Marcus 投资分析技能

版本: v6.0
策略类型: 缠论+MACD+RSI+ 追踪止损

🎯 何时使用

使用此技能当用户需要：

1. 分析 A 股股票（技术指标、缠论中枢、买卖点）
2. 执行策略回测（历史数据验证）
3. 获取投资建议（仓位配置、行业配置）
4. 下载/更新股票指标数据（MACD、RSI、KDJ）

📋 核心策略参数

策略名称：优化版 5-存储芯片专用

缠论中枢:
  周期：60 日均线
  区间：±8%

MACD:
  快线：12
  慢线：26
  信号：9

RSI:
  周期：6
  超卖：20
  超买：80

止损止盈:
  止损：5%
  止盈：15%
  追踪：8%

📈 买入条件 (需同时满足)

1. ✅ 价格在缠论中枢内 (60 日均线×0.92 ~ 60 日均线×1.08)
2. ✅ MACD 金叉 (DIF 上穿 DEA)
3. ✅ RSI6 < 20 (超卖)

📉 卖出条件 (满足任一)

1. ❌ 盈利 ≥ 15% (止盈)
2. ❌ 亏损 ≥ 5% (止损)
3. ❌ 从最高点回撤 ≥ 8% (追踪止损)
4. ❌ MACD 死叉 (DIF 下穿 DEA)
5. ❌ 价格跌破中枢下沿

🎯 股票池 (20 支)

核心配置 (55-60%)

卫星配置 (25-30%)

回避

• 广汇能源 (600256)
• 创新医疗板块

🚀 使用脚本

1. 运行策略回测

cd /root/.openclaw/workspace/skills/marcus-investment-analyst/scripts
python3 marcus_ultimate_optimized_strategy.py

输出: 20 支股票的回测结果，包含收益、夏普比率、胜率

2. 缠论分析单只股票

python3 marcus_chan_theory.py <股票代码>
# 示例：python3 marcus_chan_theory.py 301308

输出: 缠论中枢、背驰、买卖点分析

3. 缠论回测

python3 marcus_backtest_chan.py <股票代码>
# 示例：python3 marcus_backtest_chan.py 301308

输出: 缠论策略历史回测结果

4. 下载指标数据

python3 data_indicator_fetcher.py

输出: 更新 MACD/RSI/KDJ 指标到数据库

📊 回测表现 (2023-2026)

📁 文件结构

marcus-investment-analyst/
├── SKILL.md                    # 本文件
├── scripts/
│   ├── marcus_ultimate_optimized_strategy.py  # 主策略
│   ├── marcus_chan_theory.py                  # 缠论分析
│   ├── marcus_backtest_chan.py                # 缠论回测
│   └── data_indicator_fetcher.py              # 指标下载
├── references/
│   ├── strategy.md                            # 策略文档
│   └── optimization_report.md                 # 优化报告
└── assets/
    └── backtest_data.json                     # 回测数据

💡 使用示例

示例 1: 分析股票

用户: "分析一下江波龙"

操作:

1. 读取 references/strategy.md 获取股票池信息
2. 运行 python3 marcus_chan_theory.py 301308
3. 返回缠论分析结果

示例 2: 回测策略

用户: "回测一下 Marcus 策略"

操作:

1. 运行 python3 marcus_ultimate_optimized_strategy.py
2. 读取 assets/backtest_data.json 获取历史数据
3. 返回回测结果和投资建议

示例 3: 投资建议

用户: "有什么投资建议？"

操作:

1. 读取 references/optimization_report.md
2. 返回行业配置建议和个股推荐

⚠️ 风险提示

1. 历史业绩不代表未来
2. 存储芯片集中度高，建议分散配置
3. 市场系统性风险无法避免
4. 流动性风险：小盘股可能无法及时买卖

📞 数据位置

数据库：
/root/data/astock_history.db    # K 线数据 (154MB)
/root/data/astock_indicators.db # 指标数据 (283MB)

回测数据：
/root/.openclaw/workspace/memory/stock-analysis/终极优化策略回测_20260312_1629.json

最后更新: 2026-03-12
状态: ✅ 实盘就绪