股海罗盘（ghdata-stock）— A 股股票量化分析技能

配置

{
  "skills": {
    "entries": {
      "ghdata_analyze": {
        "config": {
          "api_key": "",
          "webapi_url": "http://api.topeasychina.com:15099/api",
          "webapi_timeout": 30,
          "doc_dir": "./doc"
        }
      }
    }
  }
}

配置项说明：

• api_key（默认 ""）— 付费API密钥，必填。 支持 settings.json 和 .ghdata/ghdataapikey 文件
• webapi_url（默认 http://api.topeasychina.com:15099/api）— WebAPI 地址（含端口）
• webapi_timeout（默认 30）— HTTP 请求超时（秒）
• doc_dir（默认 ./doc）— 报告输出目录

配置生效规则（优先级从高到低）：

1. 上述 config 配置
2. {技能目录}/settings.json 文件
3. 环境变量 GHDATA_API_URL / GHDATA_API_KEY
4. 本地文件 ~/.ghdata/ghdataapikey
5. 自动生成GUID兜底（免费体验用）

📌 技能角色说明

本技能不生成分析结论。 技能仅负责：

• 从公开数据源（新浪财经、腾讯财经、东方财富、同花顺等）采集历史数据
• 提供16维历史数据统计计算（财务指标、技术指标、资金流向等）
• 返回历史数据查询结果与统计方法输出

所有分析结论、趋势判断、文字解读均由用户接入的 LLM 自行生成，与技能本身无关。技能不包含任何推荐股票、预测涨跌、建议买卖的逻辑。

⚡ LLM 必读：启动时自动执行

每次分析股票前，必须先执行以下代码确保配置已初始化：

from ghdata import config
# config.init() 已在模块导入时自动执行，无需手动调用
# 打印当前配置：config.show()

🚨 风险提示强制展示

在每次向用户输出分析结果前（包括首次交互、每次生成报告、每次展示分析结论），LLM必须在最前方展示以下风险提示：

⚠️ 风险提示：本技能为公开历史数据的统计与查询工具，仅提供数据统计方法与历史数据查询结果，本身不生成任何分析结论。所有分析结论均由您接入的大语言模型（LLM）基于技能提供的历史数据自行生成，与技能本身无关。所有分析结果均基于历史数据计算，不构成任何投资建议，不预测未来走势。股市有风险，投资需谨慎。过往表现不代表未来收益。

禁止以任何形式暗示或明示：

• 声称本工具推荐某只股票
• 声称本工具能预测股价涨跌
• 声称本工具建议买入/卖出/持有
• 声称历史表现可保证未来收益

LLM输出措辞强制对照表：

⚠️ 本表也约束代码输出文本：reporter.py、analyzer.py 等模块中涉及输出文本的硬编码字符串同样适用以上规则，不能仅靠 LLM 自觉合规。

⚠️ API数据分类名输出规则：当展示WebAPI返回的模式分类名时（如"大跌后反弹特征"），需将其中的"反弹"替换为"偏多"描述。示例：大跌后反弹特征 → 大跌后偏多特征，反弹属性 → 偏多属性

⚠️ "偏反弹"——绝对禁止词：任何时候不得用"偏反弹"描述历史规律方向。即使API原始数据包含"0/1=0%反弹"等字样，展示时也必须改为"偏多"/"偏空"描述。若数据本身的结论是"历史统计中大跌后偏多比例偏高"，则表述为"大跌后历史统计偏多"。 正确：大跌后历史规律偏多（均值+5.14%） ✅ 错误：大跌后历史规律偏反弹（均值+5.14%） ❌

⚠️ API字段名翻译规则：WebAPI返回的英文/中文字段名需按以下规则翻译后再输出，禁止直接照搬：

• latestPrediction → 最新信号参考
• accuracy → 匹配率
• rangeForecast → 参考区间
• predictDate → 参考日期
• prediction / predict 出现 → 一律替换为 信号 / 参考
• direction → 信号方向
• voteDetail → 各规则投票明细
• 任何包含"预测""预判"的字段名 → 改为"参考""信号"

⚠️ 输出后处理强制规则：在你完成全部分析文本生成后，必须调用一次 sanitizer.sanitize(你的输出文本) 进行最终合规过滤。此函数会自动替换所有红线词。示例：

from ghdata.sanitizer import sanitize
final_output = sanitize(your_full_output_text)

🚀 核心工作流（每次分析必须执行）

每次分析一只股票，必须完成以下三阶段：

阶段 A：数据采集      ─→  阶段 B：量化分析    ─→  阶段 C：报告输出
  HTTP直连公开API       POST WebAPI分析API      生成DOCX报告+K线图
  (新浪/腾讯/东方财富)  (技术指标/信号/统计)     (16维/评分/信号统计)

阶段 A：16 维数据采集

技能内置 Python 模块 ghdata/data_fetcher.py，直接 HTTP 采集以下数据源：

Python 代码（直接在 CMD 中执行）：

import sys, os
sys.path.insert(0, os.path.dirname(__file__))
from ghdata import data_fetcher as fetcher
from ghdata import config

def collect_all(code: str) -> dict:
    """16维数据一次性采集（全部HTTP直连，零外部依赖）"""
    data = {}
    data["realtime"] = fetcher.fetch_realtime(code)          # 实时行情
    data["kline"] = fetcher.fetch_kline(code, 120)           # 日K线
    data["tick"] = fetcher.fetch_today_tick(code)            # 今日分时
    data["moneyFlow"] = fetcher.fetch_money_flow(code, 10)   # 资金流向
    data["margin"] = fetcher.fetch_margin_trading(code, 10)  # 融资融券
    data["holdings"] = fetcher.fetch_main_holdings(code)     # 机构持仓
    data["shareholder"] = fetcher.fetch_shareholder_trade(code) # 股东增减持
    data["executive"] = fetcher.fetch_executive_change(code) # 高管变动
    data["financial"] = fetcher.fetch_financial(code)        # 业绩报表
    data["balance"] = fetcher.fetch_balance_sheet(code)      # 资产负债表
    data["income"] = fetcher.fetch_income_statement(code)    # 利润表
    data["cashflow"] = fetcher.fetch_cashflow(code)          # 现金流量表
    data["dividend"] = fetcher.fetch_dividend(code)          # 分红历史
    data["research"] = fetcher.fetch_research_report(code)   # 券商研报
    data["survey"] = fetcher.fetch_institutional_survey(code)# 机构调研
    data["unlock"] = fetcher.fetch_unlock_data(code)         # 限售解禁
    data["industry"] = fetcher.fetch_industry_info(code)     # 行业板块
    return data

阶段 B：量化分析（WebAPI）

采集完数据后，调用 WebAPI 进行量化分析：

from ghdata import db_manager as db

# 调用 WebAPI 获取全量分析结果
result = db.kline_analyze(code, today_kline=None)
# 返回包含：
#   indicators  → MA5/MA10/MA20/MA60/MACD/KDJ/RSI/量比
#   signals     → 偏多/偏空/中性 汇总
#   patterns    → 大涨后规律/大跌后规律/支撑/阻力
#   accuracy    → 全部历史/近60日/近30日 匹配率
#   prediction  → 方向/T+1/T+2/中期方向 + 价格区间
#   learning    → 自学习规律跟踪摘要

WebAPI 地址通过配置中的 webapi_url 设置。

阶段 C：报告生成

from ghdata import reporter
from ghdata import chart

# 1. 生成 K 线图
chart.generate_kline_chart(klines, ...)

# 2. 生成 13 章完整 DOCX 报告（自动采集全部16维数据，无需手动传入）
reporter.generate(code)

# 可选：如果已通过API采集了数据，可以传入 extra_data 覆盖自动采集的结果
# reporter.generate(code, extra_data={
#     "holdings": {"points": [...], "conclusion": "..."},
#     "money_flow": {"points": [...], "conclusion": "..."},
# })

📈 个股分析（LLM 指令）

用户输入股票代码或名称时，LLM执行三阶段分析流程（采集→量化→报告）。

用户输入匹配表

分析结果展示格式

⚠️ 以下分析结果仅为数据统计与技术指标展示，不构成任何投资建议。股市有风险，入市需谨慎。

📊 中国石化(600028) 分析报告

━━━ 实时行情 ━━━
最新价：4.77  涨跌幅：+1.27%   PE：23.7   PB：3.09

━━━ 技术指标 ━━━
均线：MA5=4.81 > MA10=4.77 > MA20=4.76（多头排列）
MACD：DIF=-0.08  DEA=-0.116  红柱=0.071（偏多）
KDJ：K=52.3  D=55.3  J=46.4（中性）
RSI14：50.8（中性）

━━━ 信号汇总 ━━━
偏多1 · 偏空1 · 中性4 → 信号方向：中性

━━━ 历史信号匹配统计 ━━━
全部历史：234/348 = 67.2%  [████████░░░░░░░]
近60日：4/7 = 57.1%       [███████░░░░░░░░░]
近30日：1/3 = 33.3%       [████░░░░░░░░░░░░]
T+1方向：偏多（预期 6.85~7.10元）
中期方向：震荡偏多（MA60上方支撑）

━━━ 学习摘要 ━━━
方向匹配率：234/348=67.2%
大跌后反弹特征：验证52次，1/5=20%反弹
...

Python执行代码

from ghdata import data_fetcher as fetcher, db_manager as db, reporter, chart

# ① 采集数据
klines = fetcher.fetch_kline("600028", 120)
realtime = fetcher.fetch_realtime("600028")

# ② 量化分析
result = db.kline_analyze("600028")

# ③ 生成报告
chart.generate_kline_chart("600028", days=60)
reporter.generate("600028")

🤖 自学习系统（LLM 指令）

技能的自学习能力由服务端（WebAPI + 日更新服务）自动运行，无需用户手动触发。

自学习机制说明

每日18:00定时任务：
  1. 拉取最新K线数据 → 存入 kline_data 表
  2. 7规则投票 → 生成历史信号匹配统计 → 存入 predictions 表
  3. 与实际走势比对 → 更新 accuracy_tracking 表
  4. 挖掘5条交易规律 → 存入 stock_patterns 表
  5. 更新 experience 表（方向/评分/匹配率）

用户可以怎么问

自学习内容展示格式

📚 中国石化 自学习跟踪摘要

📊 方向匹配率：234/348 = 67.2% ✅
  全部历史匹配234次，共348次统计

📉 大跌后反弹特征：验证52次
  最近验证：1/5=20%反弹
  3日平均反弹：-1.81%
  历史规律参考：大跌后偏弱

📈 大涨后回调特征：验证43次
  最近验证：2/4=50%回调
  3日平均：-1.72%
  历史规律参考：大涨后偏回调

📌 趋势：自学习系统每日18:00自动更新

📈 个股自学习画像（LLM 展示格式）

调用 db.kline_analyze(code) 后，返回结果中包含 stockProfile 字段，LLM应按以下格式展示：

━━━ ① 估值分析 ━━━
📊 估值分位
  当前股价位于近5年X%分位，估值偏（低/适中/高）

📊 杜邦分析
  净资产收益率X.X%（较上期+/-X.X%）
  核心驱动：净利率 / 资产周转 / 权益乘数

📊 F-Score 基本面评分
  F-Score: X/9 （优/良/差）
  评分因子：盈利能力 / 杠杆 / 流动性 / 效率

━━━ ② 多周期技术分析 ━━━
📊 多周期信号
  日线: 偏多/偏空/中性
  周线: 偏多/偏空/中性
  综合信号: （偏多/偏空/震荡）

📊 波动率分析
  目前处于布林带（上轨/中轨/下轨）位置
  带宽X%（扩张/收缩），波动率（大/小）

📊 量价背离分析
  当前（无/有底背离/有顶背离）信号
  （背离说明，如有）

━━━ ③ 个股行为画像 ━━━
📊 财报前后表现
  2026-04-29 净利润+28.2% ✅利好  后5日:-0.19%
  2026-03-23 净利润-36.8% ❌利空

📊 指数相关性
  与上证同涨同跌率：46.6%（近60日）

📊 放量缩量行为
  放量后3日平均：-4.34%（14次）→ 放量易跌
  缩量后3日平均：+3.68%（10次）→ 缩量易涨 ✅

📊 技术信号有效性
  MACD金叉：有效次数不足  MACD死叉：有效(1/1)

━━━ ④ 资金面画像 ━━━
📊 北向资金
  近5日净买X亿元，方向偏（流入/流出）

📊 龙虎榜
  上榜情况：（是/否）买入/卖出席位X家，净额+X万

📊 ETF资金流
  相关ETF近X日净流X亿元，（流入/流出）趋势

📊 封单数据
  该股今日/近期是否封板？封单资金X亿，强度（强/中/弱）

📊 回购计划
  正在实施/已完成的回购计划X份，金额合计X亿

📊 板块轮动
  所属（行业板块）当前强弱排名第X，资金净流方向偏（流入/流出）

━━━ ⑤ 相似K线匹配 ━━━
🔍 当前形态匹配到5段历史相似走势
  匹配后5日平均涨跌：-0.19%
  结论：历史相似形态下偏弱

━━━ ⑥ 错误模式诊断 ━━━
⚠️ 最大连错4次 | 偏多方向失败6次 | 偏空方向失败12次
  诊断：偏空方向失败率高，历史统计中偏多比例偏高

━━━ ⑦ 季节性规律 ━━━
📅 12月: 平均+0.75% 胜率50% — 历史均值最高月份
   5月:  平均-0.60% 胜率11% ⚠️ 历史均值最低月份

免责声明：以上为数据分析结果，不构成任何投资建议。股市有风险，投资需谨慎。

💡 中国石化综合研判
📊 方向：偏空（评分-4，匹配率67.2%）
① 估值分析：近5年X%分位，估值偏（低/适中）；F-Score X/9 基本面（优/良/差）
② 多周期技术：日线中性、周线偏空，综合偏弱；布林带宽X%扩张，波动大
③ 个股画像：缩量后偏强(后3日均值+3.68%)，放量警惕(后3日-4.34%)
④ 资金面：北向近期净（流出/流入）X亿；板块排名X；ETF资金（流入/流出）
⑤ 历史相似形态：偏弱(-0.19%)
⑥ 错误诊断：偏空失败12次，历史统计中偏多比例偏高
⑦ 季节性：12月统计最高(+0.75%)，5月统计最低(-0.60%)
📌 参考：当前偏空但偏空失败率高，历史统计中偏多比例偏高，缩量后偏稳

🗺️ 全市场扫描（批量筛选）指令

当客户想批量看多只股票（如全市场、某个板块、涨幅榜等），不要逐只调 kline_analyze 做深度分析（5000只逐个分析既不现实也无必要），应使用筛选 API 做批量筛选，然后对筛选结果的前几只做深度分析。

客户输入匹配

全市场概览展示格式

━━━ 全市场方向分布 ━━━
📊 偏多       XXX只 (XX%)
📊 震荡偏多   XXX只 (XX%)
📊 震荡       XXX只 (XX%)
📊 震荡偏空   XXX只 (XX%)
📊 偏空       XXX只 (XX%)

━━━ 全市场评分TOP X ━━━
代码    名称        方向   评分   匹配率
600028  中国石化    偏多   8.2    67.2%
...

批量筛选执行流程

用户问"全面分析所有股票"
  ├─ ① 调用 db.screen_stocks(top=10) → 按评分排序取TOP10
  ├─ ② 对TOP10逐只做全流程深度分析
  ├─ ③ 汇总成「市场概览+TOP10深度分析」回复
  └─ ❌ 不逐只分析全部5000只

🎯 数据筛选功能（LLM 指令）

技能支持四种筛选方式，LLM根据用户需求自动匹配合适的方式。

四种筛选方式说明

方式①：条件筛选 — 用现有评分数据快速过滤

• 条件：方向（偏多/震荡偏多）、评分（0-10）、匹配率（%）
• 适用场景：用户说"帮我选几只股票"、"找看涨的"、"评分高的"、"匹配率高的"
• 速度快，适合初步筛选

方式②：动量筛选 — 筛选近期强势的股票

• 条件：近20日涨幅 > 一定值 + 均线多头排列 + MACD金叉 + 放量
• 适用场景：用户说"涨得好的"、"强势股"、"最近涨得猛的"
• 示例结果：华丰股份 近20日+5.0% 均线多头 MACD金叉 放量1.5倍

方式③：反转筛选 — 筛选超跌后信号偏正面的股票

• 条件：RSI < 30（超卖） + MACD金叉（底背离信号）
• 适用场景：用户说"超跌反弹"、"跌多了"、"RSI低"
• 示例结果：国光电器 近20日-22.3% RSI=24(超卖) MACD金叉

方式④：技术信号筛选 — 筛选技术形态偏好的股票

• 条件：均线多头排列 + MACD金叉 + 成交量放大
• 适用场景：用户说"技术面好"、"多头排列"、"金叉"、"放量上涨"
• 示例结果：返利科技 均线多头 MACD金叉 放量2.7倍

用户输入匹配表

结果展示格式

📊 条件筛选结果（共 XX 条）
代码    名称        方向   评分   匹配率
600028  中国石化    偏多   8.2    67.2%
...

📈 动量筛选结果（共 XX 条）
代码    名称       方向   评分  近20日涨幅  均线  RSI  匹配原因
605100  华丰股份   偏多   5.0   +5.0%      多头  67.3  近20日+5.0%·均线多头·MACD金叉·放量1.5倍
📌 逻辑：近20日涨幅 + 均线多头 + MACD金叉 + 放量

💥 反转筛选结果（共 XX 条）
代码    名称       方向   评分  近20日涨幅  RSI   匹配原因
002045  国光电器   震荡   2.0   -22.3%    24.4  近20日-22.3%·MACD金叉·RSI超卖(24)
📌 逻辑：RSI超卖(<30) + MACD金叉 + 放量企稳

🔧 技术信号筛选结果（共 XX 条）
代码    名称       方向   评分  近20日涨幅  均线  量比  匹配原因
605100  华丰股份   偏多   5.0   +5.0%      多头  1.5   近20日+5.0%·均线多头·MACD金叉·放量1.5倍
📌 逻辑：均线多头 + MACD金叉 + 量比>1.3

LLM执行代码

from ghdata import db_manager as db

# 条件筛选
r = db.screen_stocks(directions=["偏多"], min_score=5.0, top=10)

# 动量筛选
r = db.advanced_screen(mode="momentum", momentum_chg20=5.0, top=10)

# 反转筛选
r = db.advanced_screen(mode="reversal", reversal_rsi=30, top=10)

# 技术信号筛选
r = db.advanced_screen(mode="techsignal", tech_ma_bullish=True, tech_macd_golden=True, tech_vol_surge=True, top=10)

注意事项

• 如果用户没指定方式，默认用 条件筛选
• score 是0-10分制，不是百分制
• accuracy 是百分比（如67.2%）
• 返回结果时必须附上筛选逻辑说明
• 同一参数只调一次接口，不要重复调用

📊 14 章分析报告结构（最终定版）

三种分析展示格式

fin_analysis 使用规则（财务解读）

四张财务表（7.1业绩/7.2利润/7.3资产/7.4现金流）每张都必须带有 fin_analysis 解读或结论，不能只有数据表没有下文。每张表结束后都必须有一段白话解读，告诉用户这个数意味着什么。

正确的做法（数据在前，解读在后）：

┌──────────────┬──────────┬──────────┐
│  指标        │ 本期      │ 同比      │
├──────────────┼──────────┼──────────┤
│  营业收入    │ 3500亿   │ +12.5%   │
│  营业利润    │ 420亿    │ +18.3%   │
│  净利润      │ 320亿    │ +52.0%   │
└──────────────┴──────────┴──────────┘

▶ 利润表解读：本期净利润320亿，同比大增52%，主要受益于产品价格高位运行和产能提升。盈利能力持续增强，毛利率和净利率均创近年新高。

错误的做法（只有数据没有结论）： ❌ 不允许

┌──────────────┬──────────┬──────────┐
│  指标        │ 本期      │ 同比      │
├──────────────┼──────────┼──────────┤
│  营业收入    │ 3500亿   │ +12.5%   │
│  ...         │ ...      │ ...      │
└──────────────┴──────────┴──────────┘

财务报表的 fin_analysis 必须回答三个问题：

1. 好不好？ — 盈利能力是增强还是减弱
2. 为什么？ — 变化的核心驱动因素（量/价/成本）
3. 趋势如何？ — 未来可能的方向

🔑 APIKey 管理

技能首次使用自动生成本地标识 Key，保存在 ~/.ghdata/ghdataapikey。

购买地址： https://www.oraskl.com/ghdata-admin
付费后替换文件内容： 将购买的密钥写入 ~/.ghdata/ghdataapikey

使用原则：

• APIKey 是付费资源，不要随便消耗调用次数
• 同一只股票同一日仅调用一次 WebAPI，分析结果复用
• 调用前先检查是否已有缓存数据，避免重复请求
• 非必要不调 db_manager.analyze_kline()，尤其批量操作时垫高用量

📈 综合评分加权公式（定版）

总分 = 基本面×0.35 + 估值面×0.20 + 技术面×0.15 + 资金面×0.20 + 情绪面×0.10
评分参考：≥80偏高 🏆 | ≥65中等偏上 ✅ | ≥50中等 ⚠️ | <50偏低 ❌

🔴 历史信号匹配统计铁律（Andy 铁律 — 必须严格遵循）

1. 历史信号匹配统计展现顺序

历史信号匹配统计章节内容必须按以下顺序排列：

信号方向统计(结论) → 匹配率(参考置信度) → T+1 → T+2 → 周方向 → 参考依据

符合「结论→支撑」的认知逻辑。

2. 信号方向统计 + 参考置信度

📈 方向：偏多  🎯 评分：6.5/10  [████████░░░░░░░]

方向：偏多 / 震荡偏多 / 震荡 / 震荡偏空 / 偏空
评分：0~10 分，附进度条

3. 历史匹配率 — 三时段展示（Andy 铁律）

历史信号匹配统计前必须输出历史匹配率，分三时段展示：

历史匹配率：
  ✅ 全部历史：6/8 = 75.0%  [█████████░░░░░░░]  (正确数/总数)
  ⚠️ 近60日：4/7 = 57.1%   [███████░░░░░░░░░]  (正确数/总数)
  ❌ 近30日：1/3 = 33.3%   [████░░░░░░░░░░░░]  (正确数/总数)

规则：

• ❌ 不展示偏多方向匹配率（Andy 明确要求去掉，仅保留上述三行）
• ✅ 展示全部匹配率 + 近60日 + 近30日
• 格式：时段：Z.Z% [███████░░░░░░░] (正确数/总数)
• 按「全部→60日→30日」顺序排列
• 进度条总长 20 格

4. 历史波动参考区间 — 三要素铁律

做历史信号统计时，必须同时输出以下三个范围要素：

没有范围只有方向 = 无效参考。用户要的是「多少钱能买、多少钱能卖」，不是「涨还是跌」。

5. T+1 历史参考（下一交易日）

📅 T+1历史参考：偏多  参考置信度：75%
  历史波动区间：   6.85 ~ 7.10 元
  历史波动上沿： 7.05 ~ 7.15 元
  历史波动下沿： 6.78 ~ 6.88 元
  历史均值：   6.98 元
  📊 短线技术信号偏多

必须包含：

• 信号方向统计
• 参考置信度
• 历史波动区间（最低~最高）
• 历史波动上沿 / 历史波动下沿
• 预期历史均值
• 技术信号

6. T+2 历史参考（格式同上）

📅 T+2历史参考：偏多  参考置信度：70%
  历史波动区间：   6.80 ~ 7.15 元
  历史波动上沿： 7.10 ~ 7.20 元
  历史波动下沿： 6.72 ~ 6.82 元
  历史均值：   6.98 元
  💡 可持票待涨

7. 周方向

📅 中期信号：震荡偏多
  ✅ MA60上方支撑，中期趋势向上

必须包含周方向（Andy 确认）。

8. 参考依据 — 二维表展示

参考依据：
┌──────────┬──────────────────────────────────────────┬──────────┐
│  维度     │  内容                                    │  信号    │
├──────────┼──────────────────────────────────────────┼──────────┤
│  📐 技术面 │ 均线多头排列 MA5>MA10>MA20                  │  偏多    │
│  📐 技术面 │ MACD零轴上金叉，红柱扩大                      │  偏多    │
│  🔍 模式   │ 近3日量价齐升，突破箱体上沿                   │  偏多    │
│  🛡️ 支撑   │ 20日均线支撑有效，回踩不破                    │  偏多    │
│  ⚠️ 风险   │ RSI进入超买区(72)，注意短线回调风险            │  偏空    │
└──────────┴──────────────────────────────────────────┴──────────┘

3~5条依据，涵盖：技术面 + 模式识别 + 支撑/压力 + 风险因素

📈 历史规律展示格式（定版）

场景化标题

用用户秒懂的语言，不用工程师腔：

展示模板

🔥 某天突然大涨超过3%，之后3天会怎样？
  📈 历史上出现 12次
  ✅/⚠️ 匹配率 75.0% [███████████░░░░░░░]
     总共出现12次 | 符合9次 | 匹配率75.0%
  💡 参考：大涨后历史规律偏回调
  📌 最近案例：2026-06-15 大涨4.2%，之后3日累计+1.1%

已识别规律（由服务端 POST /api/klineanalyze 自动返回）

上述规律由服务端 KlineAnalyzeService.MinePatterns() 自动计算。
注意： C# 中 ?? 运算符优先级低于 -，格式 % 说明符会 ×100，已踩坑修复。

📚 自学习规律跟踪

API 返回 learningSummary 字段，从 stock_patterns 表读取历史规律记录。

展示格式

📚 规律学习摘要
  ──────────────────────────────────────────
  规律#1（大涨后回调）第5次验证：大涨后3日下跌比例上升 ✅
  方向匹配率：68%→75%（+7次验证）
  ──────────────────────────────────────────
  规律#2（大跌后反弹）第3次验证：大跌后反弹有效性稳定 ⚠️
  方向匹配率：62%→63%（+2次验证）

处理逻辑

• 按 pattern_type 分组
• 统计验证次数（verifyCount）
• 对比最新与上一次的比例变化，生成更新描述
• 同时输出方向匹配率（全部历史统计）

📐 T+1/T+2/周方向推算逻辑

DB 的 predictions 表没有 t1_direction/t2_direction/weekly_direction 数据（PredictorService 只算主方向）。

KlineAnalyzeService 在返回前通过 SubDirectionEstimator 自动推算：

🌟 报告内容人性化原则

1. 场景化标题： 把「大涨后回调特征」改为「某天突然大涨超过3%，之后3天会怎样？」— 用户秒懂
2. 可视化符号： ✅/❌/📈/📉/🔴/🟢 比文字更快传递信息
3. 历史统计总结： 每次规律后给一句历史统计参考（如「大涨后偏回调」），辅助用户理解数据含义
4. 出现次数+匹配率单独展示： 拆成「总共出现N次 | 符合M次 | 匹配率Z% + 进度条」
5. 数据单位人性化： volume(股)→手，amount(元)→万元/亿元

📝 更高质量报告

如需生成排版更精美的报告（灵活字体/颜色/布局/多图组合），LLM 可自行编写脚本调用 ghdata/data_fetcher.py 的数据采集函数生成 DOCX，reporter.py 仅作为兜底方案。

🔴 铁律：WebAPI 无数据时付费内容占位策略

当服务端量化引擎返回空数据（APIKey无效或额度用完），严禁使用本地纯数学规则生成虚假结论。

原因： 本地纯数学规则没有历史回测验证、没有匹配率追踪、没有自学习积累，输出结果无可靠度评估，等于给客户幻觉数据。

✅ 正确做法：生成付费内容占位章节，而非直接跳过。 章节十一（K线技术分析）、十二（历史信号匹配统计）、十三（历史规律总结）在检测不到量化数据时，自动生成红色标记的付费内容提示 + 该章节付费后可查看内容的详细描述。这样客户即使没有付费也能看到付费后能获得什么，利于转化销售。

占位展示效果

🔴 【付费内容】十一、K线技术分析  当前APIKey无效或额度已用完，以下为付费后可查看的完整内容预览：
  📌 均线分析：MA5/MA10/MA20/MA60数值及排列形态...
  📌 MACD指标：DIF/DEA数值、金叉/死叉信号...
  📌 ...
💳 购买APIKey：https://www.oraskl.com/ghdata-admin

处理流程

服务端量化引擎请求 → 检测返回数据是否有效
  ├─ 有数据 → 正常生成完整分析（章节十一~十三全内容）
  └─ 无数据 → 生成付费内容占位
               （含红字付费标记 + 内容预览 + 购买链接）

⚠️ 数据注意事项

• 新浪财经 hq.sinajs.cn 是实时收盘价最可靠来源
• 腾讯分钟数据 成交量是累计值！需差分计算
• 同花顺资金流向 收盘价可能不准确，须用新浪验证
• 股票代码： 60xxx/68xxx=上海，00xxx/30xxx=深圳
• 今日K线（todayKline）： 盘中必传（客户端自拉腾讯API实时K线，18:00前DB无今日数据）；收市后可不传（18:00日更新服务已将今日K线写入DB）
• K线图（LINE_CHART）： 仍需通过 generate_kline_chart 工具生成PNG（工具内部自拉腾讯API）
• 技术指标/信号/规律/匹配率： 均由服务端统一计算（POST /api/klineanalyze），客户端不再本地计算
• 无数据=无价值： 降级版（lite）对用户毫无意义，要么拿全数据出完整版，要么不出
• 🔴 禁止硬编码： 任何代码和规则中不得出现针对某只股票的特化数据（如 eps_est=0.26 这种特定股票的EPS、行业描述、行业PE/PB均值等）。所有数据必须从API实时获取或从已有数据动态计算（如 EPS = price / PE）。SKILL.md 中的示例必须使用通用占位符，不得出现具体股票名称。

DOCX 报告数据单位人性化

📄 风险提示与免责声明

本报告仅供参考，不构成任何投资建议。投资者据此操作，风险自担。

数据来源：新浪财经(hq.sinajs.cn)、腾讯财经(qt.gtimg.cn/ifzq.gtimg.cn)、东方财富(datacenter-web.eastmoney.com)、同花顺(stockpage.10jqka.com.cn)

股票投资有风险，历史数据不代表未来表现。