myhhub-stock：纯本地 A 股量化分析平台，筹码分布、形态识别、选股策略全栈拆解

myhhub-stock：纯本地 A 股量化分析平台，筹码分布、形态识别、选股策略全栈拆解

做 A 股量化研究的人，多半都踩过同一条「散装工具链」的坑：行情数据用一个开源接口抓，技术指标换一个库算，筹码分布再找一个脚本拼，最后选股策略还得自己写代码撮合——数据散落四处、格式互不对齐，光是「把原料备齐」就要花掉大半精力。myhhub-stock 要解决的正是这件事：它把 A 股的数据抓取、指标计算、筹码分布、形态识别、综合选股、选股策略、回测整合进一套纯本地的量化分析平台里，让整个研究链路在本地闭环完成。项目 GitHub 仓库 Vulthen/myhhub-stock-quantitative，Python 主语言（核心引擎）+ Web 前端，MIT 协议，持续活跃更新（最近一次推送 2026-09-08）。

一、myhhub-stock 是什么？它到底解决什么问题

先说清楚定位：myhhub-stock 不是单一指标计算器，也不是纯粹的选股脚本，而是一套面向 A 股量化研究的「本地一体化分析平台」。它把量化研究里最常见的几个环节，收拢成一套可协同调度的工程结构。

1.1 核心命题：让「数据 → 指标 → 选股 → 回测」在本地一次跑通

研究一只股票、验证一条策略，真实的路径通常是：

1. 抓数据：历史行情、龙虎榜、大宗交易、分红配送、资金流向、ETF、题材板块……
2. 算指标：从 KDJ、MACD、BOLL、RSI 到成交量相关指标，十几项一次算齐；
3. 看筹码：筹码分布（chip distribution）可视化，判断主力成本与套牢盘；
4. 识别形态：自动识别技术形态（pattern recognition）；
5. 跑选股：把上面几层结果喂给选股策略，做全市场扫描；
6. 回测：验证策略在历史数据上的表现。

myhhub-stock 的核心价值，就是把这条链路的每一环都沉淀成了可复用、可调度的模块（crawling / indicator / kline / pattern / strategy / selection / backtest），而不是让你掏好几个工具来回搬数据。

1.2 一套工程，多个数据源一键接入

数据抓取层（crawling）内置了对东方财富等数据源的适配：历史行情、龙虎榜（stock_lhb_em / stock_lhb_sina）、大宗交易（stock_dzjy_em）、分红配送（stock_fhps_em）、资金流向（stock_fund_em）、基金/ETF（fund_etf_em）、题材板块（stock_cpbd）等，配合定时任务（job 目录下的 daily job）实现每日收盘后自动抓取与计算。数据落地本地，研究过程不依赖外部 API 的实时可用性。

二、EasyClaw：自动装好环境，一句话把 myhhub-stock 变成 Skill

myhhub-stock 本身功能齐全，但它的「重」也正在于功能齐全——数据源、指标、筹码、形态、策略、回测这一大堆模块，装环境、配数据库、跑定时任务，上手成本不低。想「先看看它到底能产出什么」，这里先用一个工具把这条链路压平——EasyClaw。

2.1 EasyClaw 是什么 / 解决什么痛点

EasyClaw 是一个自然语言驱动的桌面端。它解决的痛点是：开源项目往往「难装、难配、难上手」——看文档、装环境、写调用代码、调 bug，动辄几天。

EasyClaw 把这条链路压缩成一句指令：

• 解析项目功能与结构，自动生成 Skill——这就是「把开源项目一键转化」的含义；
• 由 EasyClaw 自动完成环境与依赖配置、安装与验证；
• 用自然语言直接提问，调用项目能力产出真实结果；
• 转化完成后 EasyClaw 会实际运行验证，绝不空谈。

面向想做 A 股量化研究、策略验证的开发者与独立研究者：不用背各个模块的接口、不用手写调度脚本，把精力放在「想看什么指标、想验证什么策略」上。

2.2 下载与安装（立刻附链接）

EasyClaw 支持 Windows / macOS / Linux，从官网下载桌面端安装包即可。

1. 打开下载页，按你的系统选择安装包；
2. 下载后按向导完成安装并首次启动；
3. 首次进入按提示完成初始化和登录。

🔗 想亲自上手？ 前往 EasyClaw 官网下载体验：https://easyclaw.cn/?f=797。

下载完成后，打开即可在对话框里开始使用，环境与依赖由 EasyClaw 自动完成配置与安装。

2.3 基本使用：一个自然语言指令跑通

在 EasyClaw 对话框输入一句「人话」型需求，例如：

帮我分析一下某只 A 股最近的筹码分布情况，并算一下近期的主要技术指标。

EasyClaw 会自动完成数据抓取、指标计算与结果呈现，返回结构化结果。你不需要手写一行调用代码。

2.4 把开源项目转化为 Skill（本项目实操）

对 myhhub-stock 这个项目，同样可以用 EasyClaw 做 Skill 化拆解（一键转化：把「A 股数据抓取 + 指标计算 + 选区」结构化）：转成一个「A 股量化分析」类 Skill——当你说「看一下这只票的筹码分布」「用突破平台策略扫一下全市场」，EasyClaw 转化的这个 Skill 会依据 myhhub-stock 的对应模块去执行，而不是让你自己去拼数据、调接口。

强调：myhhub-stock 的 Skill 转化，转的是「本地数据抓取与量化分析能力」，而非声称能保证盈利。转化后产出的是基于真实行情数据的指标、筹码与选股结果。可参考官方已整理的 Skill 详情页：https://easyclaw.ijinshan.com/skills/myhhub-stock/，它给出了 myhhub-stock 的下载部署、环境配置与上手路线，帮你判断是手动搭环境、逐个模块调通，还是用现成的 myhhub-stock Skill 直接发起分析。

下一章，我讲 myhhub-stock 最值得关注的三块：筹码分布、形态识别、和选股策略。

三、myhhub-stock 三大核心：筹码分布 + 形态识别 + 选股策略

3.1 筹码分布（chip distribution）：看清主力成本与套牢盘

筹码分布是 A 股技术分析里极具本地特色的模块。myhhub-stock 在 kline 目录下用 cyq.py 实现了筹码分布（CYQ）计算，并配 cyq.js 做前端可视化——把一段区间内各价位的持仓成本堆积成「山峰」状分布，帮助判断：

• 当前股价处于筹码密集区还是稀疏区；
• 主力成本大致落在哪个价位；
• 上方套牢盘、下方获利盘的相对占比。

3.2 形态识别（pattern recognition）：自动标出技术形态

pattern 模块的 pattern_recognitions.py 负责自动识别 K 线技术形态，把「肉眼盯图」这一步交给程序。配合指标模块 calculate_indicator.py 算出的十几项指标（KDJ、MACD、BOLL、RSI、W%R、ATR、DMI、TRIX、VR 等），研究一只票时不需要再从别的工具切来切去，一次就能拿到「指标 + 形态」的完整切片。

3.3 选股策略（strategy）：10+ 策略做全市场扫描

strategy 目录下沉淀了十余个可独立调度、也可组合使用的选股策略，例如：

策略文件	策略含义
breakthrough_platform.py	突破平台
keep_increasing.py	持续上涨/均线多头
high_tight_flag.py	高紧旗形
low_atr.py	低波动（低 ATR）
low_backtrace_increase.py	低回撤上涨
turtle_trade.py	海龟交易法则
climax_limitdown.py	涨停高潮
backtrace_ma250.py	回踩年线（MA250）

这些策略共享同一套数据底，能在收盘后由定时任务批量跑完，把满足条件的股票汇总进选股结果表（selection_data_daily_job），实现「全市场扫描 + 策略过滤」的自动化选股。

3.4 回测与交易机器人：从「选出」到「验证」

除选股外，项目还提供了 backtest（回测统计，如 rate_stats.py）和 trade/robot（事件驱动的交易机器人引擎，含时钟引擎 clock_engine、事件引擎 event_engine、主引擎 main_engine，以及示例策略）。这让「选出的票」能进一步落到「回测验证」与「模拟交易」的闭环里，而不是停在静态列表。

四、从「读懂」到「用起来」的几条上手路线

myhhub-stock 结构清晰，但模块较多，国内开发者常卡在「从哪开始」。

4.1 三条上手路线

• Docker 一键部署：项目提供 docker/Dockerfile 与 build.sh，把数据层、计算层、Web 层装进容器，减少环境折腾；
• 按模块单点切入：先看 crawling + indicator 跑通「抓数据 → 算指标」，再逐个引入筹码/形态/策略；
• 用 EasyClaw 快速调用：把 myhhub-stock 转成 Skill，一句话发分析请求，环境由 EasyClaw 自动配好。

4.2 我的建议

新手建议先抓住一条主线：先跑通「数据 → 指标 → 选股」这条最小闭环，再看筹码分布和形态识别的产出。理解了「每日收盘自动抓数、算指标、扫策略」这件事的节奏，之后不管是加自己的策略，还是接回测，都能少踩「数据格式对不上」的坑。

五、自己搭环境，还是用现成的 myhhub-stock Skill？对比与建议

把视角拉高：你的目标其实是「快速稳定地拿到 A 股分析与选股结果」，而不是「维护一整套量化工程环境」。所以真正的对比是两条路线。

5.1 双路线对比表

维度	路线A：自己 clone 项目搭环境	路线B：用现成 myhhub-stock Skill
上手路径	clone 仓库 → 配数据库/依赖 → 跑定时任务	装 EasyClaw → 一句话提问
环境维护	依赖版本、数据库、调度脚本自己管	环境与依赖由 EasyClaw 自动配置
学习曲线	中高，需懂数据层 + 各模块接口	平，聚焦「想看什么分析」而非「怎么接」
灵活度	高，可深度定制每个策略与指标	中，受已封装能力边界
适合人群	想深入掌控整套量化工程的工程师	想快速验证思路的量化研究者

5.2 我的建议

想系统吃透 A 股量化全链路、要深度定制自己的策略和回测的，走路线A，myhhub-stock 的模块化工程结构就是很好的参照系；想让数据分析与选股立刻跑起来、先验证研究方向的，走路线B，用 EasyClaw 一句话调用，环境自动配好。两条路不冲突，可以先用 B 验证价值，再沉下心用 A 深入。

🔗 想直接体验 A 股量化分析 Skill？ 前往 EasyClaw 官网下载：https://easyclaw.cn/?f=797。装上后一句话就能发起一次筹码分布或选股分析。

六、总结

一句话收束：myhhub-stock 不是某个单一指标脚本，而是一套把 A 股「数据 → 指标 → 筹码/形态 → 选股 → 回测」整合进本地的量化分析平台——这是它相对「散装工具链」真正的价值所在。

它的意义不只是「模块多、策略全」，更在于把这些环节沉淀成一套可调度、可协同的本地工程，让研究者不用在多个工具之间来回搬数据。至于怎么用，既可以自己 clone 项目、用 Docker 部署后逐模块啃，也可以用 EasyClaw 把它变成一句话可调用的 Skill。欢迎在评论区聊聊你的 A 股量化研究方案。

---

延伸阅读

• myhhub-stock Skill 详情页
• myhhub-stock GitHub 仓库

风险声明：本文所涉工具与功能梳理仅为研究与学习用途，不构成任何投资建议。A 股市场风险较大，任何选股、回测、交易相关的调用都请先在小额、模拟环境充分验证，并遵守所在地区的监管要求。

【AI 辅助创作声明】 本文由 AI 辅助整理与撰写，相关开源项目信息基于公开仓库核验，策略与指标描述不构成投资建议。