Skip to main content Skills Marketplace Discover and explore AI skills built by the community.
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Show prompt details A direct command skips the review prompt. Inspect the source before running it.
npx skills add https://github.com/duhanjun/jingni-trader --skill jingni-traderThe command stays on one line. Scroll horizontally to inspect it before copying.
Prefer a local copy? Download the files currently available to SkillsMP.
Download Zip Downloading... More from this repository name jingni-trader version 1.0.0 description A股量化交易全流程主调度器。负责解析用户意图，管理投研阶段状态机，维护跨 Skill 的上下文对象，按流程依次调度七个子 Skill 完成从数据采集到绩效报告的全链路工作。本身不执行任何量化计算，只做编排。 author quant-team license MIT tags ["quant-trading","A股","master-skill","workflow","量化","调度器"] dependencies ["importlib (Python 标准库)","logging (Python 标准库)","json (Python 标准库)"] environment_variables [{"name":"TUSHARE_TOKEN","description":"Tushare Pro API Token（启用 tushare 数据源时需要；tushare 是 opt-in 源，默认不参与降级链）","required":false},{"name":"GM_TOKEN","description":"掘金量化API Token，用于实盘交易","required":false},{"name":"IFIND_USERNAME","description":"同花顺 iFinD 登录账号（启用 ifind 数据源时需要）","required":false},{"name":"IFIND_PASSWORD","description":"同花顺 iFinD 登录密码（启用 ifind 数据源时需要）","required":false},{"name":"JINGNI_URL","description":"惊泥因子库服务地址（启用 jingni-datafeed 因子库时需要）","required":false},{"name":"JINGNI_TOKEN","description":"惊泥因子库 API Token（启用 jingni-datafeed 因子库时需要）","required":false},{"name":"DATA_BACKENDS","description":"数据源优先级链，逗号分隔（如 \"tushare,baostock,akshare,websearch\"）。默认 \"baostock,akshare,websearch\"（仅真正免费源）。用户对话指定时优先级高于此变量","required":false,"default":"baostock,akshare,websearch"},{"name":"QUANT_WORK_DIR","description":"数据和工作目录","required":false,"default":"./workspace"},{"name":"QUANT_FORCE_REFRESH","description":"强制刷新所有阶段，忽略缓存产物（设为 \"1\" 启用）","required":false,"default":"0"},{"name":"FACTOR_BACKEND","description":"因子计算后端（pandas_ta / talib），默认 pandas_ta（纯 Python，无需安装 C 依赖）","required":false,"default":"pandas_ta"},{"name":"BACKTEST_BACKEND","description":"回测引擎后端（native / rqalpha / backtrader / gm），默认 native","required":false,"default":"native"},{"name":"ALLOW_SYNTHETIC_FALLBACK","description":"全部数据源失败时是否生成模拟数据兜底（默认 true）","required":false,"default":"true"},{"name":"AUTO_INSTALL_BACKENDS","description":"数据源依赖缺失时自动 pip install 后重试（默认 true）","required":false,"default":"true"},{"name":"LOG_LEVEL","description":"日志级别","required":false,"default":"INFO"}] language python python_version 3.9+ entry_point engine.py allowed_sub_skills ["data-engine","factor-engine","strategy-model-engine","backtest-engine","portfolio-risk-engine","execution-monitor-engine","reports-engine"] included_skills ["skills/data-engine","skills/factor-engine","skills/strategy-model-engine","skills/backtest-engine","skills/portfolio-risk-engine","skills/execution-monitor-engine","skills/reports-engine","skills/jingni-datafeed"] trigger_keywords ["量化","回测","选股","因子","实盘","组合优化","A股","策略开发","分析","技术面","基本面","诊股"]
jingni-trader
概述
jingni-trader 是量化交易 Skill 套件的主协调中枢 ，负责：
解析用户自然语言意图，判断当前投研阶段
管理任务状态机，按流程调度子 Skill
维护会话状态和任务上下文
输出结构化的量化研究报告
意图解析与路由
系统采用单一工作流模型 ：根据用户是否明确需要构建可回测/可交易策略，选择执行深度。因子计算/IC 分析本身是两条路径共用的前置步骤，不构成"策略构建"意图。
项目用户意图 — 阶段/场景/报告/引擎流程/触发规则对照表
agent 运行本 skill 时，根据下表匹配用户意图 → 调度对应引擎 → 生成对应报告：
投研场景 用户意图表述 意图标识 阶段路径 触发的引擎流程（按序） 触发规则（关键词/条件） 最终报告产物 量化投研开发 因子分析 / IC分析 factor（隐式附加）DATA → FACTOR → REPORT data-engine → factor-engine → reports-engine（factor_analysis_report） FACTOR 产物存在时伴随触发；不进门户、不阻断主报告 因子分析报告（附加产物） 量化投研开发 策略构建 / 回测验证 / 选股 strategy_required=True（隐式）DATA → FACTOR → MODEL → BACKTEST → PORTFOLIO → EXECUTION → REPORT data-engine → factor-engine → strategy-model-engine → backtest-engine → portfolio-risk-engine → execution-monitor-engine → reports-engine（backtest_report） 含"回测/策略/模型/选股/实盘/下单"等动作关键词 策略回测报告（净值曲线/夏普/回撤/行业归因） 量化投研开发 组合优化 portfolio同上（策略管线完整跑，REPORT 阶段命中 portfolio_report） … → portfolio-risk-engine → reports-engine（portfolio_report） report_intent=portfolio组合优化报告 量化投研开发 执行监控 execution同上（策略管线完整跑，REPORT 阶段命中 execution_report） … → execution-monitor-engine → reports-engine（execution_report） report_intent=execution执行监控报告（账户概览/持仓/成交/委托） 主观投研分析 个股技术面分析 technicalDATA → FACTOR → REPORT data-engine → factor-engine → reports-engine（technical_report） report_intent=technical 或
report_template=technical
主观投研分析 个股基本面分析 fundamentalDATA → FACTOR → REPORT data-engine → factor-engine → reports-engine（fundamental_report） report_intent=fundamental 或 report_template=fundamental 或含"基本面/财报/估值/财务"等关键词基本面分析报告（财务数据/估值/股东结构）
主观投研分析 个股综合分析（默认） both（隐式）DATA → FACTOR → REPORT data-engine → factor-engine → reports-engine（technical_report + fundamental_report，_run_plugin_many 多命中聚合） report_template=both / 同时命中技术面+基本面关键词 / 无明确意图的默认路径技术分析报告 + 基本面分析报告（双报告联合生成）
执行复盘 绩效归因 / 复盘 attributionDATA → FACTOR → EXECUTION → REPORT data-engine → factor-engine → execution-monitor-engine → reports-engine（attribution_report） report_intent=attribution 或含"绩效归因/归因分析/复盘/实盘报告/盈亏分析/交易复盘/绩效复盘"等关键词（最高优先级 ）绩效归因报告（Round-Trip 归因/成本分析/压力期表现）
兜底 无明确意图 / 全部未命中 — DATA → FACTOR → REPORT data-engine → factor-engine → reports-engine（fallback_report） 无任何插件命中时，兜底插件 fallback_report 自动接管 默认个股报告（技术面+基本面）
默认走分析路径 ：意图模糊或仅提及"因子/分析"时，strategy_required=False，因子仅用于分析，不构建策略。用户明确要求"回测/策略/实盘"等动作时才升级到完整 7 阶段管线。
路由实现
ctx.metadata["strategy_required"]: 布尔标志，驱动 target_stages 选择ctx.metadata["report_template"]: 报告模板检测（technical/fundamental/both），正交维度 ，两条路径都设置reports-engine 已统一路由：根据是否存在 BACKTEST 产物自动选择生成绩效报告还是模板分析报告，无需上层区分
technical : 仅生成技术面深度分析报告（含A股特色：资金面、龙虎榜）fundamental : 仅生成基本面深度分析报告（含A股特色：股东结构）both : 同时生成技术面与基本面两份报告（默认）
报告插件机制（可扩展报告类型） reports-engine 支持报告插件 ，新增报告 = 新增一个插件文件夹，无需改主引擎代码。
插件位置 ：skills/reports-engine/plugins/<插件id>/，含 3 个文件：
plugin.yaml：报告声明（trigger 触发条件 + requires 所需产物 + label/icon 门户元信息）render.py：渲染器，实现 render(data, ctx, output_path) 生成 HTML<报告id>.html.j2：HTML 模板（继承 base.html.j2 复用统一骨架） 触发机制 ：reports-engine.run() 在 REPORT 阶段执行，路由已收敛为两分支 ：
分支 A（插件匹配） ：由 _run_plugin_auto 统一执行，优先级为：
report_intent ∈ {attribution/portfolio/execution} → 直接映射到对应插件（_run_plugin_enhanced，含意图产物校验）BACKTEST 产物存在且回测插件命中 → 回测报告（优先于默认模板，与 master 引擎 REPORT 产物判断一致）显式 report_template（technical/fundamental/both，无 BACKTEST）→ 模板类插件（both 多命中 → _run_plugin_many 联合生成技术+基本面双报告）
其余 find_by_trigger 匹配（资金流等）
全部未命中 → 兜底插件 fallback_report 生成默认个股报告
分支 B（内置兜底） ：_run_template_report，仅当插件机制关闭 / 无插件命中且无兜底插件 / 匹配异常时作为终极兜底 插件触发条件 支持三种方式（plugin.yaml 的 trigger）：
关键词识别：{ keyword: ["资金流", "主力资金"] } —— 用户输入含这些词即触发
字段精确匹配：{ field: report_intent, equals: technical } 或 { field: report_template, equals: both }
产物存在性：{ artifact: BACKTEST }
多命中聚合 ：当多个插件同时命中（如 report_template=both 命中 technical+fundamental）时，
_run_plugin_many 联合生成多份报告，并统一注册门户、注入 LLM 深度解读、汇总 report_data.json。
自定义输出文件名 ：插件可在 plugin.yaml 声明 output_file（如回测插件声明 report.html），
生成时直接输出该文件名，无需复制改名。
兜底插件 ：声明 fallback: true 且无 trigger 的插件（fallback_report），在无任何插件命中时
承担默认个股报告（技术面+基本面）。
示例 ：内置 technical_report 插件通过 report_intent=technical（或关键词命中技术面）触发。用户说"分析 002594.SZ 的技术面"，REPORT 阶段命中该插件，生成 technical_report.html 技术分析报告。
插件 id 触发方式 说明 technical_reportreport_intent=technical / report_template∈{technical,both}技术分析报告 fundamental_reportreport_intent=fundamental / report_template∈{fundamental,both}基本面分析报告 attribution_reportreport_intent=attribution绩效归因（经 _run_plugin_enhanced） portfolio_reportreport_intent=portfolio组合优化（经 _run_plugin_enhanced） execution_reportreport_intent=execution执行监控（经 _run_plugin_enhanced） backtest_report{ artifact: BACKTEST }，output_file: report.html策略回测报告（直接输出 report.html） factor_analysis_report{ artifact: FACTOR }因子分析（附加产物，不进门户、不阻断主报告） fallback_report无 trigger（fallback: true） 兜底插件：无任何插件命中时生成默认个股报告
其中 attribution_report / portfolio_report / execution_report / backtest_report
均由插件机制承载（不再有独立内置路由分支）；backtest_report 声明 output_file: report.html
直接输出固定文件名，兼容下游缓存/门户/归档旧约定。
开发新报告 ：复制任一插件文件夹 → 改 plugin.yaml（触发词/所需产物）+ render.py + 模板 → 放入 plugins/ 下即可被自动扫描注册。详见 docs/产品需求文档_报告插件化机制.md。
LLM 动态 Prompt 生成 reports-engine 的 llm_analyst 模块根据模板配置文件（technical.yaml / fundamental.yaml）中的 factor_groups 动态生成 LLM 系统提示词：
每个因子分组（factor_group）包含因子列表、渲染方式、分析要点提示（analysis_hint）
TechnicalAnalyst 和 FundamentalsAnalyst 根据 factor_groups 动态构建指标参考说明和分析要点
当 factor_groups 为空时，自动回退到硬编码的默认指标说明
因子名称到中文说明的映射表维护在 _TECHNICAL_FACTOR_DESCRIPTIONS / _FUNDAMENTAL_FACTOR_DESCRIPTIONS 中
数据源优先级策略 数据源优先级采用"对话优先 + 配置兜底"的设计：用户通过自然语言对话即可切换数据源，无需修改环境变量。
完整优先级链（从高到低） 1. ctx.external_data (Agent 系统内置工具/MCP) — 最高，直接跳过降级链
2. ctx.data_sources (用户对话指定) — 用户通过对话明确要求时由 agent 写入
3. 环境变量 DATA_BACKENDS — 高级用户/CI 配置
4. 代码默认值 "baostock,akshare,websearch" — 兜底（仅真正免费源）
5. synthetic (模拟数据兜底) — 全部失败时告知用户
用户对话式切换数据源（推荐方式） 用户直接与 agent 对话即可指定数据源优先级，agent 会解析意图并写入 ctx.data_sources，覆盖环境变量：
用户说什么 agent 解析结果(ctx.data_sources) "用 wind 取数据" ["wind", "baostock", "akshare", "websearch"]"优先用 ifind" ["ifind", "baostock", "akshare", "websearch"]"优先用 ifind，失败用 tushare" ["ifind", "tushare", "baostock", "akshare", "websearch"]"用 tushare 取数据" ["tushare", "baostock", "akshare", "websearch"]"用万得取数据" ["wind", ...]（中文别名）"用同花顺取数据" ["ifind", ...]（中文别名）"用 baostock 和 akshare" ["baostock", "akshare", "websearch"]（未提及数据源） None（走环境变量 → 默认值）
必须同时命中"动作动词"（用/使用/优先/首选/改用/切换/换/use/using/from）和"数据源名称"（tushare/baostock/akshare/wind/ifind/万得/同花顺/掘金/通达信/迅投）
用户只指定部分源时，自动追加默认免费降级链作为兜底
未识别到数据源意图时，ctx.data_sources 保持 None，由 data-engine 走环境变量/默认值
可选数据源（opt-in 源） 以下数据源默认不参与降级链，需要用户通过对话明确指定或通过 DATA_BACKENDS 环境变量启用：
数据源 中文名 前置条件 tushareTushare Pro TUSHARE_TOKEN（商业 API，有免费额度） wind万得 Wind 金融终端 + WindPy ifind同花顺 iFinD iFinDPy + 账号密码（IFIND_USERNAME/IFIND_PASSWORD） xtquant迅投 QMT/xtp 本地券商客户端 gm掘金量化 GM_TOKEN + 付费 SDK tdxquant通达信量化 本地通达信金融终端 TQ 策略
默认免费数据源（无需任何配置） 数据源 说明 baostock老虎量化开源项目（无需 Token） akshare聚合库爬虫（无需 Token） websearch通过 WebSearch 工具查询（终极回退）
精准降级 降级链中某个源失败时，只在该源特定异常类型 触发时才切换到下一源（如 tushare 的 QuotaExceededError/RateLimitError），避免普通错误误降级。详见 data-engine 的 DATA_FALLBACK_RULES。
数据源依赖自动安装 当某数据源适配器所需的第三方库尚未安装时，data-engine 不会直接跳过该数据源，而是先尝试用当前 Python 解释器自动安装依赖（pip install），安装成功后再加载并使用该数据源；仅当自动安装失败时才会按降级链跳到下一个数据源。
开关：AUTO_INSTALL_BACKENDS（默认 true）
后端与 pip 包映射（见 skills/data-engine/scripts/config.py 的 BACKEND_PIP_PACKAGES）
自动安装结果会被缓存，避免在同一次运行的降级链里重复安装
高级：环境变量配置（可选） 如果用户希望通过环境变量持久化配置数据源优先级（适合 CI/服务器场景），可设置 DATA_BACKENDS：
export DATA_BACKENDS=wind,tushare,baostock,akshare,websearch
$env :DATA_BACKENDS = "wind,tushare,baostock,akshare,websearch"
环境变量优先级低于 ctx.data_sources：用户在对话里说"用 wind"会立即覆盖环境变量配置。
运行归档机制 每次运行完整流程时，自动创建归档目录保存所有过程和结果：
在 workspace/archives/ 下创建 YYYYMMDD_HHMMSS 格式的运行归档目录
每个子任务在归档目录中创建 step_N_<阶段名> 格式的子文件夹
每个步骤保存 summary.md 子任务小结报告
全景汇总 pipeline_summary.md 保存在归档根目录
workspace/archives/20260529_143025/
├── pipeline_summary.md
├── step_1_DATA/
│ ├── summary.md
│ └── artifacts/
├── step_2_FACTOR/
│ ├── summary.md
│ └── artifacts/
├── step_3_REPORT/
│ ├── summary.md
│ └── artifacts/
...
阶段状态机
单一工作流 + 因子用途分支 系统采用单一工作流，根据 strategy_required 标志选择执行深度：
┌─ strategy_required=True ──→ [MODEL] → [BACKTEST] → [PORTFOLIO] → [EXECUTION] → ┐
[DATA] → [FACTOR] → ┤ ├→ [REPORT]
└─ strategy_required=False（默认）──────────────────────────────────────────────┘
分支逻辑
默认分析路径 （strategy_required=False）：因子仅用于分析，跳过 MODEL/BACKTEST/PORTFOLIO/EXECUTION，直接 DATA → FACTOR → REPORT策略构建路径 （strategy_required=True）：完整 7 阶段管线，REPORT 阶段根据 BACKTEST 产物存在性自动生成绩效报告回测失败 → 返回因子调优
模型过拟合 → 触发样本外再验证
LLM 内容注入 个股分析报告中包含 LLM 占位符（<!--LLM_TECHNICAL_ANALYSIS_PLACEHOLDER--> / <!--LLM_FUNDAMENTAL_ANALYSIS_PLACEHOLDER-->），agent 可在 run_pipeline() 时传入 llm_responses 参数自动替换：
result = engine.run_pipeline(
user_input="分析 002594.SZ 比亚迪的技术面和基本面" ,
llm_responses={
"technical" : {"overall_assessment" : "..." , "technical_score" : 75 , ...},
"fundamental" : {"overall_assessment" : "..." , "fundamental_score" : 82 , ...},
}
)
Context 对象 字段名 类型 说明 task_id str 当前任务ID（YYYYMMDDHHMMSS） session_id str 会话ID user_intent str 用户原始意图 current_stage str 当前所处阶段 target_stages List[str] 目标阶段列表 stock_pool List[str] 股票池（股票代码列表，空列表=全市场） benchmark str 基准指数代码（默认 000300.SH） start_date str 开始日期 end_date str 结束日期 strategy_name str 策略名称 strategy_params Dict[str, Any] 策略参数字典 artifacts Dict[str, str] 已完成阶段产物路径 external_data Dict[str, Any] 系统内置工具传入的外部数据 data_sources Optional[List[str]] data-engine 专用：用户对话指定的数据源优先级链（None 时走环境变量/默认值） run_dir str 当前运行归档目录路径 step_dirs Dict[str, str] 各步骤归档子目录路径 metadata Dict[str, Any] 各阶段元数据（含 strategy_required、report_template、factor_source、report_intent 等） errors List[str] 错误记录
使用示例
Python API from engine import run, MasterEngine
from scripts.context import Context
ctx = Context(
task_id="task_001" ,
user_intent="帮我用近3年A股数据做一个20日反转因子选股回测" ,
current_stage="IDLE"
)
result = run(ctx)
print (result)
engine = MasterEngine()
result = engine.run_pipeline(
user_input="分析 002594.SZ 比亚迪的技术面和基本面" ,
llm_responses={
"technical" : {...},
"fundamental" : {...},
}
)
CLI 运行
python engine.py -i "帮我用近3年A股数据做一个20日反转因子选股回测"
python engine.py -i "分析 002594.SZ 比亚迪的技术面和基本面"
python engine.py -c ./workspace/context.json
python engine.py -i "生成上个月实盘绩效报告" -o ./workspace/result.json
python engine.py -i "分析比亚迪基本面" --force
说明：当前 CLI 仅支持 -i/--input（必填）、-c/--context、-o/--output、--force 四个参数。
股票池、日期范围等任务参数请在 -i 的自然语言描述中指定（如 "分析 002594.SZ 比亚迪"），
由意图解析自动提取，无需额外的命令行参数。
子 Skill 映射 阶段 对应子 Skill 说明 DATA data-engine 多源数据采集与清洗 FACTOR factor-engine 因子计算、IC分析、多因子融合 MODEL strategy-model-engine 模型训练与超参优化 BACKTEST backtest-engine 策略回测与绩效评估 PORTFOLIO portfolio-risk-engine 组合优化与风控 EXECUTION execution-monitor-engine 实盘执行与监控 REPORT reports-engine 量化绩效报告 / 个股分析报告
jingni-datafeed 自动部署 启动时自动检测 ：MasterEngine 实例化时自动检查 skills/jingni-datafeed/ 目录：
目录不存在 → 自动从 GitHub 克隆（git clone --depth 1），用户无需手动操作目录已存在 → 运行正常的版本检查（只检测落后、不自动修改文件） 自动克隆失败时不会阻断主流程 ，仅输出警告日志。如需手动安装：
cd jingni-trader
git clone https://github.com/duhanjun/jingni-datafeed.git skills/jingni-datafeed
cp skills/jingni-datafeed/.env.example skills/jingni-datafeed/.env
里程碑检查点
产物完整性
基本合理性
失败时给出清晰错误码
支持从断点重试
错误处理
所有子 Skill 调用包含异常捕获
明确的错误信息和建议
优雅降级策略
配置说明
API 文档
Context 协议
工作流架构 