【学习工作赛道】聪明钱动线追踪器：非金融散户的每日复盘助手
标签：
学习工作报名帖链接：【报名】非金融小白的"聪明钱"追踪器
一、Demo 简介
是什么
每天下午 3 点收盘后，无数散户打开股票软件，面对红绿数字发呆：今天大盘怎么样？哪些板块有资金在流入？我的持仓该走该留？
我就是其中之一。非金融专业，白天上班，只有晚上有时间研究。打开各种数据平台，大盘指数、北向资金、融资融券、板块资金流向……数据倒是一大堆，但全部分散在十几个页面里，每个数字看着都挺重要，放在一起却完全不知道该先看什么、怎么判断、得出什么结论。 所以我用 TRAE 做了一个"5 分钟出报告"的方案——自动拉数据、做分析、生成 HTML 报告，打开浏览器就知道今天市场发生了什么。包含一份**《每日复盘 SOP》和一个Python 自动化脚本**，每日收盘后运行 5 分钟，自动输出大盘情绪诊断 + 主线板块定位 + 个股候选池，并生成可视化 HTML 报告。
不是帮你选股，是帮你建立数据化投资思维——从抄博主作业，到自己看懂资金流向。
面向谁
- 非金融专业的散户投资者（程序员、设计师、产品经理等）
- 对技术面和资金面感兴趣，但缺乏系统方法论的新手
- 白天上班、晚上才有时间看盘的理财人
核心功能
功能 1：一键获取多源资金数据
自动从 Tushare 拉取大盘指数、板块资金、个股行情、融资融券、北向资金等多维度数据，解决"数据分散在十几个接口"的痛点。运行脚本后，终端输出数据获取日志：
功能 2：三层漏斗分析
从"面"到"点"层层过滤，避免盲目选股：
- 第一层 · 大盘情绪诊断：选取 11 个指标（上证主力净流入、涨跌幅、融资融券余额、北向资金、汇率等），先做双窗口标准化（20 日短期 + 60 日长期取均值，兼顾短期波动和长期趋势），再做 StandardScaler 标准化，最后用 PCA 降维到主成分，输出一个综合情绪得分。历史数据不足时自动降级到子集指标，保证脚本能跑
- 第二层 · 主线板块定位：从三个维度对每个板块进行独立判断——连续资金流入（T/F）、相对强度（T/F）、板块广度（T/F），三个维度全部满足才进入 confirmed 状态。板块状态遵循路径约束：exclude 不能直接跳到 confirmed（必须先经过 observing 观察期），confirmed 状态减弱时最多降级到 observing（保护期机制），避免单日资金脉冲导致的误判
- 第三层 · 个股候选池：通过 A/B 双策略筛选候选标的
- A 类策略（中线趋势）：缩量回调 + 收盘价 ≥ MA20，观察期 10 个交易日
- B 类策略（短线动能）：次日开盘价 > MA5，目标持仓 3-7 天，10% 收益止盈 50% 仓位
功能 3：自动生成可视化 HTML 报告
脚本运行完毕后，自动生成一份结构清晰的 HTML 报告，包含大盘评分、板块资金流向、个股候选列表等，用浏览器即可打开查看。
二、Demo 创作思路
灵感来源
小红书上每天有无数新股民发帖求助：“抄了博主的作业亏了怎么办”“被套了要不要割肉”“看不懂财报怎么选股”。另一边，2026 年 315 晚会曝光了"AI 投毒 + 荐股分成"骗局——不法分子用 AI 生成虚假股票分析报告，冒充"股神"荐股。
散户一方面看不懂基本面，一方面只能依赖博主荐股。与其依赖别人，不如自己学会看数据。 这套系统不输出"买哪只"的结论，而是输出"怎么看市场"的能力——这也是对抗 AI 荐股骗局最好的方式。
想解决的问题
| 痛点 | 具体表现 | 本方案的解决方式 |
|---|---|---|
| 信息不对称 | 资金数据分散在十几个接口，口径混乱 | 一键整合多源数据，统一输出 |
| 决策主观化 | 凭感觉买卖，容易被情绪左右 | 基于规则的量化分析，减少人为判断 |
| 策略不可复现 | 今天这样明天那样，没有标准流程 | SOP 文档 + 自动化脚本，确保流程一致 |
| 工具门槛高 | 需要懂 Python、懂金融、懂统计 | 封装为"一键运行"，非金融人员也能用 |
为什么做这个方向
我相信"资金是不会骗人的"——观点可以造假，交易行为造不了假。机构的信息优势往往领先于股价反映，追踪聪明钱的流向，就是追踪信息差。
市面上大多数工具直接给"买这只"，但用户亏了不知道为什么。我的想法是输出一套"每日复盘 SOP"，教用户怎么看大盘情绪、怎么找主线板块、什么时候该买卖——让普通人也能建立自己的决策框架。
三、Demo 体验地址
在线体验
GitHub Pages 样例报告：在线体验
收录了多份历史报告（如 2026-03-27、2026-04-28、2026-05-06 等），点击日期即可查看当日的完整分析结果。
本地体验
如果在线访问较慢，也可以下载 Zip 包后用浏览器打开：
样例报告下载：
smart-money-tracker-demo.zip (45.1 KB)
GitHub 仓库展示
仓库链接：查看仓库
（包含项目介绍、复盘方法论 SOP 及效果截图）
后台运行视频
四、TRAE 实践过程
本项目全程使用 TRAE 生态完成，采用 “Work 出思想，IDE 出代码” 的策略。
阶段一：TRAE Work —— 梳理分析框架与 SOP
目标：与 AI 共同探讨"哪些指标代表聪明钱入场"“如何量化市场主线”，最终沉淀为可执行的每日复盘 SOP。
核心提示词策略：
“不要急着直接生成解决方案，我们可以一点点讨论，然后梳理出一整套适合本人特点的分析思路。”
关键步骤：
- 思路探索：与 AI 讨论聪明钱的定义、可追踪的指标、如何区分"真流入"和"假突破"
- 工作流设计：明确三层漏斗（大盘 → 板块 → 个股），确定每层需要看什么指标、怎么判断
- SOP 沉淀：把讨论成果整理为一份操作手册，告诉用户每天看什么、怎么判断、怎么操作
Session ID：
4378702115509868:fc5614a99063b7f6b2fc628c946d0ae1_6a3dd8c54360bb59c48d917c.6a40838a6d2158bedeebefa7.6a4083896d2158bedeebefa5—— 讨论聪明钱动线分析思路（2026/6/28）4378702115509868:a65c5a906edc23ac0772e4a3b065a70e_6a40843b6d2158bedeebefb0.6a409e4d6d2158bedeebf21d.6a409e4d6d2158bedeebf21b—— 评估聪明钱动线追踪工作流（2026/6/28）
阶段二：TRAE IDE —— 代码实现与调试
目标：将 SOP 中的分析逻辑转化为可运行的 Python 脚本，在 Solo 模式下逐模块实现。
模块拆分：
| 模块 | 功能 | 开发方式 |
|---|---|---|
data.py |
Tushare 数据获取与清洗 | TRAE IDE Solo 模式，AI 辅助编写 |
analysis.py |
PCA 大盘体检、板块分析、A/B 选股策略 | 按 SOP 逻辑逐条转化为代码 |
report.py |
HTML 报告生成 | AI 辅助生成可视化模板 |
config.py |
参数配置（Tushare Token、策略参数等） | 手动调整 + AI 建议 |
main.py |
主流程调度 | 整合各模块，一键运行 |
关键步骤：
- 核心编码：用 TRAE IDE 的 AI 助手实现数据获取、PCA 分析、A/B 双策略选股等核心模块
- 代码与 SOP 对齐：反复核对代码逻辑是否与 SOP 文档一致，确保"文档说怎么做，代码就怎么做"
- 调试优化：遇到报错直接选中代码片段让 AI 诊断修复，优化参数提升策略效果
Session ID：
4378702115509868:d7ed4f1f612eb1d79af94700b0152e4f_6a411e52f3af39741e74e681.6a426f8026d5cf1867400f13.6a426f802bdb49a61dda6cba—— Python Pandas Tushare 聪明钱动线追踪代码实现（2026/6/29）4378702115509868:7284a3dc3d5c4cc3e36f0fc74ed97c34_6a426ffc26d5cf1867400f25.6a42747c26d5cf1867400fc0.6a42747c2bdb49a61dda6cbf—— 分析代码与 SOP V3.7 一致性（2026/6/29）
开发心得
1. 规则兜底，不依赖 AI 实时判断
报告中的"大盘情绪评分""板块资金流向"等结论，都是基于明确的计算规则得出，而非 AI 实时生成。这样即使 AI 服务不可用，脚本依然能输出可靠结论。
2. 双策略设计源于真实交易反思
A 类策略（中线趋势）和 B 类策略（短线动能）不是拍脑袋想的，而是我在 TRAE Work 中与 AI 反复讨论后确定：中线看趋势（缩量 + MA20），短线看动能（MA5 突破），两套逻辑独立运行，适应不同市场状态。
五、开发踩坑记录
坑 1：直接让 AI 生成代码，结果逻辑偏差大
最开始我直接跟 TRAE 说"帮我写一个股票分析脚本"，它很快就写出来了一版。但我跑完一看，逻辑和我想的完全不一样——它用了自己的"默认思路"来选股，根本没按我的分析方法来。后来我改了策略：先在 TRAE Work 里花几天时间跟 AI 讨论分析框架，把每个指标的定义、判断条件、输出格式全部写在 SOP 文档里，然后再切到 TRAE IDE 说"按这个文档写代码"。返工次数大幅减少。
坑 2：SOP 和代码"双轨运行"
开发到第三天发现一个诡异的问题：回测结果和我的预期完全对不上。排查了半天，发现是 config.py 里的参数还是旧版本的值——SOP 文档已经更新到 v4.3 了，但代码里的止损线、止盈比例、换手率阈值还停在 v3.7 的设定。更离谱的是，backtest.py 里有个变量名改了但 import 没更新，直接 NameError。从那以后我养成了一个习惯：每次改 SOP 必须同步检查 config.py，用 TRAE 的"对照 SOP 核对代码"功能逐条比对。
坑 3：Tushare 交易日历返回日期未排序
第一次跑完整流程时，结果数据和预期对不上——有些日期的数据完全错位。排查了一圈，最终发现是 Tushare 的 trade_cal（交易日历）接口返回的日期不是按时间排序的，直接拿来做关联就会串行。这个坑很隐蔽，因为单独看每个接口的数据都是对的，只有当多个接口的数据按日期关联时才会暴露问题。修起来倒简单，加一行排序就行，但找原因花了挺久。
坑 4：调试文件堆积
早期开发阶段，每次调试我都喜欢新建一个脚本（debug_api.py、run.py、test_xxx.py……），结果到后来目录里一堆 py 文件，连我自己都分不清哪个是正式入口、哪个是调试残留。最后花了时间统一清理：只保留 main.py 作为唯一入口，其他调试脚本全删，py 文件移到 src/ 目录下，输出放到 report/。
六、效果验证
板块状态分类有效性回测
为了验证板块分析逻辑是否真的有效，我对历史数据做了回测：统计不同状态板块在未来一段时间内的涨幅分布，看 confirmed 状态是否真的比 exclude 状态更值得关注。
数据样本：630 条板块记录（A 类看未来 20 个交易日，B 类看未来 5 个交易日）
| 类型 | 状态 | >20% 涨幅占比 | 关键结论 |
|---|---|---|---|
| A 类（中线） | confirmed | 41.7% | 精确率 100%，选出的板块确实更强 |
| A 类（中线） | observing | 33% | 介于 confirmed 和 exclude 之间，有参考价值 |
| A 类（中线） | exclude | 9% | 成功过滤掉弱势板块 |
| B 类（短线） | confirmed | 13.3%（>10%） | 短线动能有效 |
| B 类（短线） | exclude | 2%（>10%） | 排除的板块确实弱 |
最重要的发现：直接跳到 confirmed（跳过 observing）的板块全部失败，平均涨幅 -5.2%；而经过 observing → confirmed 路径的板块，67% 大涨，平均涨幅 +17.3%。这说明 observing 观察期是必要的——它能过滤掉单日资金脉冲的虚假信号，只有资金持续关注后才进入 confirmed。
这个发现直接促使我修改了 SOP v4.4：新增板块状态路径约束，禁止 exclude 直接跳到 confirmed，confirmed 减弱时最多降级到 observing。
七、附录
项目结构
smart-money-tracker/
├── src/ # Python 脚本
│ ├── main.py # 主流程
│ ├── data.py # 数据获取
│ ├── analysis.py # 分析引擎（PCA + 板块 + A/B 选股）
│ ├── report.py # HTML 报告生成
│ └── config.py # 配置参数
├── report/ # 生成的 HTML 报告
└── sop/ # 每日复盘 SOP 文档
技术栈
- 数据来源：Tushare Pro API
- 分析框架：Pandas + NumPy + Scikit-learn（PCA）
- 报告生成：纯 HTML + CSS（内嵌样式，无需外部依赖）
- 开发工具：TRAE Work（思路梳理）+ TRAE IDE（代码实现）
本作品由 TRAE Work 与 TRAE IDE 共同开发完成，感谢 TRAE AI 创造力大赛提供的学习与展示机会。