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
   • 过滤成交额<1亿元的标的
   • 排除上市不满180天的新股

2. 因子评分模型：

python复制# 示例因子权重配置
factors = {
    'momentum': 0.3,      # 20日涨幅
    'volatility': 0.2,    # 波动率
    'liquidity': 0.15,    # 成交额
    'valuation': 0.15,    # PE/PB分位数  
    'news_sentiment': 0.2 # 舆情分数
}

# 分数标准化处理
def normalize_scores(df):
    for col in df.columns:
        if col in factors:
            df[col+'_score'] = (df[col]-df[col].mean())/df[col].std()
    return df

3. 结果可视化：
   使用Plotly生成包含关键指标的交互式图表，每个推荐股票都会附带：
   • 近期K线走势
   • 量价关系热力图
   • 关键因子雷达图

3.2 个股多维分析

当用户询问"某股票是否值得关注"时，系统会并行触发多个分析维度：

1. 技术面分析：

   • 趋势判断（MA、MACD）
   • 关键价位（支撑/阻力）
   • 形态识别（头肩顶、三角形等）

2. 基本面分析：

python复制def get_fundamental_analysis(code):
    # 获取最新财报数据
    fin_data = tushare.get_fina_indicator(ts_code=code)
    
    # 计算关键指标
    analysis = {
        'ROE': fin_data['roe'].iloc[0],
        '毛利率': fin_data['grossprofit_margin'].iloc[0],
        '负债率': fin_data['debt_to_assets'].iloc[0],
        '现金流': fin_data['ocfps'].iloc[0]
    }
    
    # 行业对比分析
    industry_avg = get_industry_avg(fin_data['industry'])
    return {**analysis, **industry_avg}

3. 舆情分析：
   使用SnowNLP对新闻标题进行情感分析，结合关键词提取生成情绪热词云。

3.3 大盘结构化复盘

每日收盘后自动生成的市场报告包含：

1. 指数全景：

   • 主要指数涨跌幅
   • 成交量变化
   • 北向资金流向

2. 市场宽度分析：

   指标	数值	环比变化
   上涨家数	1,892	+15%
   涨停数量	56	-8%
   连板高度	5板	持平
   炸板率	32%	+5%

3. 行业轮动监测：
   使用SW行业分类，计算当日行业强度指数：

   python复制def calc_industry_strength():
       industry_df = get_industry_data()
       industry_df['strength'] = 0.4*industry_df['涨跌幅'] + 0.3*industry_df['成交额占比'] + 0.3*industry_df['资金流入']
       return industry_df.sort_values('strength', ascending=False)
   

4. 飞书集成实践

4.1 OpenClaw路由配置

在飞书开发平台创建机器人后，需要配置OpenClaw的路由规则：

yaml复制routes:
  - pattern: "推荐(今日|今天)股票"
    service: "stock_recommend"
    params: {"type": "daily"}
    
  - pattern: "分析(.{2,6})(技术面|基本面)"
    service: "stock_analysis" 
    params: {"code": "$1", "type": "$2"}
    
  - pattern: "今天大盘(怎么样|情况)"
    service: "market_report"

4.2 消息卡片设计

采用飞书交互式消息卡片展示分析结果，关键设计点：

1. 重要数据用颜色区分（红/绿表示涨跌）
2. 复杂图表转为图片链接
3. 添加快捷操作按钮：
   • "查看详细分析"
   • "加入观察列表"
   • "设置价格提醒"

4.3 性能优化技巧

1. 预生成+缓存：
   开盘前预计算常见问题的答案模板，运行时只填充变量数据。

2. 异步处理：
   对于耗时操作（如生成走势图），先返回文字结论，再通过飞书消息更新推送图片。

3. 请求合并：
   当多个用户查询同一只股票时，合并数据请求减少API调用。

5. 实战经验与避坑指南

5.1 数据质量处理

遇到过几个典型问题：

1. 财务数据异常值：

   python复制# 处理PE为负或异常大的情况
   def clean_pe(df):
       df['PE'] = df['PE'].apply(lambda x: np.nan if x <0 or x >500 else x)
       return df.fillna(df['PE'].median())
   

2. 新闻去重策略：

   • 使用SimHash算法识别相似新闻
   • 对同一事件的多篇报道只保留信息量最大的

3. K线数据校验：
   对比不同数据源的收盘价，当差异>1%时触发报警人工复核。

5.2 分析逻辑陷阱

1. 避免过度拟合：

   • 选股因子每月重新评估有效性
   • 保留20%数据作为out-of-sample测试

2. 时间区间选择：
   技术分析默认采用最近90个交易日数据，避免短期噪音干扰。

3. 板块联动处理：
   分析个股时自动关联其所属板块的近期表现，但会标注"相关性需验证"。

5.3 运维监控方案

部署了以下保障措施：

1. 健康检查：

   • 每日8:00自动测试所有数据源连通性
   • API响应时间超过2秒触发警告

2. 异常检测：

   python复制# 监控选股结果分布变化
   def check_recommendation():
       today = get_today_recommendation()
       hist = load_historical_data()
       
       # 检查行业分布突变
       industry_change = calc_distribution_change(today, hist)
       if industry_change > 0.3:
           alert(f"行业分布变化过大: {industry_change}")
   

3. 日志分析：

   • 记录所有用户问题的响应时间
   • 统计高频查询关键词优化缓存策略

6. 效果评估与使用建议

经过3个月的实际使用，这个系统帮我：

• 节省约70%的信息收集时间
• 发现12次板块轮动机会
• 避免9次情绪化交易

对于想尝试类似项目的开发者，我的建议是：

1. 从小场景切入：先做好单个功能（如技术面分析），再逐步扩展
2. 重视可解释性：每个分析结论都要有数据支撑，避免黑箱
3. 保持迭代节奏：我坚持每周添加一个新指标或优化点
4. 平衡自动化程度：关键决策环节保留人工确认步骤

这个项目的代码我已部分开源在GitHub（隐去敏感配置），核心价值不在于具体实现，而在于展示如何将AI技术真正落地到专业领域的工作流中。下一步计划增强板块轮动监测能力，并尝试接入更多另类数据源。