quant_trading-skills

获取股票/基金等金融标的的量化数据，包括行情数据、财务数据、资金流向数据和舆情数据。支持单只股票查询和批量数据拉取。当用户需要查询股票行情、财务指标、资金流向或相关舆情信息时使用此技能。

量化数据获取

概述

本 Skill 用于获取股票/基金等金融标的的量化数据，支持以下四类数据：

1. 行情数据 (market)：获取股票历史行情数据，包括开盘价、收盘价、最高价、最低价、成交量等
2. 财务数据 (finance)：获取股票财务指标数据，包括营业收入、净利润、ROE、资产负债率等
3. 资金流向数据 (fund_flow)：获取个股资金流向数据，包括主力净流入、超大单净流入等
4. 舆情数据 (public_opinion)：获取相关舆情信息

使用说明

基本调用方式

OpenClaw 通过调用 index.js 中导出的 execute 函数来使用此 Skill：

javascript

const { execute } = require('./quant_data_fetch');

const result = await execute(params, context);

输入参数

参数名	类型	必填	说明	可选值
type	string	是	数据类型	market, finance, fund_flow, public_opinion
symbol	string	是	标的代码	例如 600519（贵州茅台）
period	string	否	行情周期（仅 market 类型需要）	1d, 1w, 1M
report_type	string	否	报告类型（仅 finance 类型需要）	quarter, year
start_date	string	否	开始日期	格式：YYYY-MM-DD
end_date	string	否	结束日期	格式：YYYY-MM-DD

输出格式

json

{
  "success": true,
  "data": {...},
  "message": "数据获取成功"
}

数据类型详解

1. 行情数据 (market)

获取股票历史行情数据。

调用示例：

javascript

const result = await execute({
  type: 'market',
  symbol: '600519',
  period: '1d',
  start_date: '2024-01-01',
  end_date: '2024-01-31'
});

返回数据示例：

json

{
  "success": true,
  "data": {
    "symbol": "600519",
    "period": "1d",
    "items": [
      {
        "date": "2024-01-01",
        "open": 1700.0,
        "high": 1750.0,
        "low": 1690.0,
        "close": 1730.0,
        "volume": 1000000,
        "amount": 1730000000,
        "change": 30.0,
        "change_percent": 1.76,
        "turnover": 0.5
      }
    ]
  },
  "message": "数据获取成功"
}

字段说明：

• date: 日期
• open: 开盘价
• high: 最高价
• low: 最低价
• close: 收盘价
• volume: 成交量
• amount: 成交额
• change: 涨跌额
• change_percent: 涨跌幅(%)
• turnover: 换手率(%)

2. 财务数据 (finance)

获取股票财务指标数据。

调用示例：

javascript

const result = await execute({
  type: 'finance',
  symbol: '600519',
  report_type: 'quarter'
});

返回数据示例：

json

{
  "success": true,
  "data": {
    "symbol": "600519",
    "report_type": "quarter",
    "items": [
      {
        "report_date": "2023-12-31",
        "revenue": 120000000000,
        "gross_profit": 80000000000,
        "net_profit": 40000000000,
        "eps": 32.0,
        "roe": 25.0,
        "asset_liability_ratio": 30.0,
        "operating_cash_flow": 35000000000
      }
    ]
  },
  "message": "数据获取成功"
}

字段说明：

• report_date: 报告日期
• revenue: 营业收入(元)
• gross_profit: 营业利润(元)
• net_profit: 净利润(元)
• eps: 每股收益(元)
• roe: 净资产收益率(%)
• asset_liability_ratio: 资产负债率(%)
• operating_cash_flow: 经营活动产生的现金流量净额(元)

3. 资金流向数据 (fund_flow)

获取个股资金流向数据。

调用示例：

javascript

const result = await execute({
  type: 'fund_flow',
  symbol: '600519'
});

返回数据示例：

json

{
  "success": true,
  "data": {
    "symbol": "600519",
    "items": [
      {
        "date": "2024-01-01",
        "main_inflow": 50000000,
        "main_inflow_rate": 2.5,
        "超大_inflow": 30000000,
        "超大_inflow_rate": 1.5,
        "large_inflow": 20000000,
        "large_inflow_rate": 1.0,
        "medium_inflow": -5000000,
        "medium_inflow_rate": -0.25,
        "small_inflow": -45000000,
        "small_inflow_rate": -2.25
      }
    ]
  },
  "message": "数据获取成功"
}

字段说明：

• date: 日期
• main_inflow: 主力净流入-净额(万元)
• main_inflow_rate: 主力净流入-净占比(%)
• 超大_inflow: 超大单净流入-净额(万元)
• 超大_inflow_rate: 超大单净流入-净占比(%)
• large_inflow: 大单净流入-净额(万元)
• large_inflow_rate: 大单净流入-净占比(%)
• medium_inflow: 中单净流入-净额(万元)
• medium_inflow_rate: 中单净流入-净占比(%)
• small_inflow: 小单净流入-净额(万元)
• small_inflow_rate: 小单净流入-净占比(%)

4. 舆情数据 (public_opinion)

获取相关舆情信息。

调用示例：

javascript

const result = await execute({
  type: 'public_opinion',
  symbol: '600519'
});

返回数据示例：

json

{
  "success": true,
  "data": {
    "symbol": "600519",
    "items": [
      {
        "date": "2024-01-01",
        "source": "东方财富网",
        "title": "贵州茅台发布2024年第一季度财报，净利润同比增长20%",
        "sentiment": "positive",
        "url": "https://www.eastmoney.com/600519"
      }
    ]
  },
  "message": "数据获取成功"
}

字段说明：

• date: 日期
• source: 来源
• title: 标题
• sentiment: 情感倾向 (positive/negative/neutral)
• url: 链接

安装要求

• Node.js: >= 16.0.0
• Python: >= 3.11.0

安装步骤

1. 安装 Node.js 依赖

   bash

   npm install
   

2. 安装 Python 依赖

   bash

   python install.py
   

   或

   bash

   pip install -r requirements.txt
   

目录结构

text

quant_trading-skills/
├── SKILL.md              # 技能核心定义文档
├── README.md             # 使用说明
├── package.json          # Node.js 依赖配置
├── requirements.txt      # Python 依赖配置
├── install.py            # 自动安装脚本
├── index.js              # 主入口文件
├── lib/                  # 核心库
│   ├── utils.js          # 工具函数
│   └── dataFetcher.js    # 数据拉取函数
└── scripts/              # 执行脚本
    └── akshare_fetcher.py # Python 数据拉取脚本

缓存机制

本 Skill 实现了内存缓存机制，相同参数的请求会缓存 1 小时，避免重复请求相同数据。

异常处理

Skill 会捕获并处理所有异常，返回统一的错误格式：

json

{
  "success": false,
  "data": null,
  "message": "执行失败: 错误信息"
}

批量拉取功能

本 Skill 支持批量拉取各类数据，适用于数据初始化或增量更新场景。

批量拉取类型

类型	说明	数据源
batch_market	批量拉取A股行情数据	akshare
batch_north_flow	批量拉取北向资金数据	akshare
batch_lhb	批量拉取龙虎榜数据	akshare
batch_sentiment	批量拉取舆情数据	akshare
batch_financial	批量拉取财报数据	akshare
stock_codes	获取全部A股股票代码列表	akshare

批量拉取调用示例

1. 批量拉取行情数据

javascript

const result = await execute({
  type: 'batch_market',
  batch_market: {
    default_years: 5,
    max_retries: 3
  }
});

返回数据示例：

json

{
  "success": true,
  "data": {
    "total_stocks": 5000,
    "success_count": 4980,
    "failed_count": 20,
    "total_records": 5000000,
    "is_incremental": false,
    "elapsed_seconds": 1800.5
  },
  "message": "批量拉取完成，成功 4980 只，失败 20 只"
}

2. 批量拉取北向资金数据

javascript

const result = await execute({
  type: 'batch_north_flow',
  batch_north_flow: {
    default_years: 5
  }
});

3. 批量拉取龙虎榜数据

javascript

const result = await execute({
  type: 'batch_lhb',
  batch_lhb: {
    default_years: 3
  }
});

4. 批量拉取舆情数据

javascript

const result = await execute({
  type: 'batch_sentiment',
  batch_sentiment: {
    default_years: 2
  }
});

5. 批量拉取财报数据

javascript

const result = await execute({
  type: 'batch_financial',
  batch_financial: {
    default_years: 3,
    max_retries: 3
  }
});

6. 获取股票代码列表

javascript

const result = await execute({
  type: 'stock_codes'
});

返回数据示例：

json

{
  "success": true,
  "data": {
    "items": [
      { "code": "000001", "name": "平安银行" },
      { "code": "000002", "name": "万科A" }
    ],
    "total": 5000
  },
  "message": "数据获取成功"
}

增量拉取机制

本 Skill 实现了智能增量拉取机制，避免重复拉取已有数据。

工作原理

1. 状态记录：每次批量拉取完成后，会在 config/fetch_status.json 中记录拉取时间
2. 日期计算：下次拉取时，根据上次拉取时间计算需要获取的日期范围
3. 增量标识：返回结果中 is_incremental 字段标识是否为增量拉取

状态文件结构

json

{
  "market": {
    "last_fetch_time": "2024-01-15 10:30:00",
    "fetch_count": 5,
    "last_fetch_count": 4980
  },
  "north_flow": {
    "last_fetch_time": "2024-01-15 11:00:00",
    "fetch_count": 3,
    "last_fetch_count": 1200
  },
  "lhb": {
    "last_fetch_time": "2024-01-15 11:30:00",
    "fetch_count": 2,
    "last_fetch_count": 500
  },
  "sentiment": {
    "last_fetch_time": "2024-01-15 12:00:00",
    "fetch_count": 1,
    "last_fetch_count": 10000
  },
  "financial": {
    "last_fetch_time": "2024-01-15 12:30:00",
    "fetch_count": 1,
    "last_fetch_count": 5000
  }
}

增量拉取逻辑

• 首次拉取：is_incremental: false，拉取 default_years 年的数据
• 增量拉取：is_incremental: true，仅拉取上次拉取时间之后的新数据
• 时间间隔：从上次拉取时间的下一天开始，到当前日期结束

Parquet 存储格式

所有批量拉取的数据均采用 Apache Parquet 格式存储，具有以下优势：

存储优势

• 高效压缩：使用 Snappy 压缩算法，压缩率高
• 列式存储：支持列级别的数据读取，查询效率高
• 跨平台兼容：支持 Python、Java、JavaScript 等多种语言读取
• Schema 演进：支持 Schema 变更，便于数据结构升级

技术规格

属性	值
压缩算法	Snappy
文件格式	Apache Parquet
依赖库	pyarrow >= 14.0.0

数据分区存储结构

批量拉取的数据按照不同维度进行分区存储，便于数据管理和查询。

目录结构

text

data/
├── market/                    # 行情数据
│   ├── 000001/               # 股票代码
│   │   ├── 2024-01.parquet   # 按月分区
│   │   ├── 2024-02.parquet
│   │   └── ...
│   ├── 000002/
│   └── ...
├── north_flow/               # 北向资金数据
│   ├── 2024-01.parquet      # 按月分区
│   ├── 2024-02.parquet
│   └── ...
├── lhb/                      # 龙虎榜数据
│   ├── 2024-01-15.parquet   # 按日分区
│   ├── 2024-01-16.parquet
│   └── ...
├── sentiment/                # 舆情数据
│   ├── 000001/              # 股票代码
│   │   ├── 2024-01-15.parquet  # 按日分区
│   │   └── ...
│   └── ...
└── financial/                # 财报数据
    ├── 000001/              # 股票代码
    │   ├── 2024.parquet     # 按年分区
    │   ├── 2023.parquet
    │   └── ...
    └── ...

分区策略

数据类型	分区维度	文件命名规则	说明
market	股票代码 + 月份	{symbol}/{YYYY-MM}.parquet	按股票代码和月份分区
north_flow	月份	{YYYY-MM}.parquet	按月份分区
lhb	日期	{YYYY-MM-DD}.parquet	按日期分区
sentiment	股票代码 + 日期	{symbol}/{YYYY-MM-DD}.parquet	按股票代码和日期分区
financial	股票代码 + 年份	{symbol}/{YYYY}.parquet	按股票代码和年份分区

数据去重策略

在增量拉取时，系统会自动处理重复数据：

1. 读取现有数据：读取已存在的 Parquet 文件
2. 合并新数据：将新数据与现有数据合并
3. 去重处理：根据主键字段去重，保留最新数据
4. 覆盖写入：将合并后的数据写回文件

主键字段

数据类型	主键字段
market	date
north_flow	date
lhb	date, symbol
sentiment	date, title
financial	report_date

注意事项

1. 确保 Python 版本 >= 3.11
2. 确保已正确安装所有 Python 依赖（akshare、pandas、pyarrow）
3. 网络连接正常，以便 akshare 获取实时数据
4. 股票代码格式：上海市场以 6 开头，深圳市场以 0 或 3 开头
5. 批量拉取耗时较长，建议在非交易时间执行
6. 首次批量拉取会获取历史数据，耗时可能超过 1 小时
7. 增量拉取仅获取新数据，耗时较短