Sequoia-X

📌 核心价值：6 种经典技术形态 · 收盘后自动扫全 A 股 · 飞书 Markdown 卡片直推手机

Sequoia-X V2 把"海龟 / 均线放量 / 高窄旗形 / 涨停洗盘 / 上升跌停 / RPS 突破"6 种技术形态固化为可插拔策略，每个交易日 19:15 跑完 5000+ 只 A 股，结果直接推送到飞书群。纯本地、零订阅、MIT 协议，2026-09-03 冲上 GitHub Trending 第 5 位。

---

⚠️ 风险提示：本文仅作技术交流，不构成投资建议。股市有风险，投资需谨慎。Sequoia-X 仅作为选股工具输出候选名单，实际交易决策须由人工复核基本面与市场环境。

🚀 什么是 Sequoia-X？

Sequoia-X 是一个面向 A 股的每日自动选股系统，作者 YangYuDong 把"收盘后选股"这件事从人肉翻 K 线变成了一条完整的工程化流水线：数据从 baostock 拉（免费、不限流），结果推送到飞书（免费 Webhook），中间是 8 进程并行的 Pandas 向量化策略引擎。

项目数据（截至 2026-09-08）：

• ⭐ Stars：6,859（9 月 3 日单日 +2128 星）
• 🍴 Forks：1,380
• 📦 License：MIT
• 🐍 Python：≥ 3.10
• 📅 最新 commit：2026-05-09（功能稳定，进入维护期）

核心定位：技术形态选股领域的"瑞士军刀"——免费数据 + 工程化架构 + 飞书推送三件套，打通从"扫描"到"通知"全流程。

---

✨ 核心功能一览

---

🛠️ 快速上手：3 分钟从零跑起来

环境要求

• Python ≥ 3.10
• 一台能联网的机器（推荐 2 核 4G 以上）
• 一个飞书群的 Webhook（免费申请，2 分钟搞定）

1. 克隆 + 安装

# 克隆仓库
git clone https://github.com/sngyai/Sequoia-X.git
cd Sequoia-X

# 推荐 uv（Astral 出品的极速包管理器）
uv sync

# 或者传统 pip
pip install .

2. 配置飞书 Webhook

进飞书群 → 群设置 → 机器人 → 添加机器人 → 自定义机器人，复制 webhook 地址：

cp .env.example .env
# 编辑 .env，填入：
# FEISHU_WEBHOOK_URL=https://open.feishu.cn/open-apis/bot/v2/hook/xxxxx

3. 首次回填历史数据（约 12 分钟）

python main.py --backfill
# 输出：
# 拉取全市场 5234 只股票后复权日 K 数据
# 进度：███████░░░ 3200/5234
# 写入 SQLite chunksize=500
# ✓ 完成！耗时 11m 38s

💡 回填只跑一次，SQLite 数据库可直接拷贝到其他机器复用。

4. 日常运行（2~3 分钟）

python main.py
# 自动：
# 1. 8 进程并行增量补今天数据
# 2. 跑全部 6 个策略
# 3. 结果推飞书群机器人

5. 配置 crontab 收盘后自动跑

# A 股收盘 15:00，数据入库需要时间
# 建议每个交易日 19:15 跑一次
15 19 * * 1-5 cd /path/to/Sequoia-X && .venv/bin/python main.py >> log.txt 2>&1

注意：baostock 数据从 1990 年至今稳定，但建议每周手动跑一次 --backfill 校验数据完整性，避免 SQLite 出现断层。

---

🏛️ 架构亮点：三层解耦 + 依赖注入

Sequoia-X V2 是一次彻底的工程化升级——不再是"一个 main.py 干所有事"的脚本小子，而是按现代 Python 范式严格分层：

数据层（Data Layer）

• baostock 免费数据：后复权日 K，无限流、不抽风
• SQLite 增量缓存：每天只补几百条增量，重复跑不浪费流量
• 8 进程并行同步：5000+ 只股票 2~3 分钟跑完
• 容错机制：每只股票 3 次指数退避重试 + 每 200 只主动重连 + 中断后续传

策略层（Strategy Layer）

• BaseStrategy 抽象基类：新增策略只要写一个 scan() 方法
• 6 种开箱即用策略：
  • TurtleTrade 海龟突破：20 日新高 + 成交额过亿 + 阳线防诱多
  • MaVolume 均线放量：均线多头排列 + 放量突破
  • HighTightFlag 高窄旗形：欧奈尔经典形态
  • LimitUpShakeout 涨停洗盘：回踩确认
  • UptrendLimitDown 上升跌停：次日反包
  • RpsBreakout RPS 突破：相对强度 + 整理平台突破
• Pandas 向量化引擎：5000+ 只股票 2~3 分钟跑完全部 6 个策略

通知层（Notify Layer）

• 飞书 Markdown 卡片：动态股票名 + 雪球链接
• 多策略独立 Webhook 路由：6 个策略可以推到 6 个不同群（短线/中线/事件型分门别类）
• Notifier 抽象接口：可扩展企业微信 / 钉钉

---

📊 与同类工具对比

维度	Sequoia-X	AKQuant	Qbot
定位	A 股自动选股工具	A 股回测框架	AI 量化投研平台
上手难度	⭐ 3 分钟	⭐⭐⭐ 中等	⭐⭐⭐⭐ 较高
数据源	baostock 免费	本地数据库	多源聚合
推送	飞书 Webhook	无	Web 面板
Stars	6,859	2,046+	17k
License	MIT	MIT	BY-NC-SA 4.0
适合人群	上班族散户	量化研究员	团队/机构

Sequoia-X 的核心优势是"轻"——不是数学模型取胜，而是工程化封装取胜。如果你需要回测+实盘，AKQuant 更合适；如果你只想每天收盘后收到一份候选名单，Sequoia-X 是更轻的选择。

---

💡 适用场景

场景 1：上班族收盘后自动收通知

功能说明：把 Sequoia-X 部署在你的家用 NAS 或云服务器上，配置 crontab 每天 19:15 跑一次。19:18 你会收到飞书群的卡片消息，里面是当天符合 6 种技术形态的候选股票清单，点股票名直接跳转雪球看 K 线。

输入要求：首次回填 12 分钟，之后每天 2~3 分钟

输出效果：每策略 520 只候选股票，6 个策略共 30120 只标的

适用场景：

• 上班族没时间盯盘，希望收盘后看一份"初筛名单"
• 多策略独立推送：海龟推短线群、RPS 推中线群
• 与 easyquotation 组合做盘中实时盯盘

---

场景 2：量化研究的"初筛池"

功能说明：Sequoia-X 跑完后的候选名单，可以作为下游机器学习模型的"特征工程"输入。人工或脚本对候选股再叠加财务面、舆情面、宏观面因子，做二次过滤。

输入要求：Sequoia-X 输出 CSV / DataFrame，对接 LightGBM / XGBoost

输出效果：从 5000+ 只股票缩到 100 只候选，再人工或 ML 二次过滤

适用场景：

• 私募/团队搭建量化研究流水线
• 个人开发者用 AKQuant 跑回测，用 Sequoia-X 做"实时选股信号"
• 学术研究需要真实 A 股样本

---

场景 3：策略学习与工程化范本

功能说明：Sequoia-X V2 是一个非常标准的 Python 工程化范本——OOP 架构 + 依赖注入 + Pydantic 配置 + hypothesis 属性测试 + ruff 风格检查。想学"如何写一个生产级 Python CLI 工具"，Sequoia-X 是值得拆解学习的代码。

输入要求：阅读 sequoia_x/strategy/base.py 和 sequoia_x/data/engine.py

输出效果：掌握现代 Python 工程化范式，可直接复用到自己的项目

适用场景：

• Python 进阶学习者：如何从"脚本小子"升级到"工程化思维"
• 想贡献开源项目：Sequoia-X 欢迎 PR，新策略只要写一个 scan() 方法
• 公司内部工具建设：参考其"数据/策略/通知"三层解耦的架构

---

用户群体总结

• ✅ 上班族量化爱好者：收盘后自动收到选股结果，不用自己算形态
• ✅ 学习向量化量化：V2 是非常标准的 Python 工程化范本
• ✅ 想二次开发的人：OOP 架构 + 插件式策略，加策略只要写一个文件
• ✅ 团队内部分享：MIT 协议，可商用、可改
• ❌ 不适合：需要实盘下单的自动化交易系统（Sequoia-X 只输出候选，不接券商接口）

---

💰 定价方案

完全免费——MIT 协议，可商用、可改、可分发。

• baostock 数据源：免费、无需注册、无限流
• 飞书 Webhook：免费、群机器人自带
• 依赖：pandas / numpy / requests / pydantic（全部开源）

GitHub 仓库： sngyai/Sequoia-X

开源协议： MIT

💡 新用户福利：项目已经稳定，作者承诺长期维护。Sequoia-X 不需要任何 API key，注册即用。

---

⚡ 性能数据：V1 → V2 提速 700%+

V1 时代主要依赖 for 循环逐行迭代，跑完全市场 35 分钟；V2 全面拥抱 Pandas 向量化后，只需要 2~3 分钟。

向量化的核心：

• df.rolling(N).max() 计算 20 日新高
• df.shift() 提取前一日收盘价
• 矩阵布尔运算代替 Python 级 if-else
• chunksize=500 批量写 SQLite 防止变量超限

---

🎯 总结

Sequoia-X 不是"又一个量化框架"，而是一个工程化范本——它把"收盘后选股"这件小事做到了极致：免费数据、零订阅、3 分钟上手、2~3 分钟跑完、飞书卡片直达手机。在 GitHub Trending 上 9 月 3 日单日 +2128 星，说明"轻量级+工程化"的工具仍有巨大市场需求。

推荐指数：⭐⭐⭐⭐（满分 5 星，扣一星因为不接券商实盘）

适合人群：

• 想搭一条"日线选股自动化流水线"的开发者
• 学习现代 Python 工程化范式的进阶者
• 需要给团队快速交付"选股工具"的项目经理

立即体验：

git clone https://github.com/sngyai/Sequoia-X
cd Sequoia-X
uv sync
python main.py --backfill

GitHub 仓库： sngyai/Sequoia-X

---

数据截至 2026-09-08，最新信息请以 GitHub 仓库为准。