双趋势共振量化选股系统,基于GMMA+一目均衡图+ADX+流动性过滤,输出S/A/B/C四级信号与动态止损。支持通达信本地数据和CSV数据扫描。当用户需要量化选股、趋势分析、双趋势共振扫描、股票筛选时调用此技能。
双趋势共振量化选股系统
功能概述
双趋势共振量化选股系统是一项面向实际任务的技能,主要用于基于GMMA+一目均衡图+ADX+流动性过滤的三层架构量化选股系统,支持QClaw智能体调用;✅ GMMA顾比均线多头排列检测;
核心要点
- ✅ 一目均衡图云层分析(9-26-52标准参数);
- ✅ ADX趋势强度过滤(无TA-Lib依赖);
- ✅ 流动性前置过滤(默认1亿门槛);
使用与执行
✅ S/A/B/C四级信号评级;✅ 动态止损位计算;✅ 通达信本地数据扫描;✅ CSV数据扫描;✅ 批量分。
结果检查与注意事项
它将相关步骤、工具调用和结果整理方式集中到统一流程中,帮助使用者更快完成目标并减少重复操作。从功能定位来看,该技能强调把分散的操作要求整理成清晰、可复用的处理流程,使用户能够围绕既定目标快速准备输入、选择执行方式并获得结构化结果。实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数,再依据技能说明逐步执行;若输入条件不完整,应先补齐信息或采用保守配置,避免因错误假设导致结果偏离需求。执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期,并对异常提示、缺失字段和边界情况进行处理;涉及批量任务时,还应保存进度,避免中断后重复操作。
双趋势共振量化选股系统
基于GMMA+一目均衡图+ADX+流动性过滤的三层架构量化选股系统,支持QClaw智能体调用。
功能特性
- ✅ GMMA顾比均线多头排列检测
- ✅ 一目均衡图云层分析(9-26-52标准参数)
- ✅ ADX趋势强度过滤(无TA-Lib依赖)
- ✅ 流动性前置过滤(默认1亿门槛)
- ✅ S/A/B/C四级信号评级
- ✅ 动态止损位计算
- ✅ 通达信本地数据扫描
- ✅ CSV数据扫描
- ✅ 批量分析支持
- ✅ 自动过滤科创板和北交所
系统架构
核心逻辑:流动性(>1亿) → ADX(>20) → 技术形态(GMMA+Ichimoku) 输出:S/A/B/C四级信号 + 动态止损位 数据要求:60日+前复权K线(OHLCV+Amount)
API接口
分析单只股票
调用方式:
result = call_skill("stock-lianghuafenxi-tdx", {
"action": "analyze",
"code": "600519"
})
返回数据格式:
{
"success": true,
"data": {
"code": "600519",
"name": "贵州茅台",
"signal": "A级",
"desc": "🟢 推荐",
"score": 80,
"position": "10%",
"stop_loss": 1680.50,
"risk_pct": 3.25,
"close": 1736.80,
"adx": 32.5,
"gmma_disp": "3.25%",
"above_cloud": true,
"tk_bull": true,
"details": [
"GMMA多头排列+30",
"GMMA离散度3.25%>2%+10",
"价格在云层上方+20",
"转换线>基准线+15",
"ADX=32.5 30-40中趋势+15"
],
"date": "2026-04-11"
},
"count": 1,
"message": "分析完成: 600519 A级"
}
批量分析多只股票
调用方式:
result = call_skill("stock-lianghuafenxi-tdx", {
"action": "batch_analyze",
"codes": ["600519", "000858", "601318", "600036"]
})
返回数据格式:
{
"success": true,
"data": [
{"code": "600519", "signal": "A级", "score": 80, ...},
{"code":000858", "signal": "B级", "score": 65, ...}
],
"count": 2,
"message": "批量分析完成,共 4 只股票"
}
扫描通达信本地数据
调用方式:
result = call_skill("stock-lianghuafenxi-tdx", {
"action": "scan_tdx",
"tdx_path": "D:\new_tdx",
"max_count": 0
})
返回数据格式:
{
"success": true,
"data": [...],
"report": "完整文本报告",
"count": 500,
"scanned": 4500,
"valid": 4200,
"message": "扫描完成: 扫描4500只, 有效4200只"
}
扫描CSV数据目录
调用方式:
result = call_skill("stock-lianghuafenxi-tdx", {
"action": "scan_csv",
"data_dir": "C:\data\stocks"
})
测试模式
调用方式:
result = call_skill("stock-lianghuafenxi-tdx", {
"action": "test"
})
评分与分级系统
评分规则(满分100)
| 条件 | 分值 | 说明 |
|---|---|---|
| GMMA多头排列 | +30 | 短期组>长期组 |
| GMMA离散度>2% | +10 | 确保发散非粘合 |
| 云层上方 | +20 | 价格>云层上轨 |
| 转换>基准 | +15 | 多头动能 |
| TK金叉 | +5 | 当日金叉触发 |
| 云层厚度>3% | +5 | 支撑强度 |
| ADX>40 | +20 | 强趋势 |
| ADX 30-40 | +15 | 中趋势 |
| ADX 20-30 | +10 | 弱趋势 |
| 成交额>10亿 | +5 | 流动性溢价 |
四级信号
- S级(90+分):🔥 强烈推荐,仓位20%,立即买入
- A级(75-89分):🟢 推荐,仓位10%,择机买入
- B级(60-74分):🟡 观察,仓位5%,等待确认
- C级(<60分):❌ 放弃,仓位0%
止损位计算
stop_loss = max(cloud_bottom, ema_60) # 云层下轨与60EMA取高者 risk_pct = (close - stop_loss) / close * 100
算法详解
流动性过滤(前置硬性)
turnover_ma20 = df['amount'].rolling(20).mean()
if turnover_ma20 < 100_000_000: # 1亿门槛
return {"signal": "REJECT", "reason": "流动性不足"}
ADX趋势强度(无TA-Lib实现)
tr = pd.concat([high-low, abs(high-close.shift(1)), abs(low-close.shift(1))], axis=1).max(axis=1) atr = tr.ewm(alpha=1/14).mean() plus_di = 100 * (plus_dm.ewm(alpha=1/14).mean() / atr) minus_di = 100 * (minus_dm.ewm(alpha=1/14).mean() / atr) dx = 100 * abs(plus_di - minus_di) / (plus_di + minus_di) adx = dx.ewm(alpha=1/14).mean()
GMMA顾比均线
short_terms = [3, 5, 8, 10, 12, 15] long_terms = [30, 35, 40, 45, 50, 60] gmma_bullish = (ema_15 > ema_30) & (short_avg > long_avg)
一目均衡图(9-26-52标准参数)
tenkan = (high.rolling(9).max() + low.rolling(9).min()) / 2 kijun = (high.rolling(26).max() + low.rolling(26).min()) / 2 senkou_a = ((tenkan + kijun) / 2).shift(26) senkou_b = ((high.rolling(52).max() + low.rolling(52).min()) / 2).shift(26) above_cloud = close > max(senkou_a, senkou_b)
数据格式要求
通达信本地数据
- 自动扫描
vipdoc/sh/lday和vipdoc/sz/lday目录 - 支持
.day二进制格式 - 自动过滤科创板(688)和北交所(8开头)
CSV数据
- 文件名格式:
{股票代码}.csv(如600519.csv) - 支持的列名:date/日期, open/开盘, high/最高, low/最低, close/收盘, volume/成交量, amount/成交额
使用示例
QClaw智能体调用示例
# 示例1:分析单只股票
result = call_skill("stock-lianghuafenxi-tdx", {
"action": "analyze",
"code": "600519"
})
if result["success"]:
stock = result["data"]
print(f"{stock['name']}: {stock['signal']} {stock['desc']}, 评分{stock['score']}")
# 示例2:批量分析
result = call_skill("stock-lianghuafenxi-tdx", {
"action": "batch_analyze",
"codes": ["600519", "000858", "601318"]
})
if result["success"]:
for stock in result["data"]:
if stock.get("score", 0) >= 60:
print(f"{stock['code']} {stock['name']}: {stock['signal']} 评分{stock['score']}")
# 示例3:通达信全市场扫描
result = call_skill("stock-lianghuafenxi-tdx", {
"action": "scan_tdx",
"tdx_path": "D:\new_tdx"
})
if result["success"]:
print(result["report"])
# 示例4:自定义参数分析
result = call_skill("stock-lianghuafenxi-tdx", {
"action": "analyze",
"code": "600519",
"tdx_path": "D:\new_tdx",
"liquidity": 500000000,
"adx_threshold": 25
})
注意事项
- 数据来源:优先使用通达信本地数据,其次CSV数据
- 数据时效:通达信数据需要先在通达信软件中下载日线数据
- 流动性门槛:默认1亿,可通过
liquidity参数调整 - ADX门槛:默认20,可通过
adx_threshold参数调整 - 数据要求:至少60个交易日数据才能产生有效信号
- 风险提示:本系统仅供量化分析参考,不构成投资建议
热门AI工具
相关专题
Vite项目打包部署专题汇集生产构建、产物预览、输出目录、资源路径、Nginx与GitHub Pages部署及常见白屏和路由404问题的已审核文章,帮助读者完成上线流程。
0
2026.10.28
Vite搭配Vue.js专题汇集创建Vue 3项目、配置开发环境、路径别名、Vue插件、代理、多环境构建与调试的已审核文章,帮助读者完成从初始化到日常开发的配置。
0
2026.10.28
Vite项目目录专题汇集入口文件、src源码、public静态资源、路径别名、项目根目录和构建输出目录相关的已审核文章,帮助读者理解各文件夹的用途与引用方式。
0
2026.10.28
本专题介绍Gradle插件开发的基本流程,涵盖插件类编写、自定义任务注册、扩展参数设计和插件应用方法,帮助你理解插件如何组织构建逻辑,减少多个项目之间的重复配置。
0
2026.10.22
本专题介绍Gradle Wrapper的基本作用,涵盖文件组成、生成方法、版本配置和任务调用,帮助你理解项目如何使用指定的Gradle版本,减少不同开发环境带来的构建差异。
0
2026.10.22
本专题整理Golangci-lint常用Linters的用途与配置方法,覆盖错误处理、无效代码、安全、复杂度、命名和依赖检查,帮助项目合理选规则。
0
2026.10.22
本专题介绍Gradle Java项目构建方法,涵盖Java插件配置、依赖声明、源码编译、测试执行和打包检查,帮助你理解各阶段的任务关系,逐步完成项目构建。
0
2026.10.22
本专题汇总PHP常见时间戳漏洞,包括2038年溢出、时区漂移、时间戳伪造、重放攻击、时间盲注与日志审计失效等,并给出升级64位环境、使用 DateTimeImmutable、统一UTC、严格超时校验、预处理绑定、hash_equals 比对等修复方案,帮助开发者快速排查和加固时间相关代码。
0
2026.10.22
本专题聚焦Golangci-lint YAML配置文件,讲清运行参数、规则启停、目录排除、问题过滤及严重级别设置,便于团队统一检查标准。
0
2026.10.22
热门下载
相关下载
精品课程
共6课时 | 12.1万人学习
共79课时 | 161.6万人学习
共6课时 | 54.7万人学习
最新文章