duhanjun
duhanjun/jingni-trader
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/duhanjun/jingni-trader --skill jingni-trader命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
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。
正在显示 SKILL.md
| 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：