Racing Quant AI 赛马量化AI选股系统

---

name: racing-quant-ai

description: 赛马量化AI选股系统，集成量化策略选股+个股基本面智能推荐分析。从量化策略数据库筛选符合需求的策略，获取持仓个股，再进行深度基本面分析，最终给出投资参考。触发词：量化选股，racing quant，策略选股，数据库选股，量化分析，AI选股。

---

# Racing Quant AI 赛马量化AI选股系统

Overview

Racing Quant AI是一套集成化的A股量化选股分析系统，核心功能包含两大部分：

1. **策略选股**：从远程MySQL量化策略数据库中，根据用户需求智能匹配推荐量化策略，并获取策略对应的最新持仓股票

2. **基本面分析**：对筛选出的持仓个股，使用结构化分析框架进行深度基本面分析，给出客观的投资参考

整个工作流闭环：用户需求 → 匹配策略 → 获取持仓 → 个股分析 → 综合推荐

触发条件

当用户满足以下任意一种场景时，自动启用本skill：

1. 用户要求"量化选股"、"AI选股"、"策略选股"

2. 用户提到"racing quant"、"赛马量化"、"赛马量化AI"

3. 用户需要从数据库选股并进行基本面分析

4. 用户要求根据量化策略推荐股票并分析

核心功能

功能1：策略数据库查询与选股

支持多种查询方式，包括直接查询、关键词搜索和**互动偏好匹配**，满足不同用户场景：

#### 数据库配置

连接信息（远程公开量化策略库）：

#### 主策略表字段说明

| 字段 | 类型 | 说明 |

|------|------|------|

| strategy_table | text | 策略对应持仓数据表名称 |

| strategy_name | text | 策略英文名称 |

| strategy_id | text | 策略ID（唯一标识） |

| benchmark | text | 对标指数 |

| owner_name | text | 策略创建人姓名 |

| owner_id | text | 创建人ID |

| start_date | datetime | 策略开始回测时间 |

| online_date | datetime | 策略上线时间 |

| strategy_name_cn | text | 策略中文名称 |

| strategy_summ | text | 策略简介 |

| strategy_desc | text | 策略详细描述 |

| strategy_cat | text | 策略分类（量价/基本面/事件驱动/量化选股等） |

| how_to_trade | text | 交易调仓规则 |

| if_recommended | bigint | 是否推荐（1=推荐，0=不推荐） |

#### 支持的查询操作

1. **获取全部策略列表**：查询数据库中所有注册策略，展示策略基本信息

2. **关键词搜索策略**：根据关键词搜索策略名称/简介/描述，返回匹配结果

3. **分类筛选**：按策略分类（量价/基本面等）筛选策略

4. **推荐策略筛选**：只筛选标记为if_recommended=1的优质推荐策略

5. **需求智能匹配**：根据用户描述的投资需求，语义匹配最符合的策略

6. **互动偏好匹配**：通过多轮互动提问，了解用户的投资偏好和风险承受能力，从strategy_desc字段中匹配最契合的策略

7. **获取最新持仓**：根据选中的策略，查询对应持仓表获取最新一期持仓股票列表

---

功能2：个股基本面深度分析

对策略输出的持仓股票，逐个进行结构化深度分析，遵循以下分析框架：

#### 维度1：核心交易数据

**数据源**：通过`akshare`接口获取公开股票交易行情数据

#### 维度2：股价走势回顾

分类展示不同周期涨跌幅：

**数据源**：通过`akshare`获取历史行情数据，自动计算涨跌幅

#### 维度3：资金面分析

**数据源**：通过`akshare`接口获取公开主力资金流向数据，可得到单日/近5日/近20日/近一月主力累计净流入数据

#### 维度4：基本面核心分析

#### 维度5：综合评价

完整工作流程

标准工作流（用户给出投资需求）

1. 连接数据库 → 查询所有推荐策略（if_recommended=1）
2. 根据用户需求，智能匹配最符合的1-3个策略
3. 对匹配的每个策略，获取其最新一期持仓股票（通常前10-20只）
4. 对持仓股票逐个进行基本面分析（可根据用户需求限定数量）
5. 整理汇总：策略信息 → 持仓列表 → 个股分析报告 → 综合总结

用户指定策略名称/ID工作流

1. 根据用户提供的策略名称/ID，从数据库查询策略详细信息
2. 获取该策略最新持仓列表
3. 对持仓股票进行基本面分析
4. 输出完整报告

用户只想查询策略工作流

1. 根据用户条件（关键词/分类）筛选策略
2. 输出策略列表和基本信息，供用户选择
3. 用户选择后再进行下一步获取持仓和分析

互动偏好匹配工作流（用户不清楚具体需求，需要引导）

1. 主动提问了解用户的投资偏好，包括：
   - 投资周期偏好（短期/中期/长期）
   - 风险承受能力（保守/稳健/激进）
   - 选股风格偏好（价值成长/红利低波/动量趋势/事件驱动）
   - 行业偏好（是否有特定看好或回避的行业）
   - 其他特殊需求
2. 将用户回答的偏好转化为搜索关键词，在strategy_desc字段中进行语义匹配
3. 按匹配度排序，推荐最符合的3-5个策略
4. 请用户确认选择哪个策略
5. 用户确认后，获取策略最新持仓并进行个股分析

互动提问参考问题

1. "你好！为了给你推荐最合适的量化策略，可以先回答几个问题吗？"

2. "你的投资周期更倾向于哪种？（短期/中期/长期）"

3. "你的风险承受能力大概是什么水平？（保守/稳健/激进）"

4. "你更喜欢哪种选股风格？比如：价值成长/红利低波/动量趋势/事件驱动..."

5. "有没有特别看好或者想要回避的行业？"

6. "还有其他特殊需求吗？"

工具调用规范

1. **数据库查询**：使用Node.js连接MySQL数据库，参考scripts目录下的数据库连接模板

2. **获取行情数据**：通过`akshare`接口获取最新股价和各周期涨跌幅数据，具体代码格式参考`stock-analysis`skill文档：

```python

import akshare as ak

# 沪市60开头代码格式：shXXXXXX，深市00/30开头：szXXXXXX

stock_zh_a_daily = ak.stock_zh_a_daily(symbol='sh603606', adjust='')

stock_zh_a_daily = stock_zh_a_daily.reset_index()

latest = stock_zh_a_daily.iloc[-1]

current = latest['close']

# 计算各周期涨跌幅

def calc_return(days_back):

if len(stock_zh_a_daily) > days_back:

past_price = stock_zh_a_daily.iloc[-(days_back + 1)]['close']

return (current / past_price - 1) * 100

return None

# 得到 p5(近5日), p21(近1月), p63(近3月), p252(近1年)

```

3. **获取主力资金流向**：通过`akshare`接口获取每日主力资金数据，具体代码格式参考如下：

```python

# 获取主力资金流向，格式：股票代码直接填数字，market="sh"/"sz"

fund_flow = ak.stock_individual_fund_flow(stock='603606', market='sh')

latest = fund_flow.iloc[-1]

# 最新单日主力净流入（单位：万元）

main_today = latest["主力净流入-净额"]

main_today_pct = latest["主力净流入-净占比"]

# 近5日累计主力净流入

recent_5d = fund_flow.tail(5)

total_main_5d = recent_5d['主力净流入-净额'].sum()

# 近20日累计主力净流入

recent_20d = fund_flow.tail(20)

total_main_20d = recent_20d['主力净流入-净额'].sum()

```

4. **基础信息搜索**：分析前先使用`miaoda-web-search`搜索股票最新公开信息、机构研报和市场数据

5. **深度报告搜索**：添加`wechat-article-search`深度搜索机制，通过`miaoda-studio-cli search-summary`搜索微信公众号最新发布的个股深度研究报告，获取市场最新观点和深度分析内容，并在最终报告中明确注释引用的公众号文章/深度报告标题

6. **融合分析**：整合量化策略数据库信息、akshare行情数据、akshare主力资金数据、公开市场数据和微信公众号深度研究报告内容，进行多维度融合分析

7. **严格框架**：严格按照5维度分析框架整理输出，不遗漏风险提示

8. **风险优先**：必须同时列出优势和风险，不做片面推荐

9. **信息标注**：分析过程中引用的公开研报和公众号深度文章，需要在报告末尾注明信息来源

10. **免责声明**：所有分析结果末尾必须带有免责声明

基本原则

1. **客观中立**：只整理公开信息和量化策略结果，不做主观判断

2. **风险提示**：风险提示清晰可见，不隐藏负面信息

3. **信息来源**：所有数据来自公开渠道和量化策略数据库

4. **责任豁免**：始终声明不构成投资建议，投资风险自负

资源

scripts/

包含可直接运行的数据库查询脚本：

依赖

使用示例

示例1：列出所有推荐策略

cd /home/gem/workspace/agent/workspace/skills/racing-quant-ai/scripts && node list-recommended.js

示例2：获取指定策略最新持仓并分析前5只个股

# 1. 获取持仓（通过策略名称，支持模糊匹配）
cd /home/gem/workspace/agent/workspace/skills/racing-quant-ai/scripts && node get-positions-correct.js "短周期机器学习" 20

# 脚本执行流程：
# - 先在 strategy_information 表查找匹配的策略
# - 获取对应的 strategy_table 名称
# - 查询该表的最新持仓数据

# 2. 对每只个股调用公开信息搜索
miaoda-studio-cli search-summary --query "<stock_code> <stock_name> 2026年X月 最新 基本面分析"

# 3. 调用微信文章深度搜索，获取最新公众号深度研究报告
miaoda-studio-cli search-summary --query "<stock_code> <stock_name> 最新深度研究报告 微信文章 2026"

# 4. 融合公开信息与深度报告内容，整理分析结果，并注释引用的公众号文章标题
# 5. 输出完整报告，末尾注明信息来源并添加免责声明

完整运行示例（如本文档编写过程）

1. 用户要求："现在开始对前5只重仓个股进行深度基本面分析"

2. 执行`node list-recommended.js`获取推荐策略列表

3. 执行`node get-positions-correct.js "策略名称" 20`获取最新20只持仓（脚本会自动反查strategy_table）

4. 逐个对前5只股票调用公开搜索获取基础基本面信息

5. 逐个对前5只股票调用微信文章深度搜索，获取最新公众号深度研究报告

6. 融合整合公开信息与深度报告内容，按照结构化分析框架整理输出分析报告

7. 在报告中注释引用的公众号文章/深度报告标题，并注明信息来源，最后添加免责声明

上架信息

- v1.4.0 (2026-03-30): `get-positions-correct.js`脚本升级，支持通过策略名称（strategy_name_cn）自动反查strategy_table，无需手动指定表名，使用更便捷

- v1.3.0 (2026-03-30): 主力资金数据获取升级为`akshare`接口，可直接获取准确的单日/近5日/近20日/近一月主力净流入数据，资金面分析数据更精准

- v1.2.0 (2026-03-30): 行情数据获取方式升级为`akshare`接口，自动获取准确的最新股价和各周期涨跌幅数据，数据来源更稳定可靠

- v1.1.0 (2026-03-28): 添加微信文章深度搜索机制，支持搜索公众号最新发布的个股深度研究报告，并融合深度内容进行分析，自动注释引用的报告名称