BSpro Stock Quantization

BitSoul旗下all-in-one的A股市场综合skill，提供股票筛选策略，内置上百种行业常见量化指标, 基于MOE混合因子专家模型的股票买卖点计算判断，个股风险判定，关键指标计算，数据回测，提供准确全面且免费的股票价格与股票历史信息，板块信息与相关交易数据，提供大v交易观察等信息聚合功能

Security Scan

The skill's code, declared env var, and runtime behavior are consistent with a stock-analytics skill that needs a service token and Python runtime; it downloads and caches market data, performs backtests, and stores results locally.

Purpose & Capability

Name/description (A股 quantization, indicators, backtest, MOE model) align with required pieces: python3, a service token (BITSOUL_TOKEN), and many Python modules for data processing. The token is the primary credential used to authenticate to the vendor API. Requiring python3 and the numeric/data libraries is expected for this functionality.

Instruction Scope

SKILL.md explicitly documents reading BITSOUL_TOKEN (or a specified env file) and describes calling remote APIs and doing backtests. The code creates a local SQLite DB and caches indicator results; it will download a base data bundle (data_1.0.bin) from the vendor and decrypt it at runtime. The instructions claim the skill will not scan other local credentials; the included code appears to only read the declared env vars and the optional env file, but I did not fully audit every network call in stock_api.py / remote_api.py (files truncated).

Install Mechanism

There is no formal install spec (instruction-only), which is low risk for install-time code execution. However at runtime the skill downloads a base data package from the vendor (init_db will attempt to download data_1.0.bin from the service) and uses a local decrypt routine to process it. The skill bundles many Python files and expects Python packages (pandas, numpy, requests, sqlalchemy). Runtime network downloads are normal for data-driven skills but are a surface to review (host: info.aicodingyard.com is declared).

Credentials

Only BITSOUL_TOKEN is declared as required and is justified by the need to authenticate to the vendor API. Optional env vars (BITSOUL_TOKEN_ENV_FILE, BITSOUL_CACHE_DIR) are reasonable for configuring token loading and cache location. I saw no unexpected requests for unrelated secrets in the visible code. The decrypt module takes a key; likely that key is the token or a vendor-provided string — this is plausible for decrypting vendor data.

Persistence & Privilege

The skill writes persistent local data (SQLite database, cached indicators, and possibly a decrypted data blob) into the skill cache directory (BITSOUL_CACHE_DIR or a skill work dir). It does not request 'always: true' and does not appear to modify other skills or system-wide agent settings. Persistent storage is appropriate for a data-heavy backtesting skill but be aware data and caches will be written to disk.

Assessment

This skill appears to be what it claims: a Python-based A-share quant/analysis toolkit that needs a service token and will download and cache market data locally. Before installing, consider the following: - Provide a least-privilege token: only use a token scoped to the vendor service and avoid placing highly sensitive credentials in the same environment. - Network: the skill will contact the vendor host (info.aicodingyard.com) and declared data sources (finance.sina.com.cn); if you must run in a restricted environment, enforce outbound network rules. - Local data: the skill creates a local SQLite DB and caches indicator results and a decrypted data blob under BITSOUL_CACHE_DIR (or the default skill work dir). If you prefer isolation, run it in a container or sandbox and review the created files. - Decryption: the skill includes a custom decrypt_patch routine (uses a PRNG-based XOR stream). This is unusual but explainable (decrypting vendor data). If you have cryptographic concerns, inspect where the decryption key comes from (likely the token or a vendor-provided key) and consider the security implications. - Audit network calls: if you want higher assurance, review scripts/remote_api.py and scripts/stock_api.py (they were truncated here) to confirm which endpoints receive the token and what data is uploaded. If any of these behaviors are unacceptable (runtime downloads, persistent caches, or sending the token to remote hosts), do not install or run the skill without containment (container/VM) and further review.

简介

炒股龙虾的最佳搭档，best stock partner forever

核心优势

1. 免费稳定且每周更新的A股交易数据：为个股分析、买卖点计算、收益/回撤计算提供坚实的数据基础
2. 基于MOE混合因子专家模型的股票买卖点计算判断
3. 个股风险判定
4. 关键指标计算
5. 数据回测
6. 提供准确全面且免费的股票价格与股票历史信息
7. 板块信息与相关交易数据
8. 提供大V交易观察等信息聚合功能

Token 配置

本 skill 需要有效的 BITSOUL_TOKEN 才能使用功能 token 可前往 https://www.aicodingyard.com 免费注册申请，并配置在外部运行环境中

必需的环境变量

• BITSOUL_TOKEN：用户令牌，用于远程服务器权限验证

可选的环境变量

• BITSOUL_TOKEN_ENV_FILE：指向包含 BITSOUL_TOKEN 的 env 文件

配置方式

1. 方式一：直接设置环境变量

   export BITSOUL_TOKEN="你的令牌"
   

2. 方式二：使用 env 文件

   export BITSOUL_TOKEN_ENV_FILE="/path/to/token.env"
   

   其中 token.env 文件内容格式为：

   BITSOUL_TOKEN=你的令牌
   

注意：如果同时设置了环境变量和 env 文件，环境变量优先。

运行时描述：

• 从环境变量读取 BITSOUL_TOKEN
• 只有在显式提供 BITSOUL_TOKEN_ENV_FILE 时，才会从文件中读取 BITSOUL_TOKEN
• 根据用户的自然语言，参考references/API_FOR_LLM.md 调用对应接口
• 对“分析 / 估值 / 基本面 / 趋势 / 风险”等请求自动切到综合分析, 需要moe因子计算，返回详细信息
• 对“交易观察 / 技术分析 / 均线 / 动量 / RSI / KDJ / 布林线 / MACD”等请求需要进行moe因子计算，同时需要调用calculate_metrics进行数据回测
• 返回结构化 JSON；查询场景优先给原始数据，分析场景给结论和支撑数据
• 任何返回的股票数据，都应包括个股的完整信息，不应遗漏任何字段

安全与运行边界

• 技能所需环境变量已经在本文件 frontmatter 中显式声明
• 策略回测、因子挖矿、实时行情查询等功能会访问 info.aicodingyard.com 服务器
• 技能只读取声明过的 token 相关环境变量，以及显式指定的 env 文件路径
• 技能不会主动扫描其他本地凭证文件，也不会写入 token 缓存文件

安装

使用前先安装 Python 依赖，依赖参考assets/requirements

首次安装需要执行初始化操作，在设置好BITSOUL_TOKEN后，请进行初始化操作，可参考scripts/data_fetcher

注意事项

• api接口文档主要参考 references/API_FOR_LLM.md 对应的代码文件是scripts/stock_api.py 和 scripts/define.py

• 凭证说明：本skill需要用户Token用于数据访问权限验证。Token通过环境变量 BITSOUL_TOKEN 或 BITSOUL_TOKEN_ENV_FILE 传入。Token在数据访问时需要保持有效（请自行确保token未过期）。

• 缓存目录：BITSOUL_CACHE_DIR，可选，用于指定缓存目录和数据存储路径。默认值为系统临时目录下的 BitSoulStockSkill 子目录

• 因子挖矿：用户说"因子挖矿"、"挖矿"、"随机挖因子"、"碰碰运气"、"随机推荐"、"挖金矿"、"随机策略"时，请参考 api.random_alpha_backtest(),返回结果请参考 print(result['summary_text'])

• 因子挖矿结束后：在 print(result['summary_text']) 之后，用自然语言向用户逐一解释本次使用的每个因子是什么含义、在策略中起什么作用。解释来源是 result['factor_descriptions']，格式示例：alpha022：高价量5日相关的5日变化 × 收盘波动率，用于衡量量价相关动量的衰减程度，在本次策略中作为选股因子使用。

• 买卖建议：用户询问某只股票"能不能买"、"该不该卖"、"现在适合持有吗"、"操作建议"、"投资建议"、"买卖信号"、"值得买吗"、"要不要买"等，且用户指定了具体股票时，请参考 api.get_trade_signal(code)

• 股票显示格式：任何场景下输出股票代码时，必须同时附上股票名称，请参考 api.get_symbol_basic_infomation(code).name 获取，格式如 600519.SH（贵州茅台），请注意格式

• 买卖信号输出格式：调用 get_trade_signal() 后，按以下结构完整输出：

  1. 汇总表：信号、综合评分、置信度、分析日期
  2. 专家评分明细表：列出 result['experts'] 中所有专家（technical/alpha/fundamental/behavior），每个专家显示：评分、权重、有效指标数（valid_count/total_count）、note（若数据不足）
  3. 各专家关键细节（从 details 中挑重要的展示，不需要逐项列举）：
     • technical：说明看多/看空/中性指标各多少个，点出最关键的 2~3 个指标信号
     • behavior：列出近5日涨跌幅、涨跌停次数等关键字段
     • fundamental / alpha：若有数据则简要说明核心结论
  4. 结论与建议：引用 reason 字段，说明综合评分与阈值关系，给出操作建议
  5. 免责声明

输出行为

• 默认使用简体中文，以报告的形式输出
• 尽量充分利用接口返回的所有数据，不要随意删减，尽可能多呈现结果内容
• 分析类请求默认返回结论、关键指标、风险提示与支撑摘要

示例请求

• 请整理东方财富过去10个交易日的股价信息，并输出成表格
• 帮我看看同花顺近期最佳买点和卖点分别是多少，并给我些建议
• 整理中国石油过去半年的财务数据，帮我分析是否具备投资价值
• 过去一个月上龙虎榜最多的股票是哪只？
• 请帮我因子挖矿，看看挖出的收益率和最大回撤是多少
• 调用moe方法，帮我分析工业富联的买入点
• 最近资金流入最快和涨幅最大的板块是哪些，有什么推荐
• 给我做一份沪电股份的技术分析报告

参考资料

• 机器可读目录：references/API_FOR_LLM.dm