飞书AI交易助手：量化分析与自动化选股实践

1. 项目概述：打造飞书内的AI交易助手

去年初，我在复盘自己的交易习惯时发现一个痛点：每次分析股票都要在多个软件间反复切换。看K线用同花顺，查基本面用东方财富，找新闻又得打开财经网站，最后还要手动整理这些碎片信息。这种低效的信息获取方式，迫使我开始思考如何用技术手段优化这个流程。

这个AI交易助手（我称之为Trading Partner）的核心定位很明确：不是替代交易决策，而是通过结构化整合各类金融数据，帮助我快速形成对个股和市场更全面的认知。经过半年多的迭代，目前它已具备三大核心功能：

• 每日自动化选股推荐
• 个股多维度分析
• 大盘结构化复盘

2. 系统架构设计

2.1 整体技术栈选择

系统采用分层架构设计，主要分为数据层、分析层和交互层：

code复制数据层
├── Tushare Pro（结构化市场数据）
├── 东方财富API（实时行情）
├── 网络爬虫（新闻舆情）
└── 本地数据库（历史数据存储）

分析层
├── 选股引擎（多因子评分模型）
├── 个股分析模块（技术面/基本面/舆情）
└── 大盘分析流水线（市场结构解析）

交互层
├── OpenClaw（自然语言路由）
├── 飞书机器人（用户界面）
└── 妙想Skills（增强数据源）

选择Python作为主要开发语言，主要考虑其在量化领域的丰富生态（Pandas、NumPy、TA-Lib等）。服务部署采用Docker容器化，方便不同模块独立扩展。

2.2 关键设计决策

1. 数据更新机制：

   • 日级数据：交易日15:30自动触发
   • 实时数据：每5分钟轮询更新
   • 新闻舆情：每小时抓取一次

2. 分析结果缓存：
   为避免频繁计算，所有分析结果都会持久化存储。例如选股结果会保存为CSV+PNG组合（数据+图表），大盘分析会生成结构化JSON。

3. 失败处理策略：
   为每个数据源配置备用API，当主数据源失效时自动切换。例如Tushare Pro请求失败时会尝试使用AKShare作为fallback。

3. 核心功能实现细节

3.1 智能选股服务

选股不是简单的指标筛选，而是建立了一个多阶段过滤体系：

1. 初筛阶段：
   • 剔除ST/*ST股票