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。

📌 核心价值：自托管、零运维、单容器，把 A 股「选股 + 监控 + 回测」全套量化流水线跑在本地；LLM 帮你写策略、做个股四维分析、生成盘后复盘。

一套基于 Polars + DuckDB + FastAPI + React 的本地化开源工作台，把"量化基础设施 + AI 能力"绑成一个 Docker 镜像，docker compose up --build 即可上桌。

封面图

🚀 什么是 tickflow-stock-panel？

tickflow-stock-panel 是 GitHub 用户 shy3130 个人开源的 A 股自托管量化工作台，定位"个人散户与量化爱好者的本地化研究平台"。它把传统的"选股 / 监控 / 回测"三件套 + 当下最热的 LLM 能力，封装成一个单容器 Web 应用，前端 dist 打进后端镜像，docker compose up --build 一条命令启动。

整个仓库已 312 次提交、最新 release v0.1.84、最后更新 2026 年 7 月 13 日，活跃度领先大多数同类个人项目。它不内置 AI 荐股 / 涨停预测，而把 LLM 聚焦在「策略代码生成」「个股四维分析」「盘后复盘」三个真正能落地的方向，明确边界——仅供学习研究，不构成投资建议。

核心定位：把"Polars + LLM + 单容器"三件套打通，让个人开发者也能跑出大厂级别的本地量化工作台。

✨ 核心功能一览

功能对比表

🛠 快速上手：5 分钟本地跑通

环境要求

Python ≥ 3.11
Node ≥ 20
uv（Python 包管理）
pnpm（npm i -g pnpm）
Docker（生产部署可选）

安装步骤

# 1. 克隆仓库
git clone https://github.com/shy3130/tickflow-stock-panel.git
cd tickflow-stock-panel

# 2. 复制环境配置（关键三项）
cp .env.example .env
# 按需填 TICKFLOW_API_KEY / AI_API_KEY / PORT

# 3. 方式 A：Dev 模式（二次开发推荐）
./dev.sh                    # Linux/Mac
.\dev.ps1                   # Windows（已修复 UTF-8 中文日志乱码）

# 4. 方式 B：Docker 部署（生产推荐）
docker compose up --build

# 5. 打开浏览器
# 后端 → http://localhost:3018
# 前端 → http://localhost:3011

注意：第一次启动后必须执行「设置 → 凭据与能力 → 重新检测」，系统会自动判断档位并加载对应数据源。

核心 API 示例

# 选股接口示例（FastAPI 端点）
import httpx

response = httpx.post(
    "http://localhost:3018/api/screener/run",
    json={
        "strategy_id": "ma_cross",
        "params": {"fast": 5, "slow": 20},
        "universe": "all_a_share",
        "top_n": 30,
    },
)
candidates = response.json()["hits"]

# 回测接口示例
backtest = httpx.post(
    "http://localhost:3018/api/backtest/run",
    json={
        "symbols": [c["symbol"] for c in candidates[:10]],
        "start": "2024-01-01",
        "end": "2026-07-01",
        "capital": 1_000_000,
        "commission": 0.0003,
        "slippage": 0.001,
    },
).json()
print(f"Sharpe={backtest['sharpe']:.2f}, MaxDD={backtest['max_drawdown']:.2%}")

📊 与同类工具对比

竞品对比表

🧠 技术架构深度剖析

1. 数据流水线：Polars + DuckDB 双引擎

整个工作台的"指标计算 / 扫表 / 落盘"全部跑在 Polars 上——这是与同类工具最大的工程差异：

# enriched 流水线伪代码
import polars as pl
from app.features import compute_ma, compute_macd, compute_rsi

daily_bars = pl.scan_parquet("data/daily/*.parquet")
enriched = (
    daily_bars
    .group_by("symbol")
    .agg([
        compute_ma("close", 5).alias("ma5"),
        compute_ma("close", 20).alias("ma20"),
        compute_macd("close").alias("macd"),
        compute_rsi("close", 14).alias("rsi"),
    ])
    .collect(streaming=True)  # 流式执行，毫秒级响应
)
enriched.write_parquet("data/enriched/latest.parquet")

核心优势：Polars 列存 + Lazy evaluation + 多线程，处理全 A 股 5000+ 标的日级 enriched 表只需数秒，相比 pandas 方案有数量级差距。

只有 vectorbt 回测引擎作为唯一的 pandas 边界——这是因为 vectorbt 的强类型矩阵运算与 Polars 的 DataFrame 模型不同，强行抽象成本太高。

2. 实时行情竞态控制：`_paused` 标志 + 上下文管理器

盘后管道运行期间会自动暂停实时行情取数，避免 parquet 覆写：

from contextlib import contextmanager

class QuoteService:
    _paused = False

    @contextmanager
    def pause_for_pipeline(self):
        QuoteService._paused = True
        try:
            yield
        finally:
            QuoteService._paused = False

    def get_realtime(self, symbol: str):
        if QuoteService._paused:
            return None  # 盘后管道运行中，跳过
        return self._fetch(symbol)

这一设计在同类工具中极为罕见——很多工具在盘后管道跑数据时还在写实时行情，最后 parquet 被冲掉，只能重跑全量。

3. LLM 集成：OpenAI 兼容接口 + 策略模板

# LLM 策略生成伪代码
from openai import OpenAI

client = OpenAI(
    api_key=settings.AI_API_KEY,
    base_url=settings.AI_BASE_URL,  # 支持 DeepSeek / 通义 / Ollama
)

strategy_guide = load_prompt("backend/app/strategy/prompts/strategy-guide.md")
user_intent = "找出近期 MACD 金叉 + 成交量放大 2 倍的中小盘股"

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": strategy_guide},
        {"role": "user", "content": user_intent},
    ],
)
strategy_code = response.choices[0].message.content
exec(strategy_code, {"pl": pl, "data": enriched})

设计哲学：AI 不做荐股，做策略生成；AI 不替代人脑，做工具放大器。

4. 单容器部署：前端 dist 内嵌

# Dockerfile 关键步骤
FROM node:20 AS frontend
WORKDIR /app/frontend
COPY frontend/ ./
RUN pnpm install && pnpm build   # 前端产出 dist/

FROM python:3.11-slim
WORKDIR /app
COPY --from=frontend /app/frontend/dist /app/static   # 前端 dist 打进后端镜像
COPY backend/ /app/backend/
RUN pip install -r requirements.txt
CMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "3018"]

前端 dist 拷进后端镜像，一条命令启动，不需要分别管理前后端容器——这是"零运维"承诺的工程基础。

💡 适用场景

场景 1：本地化选股策略研究

看板 Dashboard

功能说明：市场情绪评分 + 涨跌/成交额榜单 + 概念领涨领跌 + 大盘异动事件流，一屏总览全市场状态。

输入要求：无需参数，启动后自动加载当日数据。

输出效果：Dashboard 页面实时刷新，异动事件 SSE 推送。

适用场景：

个人散户每日盘前 / 盘后 / 盘中盯盘
量化研究员跨市场情绪扫描
多账户联动盯盘的辅助参考

场景 2：18 策略 + AI 生成的选股引擎

策略 Screener

功能说明：18 个内置策略卡片 + 自定义信号 + LLM 策略生成 + 已有代码迁移，Polars 毫秒级扫全 A 股。

输入要求：选择策略 → 调参数 → 点"开始扫描"。

输出效果：命中标的列表 + 信号强度评分 + 历史回放。

适用场景：

经典技术派（MA/MACD/RSI/KDJ/布林）回测
自定义因子探索（多因子打分）
LLM 帮你把"找 MACD 金叉 + 量能放大"的想法变成可执行代码

场景 3：vectorbt 三模式回测

回测 Backtest

功能说明：三种回测模式（个股 / 策略组合 / 自由信号），T+1 / 手续费 / 滑点 / 止损一应俱全，SSE 流式进度。

输入要求：选标的 / 策略 → 时间区间 → 初始资金 → 费率参数。

输出效果：净值曲线 / 最大回撤 / 夏普比率 / 胜率 / 交易明细。

适用场景：

策略上线前的"沙盘推演"
因子库 IC/IR、分层收益的批量评估
同策略不同参数区间的敏感性分析

场景 4：实时监控 + 飞书推送

监控中心 Monitor

功能说明：四类监控（策略 / 个股信号 / 价格 / 异动），多条件 AND/OR + 语音播报 + 飞书推送。

输入要求：配置监控规则 → 选标的池 → 设置触发条件 → 选推送通道。

输出效果：盘中实时弹窗 + 浏览器原生 speechSynthesis 语音 + 飞书消息。

适用场景：

工作时段盯盘的"第二双眼睛"
多设备联动（家里电脑 + 公司电脑 + 手机飞书）
复盘时段从监控记录中拉取信号样本

场景 5：连板梯队与异动预警

连板梯队 Limit Ladder

功能说明：连板层级统计 + 概念涨幅轮动 + 盘后 AI 复盘 + 炸板/翘板预警。

输入要求：无需参数，自动抓取实时数据。

输出效果：连板层级表 + 概念涨幅 Top + 炸板预警推送。

适用场景：

短线主题轮动的市场观察
异动个股的二次过滤
AI 自动生成的盘后复盘 Markdown

场景 6：概念/行业涨幅矩阵

概念分析 Concept

功能说明：ths 概念涨幅轮动矩阵 + 领涨/领跌主线 + 个股穿透。

输入要求：选择时间粒度（日 / 周 / 月）。

输出效果：概念涨幅热力图 + 主线龙头 + 个股穿透。

适用场景：

板块轮动节奏的视觉化研究
主流热点的快速捕捉
主题策略的标的筛选入口

场景 7：财务分析 + AI 解读

财务分析

功能说明：利润表 / 资负表 / 现金流 + AI 解读关键指标。

输入要求：输入股票代码或从自选股列表选择。

输出效果：三大报表 + AI 自动生成的财务健康度报告。

适用场景：

基本面研究的"加速器"
财报发布后的快速阅读
多公司财务横向对比的辅助

场景 8：个股技术面四维 AI 分析

个股分析

功能说明：日 K + 9 类关键价位 + AI 四维分析（技术面 / 基本面 / 财务面 / 消息面）。

输入要求：股票代码 → 选择分析维度。

输出效果：四维评分 + 关键价位标记 + AI 总结报告。

适用场景：

个股深度研究的"入口"
短线介入点的多维确认
持仓股的定期复盘

场景 9：盘后 AI 复盘

功能说明：盘后 AI 自动生成市场复盘 Markdown，支持定时执行、飞书推送。

输入要求：配置定时任务（建议每日 15:30 收盘后）。

输出效果：完整的市场复盘报告 + 飞书自动推送 + Markdown 下载。

适用场景：

交易日复盘的自动化
团队共享的市场观点同步
长周期复盘数据的积累

场景 10：飞书推送集成

飞书推送-自动复盘

功能说明：监控信号 / 自动复盘结果自动推送到飞书机器人。

输入要求：在 .env 配置飞书 Webhook URL。

输出效果：飞书群消息 + 卡片格式展示。

适用场景：

多人团队的信号同步
移动端的实时触达
自动化复盘的分发渠道

用户群体总结

✅ 个人量化研究者：需要本地化、可控、可定制的量化平台
✅ AI + 量化跨界学习者：想用 LLM 辅助但拒绝"AI 荐股"概念的同学
✅ 多设备联动盯盘者：需要飞书推送 + 语音播报 + 实时弹窗
✅ 教学 / 培训场景：自托管 + 单容器 = 极易在课堂演示部署
❌ 不适合：追求实盘交易自动化的用户（v2 路线图才有 QMT/掘金下单）

💰 部署方案

完全开源 / 永久免费：MIT License，源代码全部可商用。

官方推荐两种部署方式：

部署方式	适用场景	启动命令
Dev 模式	二次开发 / 调试	`./dev.sh` 或 `.\dev.ps1`
Docker 单容器	生产 / 演示	`docker compose up --build`

数据源成本：

TICKFLOW_API_KEY：留空 = None 模式（仅历史日 K 免费）；填 Key 解锁实时行情与分钟线
AI_API_KEY：留空 = 关闭 AI；填 Key 启用策略生成与四维分析

💡 新用户福利：默认 .env 留空即可启动，历史日 K 数据完全免费；填入 Key 后功能逐步解锁，无强制付费门槛。

🎯 总结

tickflow-stock-panel 是一套真正面向个人开发者的 A 股量化工作台——它不追求"开箱即用的 AI 荐股"，而是用 Polars + LLM + 单容器 三件套把"基础设施 + AI 能力 + 部署便利性"做到极致。18 个内置策略 + 三种回测模式 + 四类监控规则 + AI 四维分析 + 飞书推送——基本覆盖了个人散户从研究到盯盘的全流程。

推荐指数： ⭐⭐⭐⭐⭐（满分 5 星）

适合人群： 个人量化研究者、AI + 量化跨界学习者、本地化部署爱好者、教学演示场景

立即体验：

GitHub 仓库： shy3130/tickflow-stock-panel
官方文档： docs/deployment.md
QQ 交流群： 109338242

数据截至 2026-07-14，最新信息请以 GitHub 仓库为准。本项目仅供学习与量化研究，不构成任何投资建议。A 股有风险，入市需谨慎。

配套媒体

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。

🚀 什么是 tickflow-stock-panel？

✨ 核心功能一览

🛠 快速上手：5 分钟本地跑通

环境要求

安装步骤

核心 API 示例

📊 与同类工具对比

🧠 技术架构深度剖析

1. 数据流水线：Polars + DuckDB 双引擎

2. 实时行情竞态控制：_paused 标志 + 上下文管理器

3. LLM 集成：OpenAI 兼容接口 + 策略模板

4. 单容器部署：前端 dist 内嵌

💡 适用场景

场景 1：本地化选股策略研究

场景 2：18 策略 + AI 生成的选股引擎

场景 3：vectorbt 三模式回测

场景 4：实时监控 + 飞书推送

场景 5：连板梯队与异动预警

场景 6：概念/行业涨幅矩阵

场景 7：财务分析 + AI 解读

场景 8：个股技术面四维 AI 分析

场景 9：盘后 AI 复盘

场景 10：飞书推送集成

用户群体总结

💰 部署方案

🎯 总结

2. 实时行情竞态控制：`_paused` 标志 + 上下文管理器