每天收盘后自动推送“潜力股清单”：专为A股散户打造的轻量级量化选股机器人

你是否也经历过：盯盘一整天，却错过真正启动的股票？翻遍技术指标、反复画线复盘，结果发现信号总滞后一天？想用量化思路选股，却被复杂的环境配置、数据爬取反爬、飞书/微信推送对接卡在第一步？
Sequoia-X 正是为此而生——它不是一套需要博士学历才能运行的对冲基金系统，而是一个开箱即用、每日19:15准时推送“今日达标股”的A股自动化选股助手。它用Python写就，但交付给你的是结果，不是代码；它依赖专业数据源，却完全免注册、免付费、免验证码；它支持6种经典技术形态识别，但你只需配一个飞书Webhook，就能在手机里收到结构清晰的选股报告。

核心功能

全自动每日选股+推送：A股收盘后（默认19:15）自动触发，8进程并行更新全市场5200+只股票的日K线，执行全部策略扫描，并将符合标准的股票按涨幅排序，生成含代码、名称、形态图解、关键参数的飞书卡片，直达你的工作群或私聊——你不用守着电脑，更不用手动导出Excel。
真正免门槛的数据获取：彻底绕开东方财富等平台的IP封禁与滑块验证，直接调用Baostock免费接口——无需注册账号、不限请求频率、不需手机号验证，且默认使用后复权（hfq）数据，确保历史价格连续稳定，避免除权导致的均线断裂、突破失效等常见陷阱。
6种实战验证的技术形态策略：不止于“金叉死叉”，覆盖趋势交易、突破交易、情绪博弈三类逻辑：比如“海龟突破”筛选20日新高+单日成交额破亿+阳线确认，过滤假突破；“涨停洗盘回踩”专抓主力高位换手后的二次启动点；“上升趋势中跌停反包”则捕捉强势股极端波动后的反转信号——每种策略都附带明确的业务语义和风控条件（如防诱多、防阴线假突破），而非简单指标堆砌。
增量更新极快，回填一次到位：日常运行仅需2~3分钟——得益于8进程并发拉取+SQLite本地缓存，第二天只需更新当日数据；首次部署时执行python main.py --backfill，约12分钟即可完成全市场5200只股票近10年历史后复权K线灌入，生成一个可直接拷贝迁移的data/sequoia_v2.db文件，后续换服务器或重装系统，复制数据库+重跑命令即可恢复全部能力。
工程化设计保障长期可用：采用标准OOP架构，策略模块高度解耦（每个策略继承BaseStrategy，独立测试、独立启用/禁用）；配置统一由Pydantic Settings管理，支持.env文件注入敏感信息；日志使用rich渲染，带颜色、时间戳、模块名，错误定位一目了然；所有依赖声明在pyproject.toml中，推荐用uv sync秒级安装，告别pip install半天卡在ta-lib编译。
飞书深度适配，不止于发消息：通知模块notify/feishu.py不是简单POST JSON，而是构造符合飞书卡片规范的富文本结构：包含股票代码高亮、行情截图占位符（可后续扩展接入tushare图表）、策略名称标签、涨幅/量比等关键字段分栏展示，点击卡片还能跳转同花顺或东方财富个股页——让推送真正成为决策入口，而非信息垃圾。
自带属性测试保障策略鲁棒性：项目包含tests/目录，使用Hypothesis进行生成式测试，自动构造边界数据（如全阴线、零成交量、停牌日等异常序列）验证策略不会崩溃或返回空列表，避免某天因某只ST股数据异常导致整个选股流程中断。

技术亮点

“向量化计算+OOP策略引擎”双驱动：不同于脚本式硬编码，每个策略都是独立类，输入为pandas.DataFrame（含open/high/low/close/volume等列），内部全程使用NumPy向量化运算（如df['high'].rolling(20).max()），避免for循环，兼顾可读性与性能；策略基类统一定义run()和describe()方法，便于批量调度与结果聚合。
SQLite + Baostock 构建“离线可靠数据层”：放弃网络直连的脆弱性，将Baostock数据持久化到本地SQLite，既规避反爬风险，又实现毫秒级查询；数据引擎data/engine.py智能区分“回填”与“增量”，增量模式下仅拉取缺失日期，且自动处理停牌、新股上市等边界情况，确保每日数据完整无断点。
现代Python工程实践落地：采用pyproject.toml统一管理依赖、格式化（ruff）、测试（pytest）；配置用pydantic-settings校验类型与必填项；日志用rich结构化输出；甚至CI流程预留了hypothesis测试钩子——这不是玩具项目，而是按PEP 621标准构建的生产级工具。
后复权优先设计，直击A股痛点：明确选用Baostock的hfq（后复权）数据源，而非前复权。这意味着历史K线价格不变形，均线系统天然稳定，技术形态识别（如旗形宽度、突破位置）不会因未来分红送转而漂移——对依赖形态学的策略（如HighTightFlag、TurtleTrade）至关重要。

适合哪些人用

它不是给量化研究员写的，而是为有技术分析基础、想提升选股效率的A股实盘交易者量身定制：

专注波段的个人投资者：每天收盘后查看飞书推送，快速锁定“海龟突破”或“RPS强度前5%”的标的，结合自身仓位管理规则，次日开盘直接决策是否介入，省去3小时复盘时间；
券商营业部投顾/财经博主：将Sequoia-X部署在服务器，定时推送结果到内部群，作为每日早报的“技术面焦点股”素材来源，增强内容专业度与时效性；

快速上手

全程不超过10分钟：

确保系统已安装 Python 3.10+；
克隆项目：git clone https://github.com/sngyai/Sequoia-X.git && cd Sequoia-X；
安装依赖（推荐uv）：curl -LsSf https://install.python-poetry.org | sh（若未装uv，先pip install uv），再运行uv sync；
配置飞书：cp .env.example .env，编辑.env填入你的飞书群自定义机器人Webhook地址；

首次全量数据回填：python main.py --backfill（约12分钟，完成后data/sequoia_v2.db即就绪）；

日常运行：python main.py，建议添加crontab：15 19 * * 1-5 cd /path/to/Sequoia-X && /path/to/.venv/bin/python main.py >> log.txt 2>&1。

同类对比 / 注意事项

vs 聚宽/掘金等平台策略：无需注册、不依赖云端算力、不抽佣、数据完全本地可控；但也不提供回测框架或实盘交易接口——它专注“选股”这一环节，做深做透，不做大而全。
vs 手写pandas脚本：解决了数据获取稳定性（Baostock替代爬虫）、策略可维护性（OOP模块化）、推送可靠性（飞书卡片规范）三大痛点，且自带测试与日志，长期运行不掉链子。
注意事项：策略结果仅为技术信号参考，不构成投资建议；首次回填需确保网络畅通（Baostock国内访问稳定）；SQLite数据库请勿手动修改，所有操作应通过程序接口；飞书Webhook需开启“发送消息”权限。