股票技术指标分析工具Skill:把一份 OHLCV 行情表变成一份完整的多空研判报告
- 一个脚本搞定 17 组指标:只需输入包含开盘、最高、最低、收盘、成交量五列的 CSV 文件,就能一次性算出 SMA、EMA、MACD、RSI、布林带、KDJ、ATR、ADX、OBV、VWAP、MFI、CCI、Williams %R、ROC、TRIX 等 17 组技术指标。
- 不仅算数,还给结论:内置多空信号判定规则表,输出看多信号、看空信号和中性信号的数量,并给出综合研判结论(bullish、bearish、neutral)。
- 两种输出格式:默认输出 JSON 结构,便于程序继续处理;加
--format text可直接得到结构化的中文分析报告,方便人阅读。 - 完全离线、零联网:所有指标都基于你提供的历史数据在本地计算,不上传行情数据,也不依赖行情接口。
- 门槛极低:只要装上 Python 3.7+ 和 pandas、numpy,一条命令就能跑完,不需要自己写指标公式。
该技能叫什么?如何下载安装 AI 技能提升开发效率?
中文名:股票技术指标分析工具Skill 英文名:stock-tech-analysis 技能ID:14336
它要解决的问题很具体:在量化研究、行情复盘或教学演示中,技术指标的计算往往是最重复、最琐碎的工作。要算一次 MACD,就得先手写 EMA12、EMA26、两者的差值,再算 9 日信号线和柱状图;要算布林带,又得自己求 20 日均值和标准差。指标一多,代码就越写越长,还容易在参数和公式上出错。这个技能把 17 组常用指标和一套多空信号判定规则封装成一个可直接调用的脚本,用户只需要提供数据,把“算指标”和“判多空”交给它。
安装思路与步骤:
- 确认运行环境:技能依赖 Python 3.7 及以上版本,以及 pandas、numpy 两个科学计算库。用
python3 --version检查 Python 版本。 - 安装依赖:在终端执行
pip install pandas numpy即可完成依赖准备(如果使用虚拟环境,请先激活环境)。 - 获取技能:在 AI 技能平台或客户端中按技能名
stock-tech-analysis或技能ID 14336 搜索并添加该技能,具体的添加入口、账号与权限要求以官方说明为准。 - 验证是否生效:准备一个最小的 CSV 文件(至少包含 Open、High、Low、Close、Volume 五列),执行
python3 scripts/compute_indicators.py data.csv --last-n 5。如果能输出最近 5 行的指标数据和信号汇总,说明技能已经正常工作。 - 与 AI 对话联动:该技能支持自然语言触发。当你对助手说出“帮我算一下 MACD 金叉”“这段 K 线 RSI 是不是超买”“做个量价分析”时,技能会被自动唤起,省去手动拼命令的步骤。
这种“一键装好、一句话调用”的模式,正是 AI 技能提升开发效率的关键:把重复的公式实现交给技能,人只负责提出问题和解读结果。
该技能的主要功能和特点
- 覆盖 17 组、27 个指标字段:移动平均线(SMA5、SMA10、SMA20、SMA60、EMA12、EMA26)、MACD 三件套(MACD 线、信号线、柱状图)、RSI(14)、布林带三轨、KDJ(9,3,3)、ATR(14)、ADX(14) 与 ±DI、OBV、VWAP、MFI(14)、CCI(20)、Williams %R(14)、ROC(12)、TRIX。
- 多空信号自动汇总:内置 12 条判定规则,例如 SMA5 高于 SMA20 视为均线看多、MACD 柱状图大于 0 视为看多、RSI 低于 30 视为超卖看多、RSI 高于 70 视为超买看空、收盘价突破布林上轨视为看空、ADX 大于 25 且 +DI 大于 −DI 视为趋势看多等。
- 给出综合研判结论:按看多、看空信号的数量占比输出 verdict,并附上 bullish_count、bearish_count、neutral_count,让“多空力量对比”一目了然。
- 输入格式容错友好:列名不区分大小写,支持
o/h/l/c/vol/v、adj close、datetime、time等常见别名,Date 列可选。 - 灵活的输出控制:默认输出 JSON,便于接入回测或统计流程;
--format text输出中文报告;--last-n N只看最近 N 行;-o result.json把结果写入文件。 - 数据不足时优雅降级:例如 SMA60 需要至少 60 条记录,数据不够时该指标显示
null/N/A,但不影响其他指标的正常计算。
和“自己写 pandas 脚本”相比,它的优势不在算法有多新颖,而在于指标齐全、参数统一、信号规则成体系、输出结构稳定,省掉了从零搭建指标库和反复对齐参数的时间。
如何使用该技能?
第 1 步:准备符合规范的 CSV 数据
Date,Open,High,Low,Close,Volume
2025-01-02,100.0,105.0,99.0,103.5,1500000
2025-01-03,103.5,108.0,102.0,106.0,1800000
只要包含开、高、低、收、量五列即可;列名写成 o/h/l/c/v 也能被识别,Date 列可以不写。
第 2 步:执行分析命令
python3 scripts/compute_indicators.py data.csv
第 3 步:按需要切换输出形式
- 要人读的中文报告:
python3 scripts/compute_indicators.py data.csv --format text - 只看最近 5 行指标:
python3 scripts/compute_indicators.py data.csv --last-n 5 - 结果存文件:
python3 scripts/compute_indicators.py data.csv -o result.json
第 4 步:解读输出结果
JSON 输出包含四个区块:
{
"metadata": { "input_file": "...", "total_rows": 100, "indicators_computed": 27 },
"indicators": [ { "date": "...", "close": 103.5, "SMA_5": 102.1, "...": "..." } ],
"signals": { "MA_Cross": "bullish", "MACD": "bearish" },
"summary": { "verdict": "bullish", "bullish_count": 7, "bearish_count": 4, "neutral_count": 1 }
}
阅读顺序建议是:先看 summary.verdict 了解整体倾向,再看 signals 找出分歧最大的指标(比如均线看多而 MACD 看空往往意味着趋势与动能背离),最后回到 indicators 核对具体数值。
第 5 步:与 AI 对话结合使用
把数据文件交给助手,然后直接提问:“帮我看看这段 K 线的多空信号”“RSI 现在是不是进入超买区”“ADX 有没有到 25 以上”。技能被触发后会自动完成计算,助手再用自然语言解释结果。
同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| stock-tech-analysis(本技能) | 开箱即用的指标计算与多空研判工具 | 17 组指标、12 条信号规则、综合研判、JSON 与文本双输出 | 需 Python 3.7+ 与 pandas、numpy;一条命令运行 | 快速复盘、批量报告、AI 对话内的即时技术分析 | 优势:指标成体系、自带信号汇总、输出结构稳定、完全离线;不足:不联网取行情,需自备数据,不提供绘图 |
| TA-Lib | 老牌 C 语言技术分析函数库 | 上百种指标函数,Python 通过封装调用 | 需编译安装 C 库,Windows 下配置较繁琐 | 需要极致性能或超多指标的专业量化工程 | 优势:函数极全、速度快、工业级成熟;不足:只算数值不判信号,安装门槛高,无现成报告 |
| pandas-ta | 纯 Python 的 pandas 指标扩展 | 上百种指标,DataFrame 直接扩展 | pip 安装即可,但版本兼容问题偶发 | 数据分析师在 Notebook 中做探索 | 优势:pip 一行装好、与 pandas 无缝;不足:不内置多空信号规则,报告需自己组织 |
| TradingView 等在线图表平台 | 图形化行情与技术指标看板 | 可视化叠加指标、画线、预警 | 无需安装,浏览器即可,但通常需要账号 | 盯盘、看图、主观交易决策 | 优势:直观、交互强、数据自动更新;不足:难以批量处理自有 CSV,不利于程序化与自动化流水线 |
简单说:想要图形化和即时行情,选在线图表平台;想要指标函数库,选 TA-Lib 或 pandas-ta;想要一份带结论、可直接喂给 AI 或下游程序的分析结果,本技能更省事。
该技能的典型应用场景与实际体验情况
场景一:量化研究员的策略前置检查
研究员手里有一份自己整理的日线数据,想在下单前快速确认当前多空状态。以前需要自己拼 SMA、MACD、RSI 的代码,现在一条命令拿到 summary.verdict 和各个信号明细,可以直接作为策略过滤条件。实际体验上,这类用户上手最快,因为输入输出规范都很熟悉,主要注意点是保证历史数据条数足够(算 SMA60 至少要 60 条)。
场景二:个人投资者的盘后复盘 不看盘的时候把当天或近期的行情导出成 CSV,跑一次文本模式报告,读一读“均线看多、MACD 看空、RSI 中性”这类结论,比逐个人工算要快得多。体验上的注意点是:报告是技术面的参考,技能本身也明确说明信号判定仅供参考、不构成投资建议,不能当作交易指令。
场景三:AI 助手内的即时问答 用户在对话中说“帮我分析下这段 K 线的 MACD 和 RSI”,技能被自然语言触发,无需记住命令行参数。这是该技能体验最“顺手”的场景,因为省掉了命令行这一步,特别适合偶尔做分析、不常用脚本的用户。
场景四:教学演示与技术指标验证
讲技术分析课时,需要演示同一段数据在不同指标下的表现。技能输出 JSON 后可直接进入 Excel 或图表库,--last-n 参数还能只取最近几行做对比展示。注意点是不同指标所需的最小数据量不同,教学时最好准备 100 条以上的样本,避免大量字段显示 N/A。
上手难度总结:会基础命令行的用户几乎零门槛;完全不懂命令行的用户,用自然语言触发的方式也能顺利使用。真正需要花心思的地方只有两处——数据格式是否规范、历史数据是否足够长。
该技能能为用户带来的价值
第一,把“写指标”的时间压到接近零。 27 个指标字段如果手写,光是 MACD、KDJ、布林带、ADX 这四组就足够花掉半天到一天,还要处理除零、数据不足等边界情况。技能用一条命令覆盖全部,省下的是整段开发时间。
第二,把分散的判断标准统一起来。 不同人判断“RSI 超买”用的是 70 还是 80、均线用 5/20 还是 10/60,结果会差很多。技能内置了一套明确、可复现的规则表,多人协作或长期跟踪时,判决口径保持一致。
第三,降低技术分析的工具门槛。 不需要安装专业终端、不需要写代码、不需要联网订阅行情,一份 CSV 加 Python 环境就能得到结构化报告,对初学者和轻量用户尤其友好。
第四,为自动化流水线提供标准接口。 JSON 输出结构固定(metadata / indicators / signals / summary),可以直接接入回测框架、监控脚本或报表系统,长期来看是可持续复用的基础设施。
常见问题 FAQ
Q1:这个技能怎么安装?需要联网取行情吗?
A:技能依赖 Python 3.7+ 和 pandas、numpy,执行 pip install pandas numpy 装好依赖后,在 AI 技能平台按技能名 stock-tech-analysis 或技能ID 14336 添加即可(具体入口以官方说明为准)。技能本身完全离线,不联网获取行情,所有数据都由用户提供的 CSV 决定。
Q2:为什么我的报告里有些指标是 null 或 N/A?
A:这说明历史数据条数不够。例如 SMA60 需要至少 60 条记录、RSI(14) 需要至少 14 条。技能对数据不足的指标会显示 null/N/A,但不会影响其他指标的计算。解决办法很简单:补充更长的历史数据即可。
Q3:它给出的“看多/看空”结论能直接用来买卖吗? A:不能。技能的综合研判是基于多空信号数量占比得出的技术面汇总,官方说明中明确指出“信号判定仅供参考,不构成投资建议”。它更适合作为决策的辅助信息,而非交易指令。
Q4:收费吗?适合谁用? A:技能标注的许可证为 MIT。是否收费以及具体使用条款,请以官方说明为准。从能力定位看,它适合量化研究员、做盘后复盘的个人投资者、需要演示技术指标的教学者,以及想给 AI 助手补上“会算指标”能力的开发者。
Q5:和 TA-Lib、pandas-ta、TradingView 该怎么选? A:需要图形化和实时行情看盘,选在线图表平台;需要成百上千种指标函数、追求性能,选 TA-Lib;习惯在 Notebook 里用 pandas 做探索,选 pandas-ta;如果你想要的是“一份带多空结论、可直接喂给程序或 AI 的分析结果”,并且希望安装简单、离线运行,那么本技能更契合。