大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



AI大模型量化群、知识社区

沪深300全市场扫描，双维度评分（技术+舆情），OpenClaw一句话返回今日最强候选

  /o:p

GPT plus 代充 只需 145

▲ 系统架构图

■ OpenClaw 一句话，扫完全市场

在 OpenClaw 对话框输入：

扫描全市场，今日最强5只

47 秒后返回：

✓ 扫描完成 · 沪深300 · 300只 · 耗时47秒

════════════════════════════════

#1  宁德时代  .SZ   91.2分  STRONG_BUY

    北向净流入: +4.2亿  量比: 2.34  RSI: 52.3

  /o:p

#2  比亚迪  002594.SZ     87.6分  STRONG_BUY

    北向净流入: +2.8亿  量比: 1.98  KDJ金叉

  /o:p

#3  贵州茅台  .SH   83.1分  BUY

    主力净流入: +1.6亿  MA5上穿MA20

  /o:p

#4  中国平安  .SH   78.4分  BUY

    高股息5.2%  KDJ低位金叉

  /o:p

#5  招商银行  .SH   74.9分  BUY

    布林中轨支撑  机构评级好转

════════════════════════════════

不是预测，是当日数据跑出来的结果。

  /o:p /o:page

■ 评分是怎么算出来的？

stock_scanner.py 用双维度评分，互相验证防误判：

综合分 = 技术分 × 0.6 + 舆情分 × 0.4

技术分涵盖 RSI、MACD、KDJ、布林带、成交量五个指标；舆情分看公告、机构评级、北向资金、新闻情绪、主力流向。

为什么要两个维度？ 技术面强但主力在出货的股票（舆情差），综合分会被压低；概念炒作但技术超买的股票（技术差），同样被过滤。

47 秒能扫完 300 只，靠的是 10 线程并发——串行需要 470 秒，并发提速 10 倍。

  /o:p

▲ 真实运行输出

■ 真实测试数据（未修改）

{

  “scan_date”: “2026-03-07”,

  “total_scanned”: 300,

  “elapsed_sec”: 47.3,

  “results”: [

    {

      “ts_code”: “.SZ”,

      “composite”: 91.2,

      “tech_score”: 88.4,

      “sent_score”: 95.2,

      “rating”: “STRONG_BUY”,

      “rsi”: 52.3,

      “vol_ratio”: 2.34,

      “moneyflow_net”: 4.2,

      “pct_chg”: 2.14

    },

    {

      “ts_code”: “002594.SZ”, /o:page

      “composite”: 87.6,

      “tech_score”: 85.1,

      “sent_score”: 91.7,

      “rating”: “STRONG_BUY”,

      “pct_chg”: 1.87

    }

  ]

}

数据来源：Tushare Pro，当日实时行情。

  /o:p

■ 这套方案的局限性（我不想骗你）

1. 评分高不等于一定涨

历史数据表明 90+ 评分股票的短期胜率约 58-62%，不是 100%。市场永远有黑天鹅，任何评分系统都无法预测系统性风险。

2. 舆情数据质量受 Tushare 积分限制

完整的舆情分析（新闻、公告）需要较高 Tushare 积分权限。本脚本的舆情分主要依赖资金流向数据，如果你的账户积分不够，舆情分将回落到默认值 50 分，综合评分的参考价值会下降。

3. 沪深300成分股半年更新一次

每年 6 月和 12 月，沪深 300 成分股会做调整。脚本使用当日最新成分，但若成分刚刚变动，新加入的股票可能历史数据不足（不足 20 个交易日），会被自动跳过。

  /o:p

■ 完整的 OpenClaw 搭建教程在哪？

完整的 教程04：OpenClaw 全市场自动选股扫描 包含：

•  完整的 stock_scanner.py 源码（含技术/舆情双评分算法）

•  SKILL.md 配置片段

•  与教程03回测引擎联动的”扫描→回测”组合玩法

•  扩展到全市场5000+只的方法 /o:page

•  5个常见问题解答

 教程👇👇 /o:p

AI大模型量化群、知识社区 /o:p

数据来源：Tushare Pro

⚠️ 本文所有分析内容仅供学习研究，不构成任何投资建议 /o:page