本项目是一个专注于股票平台期识别的扫描工具，能够通过技术分析方法自动识别处于平台期的股票，并提供可视化分析结果。
平台期是指股票价格在一段时间内横向波动，形成相对稳定的上下边界（支撑位和阻力位）的时期。平台期通常代表了多空力量的暂时平衡，是市场决策的关键时期。
平台期检测的重要性：
 突破信号 |
 风险管理 |
 趋势转变 |
| 平台期突破往往预示着新趋势的开始 | 平台期的边界可以作为设置止损或止盈的参考点 | 平台期的形成和突破可能标志着市场趋势的变化 |
本工具采用多维度分析方法，结合均线分析、波动率检测、箱体识别和成交量分析等技术，全面评估股票的平台期特征，为投资决策提供技术参考。
前端安装与启动:
# 根目录下执行
npm install
npm run dev后端安装与启动:
# 进入api目录
cd api
# 安装依赖
pip install -r requirements.txt
# 启动服务
uvicorn index:app --reload --port 8001本项目使用 Baostock 作为数据源，在此对 Baostock 提供的优质数据服务表示诚挚的感谢。Baostock 提供了丰富的股票历史数据和基本面数据，为本项目的分析功能提供了坚实基础。
系统界面预览
分析结果展示
多窗口分析 |
 箱体检测 |
低位分析 |
 突破预测 |
 案例管理 |
可视化分析 |
股票平台期扫描工具使用多种过滤条件来识别处于平台期的股票。系统的核心逻辑如下：
-
数据获取：
- 系统根据配置的窗口期自动计算回测时间范围
- 结束日期默认为当前日期
- 开始日期为当前日期减去最大窗口期的两倍天数
- 使用 Baostock API 获取指定时间范围内的股票数据
-
多重过滤机制：
- 系统采用"与"逻辑组合多个过滤条件
- 股票必须通过所有启用的过滤条件才会被选中
- 每个过滤条件都有独立的开关和参数设置
-
主要过滤条件：
- 价格分析：检查股票价格是否在指定窗口期内形成平台（振幅小、均线粘合、波动率低）
- 成交量分析：检查成交量是否在平台期内保持稳定
- 低位分析：检查股票是否从历史高点大幅下跌
- 快速下跌分析：检查股票是否经历过短期内的快速下跌
- 箱体检测：检查股票价格是否形成明显的支撑位和阻力位
- 突破预测：预测股票是否即将突破平台期
- 窗口权重：对不同窗口期的分析结果进行加权
-
行业多样性：
- 系统默认启用行业多样性过滤
- 确保选出的股票来自不同行业，避免行业集中风险
在系统中，回测区间（日期范围）是通过以下方式设置和传递的：
-
回测区间的自动计算：
# 计算日期范围 end_date = datetime.now().strftime('%Y-%m-%d') # 使用当前日期作为结束日期 # 使用最大窗口大小加上一些缓冲天数作为起始日期 max_window = max(config.windows) if config.windows else 90 start_date = (datetime.now() - timedelta(days=max_window * 2)).strftime('%Y-%m-%d')
-
数据获取过程：
- 回测区间参数在数据获取阶段被使用
fetch_kline_data函数接收这些日期参数并从 Baostock API 获取数据
-
分析过程：
- 获取到的数据（DataFrame）被传递给各个分析函数
- 回测区间参数本身不会传递给分析函数
- 各个分析函数使用相对参数（如 lookback_days, window 等）来处理数据
-
各个过滤条件的数据处理方式：
- 低位分析：使用
high_point_lookback_days参数在 DataFrame 中查找高点 - 快速下跌分析：使用
lookback_days和rapid_decline_days参数在 DataFrame 中分析下跌特征 - 价格分析：使用
window参数获取最近的数据进行分析
- 低位分析：使用
快速下跌分析使用以下参数：
-
lookback_days：
- 默认值为 365 天（查找历史高点的时间范围）
- 前端界面没有提供填写框让用户修改这个参数
- 这是一个固定参数，系统认为高点查找范围应该是一年
-
decline_period_days：
- 默认值为 180 天（下跌应该发生的时间范围）
- 前端界面同样没有提供修改选项
-
rapid_decline_days：
- 默认值为 30 天（定义快速下跌的时间窗口）
- 前端界面允许用户修改这个参数
-
rapid_decline_threshold：
- 默认值为 0.15（15%，判定为快速下跌的最小下跌幅度）
- 前端界面允许用户修改这个参数
前端的窗口期设置（如"80,100,120"）用于以下几个方面：
-
多窗口分析：
- 系统会使用这些窗口期分别进行平台期分析
- 如果任何一个窗口期满足条件，则认为股票处于平台期
-
为什么要填三组窗口：
- 多维度验证：不同的窗口期可以从不同的时间尺度验证平台期特征
- 灵敏度平衡：短窗口期对近期变化更敏感，长窗口期更稳定
- 互补性：多个窗口期互相补充，提高识别准确性
- 适应不同股票：不同股票的平台期长度可能不同，多窗口可以适应这种差异
-
窗口期的使用：
for window in windows: # Price analysis price_analysis = analyze_price( df, window, box_threshold, ma_diff_threshold, volatility_threshold ) # ...其他分析
箱体检测的参数设置如下：
-
回测时间：
- 箱体检测没有专门的回测时间设置
- 使用系统自动计算的回测时间范围
- 与其他分析方法使用相同的时间范围，确保分析的一致性
-
窗口期：
- 箱体检测使用最大窗口进行分析
# 使用最大窗口进行箱体检测，以获取更稳定的支撑位和阻力位 max_window = max(windows) if windows else 90 box_analysis = analyze_box_pattern(df, max_window)
-
质量阈值：
- 前端界面允许用户设置箱体质量阈值
- 用于判断箱体的清晰度和可靠性
-
低位判断 (analyze_position)：
- 目的：判断股票是否处于相对历史高点的低位
- 主要参数：
high_point_lookback_days：查找历史高点的时间范围（默认 365 天）decline_period_days：下跌应该发生的时间范围（默认 180 天）decline_threshold：判定为低位的最小下跌幅度（默认 0.3，即 30%）
- 判断逻辑：
- 找出历史高点
- 计算当前价格与历史高点的跌幅
- 判断跌幅是否超过阈值且下跌发生在指定时间范围内
-
快速下跌判断 (analyze_decline_speed)：
- 目的：判断股票是否经历了快速下跌
- 主要参数：
rapid_decline_days：定义快速下跌的时间窗口（默认 30 天）rapid_decline_threshold：判定为快速下跌的最小下跌幅度（默认 0.15，即 15%）
- 判断逻辑：
- 在历史数据中寻找最大的快速下跌窗口
- 计算该窗口内的下跌幅度
- 判断下跌幅度是否超过阈值
-
两者的区别：
- 时间范围不同：低位判断关注较长时间范围，快速下跌判断关注较短时间窗口
- 下跌幅度要求不同：低位判断要求较大的下跌幅度，快速下跌判断要求较小的下跌幅度但要求在短时间内发生
- 判断目的不同：低位判断找出已经大幅下跌的股票，快速下跌判断找出经历过快速下跌的股票
-
组合使用：
- 结合使用这两个条件，可以更精确地识别出符合特定模式的股票
- 这种组合能够找出既处于低位又经历过快速下跌的股票
注意本项目非授权不可用于商业用途，如需授权请联系moonbridge24@gmail.com