A股「早选晚打」双引擎：用 Ollama 本地推理 + DeepSeek 云端精筛搭建零成本量化流水线

国内做 AI + 量化的都知道：东方财富 API 被 DPI 拦截、AKShare 函数名随版本漂移、策略从设计到落地中间隔着无数坑。本文分享一套真实跑通的「早选晚打」双引擎交易系统——Ollama 本地粗筛 + DeepSeek 精筛 + 腾讯财经零成本数据源，每天 2.5 分钟出候选池，14:30 尾盘出触发信号。

---

一、问题：策略再好，调不通等于零

上一篇文章解决了数据源的问题（绕过 DPI、零成本获取全 A 股行情）。但如果只是把数据喂给 LLM 问「哪只股票值得买」，结果就是：

# ❌ 天真方案
prompt = f"分析这 4300 只股票，推荐 3 只"
response = deepseek.chat(prompt)
# 返回：context length exceeded（4300 行的 JSON 远超上下文窗口）
# 或者：推荐了 ST 股、强周期股当价值股、代码和名称对不上

量化交易和 AI 的结合不是「把行情数据丢给 GPT」，而是一个多阶段的工程问题。

---

二、架构：「早选晚打」双引擎

为什么是双引擎？

去年试过「狙击埋伏」策略——预设精确买点，等市场自己送上门。效果很差：小资金绑在「等待」上，两三天没信号，心态容易崩。

反思后确定了两个原则：

1. 主动出击优于被动等待——不等击球点，看到止跌信号就入场
2. 两道防线互补——激进突破 + 稳健回调，覆盖不同市况

最终架构如下：

09:20  策略一·量价突破  → vp_breakout_scanner.py  → 3 只短线突破候选
09:25  策略二·回调强买  → a_share_scanner.py        → 5 只回调候选池
                              [用户白天做功课、盯盘]
14:30  尾盘综合分析     → closing_analysis.py         → 入场触发信号
14:30 - 15:00  用户决策 + 下单

策略定位于 14:30 尾盘——价格全天博弈后更诚实、T+1 友好、趋势已走完。

策略二：回调强买（主线）

核心逻辑：不等股价跌到预设狙击区，看到「止跌信号」就主动入场。

三个入场触发器（满足任一即可进入候选）：

触发器	条件	实现
🔫 缩量止跌	当日量 < 前日量×0.7 且收阳	盘口观察
🔫 V反信号	盘中低点距 MA20 ≤ 1% 且反弹 ≥ 1%	closing_analysis.py 自动检测
🔫 均线企稳	盘中触及 MA20 后反弹企稳	自动检测

止损/止盈：

• 止损 = MA20 × 0.98（以均线为锚，非固定百分比）
• 止盈 = min(入场价 × 1.08, 前期高点)
• 持有 3-5 天

策略一：量价突破（辅线）

不猜顶底，只在资金已经动手时跟进：

• 昨日成交额 > 20日均量 × 1.5
• 收盘价 > 20日最高价的 95%
• MA20 向上
• PE 5-40，市值 > 50亿

止损/止盈：-3% / +5%，持有 1-3 天。

---

三、数据管道：用腾讯财经 API 零成本获取全 A 股行情

东方财富 API 被 DPI 拦截（TCP 通但 HTTP 层 RST），新浪财经同理。但 qt.gtimg.cn 不受拦截，50只/批，全量 4300+ 只约 80 秒，返回 GBK 编码。

import requests

def fetch_batch(codes: list[str]) -> list[dict]:
    """腾讯财经批量查询"""
    url = "http://qt.gtimg.cn/q=" + ",".join(codes)
    resp = requests.get(url, timeout=10)
    resp.encoding = "gbk"  # ⚠️ 必须设 GBK
    results = []
    for line in resp.text.strip().split("\n"):
        if '="' not in line:
            continue
        parts = line.split("~")
        results.append({
            "code": parts[2],
            "name": parts[1],
            "price": float(parts[3]),
            "pe": float(parts[39]) if parts[39] else 0,
            "amount": float(parts[36]) * 10000 if parts[36] else 0,
            "ret_5d": float(parts[62]) if parts[62] else 0,
            "ret_10d": float(parts[63]) if parts[63] else 0,
            "ret_20d": float(parts[64]) if parts[64] else 0,
        })
    return results

关键字段映射（腾讯 API 零文档，全靠逆向）：

parts 索引	含义	用途
parts[62]	5日涨跌%	计算 MA5 / 短期动量
parts[63]	10日涨跌%	计算 MA10，趋势健康度核心输入
parts[64]	20日涨跌%	计算 MA20 / 狙击区 / 止损
parts[35]	价/量/额	一字拆三字段
parts[47-48]	52周高低	判断当前位置

用 ret_10d 反推 MA10：

ma10 = price / (1 + ret_10d / 100)

---

四、五层筛选流水线

策略二的扫描器 a_share_scanner.py 包含完整的 L0-L5 流水线：

全市场 4,300+ (腾讯 API, ~80s)
  │
  ├─ L1: 狙击初筛
  │   ST 过滤 / 京交所排除 / 价格≤3 / PE≤0 或 >50 / 市值<50亿
  │   距 MA20 距离排序 → Top 50
  │
  ├─ L2: 趋势健康度（4分制，≥3 才进候选）
  │   ① MA5 > MA10 > MA20 (多头排列)
  │   ② 股价 > MA20 (中期趋势)
  │   ③ 20日涨幅 > -10% (非急速下跌)
  │   ④ 股价 > 52周低 × 1.05 (有安全垫)
  │
  ├─ L3: PSS 五维加权评分
  │   入场精度 30% + 风报比 25% + 趋势 20% + 基本面 15% + 催化剂 10%
  │
  ├─ L4: Ollama 本地粗筛 (deepseek-r1:14b, ~22s)
  │   Top 15 → 金子 vs 石块判断
  │
  └─ L5: DeepSeek 云端精筛 (deepseek-chat, ~19s)
      逐条检查 6 条铁律 → Top 3-5 推荐

总耗时：约 150 秒（2.5 分钟）。

L4: Ollama 本地粗筛

用 RTX 5080 (16GB) 跑 deepseek-r1:14b，推理速度 ~88.7 tok/s。

import requests

OLLAMA_URL = "http://localhost:11434/api/generate"

json_schema = {
    "type": "object",
    "properties": {
        "verified": {
            "type": "array",
            "items": {
                "type": "object",
                "properties": {
                    "code": {"type": "string"},
                    "name": {"type": "string"},
                    "verdict": {"type": "string", "enum": ["gold", "rock"]},
                    "pss_ok": {"type": "boolean"},
                    "fatal_flaw": {"type": "string"},
                },
                "required": ["code", "name", "verdict"],
            }
        }
    },
    "required": ["verified"],
}

resp = requests.post(OLLAMA_URL, json={
    "model": "deepseek-r1:14b",
    "prompt": prompt,
    "format": json_schema,   # Schema 约束输出
    "stream": False,
    "options": {"num_ctx": 4096, "temperature": 0.05}
})

关键参数：temperature=0.05（不是 0.3 也不是 0.15）。经过实测对比，0.05 覆盖面更广（13 vs 9 只），且输出稳定可复现——同一天同一输入两次跑出来的 Top 5 重叠率 100%。

L5: DeepSeek 云端精筛

Prompt 内嵌 6 条交易铁律：

❶ 公告排雷: 搜索「代码 减持 质押 监管函」→ 一票否决
❷ 强周期判断: 铝/钢/煤/化工等 PE 低 ≠ 低估
❸ 下跌加速: 等止跌信号，别接飞刀
❹ 仓位 ≤ 10%（小资金测试阶段）
❺ 目标价 > 成本价
❻ 止损必须同步给出

---

五、风控体系：三层否决 + 6 条铁律

年初踩过两次坑后（联创光电大股东减持+82%质押、宏桥控股强周期+下跌加速），重建了三层否决：

L1 量化否决
  ├─ 强周期行业 (22个关键词) + trend<2 → 一票否决
  └─ 下跌加速 (5日跌幅 > 20日跌幅×0.5) + trend≤1 → 一票否决

L2 公告排雷
  └─ AnySearch 批量扫描 Top 15
     命中「减持/质押/监管函/立案」→ 一票否决

L3 AI 铁律兜底
  └─ DeepSeek 精筛逐条检查 6 条铁律

强周期行业关键词表：

CYCLICAL_KEYWORDS = [
    "铝", "钢", "铁", "煤", "炭", "化工", "有色", "水泥", "玻璃",
    "铜", "锌", "镍", "锂", "钴", "稀土", "石化", "原油", "天然气",
    "航运", "港口", "造船", "造纸", "化纤", "化肥", "农药",
]

---

六、部署：4 条 Cron 实现全自动

cronjob create --name "策略二·回调强买"  --script "sniper_scan.sh"  --schedule "25 9 * * 1-5"
cronjob create --name "策略一·量价突破"  --script "vp_breakout_scanner.py" --no-agent --schedule "20 9 * * 1-5"
cronjob create --name "尾盘综合分析"      --script "closing_analysis.py" --no-agent --schedule "30 14 * * 1-5"
cronjob create --name "P3情报融合日报"    --script "p3_fusion_briefing.py" --no-agent --schedule "0 17 * * 1-5"

Cron 踩坑记：

• python 必须加 -u 强制无缓冲，否则 cron 环境下 stdout 全被吞
• 脚本路径必须物理位于 ~/.hermes/scripts/，软链接也不行
• .env 加载必须用 load_dotenv(override=True)，否则 cron 进程已有的环境变量会遮蔽 .env 里的新 key

---

七、实战踩坑：那些让你怀疑人生的 bug

1. ak.stock_info_a_code_name() 超时 7 分钟

AKShare 的 stock_info_a_code_name() 会连 www.bse.cn（北京证券交易所），在本机网络下频繁超时（7 分钟+），导致整个扫描流水线不可用。

# ❌ 错误：连 BSE 超时 7 分钟
df = ak.stock_info_a_code_name()

# ✅ 正确：分别获取沪深代码，完全避开 BSE
sh = ak.stock_info_sh_name_code()
sz = ak.stock_info_sz_name_code()
# 列名归一化
sh = sh.rename(columns={"证券代码": "code", "证券简称": "name"})
sz = sz.rename(columns={"A股代码": "code", "A股简称": "name"})

2. Ollama 名称幻觉

Ollama 在排名股票时经常把代码和名称搞混——输出 "600030 招商银行"，但 600030 是中信证券。

修复：解析 Ollama 输出的 JSON 后，用源数据逐条校正名称。

for stock in results:
    code_clean = "".join(filter(str.isdigit, str(stock["code"])))
    match = df[df["symbol_clean"] == code_clean]
    if not match.empty:
        stock["name"] = match.iloc[0]["name"]  # 强制覆盖

3. DeepSeek API 模型名陷阱

deepseek-v4-flash 返回空内容（HTTP 200 但 content 为空字符串）。改用 deepseek-chat 正常——虽然后端映射到同一模型，但响应处理不同。

4. 腾讯 API GBK 编码

qt.gtimg.cn 返回 GBK 编码，不设 resp.encoding = "gbk" 直接中文乱码——Python requests 默认猜编码会猜错。

---

八、总结：本地算力 + 云端精筛 = 零成本量化流水线

这条流水线的核心思想是 用本地 Ollama 做粗活，用 DeepSeek API 做细活：

阶段	工具	耗时	成本
数据获取	腾讯 API (qt.gtimg.cn)	80s	免费
量化初筛	pandas 多因子	<1s	本地
公告排雷	AnySearch API	30s	免费
AI 粗筛	Ollama deepseek-r1:14b	22s	本地 GPU
AI 精筛	DeepSeek deepseek-chat	19s	~¥0.01/次
总计		~150s	≈ 免费

每天早晨 09:25 产出候选池，下午 14:30 产出触发信号，全程无需盯盘。

下一步：接入东方财富财富号社区情绪数据（已经找到 API）、加入商品期货→A股映射（螺纹钢→钢铁股、碳酸锂→锂电股），构建信息领先优势。

---

全套代码开源：a_share_scanner.py + closing_analysis.py + fetch_a_shares.py
GitHub: jipin-ai/ji_pin（a-stock-intel 工具包）
本文是 CSDN 技术阵地第二篇，前一篇：绕过 DPI、零成本搭建 A 股智能 Agent 工具9)