🐂 BigA · A股 智能选股（股票分析·投资分析·AI股票）

核心能力

BigA 是一款面向A股市场的智能选股与量化分析工具，核心定位是帮助投资者高效筛选优质标的、把握买卖时机。其设计遵循"高科技×中小市值×好业绩"的三维选股原则，动态维护不超过30支的股票池，通过技术面择时分（-10~+10）与基本面评分系统（0-100分）双轮驱动，实现长短线策略的有机结合。

显著优点

1. 结构化评分体系：BigA 构建了0-100分的完整评分框架，涵盖基本面（25%）、催化剂（25%）、技术面（20%）、热度（30%）四大维度，避免单一指标依赖。技术面择时分与BigA总分正交设计，分别回答"何时买卖"与"股票好不好"两个独立问题。

2. 智能信号组合：独创"双信号对齐"机制，池外选股必须同时满足长线OK（≥50分）、短线入场点OK（择时≥0或入场就绪度≥6或启动信号≥2）、风控通过（5日涨幅≤15%、非恐慌杀跌）三重校验，显著降低追高被套风险。

3. 自动化工作流：支持早8:30开盘前瞻、盘中9:30-14:30异动扫描、15:30收盘复盘的全天候覆盖，本地脚本biga-scan.py一键完成行情拉取、K线计算、择时分生成，降低人工分析成本。

4. 灵活交互设计：支持用户手动添加股票（跳过市值筛选）、自定义推送格式（开盘/复盘/盘中/股票池展示四种模式），并通过--send-segments实现分段推送，适配不同信息密度需求。

潜在局限

1. 数据源依赖：实时行情依赖腾讯公开API，存在延迟或接口变更风险；基本面数据（营收、净利增速）需模型补充，自动化程度弱于技术面。

2. 评分主观性：催化剂（政策/产业/消息）和热度（板块/资金/情绪）维度高度依赖模型判断，不同用户可能获得差异化的评分结果。

3. 适用场景限制：明确排除传统行业、ST股、PE>100无高增速标的，对价值投资风格或大盘蓝筹覆盖不足；市值20-1000亿的筛选标准可能错过超大盘股机会。

4. 合规提示：工具定位为"仅供参考"，未接入实盘交易接口，用户需自行执行买卖操作。

适合人群

• 量化入门投资者：希望借助系统化框架减少情绪交易
• 成长股偏好者：专注科技赛道（半导体/AI/新能源/光模块/液冷）的中小盘策略
• 波段操作者：需要长短结合策略，既关注趋势又重视入场时机
• 信息整合需求者：希望将技术面信号、基本面 catalyst、市场情绪整合为统一决策依据

常规风险

市场风险：任何选股工具均无法规避系统性下跌，BigA的择时分可能产生滞后信号。

模型风险：基本面催化与热度评分依赖外部信息检索（web_search），存在信息时效性与准确性问题。

操作风险：用户手动添加股票可绕过市值筛选，可能引入不符合原策略逻辑的标的。

技术风险：本地脚本运行依赖Python环境，cron定时任务配置不当可能导致推送中断。

核心用法

BigA 是一款面向A股市场的智能分析与选股工具，通过 Python 脚本结合大模型能力，实现从数据获取到信号推送的全流程自动化。用户可通过多种触发词（如「大A」「biga」「股票池」等）唤醒技能，系统会先确认用户意图，随后调用 scripts/biga-scan.py 执行扫描分析。

该技能的核心工作流包括：

• 股票池管理：动态维护不超过30支股票的池子，按「高科技×中小市值×好业绩」原则筛选，超额自动淘汰低分标的
• 实时行情获取：通过腾讯财经API批量拉取股票行情数据
• 多维度评分：BigA总分(0-100) = 技术面20分 + PE合理性15分 + 基本面催化40分 + 热度25分
• 技术面择时：独立的-10~+10评分体系，用于判断买卖时机
• 定时推送：支持早8:30开盘前瞻、盘中异动扫描、15:30收盘复盘

脚本输出涵盖报价数据、技术面评分、短线信号、长线操作建议、入场就绪度、风控警告等字段，最终由模型整合生成推送内容。

显著优点

1. 零第三方依赖，部署轻量
脚本仅使用Python标准库（urllib、json、concurrent.futures等），无需安装额外依赖包，兼容性极佳，可在各类Python环境中直接运行。

2. 数据源权威且免费
对接腾讯财经和新浪财经两大主流金融数据平台，数据覆盖A股全市场，实时性有保障，无需付费API密钥。

3. 评分体系结构化
将主观投资逻辑量化为可执行的评分标准，特别是「技术面择时分」与「BigA总分」双轨制设计，既回答"股票好不好"，又回答"何时买卖"。

4. 风险控制内嵌
内置多项硬性排除规则（ST股、PE>100无高增速、一周涨幅>30%等），并通过「双信号对齐」机制（长线OK+短线入场OK+风控通过）过滤追高和恐慌杀跌场景。

5. 自动化程度高
支持通过cron定时任务实现开盘/收盘/盘中自动扫描与推送，配合 clawhub update 命令可便捷升级维护。

潜在缺点与局限性

1. 数据安全传输不足
当前使用的腾讯/新浪财经API均为HTTP明文传输，存在中间人攻击风险。虽然股票行情属公开数据，但在网络环境不可控场景下存在数据篡改可能性。

2. 评分依赖模型补充
脚本仅自动计算技术面+PE分（最高35分），完整的BigA总分需大模型补充基本面催化（40分）和热度（25分），这引入一定的主观性和一致性风险。

3. 子进程调用架构
消息推送通过 subprocess.Popen 调用 openclaw 命令实现，虽无命令注入风险，但增加了进程管理复杂度和潜在的错误处理盲区。

4. 市场覆盖有限
当前仅支持A股市场，未覆盖港股、美股等其他市场，且股票池上限30支对资金量较大的投资者可能不够用。

5. 历史数据依赖外部
K线数据依赖新浪财经API，若对方服务稳定性或接口策略调整，可能影响技术分析功能的连续性。

适合的目标群体

• 中短线A股投资者：需要技术面择时信号和买卖时机判断的活跃交易者
• 量化投资初学者：希望理解量化评分框架、学习Python金融数据分析的用户
• 上班族投资者：无法实时盯盘，需要定时推送（早开盘/收盘复盘）辅助决策的人群
• 科技成长风格偏好者：选股策略聚焦半导体、AI、新能源、光模块等高科技板块的投资者
• 自建投资系统用户：希望将BigA作为数据获取和初步筛选模块，集成到更大投资框架中的开发者

使用风险

性能风险：盘中扫描依赖实时网络请求，若腾讯/新浪API响应延迟或限流，可能导致推送延迟或数据缺失。建议避免在交易高峰期频繁触发。

依赖项风险：虽无第三方Python包依赖，但强依赖 openclaw 命令行工具和特定目录结构（~/.openclaw/workspace/memory/），若运行环境未正确配置会导致功能异常。

投资建议风险：工具输出的评分和信号基于历史数据和算法模型，不构成投资建议。用户需理解「接近买点」「启动信号」等标签的概率属性，避免机械执行。

数据准确性风险：免费API的数据可能存在分钟级延迟或偶发错误，关键交易决策建议交叉验证。

定时任务风险：通过cron设置的定时推送若timeout配置不当，可能导致长耗时扫描任务被中断，影响收盘复盘的完整性。