| --indicators, -i | 逗号分隔的指标列表，或 all | 8个核心指标 |

示例

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：

Stooq（免费、无需API key、不限速）
Yahoo Chart API（直接 HTTP 请求）
yfinance（Ticker.history）
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

近期行情 - 最近 15 个交易日 OHLCV + 涨跌统计
技术指标 - 每个指标的时间序列趋势
综合分析 - 趋势判断、动量分析、波动率分析、短期信号
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

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

在 interface.py 的 stockstats 工具中添加指标定义
在 market_analyst.py 的 system_message 中添加指标描述
指标名需与 stockstats 库一致

新增分析师类型

在 tradingagents/agents/analysts/ 创建新文件
遵循上方核心模板
在 trading_graph.py 中注册新节点
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

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

stock-analysis

股票分析 Skill

快速分析（独立脚本）

参数