什么是 量化选股专家 Pro？

量化选股专家 Pro 是一款专为中国 A 股市场设计的专业级金融分析智能体。通过将基本面分析（权重 60%）与技术指标（权重 40%）相结合，该工具提供了对市场机会的全面评估。作为 Openclaw Skills 生态系统的一部分，它实现了数据收集和多因子评分等复杂过程的自动化，直接向用户提供具有参考价值的见解。

该系统利用先进的机器学习技术，包括 XGBoost 和 LightGBM 等集成模型，以高置信度预测股票表现。它还整合了替代数据源，如新闻情绪和社交媒体趋势，以确保能够全方位洞察传统扫描器经常忽略的市场动态。

下载入口:https://github.com/openclaw/skills/tree/main/skills/eric961/quant-stock-picker-pro

安装与下载

1. ClawHub CLI

从源直接安装技能的最快方式。

2. 手动安装

将技能文件夹复制到以下位置之一

优先级：工作区 > 本地 > 内置

3. 提示词安装

将此提示词复制到 OpenClaw 即可自动安装。

量化选股专家 Pro 应用场景

• 使用 Openclaw Skills 自动化中国市场的每日量化选股。
• 识别具有强劲基本面和良好技术形态的成长股。
• 通过自动分析新闻和社交媒体热度来监测市场情绪。
• 通过过滤高估值或流动性差的资产来实施系统性风险管理。
• 在每个交易日早晨生成数据驱动的投资报告。

1. 自动数据采集：每个交易日上午 9:35，智能体会启动从新浪财经、AkShare 和东方财富收集实时市场指标的数据采集。
2. 多因子评分引擎：系统根据营收增长、ROE、市盈率 (P/E) 和技术动量因子对股票进行评估。
3. AI 集成预测：评分后的数据通过 XGBoost、LightGBM 和随机森林模型的集成进行处理，以计算预测置信度得分。
4. 风险管理过滤：该技能应用严格的排除标准，剔除市盈率 > 100、成交量低（< 1000 万）或接近涨跌停板的股票。
5. 报告发布：生成结构化的前 10 名推荐报告，包括所选股票的买入理由和风险提示。

量化选股专家 Pro 配置指南

要在 Openclaw Skills 框架内开始使用此工具，请先安装必要的 Python 库：

pip install pandas numpy scikit-learn xgboost lightgbm efinance akshare

接下来，使用 openclaw 命令行界面配置每日自动化任务：

openclaw cron add --name "Daily Stock Picker" --schedule "35 9 * * 1-5" --script scripts/quant-stock-picker-ultimate-integrated.py

量化选股专家 Pro 数据架构与分类体系

该技能通过模块化目录结构组织其运行，确保在 Openclaw Skills 中的透明度和易定制性：

name: quant-stock-picker-pro
version: 1.0.0
description: AI-powered stock screening tool for Chinese A-shares. Daily picks using multi-factor analysis (fundamentals + technical + sentiment). Use when user asks about stock screening, quantitative trading, or investment opportunities.

Quant Stock Picker Pro

AI增强的A股量化选股工具，每日自动筛选优质股票。

功能

• 多因子分析：基本面（60%）+ 技术面（40%）
• AI预测：XGBoost、LightGBM、随机森林集成
• 另类数据：新闻情感、股吧情绪、搜索热度
• 风险控制：动态止损、波动率目标、行业中性化
• 自动推送：每日9:35 AM自动运行（工作日）

使用场景

用户询问以下问题时自动触发：

• "推荐股票"
• "今天买什么"
• "量化选股"
• "股票筛选"
• "投资机会"

工作流程

1. 获取数据（9:35 AM）

   • 全市场A股实时行情（新浪API）
   • 新闻情感数据（AkShare）
   • 股吧情绪数据（东方财富）

2. 多因子打分

   • 成长股因子（营收增长、利润增长、ROE、市值、PE）
   • 技术面因子（涨幅、量比、换手率、连续上涨）
   • 另类数据因子（新闻情感、社交媒体、搜索热度）

3. AI预测

   • 集成学习模型（XGBoost + LightGBM + 随机森林）
   • 交叉验证准确率：F1 0.54%
   • 置信度分级（高/中/低）

4. 风险控制

   • 排除涨停板附近（涨幅>9.5%）
   • 排除亏损企业（PE<0）
   • 排除超高估值（PE>100）
   • 确保流动性（成交额>1000万）

5. 筛选输出

   • TOP 10 推荐股票
   • 包含：代码、名称、得分、关键指标、买入理由、风险提示

输出格式

# 量化选股报告 - YYYY-MM-DD

## TOP 10 推荐

| 排名 | 代码 | 名称 | 得分 | 涨幅 | PE | 换手率 | 买入理由 |
|------|------|------|------|------|----|----|----------|
| 1 | 600989 | 宝丰能源 | 45 | +8.32% | 17.5 | 5.2% | 低估值+温和上涨+成交活跃 |

## 风险提示

?? **重要声明**：
- 本工具仅供学习参考，不构成投资建议
- 股市有风险，投资需谨慎
- 历史表现不代表未来收益
- 请根据自身风险承受能力做决策

## 系统信息

- 数据源：新浪财经（实时）
- AI模型：XGBoost + LightGBM + 随机森林
- 准确率：F1 0.54%（交叉验证）
- 运行时间：9:35 AM（工作日）

技术架构

quant-stock-picker-pro/
├── scripts/
│   ├── quant-stock-picker-ultimate-integrated.py  # 主脚本
│   ├── factor_engine.py                           # 因子工程
│   ├── data_collector.py                          # 数据采集
│   ├── risk_backtest.py                           # 风险管理
│   └── market_executor.py                         # 市场识别
├── references/
│   ├── factors.md                                 # 因子库文档
│   ├── strategies.md                              # 策略说明
│   └── data-sources.md                            # 数据源说明
└── SKILL.md                                       # 技能说明

安装

# 安装依赖
pip install pandas numpy scikit-learn xgboost lightgbm efinance akshare

# 设置定时任务
openclaw cron add --name "每日量化选股" --schedule "35 9 * * 1-5" --script scripts/quant-stock-picker-ultimate-integrated.py

配置

在 scripts/config.py 中配置：

# 筛选参数
MIN_SCORE = 25          # 最低得分
MAX_PE = 100            # 最大PE
MIN_VOLUME = 10000000   # 最小成交额（元）

# AI模型参数
USE_AI = True           # 是否使用AI增强
CONFIDENCE_LEVEL = "medium"  # 置信度阈值（high/medium/low）

# 另类数据
USE_NEWS_SENTIMENT = True     # 新闻情感
USE_SOCIAL_SENTIMENT = True   # 社交媒体
USE_SEARCH_HEAT = True        # 搜索热度

定制化

可以根据需求调整：

1. 选股策略

   • 保守型：低估值 + 回调买入
   • 进取型：成长股 + 突破买入
   • 平衡型：混合策略

2. 因子权重

   • 基本面权重（0-100%）
   • 技术面权重（0-100%）
   • 另类数据权重（0-100%）

3. 风险偏好

   • 低风险：严格筛选，10只股票
   • 中风险：适度筛选，20只股票
   • 高风险：宽松筛选，30只股票

注意事项

• ?? 仅供学习参考，不构成投资建议
• ?? 股市有风险，投资需谨慎
• ?? 历史表现不代表未来收益
• ?? 请根据自身风险承受能力做决策

更新日志

• v1.0.0 (2026-03-04): 初始版本
  • 多因子分析
  • AI预测
  • 另类数据整合
  • 风险控制

作者: Sugar Daddy 版本: 1.0.0 许可: MIT