MY-DOGE-MICRO

MY-DOGE QUANT SYSTEM 是一个本地优先（Local-First）的量化投资战略指挥平台。它集成了通达信（TDX）本地数据清洗、宏观战略定调（Macro Beta）、微观动量选股（Micro Alpha）以及基于 LLM 的深度行业分析功能，旨在为个人投资者提供机构级的决策辅助。

Python

public

View on GitHub

MY-DOGE QUANT SYSTEM

MY-DOGE QUANT SYSTEM 是一个本地优先（Local-First）的量化投资战略指挥平台。它集成了通达信（TDX）本地数据清洗、宏观战略定调（Macro Beta）、微观动量选股（Micro Alpha）以及基于 LLM 的深度行业分析功能，旨在为个人投资者提供机构级的决策辅助。

项目概览
核心功能
系统架构
组件详解
API 调用与模型集成
配置详解
API 调用详细流程
数据库架构
- 表结构
- 数据库初始化
错误处理与系统健壮性
扩展开发指南
部署注意事项
故障排除
- 常见问题及解决方案
- 日志查看
贡献指南
快速开始
开发指南

项目概览

MY-DOGE QUANT SYSTEM 采用三层架构，将数据清洗、策略生成和用户交互分离。所有数据本地存储，不依赖云服务，保护用户隐私并降低延迟。

本系统设计目标：

数据主权：所有数据本地存储 (SQLite)，无云端依赖。
消除幻觉：在 AI 推理过程中引入实时联网校准 (Real-time Calibration)，确保行业归类准确。
量化风控：结合 LLM 的定性分析与 RSRS/VolSkew 等硬核定量指标。
易用性：PyQt6 图形化界面，一键操作。

核心功能

📊 双轨制数据中心 – 支持 A 股与美股的全量历史数据导入、清洗与本地存储，完全摆脱对昂贵数据终端的依赖。
🌍 宏观战略定调 – 一键生成宏观对冲策略报告。
- 量化仪表盘：集成 RSRS (阻力支撑相对强度) 判断趋势强度，Vol Skew (波动率偏度) 预警变盘风险。
- AI 决策：由 DeepSeek 判定当前市场水位 (Risk-On / Risk-Off)。
🧠 行业景气度扫描 – 结合宏观背景与微观强势股清单，利用大模型推理产业链共振逻辑。
- 防幻觉机制：自动并发调用 yfinance 校验股票名称与所属板块，修正 AI 的认知偏差。
- 智能缓存：股票元数据自动缓存至本地 JSON 文件，网络不佳时仍可离线演示，提升系统健壮性。
- 语义化归档：自动提取研报核心结论作为标题进行归档。
📈 动量选股 – 基于修正的动量模型筛选强势股。
💾 研报智库 – 自动归档所有分析报告至本地数据库，支持历史回溯与知识沉淀。

系统架构

三层架构

┌─────────────────────────────────────────────────────────────┐
│                   交互层 (Interface Layer)                   │
│  [Dashboard] 主控台集成                                      │
│  ├── 🚀 市场扫描 (Scanner)                                   │
│  ├── 🇨🇳/🇺🇸 档案局 (Data Editor)                              │
│  ├── 🧠 研报智库 (Insights)                                  │
│  └── 🔎 行业扫描 (Analysis)                                  │
└─────────────────────────────────────────────────────────────┘
                            │
┌─────────────────────────────────────────────────────────────┐
│                   微观层 (Micro Layer)                      │
│  [TDXLoader] 通达信解析  →  [MarketScanner] 清洗过滤         │
│  [Momentum] 动量计算     →  [IndustryAnalyzer] 行业分析      │
│  (特性: 实时联网校准股票元数据)                               │
└─────────────────────────────────────────────────────────────┘
                            │
┌─────────────────────────────────────────────────────────────┐
│                   宏观层 (Macro Layer)                      │
│  [DataLoader] 全球资产数据 (yfinance)                        │
│  [Strategist] 策略生成 (DeepSeek API)                        │
│  (特性: RSRS趋势 + VolSkew风控 + 结构化Prompt)               │
└─────────────────────────────────────────────────────────────┘

数据流转 (Data Flow)

数据摄入: 通达信 .day 文件 → 清洗过滤 → market_data_*.db
宏观定调: 全球资产数据 → 计算量化指标 (RSRS, VolSkew) → DeepSeek 推理 → 生成 Macro Report
行业分析:
- 输入: Macro Report (宏观背景) + Momentum CSV (强势股)
- 校准: 并发联网获取 Top 50 股票的真实业务信息
- 推理: DeepSeek 归纳产业链共振逻辑
- 输出: Industry Report (存入 research_insights.db)

组件详解

数据清洗管道 (Data Pipeline)

TDXReader: 高性能解析通达信二进制数据 (src/micro/tdx_loader.py)。
MarketScanner:
- A股过滤: 保留 00, 30, 60, 68 开头代码，剔除指数/基金。
- 美股过滤: 仅保留纯字母代码，剔除粉单/OTC。

宏观策略引擎 (Macro Engine)

位置: src/macro/strategist.py
量化仪表盘 (Quantitative Dashboard):
- RSRS (趋势强度): 基于 R² 与斜率符号的标准化指标，范围在 -1.0 到 1.0 之间。
  - RSRS > 0.8: 极强上涨趋势
  - 0.5 < RSRS ≤ 0.8: 中等上涨趋势
  - -0.5 ≤ RSRS ≤ 0.5: 震荡或无趋势
  - -0.8 ≤ RSRS < -0.5: 中等下跌趋势
  - RSRS < -0.8: 极强下跌趋势
- Vol Skew (5d/20d): 短期与中期波动率的比值。< 0.8 暗示变盘在即，> 1.5 暗示恐慌释放。
Prompt Engineering:
- 采用 System Prompt 强制要求数据引用 (“根据数据 [120天趋势 +5.2%]…”)。
- 严禁混淆短期波动与长期趋势。

微观动量选股引擎 (Micro Momentum Engine)

位置: src/micro/momentum_scanner.py
算法核心:
- 基于收盘价与时间序列的线性回归，计算趋势强度指标 $\text{RSRS}_{\text{micro}} = R^2 \times \text{sign}(\text{Slope})$。
- 数学定义: 对最近 $T$ 个交易日的收盘价序列 $(y_1, y_2, …, y_T)$ 与时间 $(1, 2, …, T)$ 进行普通最小二乘法 (OLS) 回归：
  $$y_t = \alpha + \beta \cdot t + \epsilon_t$$
  其中 $\beta$ 为斜率（趋势方向），$R^2$ 为决定系数（趋势平滑度）。
- 输出范围: $-1.0$ 到 $+1.0$。
  - $+1.0$: 完美的匀速上涨。
  - $-1.0$: 完美的匀速下跌。
  - $0.0$: 纯粹震荡或无序波动。
参数选择依据:
- 窗口 $T = 18$:
  1. 交易月近似: 18个交易日 ≈ 一个月（20-22天）的短周期，能过滤短期噪声而不产生过大滞后。
  2. 行业标准参考: 光大证券 RSRS 研报中使用的标准参数 $N=18$，经过广泛回测验证。
  3. 动量效应窗口: 位于短中期交界，配合 $R^2$ 过滤，旨在筛选“涨得稳”（而不是“涨得快”）的标的，这类标的更大概率在接下来的 2 周内维持惯性。
- 向量化优化: 利用线性代数预计算统计量，将计算复杂度从 $O(N \cdot T)$ 降至 $O(N)$，对于全市场扫描（$N > 10,000$）性能提升 100 倍以上。

与标准 RSRS 的区别:

维度	当前实现 (Micro Momentum)	标准 RSRS (Macro Timing)
回归对象	收盘价 vs 时间 $(Close \sim Time)$	最高价 vs 最低价 $(High \sim Low)$
物理含义	价格上涨的平滑度/稳定性	支撑位与阻力位的相对强度
优势	能有效识别“稳步推升”的黑马股，过滤大幅波动的妖股	能提前预判支撑阻力结构的崩塌（更适合择时）
适用场景	个股选股 (Stock Selection)	大盘择时 (Market Timing)

配置解耦:
- 黑名单、流动性阈值、窗口长度等参数已移至 models_config.json 的 scanner_filters 节。
- 支持动态更新，无需修改代码，遵循“开闭原则”。

AI 行业分析 (Industry Analysis)

位置: src/micro/industry_analyzer.py
工作流程:
1. 加载上下文: 自动读取最新的宏观报告摘要 (Risk Signal)。
2. 加载微观数据: 读取动量选股生成的 CSV 文件。
3. 联网校准 (关键特性): 使用 ThreadPoolExecutor 并发请求 yfinance，获取 Top 50 股票的准确名称和行业分类，注入到 Prompt 中。这有效解决了 LLM 对 A 股代码/名称对应的幻觉问题。
4. 深度推理: DeepSeek 识别细分赛道集群，生成产业链图谱。
5. 自动归档: 正则提取报告中的 TITLE: 字段，以语义化标题存入数据库。

知识库系统 (Knowledge Base)

数据库: data/research_insights.db
表结构:
- macro_reports: 存储宏观策略，包含风险信号和波动率数据。
- research_reports: 存储行业研报，包含语义化标题和完整分析。
冷启动: initialize_system_dbs() 确保系统首次运行时自动创建所有必要的表结构。

API 调用与模型集成

DeepSeek 集成

系统深度集成 DeepSeek API，支持多种模型配置：

DeepSeek Chat (v3): 适用于行业分析、文本生成，速度快，逻辑通顺。
DeepSeek Reasoner (R1): 适用于宏观复杂逻辑推理，擅长处理多变量博弈。

配置管理 (`models_config.json`)

系统通过 models_config.json 文件进行集中配置，支持多模型切换、资产配置和代理设置。

配置文件结构详解

{
    "profiles": [
        {
            "name": "🚀 DeepSeek Chat (Standard)",
            "base_url": "https://api.deepseek.com",
            "model": "deepseek-chat",
            "api_key": "YOUR_API_KEY_HERE"
        },
        {
            "name": "🧠 DeepSeek Reasoner (R1 - Pro)",
            "base_url": "https://api.deepseek.com",
            "model": "deepseek-reasoner",
            "api_key": "YOUR_API_KEY_HERE"
        },
        {
            "name": "🏠 LM Studio (Local)",
            "base_url": "http://localhost:1234/v1",
            "model": "local-model",
            "api_key": "lm-studio"
        }
    ],
    "default_profile": "🚀 DeepSeek Chat (Standard)",
    "macro_settings": {
        "lookback_days": 120,          // 中期趋势分析窗口（交易日）
        "volatility_window": 20        // 波动率计算窗口
    },
    "assets": {
        "tech": {
            "symbol": "QQQ",
            "name": "科技股(纳指)"
        },
        "safe": {
            "symbol": "GLD",
            "name": "避险黄金"
        },
        "crypto": {
            "symbol": "BTC-USD",
            "name": "数字货币"
        },
        "target": {
            "symbol": "000300.SS",
            "name": "A股核心(沪深300)"
        }
    },
    "proxy_settings": {
        "enabled": false,              // 是否启用代理
        "url": "http://127.0.0.1:7890" // 代理服务器地址
    },
    "scanner_filters": {
        "us_blacklist": ["SQQQ", "TQQQ", "SOXL", "SOXS", "SPXU", "SPXS", "SDS", "SSO", "UPRO", "QID", "QLD", "TNA", "TZA", "UVXY", "VIXY", "SVXY", "LABU", "LABD", "YANG", "YINN", "FNGU", "FNGD", "WEBL", "WEBS", "KOLD", "BOIL", "TSLY", "NVDY", "AMDY", "MSTY", "CONY", "APLY", "GOOY", "MSFY", "AMZY", "FBY", "OARK", "XOMO", "JPMO", "DISO", "NFLY", "SQY", "PYPY", "AIYY", "YMAX", "YMAG", "ULTY", "SVOL", "TLTW", "HYGW", "LQDW", "BITX"],
        "min_volume_cn": 200000000,
        "min_volume_us": 20000000,
        "max_change_pct": 400,
        "rsrs_window": 18
    }
}

配置项说明

配置组	字段	说明	默认值
`profiles`	`name`	模型配置名称（显示在GUI中）	-
	`base_url`	API 基础地址	`https://api.deepseek.com`
	`model`	模型标识符	`deepseek-chat`
	`api_key`	API 密钥	需要用户填写
`default_profile`	-	默认使用的模型配置名称	`🚀 DeepSeek Chat (Standard)`
`macro_settings`	`lookback_days`	中期趋势分析天数	120
	`volatility_window`	波动率计算窗口	20
`assets`	`tech`/`safe`/`crypto`/`target`	四大资产类别配置	见上方
`proxy_settings`	`enabled`	是否启用代理	`false`
	`url`	代理服务器地址	`http://127.0.0.1:7890`
`scanner_filters`	`us_blacklist`	美股杠杆/反向ETF黑名单	包含SQQQ, TQQQ等
	`min_volume_cn`	A股最低日均成交额阈值（单位：人民币）	200000000
	`min_volume_us`	美股最低日均成交额阈值（单位：美元）	20000000
	`max_change_pct`	最大涨跌幅过滤（防止虚假暴涨）	400
	`rsrs_window`	RSRS计算窗口（交易日数）	18

运行时配置覆盖

系统支持通过环境变量动态覆盖配置：

# 临时切换模型（优先级高于配置文件）
export DEEPSEEK_MODEL="deepseek-reasoner"
export DEEPSEEK_API_KEY="your_new_key_here"

GUI界面也提供模型切换功能，切换后会自动更新内存中的配置。

API 调用详细流程

宏观策略生成流程 (`src/macro/strategist.py`)

sequenceDiagram
    participant GUI as 图形界面
    participant Config as MacroConfig
    participant DataLoader as DataLoader
    participant Strategist as DeepSeekStrategist
    participant API as DeepSeek API
    participant File as 文件系统

    GUI->>Config: 加载配置文件
    Config->>DataLoader: 初始化数据加载器
    DataLoader->>DataLoader: 获取全球资产数据
    DataLoader->>DataLoader: 计算量化指标(RSRS, VolSkew)
    DataLoader->>Strategist: 传递指标数据
    Strategist->>Strategist: 构造结构化Prompt
    Strategist->>API: 调用generate_strategy_report()
    API-->>Strategist: 返回分析结果
    Strategist->>File: 保存报告到macro_report/
    Strategist->>GUI: 返回报告内容

关键实现细节

数据准备阶段：
- 通过 yfinance 获取指定资产的历史价格数据
- 计算 RSRS（趋势强度）和 VolSkew（波动率偏度）指标
- 生成结构化数据块，便于LLM精确引用
Prompt工程：
- System Prompt：定义分析师角色和核心规则
- User Prompt：包含结构化数据、量化仪表盘和最近价格明细
- 强制数据引用：要求所有结论必须明确引用数据来源
错误处理：
- API调用失败时记录详细日志
- 网络超时自动重试机制
- 返回空内容时的降级处理

行业分析流程 (`src/micro/industry_analyzer.py`)

sequenceDiagram
    participant GUI as 图形界面
    participant Analyzer as IndustryAnalyzer
    participant Cache as 元数据缓存
    participant YFinance as yfinance API
    participant Strategist as DeepSeekStrategist
    participant DB as 数据库
    participant File as 文件系统

    GUI->>Analyzer: 启动行业分析
    Analyzer->>Analyzer: 加载宏观报告上下文
    Analyzer->>Analyzer: 读取动量选股CSV
    Analyzer->>Cache: 查询股票元数据缓存
    alt 缓存命中
        Cache-->>Analyzer: 返回缓存的名称/行业
    else 缓存未命中
        Analyzer->>YFinance: 并发获取Top50股票信息
        YFinance-->>Analyzer: 返回实时元数据
        Analyzer->>Cache: 更新缓存
    end
    Analyzer->>Analyzer: 构造行业分析Prompt
    Analyzer->>Strategist: 调用DeepSeek API
    Strategist-->>Analyzer: 返回行业分析报告
    Analyzer->>Analyzer: 提取语义化标题
    Analyzer->>File: 保存报告到research_report/
    Analyzer->>DB: 归档到research_insights.db
    Analyzer->>GUI: 返回报告结果

防幻觉机制实现

并发联网校准：
- 使用 ThreadPoolExecutor 并发获取Top 50股票的实时信息
- 最大工作线程数：3（避免API限流）
- 重试机制：失败后等待2秒重试，最多3次
智能缓存系统：
- 缓存文件：data/meta_cache.json
- 原子写入：避免数据损坏
- 离线支持：网络不佳时使用缓存数据
语义化归档：
- 正则提取报告中的 TITLE: 字段
- 使用语义化标题作为数据库记录标识
- 便于历史回溯和知识检索

数据库架构

`research_insights.db` 表结构

`macro_reports` 表 - 存储宏观策略报告

字段名	类型	说明	示例
`id`	INTEGER	主键，自增	1
`title`	TEXT	报告标题	“MY-DOGE PRECISION MACRO REPORT”
`content`	TEXT	完整报告内容	Markdown格式报告
`risk_signal`	TEXT	风险信号	“Risk-On” 或 “Risk-Off”
`volatility`	REAL	波动率	0.1725 (17.25%)
`created_at`	TEXT	创建时间	“2024-01-06 16:28:23”
`analyst`	TEXT	分析模型	“deepseek-chat”
`tags`	TEXT	标签	“Macro,DeepSeek”

`research_reports` 表 - 存储行业研报

字段名	类型	说明	示例
`id`	INTEGER	主键，自增	1
`title`	TEXT	语义化标题	“新能源产业链景气度上行分析”
`content`	TEXT	完整报告内容	Markdown格式报告
`market_type`	TEXT	市场类型	“CN” 或 “US”
`created_at`	TEXT	创建时间	“2024-01-06 16:30:45”
`analyst`	TEXT	分析模型	“deepseek-chat”
`tags`	TEXT	标签	“Industry,DeepSeek,新能源”

数据库初始化

系统首次运行时自动创建数据库和表结构：

# src/micro/database.py 中的初始化函数
def initialize_system_dbs():
    """初始化系统数据库"""
    conn = sqlite3.connect('data/research_insights.db')
    cursor = conn.cursor()
    
    # 创建宏观报告表
    cursor.execute('''
        CREATE TABLE IF NOT EXISTS macro_reports (
            id INTEGER PRIMARY KEY AUTOINCREMENT,
            title TEXT NOT NULL,
            content TEXT NOT NULL,
            risk_signal TEXT,
            volatility REAL,
            created_at TEXT DEFAULT CURRENT_TIMESTAMP,
            analyst TEXT,
            tags TEXT
        )
    ''')
    
    # 创建行业研报表
    cursor.execute('''
        CREATE TABLE IF NOT EXISTS research_reports (
            id INTEGER PRIMARY KEY AUTOINCREMENT,
            title TEXT NOT NULL,
            content TEXT NOT NULL,
            market_type TEXT,
            created_at TEXT DEFAULT CURRENT_TIMESTAMP,
            analyst TEXT,
            tags TEXT
        )
    ''')
    
    conn.commit()
    conn.close()

错误处理与系统健壮性

1. API调用错误处理

错误类型	处理策略	用户反馈
网络超时	自动重试3次，每次间隔2秒	“网络连接不稳定，正在重试…”
API密钥无效	立即停止，记录错误日志	“API密钥无效，请检查配置”
模型不可用	切换到默认模型配置	“请求的模型不可用，已切换至默认模型”
速率限制	指数退避重试，限制并发	“API调用频繁，等待后重试”

2. 数据完整性检查

通达信数据验证：检查 .day 文件格式和完整性
CSV文件验证：确保动量选股文件包含必要字段
数据库连接验证：连接失败时自动重连
缓存一致性：定期清理过期的缓存数据

3. 降级策略

离线模式：网络不可用时使用缓存数据进行演示
简化分析：API配额不足时提供基础分析报告
本地回退：云端API失败时尝试本地模型（如配置了LM Studio）

扩展开发指南

添加新量化指标

修改 src/macro/data_loader.py：

def calculate_advanced_metrics(self, df):
    """计算高级量化指标"""
    # 现有指标计算...
    rsrs = self.calculate_rsrs(df)
    vol_skew = self.calculate_vol_skew(df)
    
    # 添加新指标，例如：动量偏离度
    momentum_deviation = self.calculate_momentum_deviation(df)
    
    # 将新指标添加到返回字典
    metrics = {
        'tech_rsrs': rsrs,
        'vol_skew': vol_skew,
        'momentum_deviation': momentum_deviation,  # 新增
        # ... 其他指标
    }
    return metrics

更新策略提示词 (src/macro/strategist.py)：
- 在 generate_strategy_report 方法中添加新指标的数据展示
- 更新System Prompt中的指标解释说明

自定义行业分析逻辑

修改提示词模板 (src/micro/industry_analyzer.py)：
- 调整 run_analysis 方法中的Prompt结构
- 添加新的分析维度要求
扩展元数据获取：
- 集成其他数据源（如东方财富、雪球）
- 添加自定义数据清洗逻辑

界面定制

添加新功能页签：
- 在 src/interface/dashboard.py 中添加新的QWidget
- 设计对应的业务逻辑类
自定义主题：
- 修改PyQt6样式表 (QSS)
- 适配深色/浅色主题

性能优化建议

数据缓存优化：
- 使用LRU缓存高频访问的数据
- 压缩历史数据存储
并发处理：
- 合理设置线程池大小（建议3-5个线程）
- 使用异步IO处理网络请求
内存管理：
- 及时释放大尺寸DataFrame
- 使用生成器处理流式数据

部署注意事项

1. 环境要求

Python版本: 3.8+
内存要求: 至少8GB RAM（处理大数据集时）
磁盘空间: 至少10GB可用空间（用于存储历史数据）
网络连接: 稳定的互联网连接（用于API调用和数据获取）

2. 代理配置

如果处于需要代理的网络环境：

编辑 models_config.json：

{
    "proxy_settings": {
        "enabled": true,
        "url": "http://your-proxy-server:port"
    }
}

环境变量设置：

# 临时设置代理
set HTTP_PROXY=http://your-proxy-server:port
set HTTPS_PROXY=http://your-proxy-server:port

3. API配额管理

DeepSeek API：关注调用频率限制和月度配额
yfinance：免费但有请求频率限制，建议添加延迟避免被封禁
本地模型：确保LM Studio或Ollama服务正常运行

4. 数据备份

建议定期备份以下目录：

data/ - 核心数据库和缓存文件
macro_report/ - 历史宏观报告
research_report/ - 历史行业研报
micro_report/ - 动量选股结果

故障排除

常见问题及解决方案

问题	可能原因	解决方案
GUI启动失败	PyQt6未正确安装	`pip install PyQt6`
通达信数据无法读取	文件路径错误或权限不足	检查路径是否正确，确保有读取权限
API调用返回空内容	API密钥无效或网络问题	检查API密钥，测试网络连接
行业分析卡顿	yfinance请求频繁被限	增加请求间隔，使用缓存数据
数据库写入失败	磁盘空间不足或权限问题	检查磁盘空间，确保有写入权限
内存占用过高	处理过大历史数据集	减少分析时间范围，分批处理数据

日志查看

系统日志保存在以下位置：

控制台输出：运行时的实时日志
文件日志：可通过配置logging模块输出到文件
错误追踪：详细错误信息会打印到控制台

如需更详细的调试信息，可修改相关模块的日志级别：

import logging
logging.getLogger().setLevel(logging.DEBUG)

贡献指南

我们欢迎社区贡献！请遵循以下流程：

1. 开发流程

Fork仓库：创建个人fork
创建分支：使用描述性分支名，如 feat/add-new-indicator
编写代码：遵循现有代码风格
添加测试：确保新功能有相应测试
提交PR：提供清晰的描述和变更说明

2. 代码规范

命名规范：使用蛇形命名法（snake_case）用于函数/变量，帕斯卡命名法（PascalCase）用于类
类型提示：尽可能添加类型提示
文档字符串：所有公共函数和类都需要docstring
错误处理：使用明确的异常处理，避免裸except

3. 测试要求

单元测试：核心功能需有单元测试
集成测试：API调用和数据流程需有集成测试
性能测试：新功能不应显著降低系统性能

4. 文档更新

README更新：新增功能需要更新文档
示例更新：提供使用示例
配置说明：如有新增配置项，需在文档中说明

5. 提交信息规范

使用约定式提交：

feat: 新功能
fix: bug修复
docs: 文档更新
style: 代码格式调整
refactor: 代码重构
test: 测试相关
chore: 构建过程或辅助工具变动

快速开始

1. 环境准备

pip install -r requirements.txt

2. 配置 API

复制模板并填入 API Key：

cp models_config.template.json models_config.json
# 编辑 models_config.json 填入你的 DeepSeek API Key

3. 启动系统

python src/interface/dashboard.py

4. 操作流程

数据准备: 在 “市场扫描” 页签，设置通达信路径 (如 D:/New_TDX)，执行 A 股/美股扫描。
宏观定调: 点击 “启动宏观分析”，系统将拉取全球数据并生成策略报告。
行业挖掘: 切换到 “行业扫描” 页签，选择宏观报告和动量 CSV，点击 “执行”。系统将自动联网校准数据并生成深度研报。
复盘: 在 “研报智库” 中查看历史分析记录。

开发指南

目录结构:
- src/interface: PyQt6 界面逻辑
- src/macro: 宏观策略、API 交互、全球数据加载
- src/micro: 通达信解析、动量计算、行业分析、数据库管理
扩展:
- 若需添加新指标，请修改 src/macro/data_loader.py 中的 calculate_advanced_metrics。
- 若需调整 AI 提示词，请修改 src/macro/strategist.py 或 src/micro/industry_analyzer.py。

许可证

Apache License 2.0

Find me

v0.3.3[beta]