把翻 K 线找形态变成一次全市场扫描
七个策略共用同一份本地日 K：海龟突破看 20 日新高与成交额，均线放量看 MA5 与 MA20 金叉，高窄旗形看 40 日动量与 10 日收敛，涨停洗盘与上升趋势跌停看反转结构，RPS 突破看 120 日相对强度排序，另有定增公告监控。阈值写死在源码里，改哪个数值对应哪条判定都能对着文件改。
Sequoia-X · sngyai 开源的 A 股自动选股系统
Sequoia-X 中文站：A 股自动选股系统源码解析与实战验证
收盘后一只只翻 K 线找形态、翻完还要手动记下来——这件事可以交给程序。Sequoia-X 用免费的 baostock 日 K（后复权）在本地建库，按七个写在源码里的技术形态逐只扫描沪深两市，命中结果按策略推送到对应的飞书群。它是一套可自定义规则、收盘后自动扫描 A 股并推送结果的开源选股系统：不是自动交易系统，不提供买卖点，也没有任何收益保证；本站逐条核对源码条件、标注证据等级，并把复权审计与验证方法一并给你。
项目来源
截图采集于 2026-09-15（页面显示 7.3k Star）；2026-09-23 复查为 7,514 Star、1,529 Fork，数字随社区变化。
查看源码
开源项目GitHub 7,514 Star / 1,529 Fork / 42 open issue（2026-09-23 采集）
版本pyproject 声明 2.0.0（仓库无任何 Release）
Python 版本requires-python >=3.10
许可README 称 MIT，但仓库内未见 LICENSE 文件
Four questions
用 Sequoia-X 之前：你遇到的是不是这四个问题？
大多数人不是需要一整套量化平台，而是卡在下面四件事上。Sequoia-X 只回答了其中三件半，第四件要你自己补。
| 卡点 | Sequoia-X 的回答（附依据） | 去哪一页细看 |
|---|---|---|
| 数据每天都要手动弄，导 Excel、存桌面，还容易漏 | 用免费的 baostock 拉日 K（后复权）写进本地 SQLite 的 stock_daily 表：首次 --backfill 灌历史，之后每个交易日补一次增量，数据库就是一个文件，可拷贝可复盘（依据：data/engine.py，②级） | 数据层 安装与回填 |
| 脑子里有一套选股条件，但不知道怎么写进程序 | 七个内置策略都是「逐条阈值 + pandas 向量化」，阈值就写在策略类属性上（例如 RPS 的 rps_threshold = 90）：照着一份抄下来改数字就能跑（依据：strategy/ 七个文件，②级） | 突破信号 新增策略 |
| 跑完怎么知道结果、总不能一直盯着屏幕 | crontab 在工作日收盘后触发 python main.py，每个策略带自己的 webhook_key，命中结果按策略推送到对应的飞书群（依据：README + main.py，①级） | 日常运行 飞书播报 |
| 选出来的票到底靠不靠谱？会不会是过拟合 | Sequoia-X 没有回答这一题：仓库里没有回测引擎、没有费率模型、README 与源码都没有胜率或收益数据。本站把「怎么自己验证」写成可复现的方法：回测模板、未来函数检查、幸存者偏差说明与六个失效场景（④级） | 回测与验证 六类失效场景 |
一句话定位：Sequoia-X 是一套可自定义规则、收盘后自动扫描 A 股并推送结果的开源选股系统——解决的是「从几千只股票里快速筛出候选标的」，不解决仓位管理、买卖决策，也不保证投资收益。
What it solves
Sequoia-X 解决什么问题？
不是又一个行情客户端，而是把「收盘后找形态」变成一条可定时的流水线。
用免费数据源把数据握在本地
数据层取 baostock 的日 K（后复权），落进本地 SQLite 的 stock_daily 表。日常模式八个进程并行补当日增量，首次用回填模式一次性灌入全市场历史。数据库是一个文件，可以直接拷贝到别的机器继续用——这是它和「在线接口每次现取」最本质的差别。
按策略分群推送，不用盯屏幕
每个策略有独立的 webhook_key，可用 STRATEGY_WEBHOOK_<KEY> 环境变量把不同策略的结果送进不同的飞书群；没配的策略自动回落默认 Webhook。配合 crontab 在工作日收盘后执行，你只在飞书里看结果。
How it works
Sequoia-X 怎么用：五步跑通一次完整选股
命令全部来自官方 README 与 main.py 的 argparse 定义。
装依赖并写配置
uv sync（官方推荐）或pip install .；把.env.example复制为.env，至少填FEISHU_WEBHOOK_URL——这一项是必填，缺失时配置校验直接抛错、程序不启动。首次回填历史 K 线
python main.py --backfill：单线程逐只拉取，README 称约 12 分钟完成 ~5200 只 A 股。中途失败会重试三次并跳过已入库的股票，所以中断后可以再跑一次续传。每个交易日补增量
python main.py：先读本地已有股票清单，按tasks[i::n]切成最多 8 份并行拉取当日数据，写入前会先删掉当日旧记录再追加，避免重复行。依次跑七个策略
策略在
main.py的列表里顺序执行，每个策略独立返回股票代码清单；命中为空时记一行日志跳过推送，不会发空消息。推送到飞书并留日志
命中的策略把结果组装成飞书交互卡片（日期 / 策略名 / 数量 / 带雪球链接的标的列表）POST 到对应 Webhook；整个过程用 rich 输出带时间戳的日志。
Modules
Sequoia-X 能力速览：九个栏目对应九个问题
按官方 README、main.py 与 sequoia_x/ 源码整理；每一行都指向本页之外的具体页面。
| 栏目 | 内容 | 来源依据 | 入口 |
|---|---|---|---|
| 安装与回填 | 环境要求、两种依赖安装方式、.env 四个字段、首次回填与断点续跑、装完自检 | README 快速开始、pyproject、.env.example | 安装与回填 |
| 日常运行 | 八进程增量机制、crontab 定时、耗时影响因素、日志怎么读、非 Linux 调度说明 | main.py、data/engine.py、README | 日常运行 |
| 突破信号 | 海龟突破、均线放量、高窄旗形、RPS 突破四套条件的逐条阈值与最小 K 线要求 | 四个策略源码 | 突破信号 |
| 反转信号 | 涨停洗盘、上升趋势跌停、定增公告监控三套条件，以及 README 与代码策略数不一致的说明 | 三个策略源码 vs README 表 | 反转信号 |
| 数据层 | baostock 与后复权口径、stock_daily 表结构、UNIQUE 约束、两条写入路径差异、数据边界 | data/engine.py | 数据层 |
| 飞书播报 | 卡片结构、七个 webhook 标识与路由规则、fallback 逻辑、推送成功判定与失败排查 | notify/feishu.py、core/config.py | 飞书播报 |
| 新增策略 | 策略基类契约、五步接自己的逻辑、向量化写法约定、两条取数路径、测试与代码规范 | strategy/base.py、tests/、pyproject | 新增策略 |
| 排障续传 | 八类常见报错的现象与处理、断点续传机制、日志定位、数据体检、何时该重跑回填 | 源码日志文案与容错分支 | 排障续传 |
| 路线对比 | 自建选股系统与 EasyClaw 本机技能路线在选股方式、数据、调度、前置成本上的逐项对照与决策清单 | 本机技能目录（16 个技能）核验 |
先看边界再动手：README 声明许可证为 MIT，但仓库文件树里没有 LICENSE 文件、GitHub API 的 license 字段也是空的，两者的冲突必须在商用前自行确认；另外项目本身不含回测引擎、不含实盘下单、不含止损逻辑，页面与源码里都没有任何收益或胜率数据。这两条决定了它适合谁。
Evidence grades
本站怎么核验：每条结论都标出证据等级
参考页多半只写「支持七个策略、免费数据、自动推送」，不写这些说法是从哪来的。本站把每个结论的来源标成五级，读的时候可以直接判断该不该信。
| 等级 | 含义 | 本项目里的实例 |
|---|---|---|
| ① 官方功能 | README、pyproject、.env.example 里明确写了的 | 七个内置策略、baostock 免费数据、python main.py --backfill 回填、FEISHU_WEBHOOK_URL 为必填 |
| ② 源码已核验 | 在引用的 commit 里逐行读到实现（不只看文档） | 海龟突破用 shift(1).rolling(20).max() 排除当日、涨停洗盘四条条件、RPS 的 min_periods=60、日增量按 tasks[i::n] 分片 |
| ③ 本站实测 | 本站自己跑出来的输出或日志原文 | 本项目没有这一级——本站是静态源码核验，没有在本机安装、回填或跑过一次完整选股，凡是「跑一下就知道」的话都不写 |
| ④ 教程扩展 | 官方没写，本站按源码推导出来的可操作步骤 | 用 SQL 复现当日选股结果、数据体检查询、复权口径审计、回测与样本外验证模板 |
| ⑤ 待核验 | 只有第三方说法，官方与源码都对不上 | README 策略表只列 6 个而代码注册 7 个；README 称 MIT 但仓库根目录没有 LICENSE 文件、GitHub API 的 license 字段为 null |
怎么用这五级：看到标 ① 的内容可以当成官方事实；标 ② 可以点开对应源码文件复核；标 ④ 是本站给的方法，需要你自己在机器上验证；标 ⑤ 一律按「以官方仓库为准」处理。本站不发布任何收益、胜率或回撤数字——项目本身也没有这些数据。
Sequoia-X 核验快照（2026-09-23）
| 核验项 | 读到的值 |
|---|---|
| 对应版本 | pyproject 声明 2.0.0；仓库没有任何 Release（GitHub releases 接口返回空数组），所以版本号只在 pyproject 里 |
| 对应 commit | 默认分支 master 的 444c0db（2026-05-09）。本站引用的 16 个源文件已按该 commit 逐份重取并 sha256 比对，全部一致 |
| Python 版本 | requires-python >=3.10，README 与 pyproject 口径一致 |
| 操作系统 | 官方 README 未给出支持矩阵；定时运行章节按 crontab 写法给出，非 Linux 需要自行换调度器 |
| 数据源 | baostock 日 K（adjustflag=1 后复权）为主；定增公告策略单独走 akshare 的公开接口 |
| 是否完整运行 | 没有。本站没有在本机安装依赖、没有执行 --backfill、没有跑过日常模式；正确性与性能以你的机器实测为准 |
| 核验日期 | 2026-09-23（仓库元数据同日采集：7,514 Star / 1,529 Fork / 42 个 open issue） |
为什么要把「没做实测」写出来：本站与项目作者无关，也没有拿到任何运行截图。把核验边界摆出来，比含糊地写「已测试」更有用——你照着源码文件路径就能自己复核每一条。
Setup and route
自建 Sequoia-X，还是用 EasyClaw 技能做研究？
两条路线的准备成本差别很大，先看你怎么用。
Python 环境→装依赖→填飞书 Webhook→回填历史数据→crontab 定时
换来的是完全可控的流水线：阈值在源码里、数据在本地库里、推送路由自己配，结果可复现、可二次开发；代价是要维护 Python 环境、准备必填的飞书 Webhook，并承担首次回填的等待。
安装 EasyClaw→一句话提问
本机已核验的 mx_select_stock 覆盖自然语言条件选股、stock-technical-mastery 覆盖单只 K 线技术指标、stock-monitor-skill 覆盖已选标的的预警、akshare-finance 覆盖行情取数；但没有任何证据表明 Sequoia-X 已集成 EasyClaw，不能把它当作本项目的另一种安装方式。
路线边界：Sequoia-X 与 EasyClaw 无已证实集成——仓库 README 与源码都没有提到它，本机技能目录里也没有对应的 Sequoia-X 技能。本页并列介绍的是两条独立路线：一套需要自己维护的本地选股流水线，以及本机已核验技能提供的免部署研究入口。所有结果仅供研究，不构成投资建议。
No-install demo
免部署技能路线的便捷性演示
以下为本机技能对话的真实截图（点击左右箭头翻页），用于对照「自建流水线：装环境 + 回填数据 + 等收盘后跑」的准备成本。截图演示的是本机技能路线，不是 Sequoia-X 的运行结果；Sequoia-X 与 EasyClaw 无已证实集成，仅供研究。
Who fits
Sequoia-X 适合哪些人、不适合哪些人？
它的边界比功能更需要先确认。
适合你，如果…
你能接受命令行操作、愿意维护一台常开的机器跑定时任务，并且想要「固定阈值 + 全市场扫描 + 本地库可复现」的工作方式。它不追求预测，只负责把符合条件的标的按同一套规则筛出来。
不太适合，如果…
你想要图形界面、想要分钟级或基本面数据、想要回测验证策略收益、或者希望有买卖点提示。本项目不开箱即用：必须装 Python 环境、必须准备飞书 Webhook，首次还要等回填完成。
商业使用要特别注意
README 写的是 MIT，但仓库里没有 LICENSE 文件，GitHub 也没有识别到许可证。要以 MIT 复用或用于商业场景前，请先向仓库作者确认，不要直接按 README 的一行声明判断。
Verification
Sequoia-X 的信号怎么验证才算数？
项目只负责「今天选出了谁」，不回答「这个规则过去到底有没有用」。验证要你自己做，下面这张表是本站建议的最小回测模板——每一项都要写清楚，缺一项结论就不可比。
| 模板字段 | 为什么必须写清 / 常见坑 |
|---|---|
| 策略名称与规则版本 | 写清是哪套阈值、对应哪次修改。同一个名字下改了阈值，结果就不能和历史对比 |
| 回测区间 | 至少覆盖一段上涨、一段下跌；只测牛市区间得出的胜率没有意义 |
| 股票池与筛选口径 | 本项目股票池来自当前上市清单，退市股不在库里，直接影响结论（见下方幸存者偏差） |
| 数据源与复权方式 | 本项目统一后复权（adjustflag=1）。换成前复权或不复权，同一策略的信号数会变 |
| 信号日定义 | 明确「用当日收盘价算出信号」——所以最早只能次日成交，这是最容易埋进未来函数的地方 |
| 买入价格口径 | 次日开盘价 / 次日均价 / 次日收盘价，三选一并固定；用信号日收盘价买入就是未来函数 |
| 持有周期 | 统一成 1 / 5 / 10 / 20 个交易日分别统计，别只挑表现最亮眼的那个周期 |
| 手续费与印花税 | 项目不含任何费率模型，回测必须自己加：佣金、过户费、卖出印花税逐项扣 |
| 滑点假设 | 形态类信号常在放量或涨停附近出现，按 0 滑点会系统性高估 |
| 基准 | 至少与沪深 300 或中证全指同期对比，否则「正收益」可能只是市场给的 |
| 样本数量 | 样本少于 30 个的结论只能当线索；把每日命中数打出来，看清楚是 3 只还是 300 只 |
| 收益分布 | 只给平均值会被单只极端值带偏，同时给中位数与胜率 |
| 最大单笔亏损与最大回撤 | 形态失效时的尾部风险，比平均收益更决定这套规则能不能用 |
陷阱一：未来函数
信号在收盘后才成立，所以只有「次日成交」的假设才成立。本项目所有策略都读最后一根 K 线判断，回测时必须把成交价整体后移一天；一旦用信号日收盘价买入，回测结果基本作废。
陷阱二：幸存者偏差
get_all_symbols() 只保留 status=1（上市）且 stock_type=1（股票）的标的——退市股、指数、基金从一开始就不在库里。用它回测任何「长期持有」类结论都会天然偏乐观。
陷阱三：停牌与缺失
日增量在入库前会过滤掉 volume = 0 的行，停牌日不会写进库。策略用「最后一根 K 线」取「今日」时，库里最新日期未必等于你想回测的那个交易日，回测前必须先断言日期。
Failure cases
Sequoia-X 的六类失效场景：策略不是信号机
「选出股票」不等于「这套规则有效」。下表每一条的触发机制都能在源码里找到对应写法，检查方法本站也给出了可执行的查询思路。
| 失效场景 | 为什么会发生（源码依据） | 怎么发现 | 怎么规避 |
|---|---|---|---|
| 假突破：盘中新高回落、次日跌回箱体 | 海龟突破只要求当日 close 超过前 20 日最高价，且是实体阳线——只看一天，没有「站稳」确认 | 把当日命中票按次 1 / 3 / 5 日收益分组，看分布是否显著偏正 | 显式加入确认条件（例如次日不破当日低点）后重新验证，而不是直接把结论当成规则有效 |
| 把高位放量出货读成「洗盘」 | 涨停洗盘要求「今日收阴 + 放量 2 倍 + 最低价不破昨收」，在情绪退潮期同样能被满足 | 同时看该票所处位置（区间涨幅、是否连板）与板块状态 | 库内没有换手率与涨跌停价字段，位置过滤要另取数据；先确认能拿到再决定是否把该策略纳入选股 |
| 风格切换：强势股集体补跌 | RPS 用的是当日横截面排名（前 10%），只回答「相对谁强」，不判断价格整体趋势 | 把命中票按市场阶段（指数 20 日涨跌）分组统计后续表现 | 把 RPS 当筛选器而不是买入信号；必要时叠加指数或行业过滤 |
| 数据断档：跑出来的「今日」其实是上周 | 日增量入库前过滤 volume = 0，停牌与非交易日不会新增行 | SELECT MAX(date) FROM stock_daily; 与交易日历比对 | 跑策略前先断言「库内最新日期 = 目标交易日」，不一致就直接中止并补数 |
| 复权口径错配：价格和行情软件对不上 | 库里统一是后复权价（含历史分红送股的复权），与券商 App 的现价天然不同 | 抽一只近期除权的股票，对比库内收盘价与行情软件前复权价 | 库内序列只用于相对计算；把后复权价当成交价、或据此推算委托价都会错 |
| 参数调优造成「历史很好看」 | 阈值都是策略类里的常量，改一个数字就能让历史命中数变少变好 | 把时间段切成样本内 / 样本外，只在样本内调参 | 先定规则再跑样本外；同一组参数只在样本外验证一次，不许反复回看 |
| 推送成功但数据日期不对 | 程序只在「库里已有数据」之上运行，非交易日照常输出旧数据、照常推送 | 核对飞书卡片头部日期与库内 MAX(date) 是否一致 | 把「日期一致性」当成每日第一次检查；不一致时先补数再看结果 |
这几条不是「项目缺陷」，是形态类选股的通病：任何把历史形态写成固定阈值的方法，都要面对假突破、风格切换与样本外失效。把失效场景先写出来，比只列七个策略更有用——它决定了你该给这套规则配多少仓位、留多少容错。
FAQ
常见问题
Sequoia-X 是什么？它和一般的行情软件有什么不同？
Sequoia-X 是 sngyai 开源的 A 股自动选股系统，形态是 Python 命令行程序：本地存日 K、按固定阈值扫描全市场、把命中结果推送到飞书。行情软件给你看盘工具，它给你一套可定时的筛选流水线。细节以官方 README 与源码为准。
用 Sequoia-X 需要付费数据源或 API Key 吗？
不需要。数据来自 baostock（README 称其免费、无需注册、无限流），推送用飞书自定义机器人的 Webhook。必须配置的凭据只有一个——FEISHU_WEBHOOK_URL，它同时是配置校验的必填项。除定增公告策略走 akshare 的公开接口外，其余策略都只读本地 SQLite。
Sequoia-X 包含哪些策略？为什么文档和代码对不上？
源码里注册了七个策略：海龟突破、均线放量、高窄旗形、涨停洗盘、上升趋势跌停、RPS 相对强度突破，以及定增公告监控。README 的策略表只列了前六个——定增公告策略没有出现在表里，这是代码与文档的真实差异，本站把它如实标出，具体以源码为准。
Sequoia-X 能回测收益吗？有胜率数据吗？
不能。项目里没有回测引擎、没有撮合与费率模型，也不提供任何收益、胜率或回撤数据。它输出的是收盘后的候选清单，是否有效需要通过你自己的研究去验证；本站不发布任何绩效数字。
能在 AI 助手里一键安装 Sequoia-X 吗？
没有已证实集成。它通过 Python 包管理安装（uv sync 或 pip install .），本机技能目录里也没有对应技能；本机技能侧可用的是自然语言选股、技术指标、盯盘预警、行情取数等独立技能，属于并列的另一条路线，详见对比页。
Sequoia-X 跑起来大概要多久？
README 自述日常模式约 2~3 分钟、首次回填约 12 分钟（全市场约 5200 只）。实际耗时取决于机器性能、网络与当日是否为交易日，非交易日会输出「无新数据」并正常结束——这是预期行为，不是故障。
Sequoia-X 有中文文档吗？本站和官方文档是什么关系？
官方 README 是中文的，但内容集中在一页说明里。本站是第三方研究站，不是官方文档：全站逐条标注证据等级（官方功能 / 源码已核验 / 教程扩展 / 待核验），并明确本站没有在本机运行过该项目。任何口径冲突时以官方仓库与源码为准。
Sequoia-X 能自动交易、自动下单吗？
不能。源码里没有券商接口、没有下单或风控模块，程序的输出只有飞书卡片里的候选名单。它是一台「筛子」，不负责买卖决策——这一点官方 README 与全部七个策略源码都可验证。
用 Sequoia-X 要花钱吗？
项目本身开源，数据用免费的 baostock，推送用免费飞书自定义机器人，没有强制付费项；成本主要是你的机器（要能常开跑定时任务）与时间。注意许可证据冲突：README 称 MIT，但仓库根目录没有 LICENSE 文件、GitHub 也未识别到许可证，商用前请先向作者确认，以官方仓库为准。
本站的内容是从哪来的？会不会是编出来的？
全部来自官方仓库：README、pyproject、.env.example 与 16 个源文件（commit 444c0db，2026-05-09），本站已按该 commit 逐份重取并做 sha256 比对，全部一致；仓库数据同日从 GitHub API 采集。凡是官方与源码都没有的数字（收益、胜率、回撤、耗时实测值）本站一律不写。
Sequoia-X 的选股结果可靠吗？
它是按固定阈值筛形态，输出的是候选名单而不是投资结论。形态有效性会随市场环境变化，假突破、风格切换、参数过拟合都会让历史表现失效；所以本站专门给出回测模板与六类失效场景。所有结果仅供研究与学习，不构成投资建议，任何策略都应经过独立回测和样本外验证。