메뉴
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。
기본적으로 소스를 먼저 확인하는 Prompt가 선택됩니다. 직접 명령으로 전환하거나 로컬 사본을 다운로드할 수도 있습니다.
설치 여부를 결정하기 전에 SKILL.md와 SkillsMP에 표시된 보조 파일을 읽어 보세요.
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
직접 명령은 검토 Prompt를 거치지 않습니다. 실행하기 전에 소스를 확인하세요.
npx skills add https://github.com/duhanjun/jingni-trader --skill jingni-trader명령은 한 줄로 유지됩니다. 복사하기 전에 가로로 스크롤해 전체 내용을 확인하세요.
로컬 사본을 원하시나요? SkillsMP에서 현재 제공할 수 있는 파일을 다운로드하세요.
A股实盘执行与监控引擎。支持模拟交易(paper)与实盘交易(live)两种模式，可对接 xtquant(miniQMT)、掘金(gm) 等券商接口。内置硬风控断路器（单日亏损限制、单笔金额上限、持仓集中度、订单频率限制），支持账户查询、订单发送与撤单、仓位同步，所有交易操作完整记录到审计日志。默认使用 paper 模拟交易模式（生产可用）。
A股数据采集与治理引擎。支持从 Tushare Pro、BaoStock、AkShare、xtquant、掘金(gm)、通达信(tdxquant)、万得(Wind)、同花顺(iFinD) 等多数据源获取日线/分钟线行情、财务、估值数据，完成复权、涨跌停标记、ST过滤、新股剔除、停牌处理等本土化清洗，并持久化到本地 Parquet 文件。优先使用 Agent 系统内置的金融数据获取工具（MCP/Skill/插件）。支持精准降级、模拟数据兜底、依赖自动安装。
A股绩效归因与可视化报告引擎。支持三种报告类型：量化投资者生成包含净值曲线、绩效指标 TearSheet、月度收益热力图、申万行业归因、Brinson 分解、风格暴露分析的综合 HTML 报告；非量化投资者生成个股技术面深度分析（9 章节，含A股特色：资金面、龙虎榜）和基本面深度分析（10 章节，含A股特色：股东结构）独立报告；绩效复盘报告从实盘/模拟交易账本中提取成交记录，通过 FIFO round-trip 归组实现盈亏归因、执行质量分析和 A 股压力期表现分析。集成 TradingView 轻量级 K 线图（8 种可切换技术指标），支持 LLM 占位符注入。基于 QuantStats / Plotly / Matplotlib 输出交互式图表和结构化数据 JSON。
SKILL.md 표시 중
| 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 是量化交易 Skill 套件的主协调中枢，负责：
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。
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 | technical | DATA → FACTOR → REPORT | data-engine → factor-engine → reports-engine（technical_report） | report_intent=technical 或 或含"技术面/K线/形态/指标"等关键词 |
report_template=technical| 技术分析报告（K线图/指标/资金面/龙虎榜） |
| 主观投研分析 | 个股基本面分析 | fundamental | DATA → 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 | attribution | DATA → 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。
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，无需上层区分个股分析报告支持三种模板：
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：
_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）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）find_by_trigger 匹配（资金流等）fallback_report 生成默认个股报告_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）：
{ keyword: ["资金流", "主力资金"] } —— 用户输入含这些词即触发{ field: report_intent, equals: technical } 或 { field: report_template, equals: both }{ 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。
现有插件清单（plugins/ 目录）：
| 插件 id | 触发方式 | 说明 |
|---|---|---|
technical_report | report_intent=technical / report_template∈{technical,both} | 技术分析报告 |
fundamental_report | report_intent=fundamental / report_template∈{fundamental,both} | 基本面分析报告 |
attribution_report | report_intent=attribution | 绩效归因（经 _run_plugin_enhanced） |
portfolio_report | report_intent=portfolio | 组合优化（经 _run_plugin_enhanced） |
execution_report | report_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。
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：
_TECHNICAL_FACTOR_DESCRIPTIONS / _FUNDAMENTAL_FACTOR_DESCRIPTIONS 中数据源优先级采用"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。
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） |
判定规则（避免误触发）：
ctx.data_sources 保持 None，由 data-engine 走环境变量/默认值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 |
|---|---|---|
tushare | Tushare 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 |
| 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） |
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。
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。
AUTO_INSTALL_BACKENDS（默认 true）skills/data-engine/scripts/config.py 的 BACKEND_PIP_PACKAGES）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：
# Linux/Mac
export DATA_BACKENDS=wind,tushare,baostock,akshare,websearch
# Windows PowerShell
$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。
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：
YYYYMMDD_HHMMSS 格式的运行归档目录step_N_<阶段名> 格式的子文件夹summary.md 子任务小结报告pipeline_summary.md 保存在归档根目录归档目录结构：
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/
...
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）──────────────────────────────────────────────┘
strategy_required=False）：因子仅用于分析，跳过 MODEL/BACKTEST/PORTFOLIO/EXECUTION，直接 DATA → FACTOR → REPORTstrategy_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, ...},
}
)
标准化的上下文对象，包含以下字段：
| 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 |
from engine import run, MasterEngine
from scripts.context import Context
# 创建 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"
)
# 运行主流程
result = run(ctx)
print(result)
# 个股分析（含 LLM 内容注入）
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": {...},
}
)
# 交互式输入
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"
# 指定参数
python engine.py -i "分析 002594.SZ 比亚迪的技术面和基本面"
# 用已有 Context JSON 恢复运行
python engine.py -c ./workspace/context.json
# 仅生成报告（输出到指定 JSON 文件）
python engine.py -i "生成上个月实盘绩效报告" -o ./workspace/result.json
# 强制刷新（忽略缓存，重新执行所有阶段）
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。
| 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-trader 可选依赖 jingni-datafeed（惊泥因子库 datafeed 服务），该子 skill 独立维护在 duhanjun/jingni-datafeed。
启动时自动检测：MasterEngine 实例化时自动检查 skills/jingni-datafeed/ 目录：
git clone --depth 1），用户无需手动操作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
# 编辑 skills/jingni-datafeed/.env 填入 JINGNI_URL / JINGNI_TOKEN
每个子 Skill 完成后自动检查：