一句话查完 A 股数据，30 秒完成个股调研
一句话查完 A 股数据，30 秒完成个股调研
给 AI 编程助手装了个 A 股数据引擎，效果超预期
「量化实战手记」— 记录从想法到落地的真实开发历程
引言：做投研最大的效率黑洞
用 AI 做股票研究，最痛苦的不是 AI 不够聪明，而是数据到不了它手里。
想问「茅台 PE 多少」—— 先打开东方财富看一眼，把数字粘给 AI。想问「今天龙虎榜谁上榜了」—— 先截图，再让 AI 帮你分析。想算个股估值—— 东财看价格、同花顺看 EPS、Excel 算 PEG，五六个窗口来回切。
来回切换，效率归零。
我一直在想：如果 AI 能直接拉 A 股数据呢？
最近我把 a-stock-data (https://github.com/simonlin1212/a-stock-data) 这个 Skill 整合进了 fqclaw (https://github.com/nicepkg/fqclaw)（一个基于 Claude Code 的量化工具箱），让 AI 编程助手直接调用 13 个数据源的 A 股实时数据。
效果超预期。下面是真实的使用记录。
第一章：它能干什么
一个 Skill 文件，覆盖 A 股投研的完整数据链路。
七层架构 · 28 个端点 · 13 个数据源
13 个数据源，除 iwencai 语义搜索外全部免费无 Key。直连 HTTP API，零第三方封装依赖。
原则：好的工具应该是隐形的——你只需要说出需求，数据自动到位。
第二章：真实案例——一句话的威力
以下是我实际使用 fqclaw + a-stock-data 的对话实录，没有剪辑，没有美化。
案例 1：股息率排名
股息率最高的10家公司
Claude Code 自动识别意图，激活 a-stock-data Skill，30 秒后输出结果：
| # | 代码 | 名称 | 股息率 | EPS | ROE | 净利(亿) | 板块 |
|---|---|---|---|---|---|---|---|
| 1 | 002**3 | 美**森 | 10.96% | 0.10 | 2.91 | 1.50 | 包装印刷 |
| 2 | 600**6 | 广**源 | 10.23% | 0.45 | 10.53 | 29.54 | 炼化及贸易 |
| 3 | 000**7 | 冀**源 | 8.60% | 0.34 | 5.56 | 12.08 | 煤炭开采 |
| 4 | 002**2 | 好**你 | 8.59% | -0.16 | -1.87 | -0.72 | 休闲食品 |
| 5 | 603**5 | 中**流 | 7.58% | 0.87 | 17.26 | 18.35 | 航运港口 |
不仅如此，AI 还会主动标注风险——「好**你 EPS 为负但高分红，本质是在吃老本分配历年留存收益，不可持续」。
这种洞察，单纯拉一张 Excel 排序表是给不了的。
案例 2：按实时价格重算
如果按今日的价格来计算，他们的股息率是多少？
Claude Code 自动完成三步操作：
| # | 名称 | 现价 | 每股派息 | 股息率 | PE(TTM) |
|---|---|---|---|---|---|
| 1 | 汇**份 | 8.77 | 0.80 | 9.12% | 51.73 |
| 2 | 惠**浦 | 9.00 | 0.67 | 7.44% | 13.82 |
| 3 | 立**份 | 13.53 | 1.00 | 7.39% | 23.14 |
| 4 | 朗**份 | 16.69 | 1.20 | 7.19% | 7.76 |
| 5 | 华**因 | 28.04 | 2.00 | 7.13% | 14.18 |
注意汇**份——今天涨了 4.28% 但股价仍只有 8.77 元，按实时价算股息率反而从 8.11% 升到 9.12%。
这种「分红方案 x 实时股价」的交叉分析，以前得同时打开东财看分红、打开行情软件看价格、再打开 Excel 算。现在一句话搞定。
原则：最好的交互是「你说需求，它给结果」——中间的过程应该是透明的。
案例 3：更多场景
| 你说 | 它做什么 |
|---|---|
| 「帮我估一下 688**7，给我 PE / PEG / 消化时间」 | 实时价 → 一致预期 EPS → 前向 PE / PEG / 消化年数 |
| 「今天哪些股票走强，主要是什么题材」 | 同花顺热点 + reason tags 题材归因 |
| 「今天北向资金流入流出怎么样」 | 沪股通/深股通分钟级流向 |
| 「002**5 最近上过龙虎榜吗」 | 龙虎榜席位 + 买卖 TOP5 + 机构动向 |
| 「帮我对比这 5 只半导体股的估值」 | 批量横向估值排列 |
第三章：为什么直连 HTTP
这个 Skill 的 V3.0 版本做了一个重要的架构决策：彻底移除 akshare，所有数据源改为直连 HTTP API。
原因很务实。akshare 本质是对东财、同花顺、新浪等公开 API 的二次封装。多一层封装，就多一个故障点——版本兼容 bug、pandas 3.0 的 ArrowInvalid 报错、接口变更后的被动等待修复。
架构演进：去掉中间层，直连数据源
直连的好处是可控。28 个端点的底层 URL、参数、请求头全部暴露在 Skill 文件里。哪个接口挂了，你直接定位、直接改。不用等第三方库发版。
另一个好处是稳定。行情走 mootdx（TCP 二进制协议）+ 腾讯财经（HTTP），这两个是 A 股数据圈公认最稳定的免费源——不封 IP、不限频。信号层走同花顺 + 百度，零鉴权，73ms 响应。
原则：每多一层抽象就多一层风险。当你能直接控制底层时，不要选择间接。
第四章：开箱即用
fqclaw 的定位就是整合包——a-stock-data 已经内置其中，不需要手动安装任何东西。
克隆 fqclaw，用 Claude Code 打开，直接开聊：
股息率最高的10家公司
不需要安装依赖、不需要配置文件、不需要记住任何命令。你只需要像正常人一样说话。
Skill 文件本质是结构化 Markdown + 内嵌 Python 代码。除了 Claude Code，Codex、OpenClaw、任何支持上下文注入的 AI 编程助手都能用。
总结：工具不该成为思考的瓶颈
这个 Skill 的核心价值不是「AI 能炒股」—— AI 不能。
它的价值是消除人和数据之间的摩擦。
以前做一次完整的个股调研：打开东财看 PE，打开同花顺看研报，打开百度看概念板块，打开行情软件看资金流向，打开 Excel 算估值。五六个窗口来回切，20 分钟起步。
现在一句话，30 秒。
四个视角，各取所需：
- 个人投资者：一句话完成从数据拉取到分析的全流程
- 投研分析师：批量筛选、横向对比、产业链调研，告别重复劳动
- 量化开发者：28 个端点的底层 URL/参数完全暴露，方便二次封装
- AI 应用开发者：直接作为 Agent 的数据工具层，省去自己对接 13 个数据源的工作
核心原则：最好的工具是隐形的。你只管思考，数据自动到位。
