stock/stock-html/docs/全景扫描算法梳理.md

全景扫描算法梳理

一、整体流程

全景扫描是对全市场股票做一次技术信号全量检测，结果写入 stock_signal_scan 表，供前端「全景扫描」页、策略建议、提醒、模拟交易等使用。

1.1 触发方式

方式	说明
用户点击	前端「全景扫描」按钮 → 后台执行 full_signal_scan.py（可选）
定时任务	crontab 配置，如 11:50、16:30 或凌晨 01:00（0 1 * * 1-5）
管理员	管理后台「启动全景扫描」触发

1.2 入口与脚本

• 脚本：full_signal_scan.py
• 扫描日期：scan_date = date.today()，支持按日断点续扫
• 环境变量：FORCE_RESCAN=1 时先清空当日 stock_signal_scan 再扫

1.3 数据源

数据类型	来源	说明
股票列表	表 stock_realtime_price	SELECT code, name ORDER BY code，全市场
K 线	多级回退	见下文「K 线获取顺序」
结果存储	表 stock_signal_scan	不写价格；现价由 stock_realtime_price 等更新

K 线获取顺序（get_kline_data()）：

1. 本地 DB：get_kline_from_local_db_threaded(code, days)（stock_kline_daily）
2. 阿里云 K 线 API：北交所跳过
3. 腾讯 K 线 API：全市场（含北交所）
4. 麦蕊智数：get_kline(period='d', days=120)
5. AKShare：stock_zh_a_hist 日 K

取数长度：K_DAYS = 120 日。

---

二、单只股票扫描流程

对每只待扫描股票（pending = 全市场 - 当日已扫）：

1. get_kline_data(code, days=120)  →  DataFrame (date, open, high, low, close, volume)
2. 若 df 为空或 len(df) < 30 → 跳过，记失败
3. detect_all_signals(df, lookback=LOOKBACK)  →  7 个信号 + 指标 + signal_status
4. 汇总 triggered_count、signal_status、indicators、latest_signals
5. 写入内存缓冲；满 BATCH_SAVE_SIZE 条后批量 INSERT/UPDATE stock_signal_scan

并发与批参数（full_signal_scan.py）：

• WORKERS = 8
• BATCH_SIZE = 80（任务批）
• BATCH_SAVE_SIZE = 40（每 40 条写一次库）
• LOOKBACK = 5（检测最近 5 天内的信号）

---

三、核心算法：detect_all_signals

位置：services/signal_detector.py — detect_all_signals(df, lookback=5)。

3.1 输入输出

• 输入：df 需含列 date, open, high, low, close, volume；lookback 默认 5。
• 输出：
  signals、latest_signals、signal_summary、indicators、signal_status（用于推荐与展示）。

3.2 内部步骤

1. 列类型：必要列缺失则返回错误；对 open/high/low/close/volume 若非 float 则转成 float64。
2. 指标计算：calc_all_indicators(df)，得到 MACD、SKDJ、KDJ、EMA、MA 等。
3. 7 个信号检测（均在 lookback 窗口内）：
   • detect_main_rising_wave(df, lookback)
   • detect_daily_bottom_divergence(df, lookback)
   • detect_dragon_head(df, lookback)
   • detect_true_dragon(df, lookback)
   • detect_short_bottom_divergence(df, lookback)
   • detect_rat_trading(df, lookback)
   • detect_rebound(df, lookback)
4. 汇总：
   • 所有信号按 (strength 降序, date) 排序；
   • 取 latest_date 当天的信号为 latest_signals；
   • 统计 signal_summary；
   • 取最后一根 K 的指标 → indicators（macd/skdj/kdj/ema/ma）；
   • _check_all_signal_status(df) → signal_status（每条为 7 个信号的 triggered/description/readiness 等）。

全景扫描写库用的是 signal_status 与 triggered_count（signal_status 中 triggered==True 的个数），推荐与策略建议也用同一套 signal_status + compute_recommend。

---

四、七个信号的判定条件（与 _check_all_signal_status 一致）

序号	信号名	强度	判定逻辑概要（当前 K / 最近窗口）
1	主升浪	85%	DIF>0 且 DEA>0，且前一根 DIF≤DEA、当前 DIF>DEA（零上金叉）
2	日线底背离	80%	20 日内：收盘价在窗口新低附近(≤1.01×min)；当前是窗口最低点；DIF 高于前低且 DIF<0
3	龙抬头	75%	SKDJ 曾超跌(K<20 或 K<30)；K 上穿 D；最近 3 根 K 的 K 值标准差<15（稳定）
4	真龙	70%	4 条件中≥3 且必须含「价格>MA20」：价格>MA20、MA5>MA20、MACD 翻红(柱>0)、放量(>10 日均量 1.2 倍)
5	短底背离	65%	10 日内：收盘在窗口新低附近；当前是窗口最低点；DIF 高于 10 日内 DIF 前低
6	老鼠仓	60%	盘中跌幅 (low-open)/open < -3%；回收率 (close-low)/(high-low) > 60%；收盘较开盘跌幅 > -1%；成交量 > 10 日均量 1.3 倍
7	反弹	55%	EMA3 前根 ≤ EMA21，当前 EMA3 > EMA21（金叉）

• detect_* 系列：在 lookback 天内逐日检测，若有满足条件的 K 线则生成一条信号（含 date/type/strength/description 等）。
• _check_all_signal_status：只对最后一根 K 线判断 7 个信号是否「当前触发」，并给出描述与就绪度；全景扫描的「是否触发」以 signal_status[].triggered 为准。

---

五、结果落库与表结构

• 表名：stock_signal_scan
• 写入字段：code, name, scan_date, triggered_count, signal_status, indicators, latest_signals
• 唯一约束：(code, scan_date)，重复写入时 ON CONFLICT DO UPDATE。
• 说明：脚本不写 stock_realtime_price；列表页现价、涨跌幅等来自该表或实时接口。

---

六、与推荐算法的一致性

• 统一推荐函数：services/stock_algorithms.compute_recommend(signal_status, indicators, triggered_count, is_holding)
  • 被「全景扫描结果列表」「策略建议」「提醒」「模拟交易自动买卖」共用。
• 体系最强战法（suanfa.md）在推荐中的体现：
  • 日线底背离 → 纳入关注
  • 龙抬头 → 买入（核心买点）
  • 真龙/主升浪 → 持有/加仓
  • 不见主升浪 → 可出场（如 MACD 死叉且无主升浪 → 卖出）

即：全景扫描只负责「全量信号检测 + 落库」；「买/卖/加仓/持有/关注/观望」由同一套 compute_recommend 基于 signal_status 计算，保证与策略建议、提醒、模拟交易一致。

---

七、小结

项目	内容
入口	full_signal_scan.py，按日断点续扫
股票池	stock_realtime_price 全表 code+name
K 线	120 日，本地 DB → 阿里 → 腾讯 → 麦蕊 → AKShare
核心函数	detect_all_signals(df, lookback=5) → 7 信号 + signal_status
7 信号	主升浪(85%)、日线底背离(80%)、龙抬头(75%)、真龙(70%)、短底背离(65%)、老鼠仓(60%)、反弹(55%)
落库	stock_signal_scan，不写价格
推荐	与策略/提醒/模拟交易共用 compute_recommend(signal_status, ...)

如需调整「哪些算触发」，只需改 signal_detector.py 中对应 detect_* 与 _check_all_signal_status；如需调整买卖建议，只需改 stock_algorithms.compute_recommend。

---

八、全景扫描结果的「每日推荐买入」是如何获取的？

8.1 数据来源

• 每日推荐依赖的是当日（或最近一次）全景扫描的结果表 stock_signal_scan。
• 若当天没有跑全量扫描，接口会自动回退到「最近一次有数据的 scan_date」（见 8.2）。

8.2 接口与参数

• 接口：GET /api/scan_results（routes/analysis.py — get_scan_results()）。
• 关键参数：
  • date：扫描日期，默认当天；若该日无数据且未显式传 date，则用 MAX(scan_date) 回退。
  • recommend_text：推荐文案筛选，例如 买入、加仓、持有、关注、观察、观望、卖出。
  • holding_codes：当前用户持仓 code 列表（逗号分隔），用于区分「持仓 / 非持仓」下的推荐。

8.3 「推荐买入」的获取流程（recommend_text=买入）

1. 按日期取扫描数据
   从 stock_signal_scan 中取出 scan_date 当天的全部记录：
   code, signal_status, indicators, triggered_count。

2. 逐条计算推荐
   对每条记录调用统一推荐函数（_compute_recommend → stock_algorithms.compute_recommend）：

   _compute_recommend(signal_status, indicators, triggered_count, is_holding)
   

   • is_holding = (code in holding_codes)
     返回 (signal_type, display_text, reason, recommend_rate)，其中 display_text 即「买入 / 加仓 / 持有 / 关注 / 观察 / 观望 / 卖出」。

3. 筛选「买入」
   只保留 display_text == recommend_text（例如 display_text == '买入'）的股票，得到「每日推荐买入」列表。

4. 排序与分页
   按 triggered_count 降序、其次 code 升序排序；再按 page、per_page 分页，取当前页的 code 列表。

5. 补全当前页展示数据
   用当前页的 code 再查 stock_signal_scan + stock_realtime_price，对每条再次调用 _compute_recommend，得到 recommend_text、recommend_reason、现价等，返回前端。

8.4 何时会得到「买入」？

由 compute_recommend（体系最强战法）决定，非持仓时出现「买入」的条件包括：

• 最佳买入：日线底背离 + 龙抬头，且 MACD 未死叉 → display_text = '买入'（评分 95）。
• 龙抬头买入：有龙抬头且 MACD 金叉或暂无数据 → display_text = '买入'（评分 80）；若同时有主升浪且 MACD 正常 → 也是「买入」（评分 90）。
• 若 MACD 死叉则会被降级为「关注」等，不会出现在「推荐买入」筛选中。

因此：「每日推荐买入」= 当日（或回退日）stock_signal_scan 中，在给定 holding_codes 下经 compute_recommend 计算得到 display_text == '买入' 的股票列表，经排序分页后返回。

8.5 与策略建议的关系

• 策略建议（GET /api/scan_strategy）同样读 stock_signal_scan 当日数据，对每条记录调用同一个 _compute_recommend，再按 display_text 分成 4 档（立即买入、持仓加仓、关注、纳入关注）。
• 「立即买入」档即 display_text == '买入'，与全景扫描里筛选 recommend_text=买入 的列表算法一致，只是接口与展示形式不同（一为分档统计，一为分页列表）。