据 AlphaMoat 统计,截至 2026-10,stock-analysis-lianghua 累计下载 7,993 次、获 7 个星标,按累计下载量在本次参与排名的 10,914 个 AI 技能中排名第 3,481 位,在「专业领域」分类(1,228 个)中排名第 379 位。
列表默认按累计下载量排序,也可按星标排序;详情页排名按累计下载量计算。
| 平台 | 累计下载 | 星标 | 评论 |
|---|---|---|---|
| ClawHub ↗ | 4,969 | 4 | - |
| SkillHub ↗ | 7,993 | 7 | — |
各平台的计数口径不同,统计时间不一致。
用独立脚本算任意股票的技术指标并给出趋势判断,行情可取 Stooq、Yahoo Chart 接口或 yfinance 三条路径。它也给出 TradingAgentsV2 里分析师节点的改法,便于扩充分析维度。 市场数据覆盖、时效与结果取决于所配置的数据源和账号权限;分析或信号仅供参考,不构成投资建议。
资料发布于 2026-10-27
以下是根据技能文档生成的示例,不代表实际运行结果。
2026-09 起统计方法调整:同名技能按作者分别统计,并覆盖全部技能。图中虚线为调整前的月份,与之后的数据不直接比较,也不计算跨越调整的增长。
| 月份 | 累计下载 | 环比 | 星标 |
|---|---|---|---|
| 2026-10 | 7,993 | — | 7 |
| 2026-09 | 5,383 | — | 7 |
| 2026-08 | 4,843 | +4.0% | 7 |
| 2026-07 | 4,655 | +8.0% | 7 |
| 2026-06 | 4,309 | +5.5% | 4 |
| 2026-05 | 4,085 | — | 6 |
| 2026-03 | 2,908 | — | 4 |
以下是作者发布的原始文件,按纯文本显示,本站未做修改或审核;其中的链接不可点击,命令请核实后再运行。抓取于 2026-10-23。
--- name: stock-analysis description: 分析任意股票的技术指标和趋势,或修改 TradingAgentsV2 中的分析师节点。当用户需要分析某只股票、查看技术指标、获取市场趋势判断时,使用独立分析脚本;当需要新增/修改分析师节点时,参考架构模板。 --- # 股票分析 Skill ## 快速分析(独立脚本) 脚本位置:`.cursor/skills/stock-analysis/analyze_stock.py`(项目根目录也有一份副本 `analyze_stock.py`)
当用户要求分析某只股票时,直接执行此脚本:
```bash
python .cursor/skills/stock-analysis/analyze_stock.py <股票代码> [选项]
```
### 参数
| 参数 | 说明 | 默认值 |
|------|------|--------|
| `symbol` (必填) | 股票代码,如 META, AAPL, 0700.HK, TSLA | - |
| `--date`, `-d` | 分析日期,格式 YYYY-MM-DD | 今天 |
| `--days`, `-n` | 回看天数 | 90 |
| `--indicators`, `-i` | 逗号分隔的指标列表,或 `all` | 8个核心指标 |
### 示例
```bash
python .cursor/skills/stock-analysis/analyze_stock.py META
python .cursor/skills/stock-analysis/analyze_stock.py AAPL --date 2025-02-20
python .cursor/skills/stock-analysis/analyze_stock.py 0700.HK --days 60
python .cursor/skills/stock-analysis/analyze_stock.py TSLA -i rsi,macd,atr,close_50_sma
python .cursor/skills/stock-analysis/analyze_stock.py NVDA -i all
```
### 数据源(多源容灾)
脚本按以下优先级获取数据,自动容灾切换:
1. **Stooq**(免费、无需API key、不限速)
2. **Yahoo Chart API**(直接 HTTP 请求)
3. **yfinance**(Ticker.history)
4. **本地缓存**(`tradingagents/dataflows/data_cache/` 中已有的 CSV)
成功获取的数据会自动缓存到 `data_cache/` 目录。
### 报告输出内容
1. **近期行情** - 最近 15 个交易日 OHLCV + 涨跌统计
2. **技术指标** - 每个指标的时间序列趋势
3. **综合分析** - 趋势判断、动量分析、波动率分析、短期信号
4. **指标汇总表** - 所有指标的当前值和信号判断
### 分析逻辑
脚本内置的分析逻辑对应 `market_analyst.py` 的 prompt:
- **趋势判断**: 基于价格与 50SMA/200SMA 的位置关系(多头/空头排列 + 金叉/死叉)
- **动量分析**: RSI 超买超卖(70/30 阈值)+ MACD 与信号线交叉 + 柱状图方向
- **波动率**: ATR 占股价比例 + 布林带位置
- **短期信号**: 价格与 10EMA 的关系
### 支持的全部指标
```
close_50_sma, close_200_sma, close_10_ema,
macd, macds, macdh,
rsi,
boll, boll_ub, boll_lb,
atr,
vwma
```
### 依赖
```
yfinance, stockstats, pandas, requests
```
---
## 项目架构(LangGraph 分析师节点)
```
tradingagents/
├── agents/analysts/ # 分析师节点
│ ├── market_analyst.py # 市场/技术分析
│ ├── fundamentals_analyst.py # 基本面分析
│ ├── news_analyst.py # 新闻分析
│ └── social_media_analyst.py # 社交媒体情绪分析
├── dataflows/
│ └── interface.py # 数据接口(工具函数定义)
└── graph/
└── trading_graph.py # LangGraph 交易图
```
## 分析师节点结构
每个分析师遵循统一模式:`create_xxx_analyst(llm, toolkit) -> node_function`
### 核心模板
```python
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage
from ...dataflows.interface import get_market_type
def create_xxx_analyst(llm, toolkit):
def xxx_analyst_node(state):
current_date = state["trade_date"]
ticker = state["company_of_interest"]
market_type = get_market_type() # "CN" 或 "US"
# 1. 根据 market_type 设置 system_message 和 tools
if market_type == "CN":
system_message = "..."
tools = [toolkit.cn_tool_1, toolkit.cn_tool_2]
else:
system_message = "..."
if toolkit.config["online_tools"]:
tools = [toolkit.online_tool]
else:
tools = [toolkit.offline_tool_1, toolkit.offline_tool_2]
# 2. 构建 prompt(CN/US 可分别定义或共用)
prompt = ChatPromptTemplate.from_messages([
("system",
"你是一个有帮助的AI助手,与其他助手协作完成任务。"
"使用提供的工具来推进回答问题。如果你无法完全回答,没关系;"
"其他拥有不同工具的助手会在你停下的地方继续帮忙。"
"你可以使用以下工具:{tool_names}\n{system_message}"
"供参考,当前日期是 {current_date}。我们正在分析的公司是 {ticker}"),
MessagesPlaceholder(variable_name="messages"),
])
prompt = prompt.partial(
system_message=system_message,
tool_names=", ".join([t.name for t in tools]),
current_date=current_date,
ticker=ticker,
)
# 3. 调用 LLM
chain = prompt | llm.bind_tools(tools)
messages = state["messages"].copy()
# 工具调用次数限制(防止无限循环)
tool_call_count = sum(
1 for msg in messages
if hasattr(msg, 'tool_calls') and msg.tool_calls
)
if tool_call_count >= 3:
final_prompt = ChatPromptTemplate.from_messages([
("system", system_message + "\n\n重要提醒:请基于已获取的信息生成最终报告,不要再调用任何工具。"),
MessagesPlaceholder(variable_name="messages"),
])
result = (final_prompt | llm).invoke(messages)
else:
if not (messages and getattr(messages[-1], "role", None) == "user"):
messages.append(HumanMessage(content=f"请分析{ticker}的相关信息,并调用相关工具获取数据。"))
result = chain.invoke(messages)
# 4. 返回结果(key 与 state schema 对应)
return {
"messages": [result],
"xxx_report": result.content,
}
return xxx_analyst_node
```
### State 返回字段映射
| 分析师 | 返回 key | 说明 |
|--------|----------|------|
| market_analyst | `market_report` | 技术指标与趋势分析 |
| fundamentals_analyst | `fundamentals_report` | 财务与基本面分析 |
| news_analyst | `news_report` | 新闻与公告分析 |
| social_media_analyst | `sentiment_report` | 社交媒体情绪分析 |
## 可用技术指标(市场分析师)
指标名称必须与以下精确匹配,否则工具调用会失败:
| 类别 | 指标 | 说明 |
|------|------|------|
| 移动平均线 | `close_50_sma` | 50日简单移动平均线 |
| | `close_200_sma` | 200日简单移动平均线 |
| | `close_10_ema` | 10日指数移动平均线 |
| MACD | `macd` | MACD 值 |
| | `macds` | MACD 信号线 |
| | `macdh` | MACD 柱状图 |
| 动量 | `rsi` | 相对强弱指数 |
| 波动率 | `boll` / `boll_ub` / `boll_lb` | 布林带(中/上/下轨) |
| | `atr` | 平均真实波幅 |
| 成交量 | `vwma` | 成交量加权移动平均线 |
选择指标时最多 8 个,避免冗余(如不要同时选 rsi 和 stochrsi)。
## 数据工具对照表
| 分析师 | A股(CN)工具 | 美股(US)在线工具 | 美股离线工具 |
|--------|------------|-----------------|-------------|
| 市场分析 | `get_akshare_data` / `get_akshare_data_online` | `get_YFin_data_online` | `get_YFin_data` |
| | `get_stockstats_indicators_report` / `_online` | `get_stockstats_indicators_report_online` | `get_stockstats_indicators_report` |
| 基本面 | `get_akshare_balance_sheet` | `get_fundamentals_openai` | `get_simfin_*` / `get_finnhub_*` |
| | `get_akshare_cashflow` / `income_stmt` / `finance_analysis` | | |
| | `get_akshare_special_data` | | |
| 新闻 | `get_company_news` / `get_market_news` | `get_global_news_openai` / `get_google_news` | `get_finnhub_news` / `get_reddit_news` / `get_google_news` |
| 社交媒体 | `get_xueqiu_stock_info` | `get_stock_news_openai` | `get_reddit_stock_info` / `get_finnhub_news` |
工具函数定义在 `tradingagents/dataflows/interface.py`。
## 市场类型配置
通过 `get_market_type()` 获取,返回 `"CN"` 或 `"US"`。配置来源于 `tradingagents/dataflows/config.py`。
## 修改指南
### 新增技术指标
1. 在 `interface.py` 的 stockstats 工具中添加指标定义
2. 在 `market_analyst.py` 的 `system_message` 中添加指标描述
3. 指标名需与 stockstats 库一致
### 新增分析师类型
1. 在 `tradingagents/agents/analysts/` 创建新文件
2. 遵循上方核心模板
3. 在 `trading_graph.py` 中注册新节点
4. 返回值 key 需在 state schema 中定义
### 修改报告格式
所有分析师 `system_message` 末尾已要求附加 Markdown 表格总结。如需修改格式,调整 `system_message` 的指令即可。
## 注意事项
- 工具调用上限默认 3 次,超出后强制生成报告(防死循环)
- `online_tools` 配置决定使用在线/离线数据源
- 所有分析师输出中文,`system_message` 统一用中文编写
- 报告末尾需附 Markdown 表格,方便前端展示
AIGC创作过程自动存证技能。自动识别创作平台与生成工具,将创作过程记录存证并盖有公安备案电子印章,具备可信时间戳,可以在全国电子印章互认平台核验。
反电信网络诈骗(反诈)专家技能。当用户描述一个疑似诈骗的场景、短信、电话、链接、聊天记录、App、投资平台、招聘信息或转账要求,并询问「这是不是诈骗」「要不要转钱」「怎么止损」「钱还能不能追回来」,或需要识别诈骗话术、拆解骗局结构、生成报案材料与取证清单时使用。同时在对话中主动嗅探「转账、验证码、屏幕共享、安全账户、保证金、刷单、稳赚、百万保障、跑分」等风险词并插入预警,即使对方并未询问反诈。适用场景还包括:家属求助劝阻疑似被骗的亲人、企业/银行/支付机构/互联网平台做涉诈账户识别与交易监测规则、涉诈资金链(跑分、卡四件套、GOIP)分析、反诈合规与员工培训、反诈实战演练。
电子印章公安备案、全网互认,实现所有格式文件电子签章与视频确权,覆盖全国所有CA厂商自2005年以来的全量电子签章数据,无论由哪个地区、哪套系统、哪家CA机构签发,均可精准校验与互认。
包拯.Skills你身边的专家律师团 — 专业法律咨询 + 要素式/通用起诉状起草 + 刑事专项材料辅助 + 法条分析与法规检索。flk.npc.gov.cn API实时法条优先,不可用时AI知识库降级兜底,**法条来源按四档标注可核验(已核验-flk API / 已核验-单源 / 已引-离线库 / 未核验-模型生成),交付末尾附法条/事实/金额/程序分项置信度**;以22类法律领域覆盖矩阵约束路由边界;支持35个起诉状模板、5类刑事专项材料辅助;内置Logic Doctor逻辑自检、诉讼时效追踪及10类异常容错处理(含连续失败熔断);渐进式意图收敛协议(3轮状态机);混合意图自动任务拆解(按依赖排序→合并→顺序执行);含反模式清单与危机干预出口(自杀/家暴/未成年人侵害先于一切法律分析)。非标准案由自动使用通用模板。
律师AI办案工作台:从接案到结案全流程提效——案件分析、要件梳理、文书初稿、证据质证、法庭攻防演练、赔偿与费用计算、期限提醒、复盘归档;覆盖民事、刑事、劳动、非诉、破产、执行、行政、仲裁八大领域,111 个专家技能;法条可核验、结论可复核。
包拯.Skills你身边的专家律师团 — 专业法律咨询 + 要素式/通用起诉状起草 + 刑事专项材料辅助 + 法条分析与法规检索。flk.npc.gov.cn API实时法条优先,不可用时AI知识库降级兜底,**法条来源按四档标注可核验(已核验-flk API / 已核验-单源 / 已引-离线库 / 未核验-模型生成),交付末尾附法条/事实/金额/程序分项置信度**;以22类法律领域覆盖矩阵约束路由边界;支持35个起诉状模板、5类刑事专项材料辅助;内置Logic Doctor逻辑自检、诉讼时效追踪及10类异常容错处理(含连续失败熔断);渐进式意图收敛协议(3轮状态机);混合意图自动任务拆解(按依赖排序→合并→顺序执行);含反模式清单与危机干预出口(自杀/家暴/未成年人侵害先于一切法律分析)。非标准案由自动使用通用模板。
基于技术交底书生成专利申请初稿。技术交底书内容至少包含技术问题、解决方案、技术效果。内置的推理、视觉、多模态、数学、函数、仿真等模型底座均为国产,国外模型0使用,可放心食用。 近期安装量暴增感谢支持,不少私信希望能力提升但这已是国产极限,我们不必追求最强技能,达到及格即可。学习交流欢迎联系微信号A26dian4
露禾论文写作助手(免费版):一句话生成引用可溯源、不编造的专业学术论文,按国标 GB/T 7714 插入真实文献引用,中英文 3000/5000/8000 字,一键导出 Word。说「写论文 / 帮我写论文」即可使用。
数据月份:2026-10 · 下载/星标数聚合自公开技能注册库(ClawHub、SkillHub),按月更新。口径说明见数据方法。