ai_stock/ROADMAP.md

系统升级路线图 (Roadmap to AI Quant System)

根据您提供的架构图，目前的系统仅实现了最基础的“价格监控”和“模拟下单”功能。要达到图中展示的全方位 AI 量化交易系统（包含行业分析、大模型决策、全量监控等），需要进行以下四个阶段的升级：

第一阶段：数据广度与深度扩展 (Data Layer)

目前的 futu.py 仅抓取了价格数据，图中的系统需要更多维度的信息。

• 全量纳斯达克覆盖 (3886支股票)
  • 现状: 仅支持 Top N 或简单的分页抓取。
  • 行动: 优化 StockDataIntegrator，维护一份完整的纳斯达克成分股列表（Symbol List），确保监控覆盖无死角。
• 盘前/盘后数据 (Pre/Post-Market)
  • 现状: 代码中有部分解析逻辑，但未完全启用。
  • 行动: 确保在美股非交易时段（北京时间 16:00 - 21:30）也能获取实时报价。
• 非结构化数据抓取 (新闻/研报)
  • 现状: 缺失。
  • 行动: 开发新的爬虫模块 news_scraper.py：
    • 新浪财经/东方财富: 抓取个股快讯。
    • 雪球: 抓取社区讨论热度。
    • 投行研报: 抓取高盛、花旗等机构的评级调整（Upgrade/Downgrade）和目标价。

第二阶段：引入“大脑” - 大模型与云端分析 (Intelligence Layer)

这是图中“自研大模型”和“云端分析”的核心部分，目前的 market_analyzer.py 逻辑太简单。

• 接入 LLM (大语言模型)
  • 现状: 仅使用 if 涨幅 > 5% 的硬编码规则。
  • 行动: 改造 market_analyzer.py，接入 OpenAI (GPT-4)、Claude 或本地部署的 DeepSeek/Llama 模型。
  • 应用场景:
    • 情感分析: 输入新闻标题，让 AI 判断是利好还是利空。
    • 财报解读: 输入财报摘要，让 AI 分析营收增长和指引。
• 行业与趋势分析
  • 现状: 仅关注个股。
  • 行动: 增加“板块分析”模块，计算半导体、科技、医药等板块的整体涨跌幅，实现“行业分析”功能。

第三阶段：系统架构升级 (Architecture Layer)

要同时监控 3886 支股票，目前的单线程循环效率不够。

• 高并发异步架构
  • 现状: 同步轮询（一次抓取一个或一页），延迟高。
  • 行动: 使用 Python 的 asyncio 和 aiohttp 重构 monitor.py，实现高并发抓取，确保 3000+ 支股票的数据延迟在秒级以内。
• 数据库存储
  • 现状: 使用 CSV 文件。
  • 行动: 引入 SQLite 或 PostgreSQL 数据库。存储历史行情、新闻数据和 AI 分析记录，以便进行“趋势分析”和回测。

第四阶段：实盘交易对接 (Execution Layer)

图中的“股票购买”和“股票抛售”需要对接真实券商。

• 券商 API 对接
  • 现状: trader.py 仅打印日志。
  • 行动: 接入券商 API（如 富途 OpenD、老虎证券 Open API 或 Interactive Brokers API）。
  • 功能: 实现真实的下单（Place Order）、撤单、资金查询和持仓同步。

---

总结：下一步具体操作建议

建议您先从 第二阶段 入手，因为这是“AI 财经”最核心的特征：

1. 申请一个大模型 API Key (如 DeepSeek, OpenAI)。
2. 修改 market_analyzer.py：
   • 不再只看涨跌幅。
   • 增加一个函数 analyze_news_sentiment(news_text)，让 AI 帮您判断新闻利好。
3. 创建一个 news_spider.py，试着抓取几条财经新闻作为 AI 的输入。