ClawHub

stock-prediction-daily

v1.0.0

A股个股日线涨跌预测系统。七大能力：训练模型（XGBoost二分类+交叉验证+输出模型文件和报告）、优化模型（扩展特征+特征筛选）、模型预测（腾讯日线）、模型评估（日线T+1验证）、输出网页（Flask五页面仪表盘）、板块分析（直接调用stock-sector-research技能）、个股分析（直接调用stock...

1· 234· 1 versions· 0 current· 0 all-time· Updated 21h ago· MIT-0
by@yejiming

Security Scans

VirusTotalBenignClawScanBenignStatic analysisBenign

Install

openclaw skills install stock-prediction-daily

A股个股日线涨跌预测系统

基于沪深300成份股日线数据训练 XGBoost 二分类模型，预测个股下一个交易日的价格涨跌方向。预测与评估均统一使用腾讯财经日线数据，预测和评估两个步骤相互独立。除预测主流程外，本 skill 还提供两个研究入口：板块分析直接复用 stock-sector-research，个股分析直接复用 stock-watchlist-briefing。

使用约束

  • 训练、优化、预测、评估、网页能力仅使用当前 skill 目录内的文件和子目录，不要读取、修改或依赖 skill 目录外的实现文件。
  • 板块分析能力不在当前目录内重复实现，直接调用 stock-sector-research skill。
  • 个股分析能力不在当前目录内重复实现，直接调用 stock-watchlist-briefing skill。
  • 默认工作目录为 .github/skills/stock-prediction-daily/scripts/。
  • 运行、修改、排查当前 skill 自带功能时，只使用 scripts/ 和 references/ 下的内容。

项目结构

.github/skills/stock-prediction-daily/
├── SKILL.md           # 技能说明
├── references/        # 参考说明与排障文档
└── scripts/
   ├── config.py          # 配置中心（路径、股票池、超参数）
   ├── features.py        # 特征工程（100+候选技术指标）
   ├── train.py           # 训练流水线（获取数据→特征→选择→交叉验证→保存）
   ├── predict.py         # 预测流水线（腾讯日线）
   ├── evaluate.py        # 评估流水线（日线T+1验证）
   ├── app.py             # Flask网页仪表盘
   └── main.py            # 一键执行入口

运行过程中生成的 data/、models/、results/、templates/、static/ 目录都位于 scripts/ 目录下，由 scripts/config.py 自动创建。 其中 scripts/reports/ 用于保存板块分析和个股分析的文本报告，网页页面会直接读取该目录中的文件进行展示。

技术栈

  • 数据源: akshare Tencent日线 stock_zh_a_hist_tx
  • 模型: XGBoost XGBClassifier 二分类
  • 序列化: joblib（不用 xgboost 原生 save_model）
  • Python: 使用 python3
  • Web: Flask + Jinja2，端口 5000

能力一：训练模型

触发条件

用户要求训练模型、构建预测系统、或首次搭建项目时执行。

流程

  1. 获取训练数据

    • 获取沪深300成份股列表：ak.index_stock_cons() 或 ak.index_stock_cons_csindex(symbol="000300")
    • 逐只获取日线数据：ak.stock_zh_a_hist_tx(symbol, start_date, end_date, adjust="qfq")
    • 缓存到 scripts/data/{code}_daily.csv
    • 请求节流由 scripts/config.py 的 FETCH_DELAY 控制

  2. 特征工程

    • 调用 features.add_technical_features(df) 计算技术指标特征
    • 调用 features.create_label(df) 生成标签：下一期 close > 当前 close 则为 1

  3. 特征选择

    • 使用 XGBoost feature_importances_ 排序
    • 取 config.TOP_N_FEATURES 个最重要特征

  4. 交叉验证

    • 10 折分层交叉验证 StratifiedKFold
    • 指标：Accuracy、Precision、Recall、F1、AUC

  5. 保存模型和报告

    • 模型：scripts/models/xgb_stock_model.pkl
    • 归一化器：scripts/models/scaler.pkl
    • 特征名：scripts/models/feature_names.json
    • 报告：scripts/results/model_report.json

关键代码模式

df = ak.stock_zh_a_hist_tx(symbol="sh600436", start_date="20240101", end_date="20260315", adjust="qfq")

import joblib
joblib.dump(model, config.MODEL_PATH)
model = joblib.load(config.MODEL_PATH)

缓存策略

训练数据缓存在 scripts/data/，重新训练时可直接复用缓存 CSV。

能力二：优化模型效果

触发条件

用户要求提升准确率、增加特征、调参、或模型效果不理想时。

优化维度

  1. 扩展候选特征

    • 在 scripts/features.py 的 add_technical_features() 中添加新特征
    • 在 scripts/features.py 的 get_all_feature_columns() 中注册特征名

  2. 调整特征数量

    • 修改 scripts/config.py 中的 TOP_N_FEATURES

  3. 调整 XGBoost 超参数

    • 修改 scripts/config.py 中的 XGB_PARAMS

  4. 重新训练

    • 可直接复用缓存日线 CSV 重新训练，无需重新抓取数据

能力三：模型预测

触发条件

用户要求预测特定股票在特定日期的涨跌方向。

预测逻辑

  • 只使用腾讯财经日线数据 stock_zh_a_hist_tx
  • 对目标日期取不晚于该日期的最近一个交易日 bar
  • 在该日线 bar 上计算与训练一致的特征
  • 输出下一交易日涨跌方向概率

启动方式

cd .github/skills/stock-prediction-daily/scripts
python3 predict.py "2026-03-13"

输出格式

CSV 含字段：股票代码、股票名称、当前时间、预测生成时间、当前价格、预测结果、上涨概率、下跌概率、数据频率。

说明：

  • 当前时间 只精确到日期，例如 2026-03-13
  • 预测生成时间 精确到秒，用于区分同一交易日的多次预测批次
  • 数据频率 固定为腾讯日线
  • scripts/results/predictions.csv 为去重后的主表，按 股票代码 + 当前时间 只保留最新一批预测结果
  • 每次预测还会额外生成 scripts/results/prediction_history/predictions_YYYYMMDD_HHMMSS.csv 批次快照，用于保留完整历史

能力四：模型评估

触发条件

用户要求评估预测准确率、验证模型效果。

评估逻辑

  • 独立读取 scripts/results/predictions.csv
  • 对每条预测重新获取腾讯财经日线数据
  • 取预测日期之后的下一个交易日收盘价进行评估
  • 计算实际涨跌与预测是否一致

启动方式

cd .github/skills/stock-prediction-daily/scripts
python3 evaluate.py

输出格式

CSV 含字段：股票代码、股票名称、预测时间、预测生成时间、当时价格、预测结果、上涨概率、预测数据频率、一天后价格、评估数据频率、实际涨跌、预测是否准确。

说明：

  • 一天后价格 表示下一个可用交易日的收盘价
  • 若预测后尚无新交易日数据，则该字段为 N/A
  • 若同一支股票同一天存在多次预测，评估时以 predictions.csv 主表中的最新批次为准

能力五：输出网页

触发条件

用户要求启动网页、展示结果、或搭建仪表盘。

Flask应用结构

  • /predictions — 日线预测结果表格
  • /report — 模型训练报告
  • /evaluation — 日线 T+1 评估结果表格
  • /sector-analysis — 板块分析报告浏览页，自动读取 scripts/reports/sector_analysis/ 中的报告
  • /stock-analysis — 个股分析报告浏览页，自动读取 scripts/reports/stock_analysis/ 中的报告
  • / — 重定向到 /predictions

说明：

  • 板块分析和个股分析页面都以报告文件为唯一数据源，不再展示独立的介绍页内容。
  • 页面左侧提供报告选择菜单，菜单项显示“报告主标题 + 创建时间”，可在多份历史报告之间切换。
  • 页面正文会完整渲染报告内容，并自动格式化一级/二级标题、列表、表格。
  • 页面会从 Markdown 报告中的表格自动提取结构化信息，生成摘要卡片与简单图表。
  • 左侧章节导航只展示一级章节，不展示子章节，避免导航过长。

页面模板

  • base.html：布局和导航
  • predictions.html：预测表格与统计卡片
  • report.html：报告 JSON 展示
  • evaluation.html：评估表格与准确率统计
  • sector_analysis.html：板块分析报告页
  • stock_analysis.html：个股分析报告页

启动方式

cd .github/skills/stock-prediction-daily/scripts
python3 app.py

一键执行

cd .github/skills/stock-prediction-daily/scripts
python3 main.py

依次执行：训练 → 预测 → 评估 → 启动网页。

能力六：板块分析

触发条件

用户要求查看近阶段重点板块、板块排行、新闻催化、资金流向、龙头股或下周板块观察清单。

执行方式

  • 不在当前 skill 内重复实现板块研究逻辑。
  • 直接调用 stock-sector-research skill。
  • 调用时沿用用户原始问题中的时间范围、主题范围和输出形式要求。
  • 调用完成后，将最终输出保存到 scripts/reports/sector_analysis/ 目录。
  • 文件格式优先使用 Markdown，命名建议为 sector_analysis_YYYYMMDD_HHMMSS.md。

默认输出

  • 重点板块排序
  • 每个重点板块的催化、资金与交易逻辑
  • 每个板块 2 到 3 只核心股
  • 下周观察清单或盘前清单

保存要求

  • 报告正文必须可直接阅读，不要只保存摘要。
  • 报告开头必须包含统一头部，顺序如下：一级标题、单独一行的副标题、单独一行的报告时间。
  • 主标题和副标题都必须直接体现报告结论，不能使用“板块分析报告”“个股分析报告”“近7天重点信息汇总”这类泛泛标题。
  • 主标题必须简短，控制在一句短结论内，优先写成 6 到 16 个字，不要把全部判断塞进主标题。
  • 主标题应概括最重要的结论，例如：# 主线聚焦新能源、# 算力分化创新药走强。
  • 副标题再补充次级判断或执行结论，例如：> 副标题：风电与锂电强度最高，算力分化加大，创新药更适合中线跟踪。
  • 头部格式仍保持三行结构：主标题、以 > 副标题： 开头的副标题、报告时间：YYYY-MM-DD HH:MM:SS。
  • 优先使用分节标题、列表和表格，便于网页端自动格式化和提取图表数据。
  • 主章节优先使用 ##，例如“重点板块排序”“核心股对比表”“下周观察清单”“风险提示”。
  • 若主章节下需要展开细分内容，可使用 ### 子章节，但网页左侧导航默认只展示 ## 主章节。
  • 同一次分析如有补充说明，合并写入同一个报告文件，不拆成多个零散文件。

能力七：个股分析

触发条件

用户要求分析一组 A 股个股近 3 天、5 天、7 天或 1 个月的重要信息，或要求输出观察清单、优先执行标的和买点止损位。

执行方式

  • 不在当前 skill 内重复实现多股票研究逻辑。
  • 直接调用 stock-watchlist-briefing skill。
  • 调用时保留用户给定的股票列表、时间范围和输出深度。
  • 调用完成后，将最终输出保存到 scripts/reports/stock_analysis/ 目录。
  • 文件格式优先使用 Markdown，命名建议为 stock_analysis_YYYYMMDD_HHMMSS.md。
  • 个股分析默认以 A 股为主；若用户给出的名单中包含港股，可保留该标的，但要在报告中单独标注“港股口径”。
  • 港股行情或估值接口不稳定时，允许退回到稳定的公开港股报价页、公司业绩公告和主流财经媒体摘要；不要把港股强行套用 A 股接口，也不要伪造精确技术位。

默认输出

  • 多股票概览表
  • 下周观察清单
  • 优先执行标的
  • 买点、突破位、止损位、减仓位

保存要求

  • 报告正文必须保留股票分组、结论和执行位信息。
  • 报告开头必须包含统一头部，顺序如下：一级标题、单独一行的副标题、单独一行的报告时间。
  • 主标题和副标题都必须直接体现报告结论，不能使用“个股分析报告”“股票观察清单”“多股汇总”这类泛泛标题。
  • 主标题必须简短，控制在一句短结论内，优先写成 6 到 16 个字，不要把多只股票的全部判断都写进主标题。
  • 主标题应先给出最核心的股票结论，例如：# 宁德时代仍是首选、# 立讯精密暂不追高。
  • 副标题再补充组合判断、时间范围或执行优先级，例如：> 副标题：片仔癀偏防守配置，未来7天执行优先级低于宁德时代。
  • 头部格式仍保持三行结构：主标题、以 > 副标题： 开头的副标题、报告时间：YYYY-MM-DD HH:MM:SS。
  • 优先使用分节标题、列表和表格，便于网页端自动格式化和提取图表数据。
  • ## 全名单概览表 若使用 Markdown 表格，表头固定为：股票 | 近 7 日涨跌幅 | 近 7 日成交额合计 | 最近正式财务口径 | 周内重点信息 | 一句话建议。
  • 不要把上述固定表头改成“近 7 日涨跌”“近 7 日涨跌/状态”等变体。
  • 若个别标的无法稳定给出近 7 日涨跌幅，仍保留固定表头，并在对应单元格填写 N/A；口径说明写入“研究口径”或“周内重点信息”，不要通过修改列名表达。
  • 主章节优先使用 ##，例如“先看结论”“全名单概览表”“下周观察清单”“优先执行标的”“风险提示”。
  • 若主章节下需要展开分组，可使用 ### 子章节，但网页左侧导航默认只展示 ## 主章节。
  • 同一批股票的研究结果尽量输出为单文件，避免网页端阅读碎片化。
  • 若报告包含港股标的，研究口径章节应明确区分 A 股与港股的数据来源；对于无法稳定获取 MA5、MA10、20 日高低点的港股，只写可核对的价格区间和事件驱动，不要硬补精确数值。

API注意事项

API函数用途注意
Tencent日线stock_zh_a_hist_tx训练、预测、评估稳定，不限频

常见问题

  • python 不可用：macOS 使用 python3
  • 模型加载报错：必须用 joblib.load()，不用 xgb.load_model()
  • 预测字段时间精度：当前时间 只保留日期，不含时分秒
  • 次日评估无数据：如果下一交易日尚未收盘，一天后价格 会是 N/A
  • 运行路径：先进入 .github/skills/stock-prediction-daily/scripts 再执行脚本

Version tags

latestvk97625yra232awdrc9j33vs67x82y9pd