data 填补了一个长期存在的空白：让 AI Agent 也能像专业研究员一样获取和处理 A 股数据。

无论你是量化交易者、价值投资者，还是单纯想用 AI 辅助投资决策的散户，这个工具都能让你的投研效率提升一个数量级。

最重要的是——它完全免费，而且一直在进化。作者 Simon 林（抖音「Simon林」、公众号「硅基世纪」）积极响应用户反馈，每个 Issue 都会认真处理，赞助者的 Issue 还会优先处理。

GitHub：github.com/simonlin1212/a-stock-data

如果这个工具帮到了你的投研工作流，欢迎请作者喝杯咖啡 ☕

免责声明：本项目仅提供数据获取工具，不构成任何投资建议。股市有风险，投资需谨慎。

原创声明：本文根据 a-stock-data GitHub 仓库 整理改写，由五乌 Wuwu 原创编译。转载请注明出处。

** 2026-06-20

    |**  没有评论

    |**  五乌

    |**  19:57

双均线策略（Dual Moving Average Crossover）是量化交易中最经典的基础趋势跟踪策略。它通过两条不同周期的移动平均线的交叉信号判断市场趋势转向，从而做出买卖决策。

这个策略之所以经久不衰，是因为它简单、直观、完全可量化，适合作为入门量化学习的第一课，也是许多专业策略的底层逻辑构件。

移动平均线的基本原理

移动平均线（Moving Average, MA）通过计算一定周期内价格的平均值，来平滑价格数据、识别趋势方向。常见类型有两种：

• 简单移动平均线（SMA）：对选定周期内的收盘价取算术平均。例如 5 日 SMA = 最近 5 天收盘价之和 ÷ 5。

• 指数移动平均线（EMA）：对近期价格赋予更高权重，反应更灵敏。

双均线策略通常使用 SMA，计算简单、信号稳定。但使用 EMA 的变体也同样常见。

SMA 计算公式：N 日收盘价之和 ÷ N

经典双均线策略的核心逻辑

• 选择两条不同周期的移动平均线：短期均线（如 10 日、20 日）和长期均线（如 50 日、200 日）。

• 金叉（Golden Cross）：短期均线上穿长期均线 → 买入信号，趋势可能转为上涨。

• 死叉（Death Cross）：短期均线下穿长期均线 → 卖出信号，趋势可能转为下跌。

逻辑内核：短期均线代表近期市场情绪，长期均线代表长期趋势方向。当短线上穿长线，说明市场动能正在聚集。

金叉与死叉：双均线策略的核心信号

实战参数选择

不同市场和品种，适合的参数组合也不同：

实盘务必通过回测选择参数，避免过度优化。

策略的优缺点

优点

• 逻辑清晰：规则简单，易于理解与实现。

• 完全可量化：信号客观明确，适合程序化交易。

• 捕捉大趋势：强趋势行情中表现优异。

• 牛熊市通用：适用股票、期货、加密货币等多种市场。

缺点

• 滞后性：均线是滞后指标，信号出现在趋势启动之后。

• 震荡市亏损：横盘震荡中频繁交叉，产生大量假信号。

• 参数敏感：参数组合对结果影响巨大。

如何优化双均线策略

基础策略虽然有效，但直接实盘往往不够。以下优化方法值得尝试：

• 增加过滤器：加入 RSI、布林带等指标过滤震荡市假信号。

• 动态止盈止损：结合 ATR（平均真实波幅）设置动态止损。

• 多时间框架确认：大周期判方向，小周期找入场点。

• 机器学习辅助：用 ML 模型判断趋势/震荡状态，动态切换策略。

双均线策略优化路线图

总结

双均线策略是每个量化交易者都应掌握的入门策略。它的价值不仅在于策略本身，更在于它展示了一个完整的量化交易框架：从逻辑定义、信号生成、参数选择到回测优化的全流程。

无论你是初学者还是经验丰富的交易者，双均线策略都可以作为策略库中最基础、最可靠的一块拼图。当你理解并驾驭了双均线，你就掌握了趋势跟踪的核心思想。

最近发现一个有意思的模型——Agnes AI，新加坡本土 AI 公司开发的，主打 API 免费无限量，在 Claw-Eval 等几个独立榜单上挤进了全球 Top 10。注册试了一下，分享给大家。

一、Agnes AI 是什么？

Agnes AI 是一家总部位于新加坡的 AI 公司，创始人 Bruce Yang（莱佛士书院毕业、UC Berkeley 数学+CS、NUS 博士），2025 年 7 月上线，到现在已经积累了 300 万+ 注册用户。

核心定位：面向东南亚和新兴市场的 AI 平台，强调更低成本、更本地化的体验。

二、Agnes 2.0 的模型阵容

实测 API 可用的模型有 5 个：

其中文字模型 Agnes-2.0-Flash 已经拿了 3 个全球 Top 10 榜单：

• Claw-Eval（Agentic 能力）
• Artificial Analysis（综合排名）
• PinchBench（Agentic AI）

三、实测效果：量化的 Coding 能力

我用 Backtrader 双均线策略的代码请求测试了一下，它给出了完整的可运行代码：

import backtrader as bt

class DualMovingAverageCrossover(bt.Strategy):
    params = (
        ('fast_period', 10),
        ('slow_period', 30),
    )

    def __init__(self):
        self.sma_fast = bt.indicators.SimpleMovingAverage(self.data.close, period=self.p.fast_period)
        self.sma_slow = bt.indicators.SimpleMovingAverage(self.data.close, period=self.p.slow_period)
        self.crossover = bt.indicators.CrossOver(self.sma_fast, self.sma_slow)

    def next(self):
        if not self.position and self.crossover > 0:
            self.buy()
        elif self.position and self.crossover < 0:
            self.sell()

代码逻辑正确，结构和注释都到位，可以直接跑。对于写常见的量化策略骨架来说，完全够用。

四、注册和配置教程（5 分钟搞定）

第一步：注册账号

打开 agnes-ai.com，用邮箱注册即可，不需要信用卡。

注册后在 Dashboard 里进入 API 管理，创建一个 API Key，复制下来。

第二步：配置 Base URL

Base URL: https://apihub.agnes-ai.com/v1

兼容 OpenAI API 格式，所以几乎所有支持 OpenAI 接口的工具都能直接用。

第三步：在 Cursor / Claude Code 中使用

Cursor 配置：

1. Settings → Models → OpenAI API Key → 填入你的 API Key
2. Base URL 设置为 https://apihub.agnes-ai.com/v1
3. Model 名称填 agnes-2.0-flash

Claude Code 配置：

# 或通过环境变量
export ANTHROPIC_BASE_URL=https://apihub.agnes-ai.com/v1
export ANTHROPIC_API_KEY=你的API_KEY

第四步：命令行测试

curl https://apihub.agnes-ai.com/v1/chat/completions 
  -H "Content-Type: application/json" 
  -H "Authorization: Bearer 你的API_KEY" 
  -d '{"model": "agnes-2.0-flash", "messages": [{"role": "user", "content": "你好"}]}'

五、跟其他模型对比

结论：

• 如果流量大、追求零成本，Agnes 作为基础模型替补很香
• 如果写复杂量化策略（多因子、风控、资金管理），还是 DeepSeek-V4 或 Claude 更稳
• 但 Agnes 的多模态能力（图+视频）是 DeepSeek 没有的

六、总结

Agnes AI 最大的亮点是 API 免费无限量 + 全球 Top 10 榜单背书，注册门槛极低，拿来当辅助工具完全没毛病。对于量化场景，日常写写策略骨架、调试代码够用，但复杂逻辑还是建议搭配 DeepSeek-V4 或 Claude Code 一起用。

东南亚能跑出这样的 AI 模型，还是挺让人惊喜的。

👉 agnes-ai.com

⚠️ 风险免责声明：本文内容仅供技术学习与交流，不构成任何投资建议或交易推荐。所有量化策略、模型调用示例均基于公开资料整理，实际交易存在市场风险，请自行评估并承担相应责任。入市有风险，投资需谨慎。