项目概述

“零成交量市场”（Zero Volume Market, ZVM）是我开发的一个基于 AI 的股票分析和模拟交易系统。这个项目尝试使用大语言模型（LLM）进行股票分析，生成投资策略，并通过虚拟盘系统验证策略效果。

项目地址：github.com/jifanchn/zero-volume-market

在线演示：

• 管理后台：s.jifan.space
• 虚拟盘：vs.jifan.space

当前状态：亏损中 😅

系统架构

技术栈

后端：

• Go 1.24+ - 高性能的静态类型语言
• Gin - 轻量级 HTTP 框架
• SQLite - 轻量级数据库
• Docker - 容器化部署

前端：

• React 18 + TypeScript
• Vite - 快速的构建工具
• Tailwind CSS + shadcn/ui - 现代化 UI 组件
• pnpm - 包管理器

AI 分析：

• 智谱 AI (GLM) - 通过 Claude Code MCP 集成

核心功能模块

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

zero-volume-market/
├── backend/              # Go 后端服务
│   ├── internal/
│   │   ├── analyzer/    # AI 分析器
│   │   ├── api/         # REST API
│   │   ├── service/     # 业务逻辑
│   │   ├── repository/  # 数据访问层
│   │   └── worker/      # 后台任务处理
│   └── migrations/      # 数据库迁移
├── frontend/             # React 前端
│   └── src/
│       ├── components/  # UI 组件
│       ├── pages/       # 页面
│       └── lib/         # API 客户端
├── vs/                   # 虚拟盘服务（独立 Go 程序）
│   ├── main.go          # 虚拟盘主程序
│   ├── calculator.go    # 持仓计算逻辑
│   └── trading_cost.go  # 交易成本计算
└── scripts/              # AI 分析脚本

核心功能

1. 股票管理

支持 A 股市场的股票基本信息管理，包括：

• 股票代码、名称、交易所
• 实时价格同步
• PE、PS 等估值指标
• 默认分析渠道配置

2. 多渠道 AI 分析

系统支持为每只股票配置多个分析渠道，每个渠道可以：

• 使用不同的分析方法（如基本面分析、技术面分析、新闻分析）
• 调用不同的 LLM 模型
• 设置独立的参数和提示词

分析器类型

目前实现的分析器：

1. cc_stock_analyze - 综合股票分析

   • 分析基本面、技术面、市场情绪
   • 输出目标价和买入评级

2. cc_stock_news - 新闻分析

   • 获取最新新闻
   • 分析新闻对股票的影响

3. cc_all_glm - 全市场分析

   • 综合多个维度的分析
   • 生成更全面的评估

3. 综合分析

当所有渠道分析完成后，系统会调用综合分析 LLM，将各渠道的分析结果整合：

• 汇总各渠道观点
• 生成综合投资建议（买入/持有/卖出）
• 评估风险等级

4. 策略生成

基于所有股票的分析结果，系统可以生成投资组合配置策略：

• 资产配置建议（各股票权重）
• 预期收益率
• 风险等级评估
• 策略说明

5. 虚拟盘交易系统

这是项目的核心创新点——一个完全独立实现的虚拟盘服务。

功能特点

组合管理：

• 初始资金设置（默认 100 万）
• 现金和持仓管理
• 实时总资产计算
• 盈亏统计

交易执行：

• 自动应用策略生成买卖指令
• 支持部分调仓（不是全部卖出后再买入）
• 交易记录完整保存

交易成本模拟：

系统精确模拟真实的 A 股交易成本：

1
2
3
4
5
6
7
8
9
10

// 买入成本计算
买入总花费 = 成交金额 + 佣金 + 过户费

// 卖出成本计算
卖出净收入 = 成交金额 - 印花税 - 佣金 - 过户费

费率：
- 印花税：0.05%（仅卖出）
- 佣金：0.01%（最低 5 元）
- 过户费：0.001%

A 股交易规则：

• 最小交易单位：100 股（1 手）
• 买入必须是 100 股的整数倍
• 卖出可以包含零股
• 满仓策略下的整手再分配逻辑

6. 定时任务调度

系统内置了 Cron 定时任务功能：

• 自动同步市场数据
• 定时触发股票分析
• 自动更新虚拟盘价格
• 自动应用最新策略

AI 分析流程

完整的工作流

1
2
3
4
5
6
7
8
9
10
11
12
13

graph TD
    A[添加股票] --> B[同步市场数据]
    B --> C[触发渠道分析]
    C --> D1[渠道1分析]
    C --> D2[渠道2分析]
    C --> D3[渠道3分析]
    D1 --> E[综合分析]
    D2 --> E
    D3 --> E
    E --> F[生成投资策略]
    F --> G[应用到虚拟盘]
    G --> H[模拟交易]
    H --> I[盈亏统计]

任务队列系统

所有分析任务都通过任务队列管理：

• 防止重复分析（同一股票同一时间只能有一个分析任务）
• 支持任务重试
• 任务日志记录
• 实时进度更新

LLM 提示词工程

系统精心设计了各类提示词模板：

渠道分析提示词：

1
2
3
4
5
6
7
8
9
10
11

你是一个专业的金融分析师。请分析股票 {STOCK_SYMBOL} ({STOCK_NAME})。

数据:
{MCP_DATA}

请输出 JSON 格式：
{
  "targetPrice": <目标价>,
  "buyRating": <0-1的评分>,
  "description": "<分析描述，100字以内>"
}

综合分析提示词：

1
2
3
4
5
6
7
8
9
10
11
12

你是一个高级投资顾问。请综合以下各渠道的分析结果，
给出股票 {STOCK_SYMBOL} 的综合投资建议。

各渠道分析:
{CHANNEL_ANALYSES_JSON}

请输出 JSON 格式：
{
  "summary": "<综合分析摘要，200字以内>",
  "recommendation": "<操作建议: 买入/持有/卖出>",
  "riskLevel": "<low/medium/high>"
}

策略生成提示词：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

你是一个组合投资策略师。请基于以下股票池的分析结果，
生成投资组合配置建议。

股票池:
{STOCK_ANALYSES_JSON}

投资风格: {RISK_PREFERENCE}

请输出 JSON 格式：
{
  "summary": "<策略概述>",
  "allocation": [
    {"symbol": "...", "name": "...", "weight": <0-100>, "reason": "..."}
  ],
  "riskLevel": "<low/medium/high>",
  "expectedReturn": <预期年化收益率>
}

为什么会亏损？

这是最有趣的部分。让我分析一下可能的亏损原因：

1. AI 分析的局限性

市场是不可预测的：

• LLM 基于历史数据训练，但市场在不断变化
• 黑天鹅事件无法预测
• 羊群效应和情绪波动难以量化

分析质量的波动：

• 不同模型的分析质量差异大
• 提示词微调可能导致完全不同的结论
• 数据来源的准确性和及时性

2. 交易成本的侵蚀

虽然系统已经精确计算了交易成本，但频繁交易的累积成本不容忽视：

例子：

• 买入 100 万股票：佣金 100 元 + 过户费 10 元 = 110 元
• 卖出 100 万股票：印花税 5000 元 + 佣金 100 元 + 过户费 10 元 = 5110 元
• 一轮完整交易成本：5220 元（0.522%）

如果策略频繁调仓，这些成本会快速累积。

3. 整手交易的限制

A 股的 100 股整数倍规则导致：

• 高价股（如茅台 1800 元）一手需要 18 万
• 100 万资金最多只能买 5 手
• 剩余资金无法充分利用
• 实际仓位可能低于目标配置

系统实现了”满仓整手再分配”逻辑来缓解这个问题，但无法完全解决。

4. 策略参数不当

可能的问题：

• 风险偏好设置不合适
• 调仓频率过高或过低
• 选择的股票池质量不佳
• 权重分配逻辑有缺陷

5. 市场环境因素

• 整体市场下跌（系统性风险）
• 行业轮动
• 风格切换（价值↔成长）

项目亮点

1. 完整的系统设计

从数据获取、AI 分析、策略生成到虚拟盘验证，形成了一个完整的闭环。

2. 精确的成本计算

交易成本的精确模拟让虚拟盘结果更接近真实交易。

3. 灵活的架构

• 分析器可插拔设计
• 支持多个 LLM 提供商
• 渠道配置灵活

4. 完善的测试

• 单元测试覆盖核心逻辑
• E2E 测试验证完整流程
• 边界情况测试

5. 现代化的技术栈

• Go 后端保证高性能
• React + TypeScript 前端体验良好
• Docker 容器化部署方便

未来改进方向

1. 策略优化

• 增加止损止盈逻辑
• 实现动态仓位管理
• 加入市场情绪指标
• 优化调仓触发条件

2. 风险控制

• 最大回撤控制
• 单股持仓上限
• 行业分散度要求
• 波动率目标

3. 数据增强

• 接入更多数据源
• 增加技术指标计算
• 新闻情感分析
• 机构持仓追踪

4. 回测系统

• 历史数据回测
• 参数优化
• 策略对比
• 绩效归因

5. 监控告警

• 实时盈亏告警
• 异常交易告警
• 系统健康监控
• 定期生成报告

技术难点与解决方案

1. LLM 输出的结构化

问题： LLM 输出的 JSON 格式不稳定

解决：

• 设计严格的提示词模板
• 实现输出解析和重试机制
• 添加输出格式验证

2. 并发控制

问题： 多个分析任务同时运行可能导致资源耗尽

解决：

• 实现 LLM 级别的并发控制
• 任务队列去重机制
• 依赖检测（综合分析等待渠道分析完成）

3. 数据一致性

问题： 虚拟盘和主系统的价格同步

解决：

• 实现价格同步 API
• 定时自动更新
• 缓存机制减少调用

4. 浮点数精度

问题： 金额计算需要精确到分

解决：

• 使用四舍五入函数
• 统一精度处理
• 增加单元测试验证

部署架构

Docker Compose 部署

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

services:
  backend:
    image: zero-volume-market:latest
    ports:
      - "8080:8080"
    volumes:
      - zero-volume-market-data:/app/data

  vs:
    image: zero-volume-market-vs:latest
    ports:
      - "8090:8090"
    volumes:
      - vs-data:/app/data
    environment:
      - MARKET_API_BASE=http://backend:8080

反向代理配置

使用 Nginx 反向代理：

• s.jifan.space → 后端服务
• vs.jifan.space → 虚拟盘服务

开源协议

MIT License

欢迎交流和建议！

总结

“零成交量市场”是一个将 AI 应用于金融投资领域的尝试。虽然目前还在亏损，但这个项目让我学到了：

1. AI 不是万能的 - 金融市场的复杂性远超 LLM 的理解能力
2. 系统设计的重要性 - 完整的闭环系统能够快速验证想法
3. 交易成本的威力 - 频繁交易的成本是策略盈利的重要障碍
4. 持续迭代的必要性 - 需要不断优化策略和系统

最重要的教训： 即使是 AI，也无法战胜市场均值回归的规律。投资仍然需要谨慎和理性。

项目地址：github.com/jifanchn/zero-volume-market

在线体验：

• 管理后台：s.jifan.space
• 虚拟盘：vs.jifan.space

欢迎 Star 和 Fork！

项目背景

最近我在AI工具网站开发方面进行了一些尝试和探索。之前我开发了CloudToolsy.com，但在SEO表现上并不理想，没有获得预期的检索流量。现在我开始尝试新的方法论，并通过jsonandcsv.tech项目来验证这个新思路。

CloudToolsy的失败教训

CloudToolsy.com是我之前的AI工具聚合网站项目，但在实际运营中遇到了几个关键问题：

SEO表现不佳

• 关键词排名普遍在70-80位，几乎没有自然搜索流量
• 竞争激烈，难以在AI工具这个红海市场中脱颖而出
• 内容质量和用户体验需要进一步提升

反思与总结

通过这次失败，我意识到在AI工具网站领域，单纯的功能聚合已经不够，需要更有针对性的内容策略和技术优化。

新的方法论：数据驱动的SEO策略

基于CloudToolsy的经验教训，我开始采用新的方法论：

1. 使用SEMRUSH进行Topic Research

• 通过SEMRUSH分析搜索量和竞争度
• 选择相对低竞争但有一定搜索量的关键词
• 基于实际搜索需求来规划内容

2. jsonandcsv.tech项目

新项目专注于JSON和CSV数据处理工具，这是一个更具体的细分领域：

技术栈

• 开发平台: Google Jules
• 部署平台: Cloudflare Pages
• 功能定位: 专注数据格式转换和处理工具

项目优势

• 目标用户群体更明确
• 技术需求相对标准化
• 竞争相对较小，更容易获得排名

观察与验证

目前jsonandcsv.tech项目刚刚启动，我正在观察：

1. SEO表现: 关键词排名变化
2. 用户反馈: 工具使用情况和用户需求
3. 技术效果: Google Jules + Cloudflare Pages的组合表现
4. 内容策略: 基于SEMRUSH数据的内容规划效果

未来计划

根据jsonandcsv.tech的观察结果，我计划：

• 优化现有工具的功能和用户体验
• 根据用户需求扩展新的数据处理工具
• 持续监控SEO数据，调整内容策略
• 验证这种”数据驱动+细分领域”的方法论是否可行

总结

从CloudToolsy到jsonandcsv.tech，我在AI工具网站开发上学到了重要的一课：在竞争激烈的市场中，精准定位和数据驱动的内容策略比盲目扩张更重要。通过SEMRUSH的topic research和Google Jules + Cloudflare Pages的技术组合，我希望能够在jsonandcsv.tech上验证一个更可持续的发展模式。

接下来我会持续关注这个项目的表现，并根据实际数据来调整策略。这对我来说是一次很有价值的SEO和产品开发实践。

项目概述

CloudToolsy 是我最近完成的一个大型在线工具网站项目，提供 126+ 个免费的在线工具，主要面向开发者和系统管理员。这个项目最大的特点是全程使用 AI 辅助开发，最终形成了约 30 万行前端代码的现代化 Web 应用。

项目地址： https://www.cloudtoolsy.com

技术栈与架构

前端技术

• 框架： Nuxt.js 3.x (Vue.js 生态)
• 渲染模式： CSR (客户端渲染)
• UI 框架： 自定义组件库
• 主题系统： 支持暗色/亮色模式切换
• 代码量： 约 30 万行前端代码

核心功能模块

• 开发者工具： JSON 格式化器、正则表达式测试器、Base64 编码器等
• 图像处理： 图像压缩、格式转换、尺寸调整等
• 文本工具： 大小写转换、文本处理、编码转换等
• 嵌入式系统： MQTT 客户端、CAN 分析器、系统模拟器等
• 系统管理： Linux 工具集、网络工具等
• PDF 管理： PDF 处理和管理功能

AI 辅助开发实践

开发策略

1. Claude 代码生成： 使用Claude模型进行大规模代码生成
2. Agent 并发开发： 多个 AI Agent 并行工作，提高开发效率
3. 代码审查与优化： AI 辅助代码质量控制和性能优化
4. 测试用例生成： 自动化测试代码生成，使用VUE文件投喂QWEN Coder生成Test Code，效果不好

开发效率提升

• 传统开发： 需要 6-8 个月的项目周期
• AI 辅助开发： 压缩到 1 个月完成
• 代码质量： 通过多层 AI 审查保证代码规范性和可维护性

SEO 优化与商业化尝试

SEO 策略

• 结构化数据： 完整的 Schema.org 标记
• 元数据优化： 针对每个工具页面的定制化 SEO 元数据
• 网站地图： 自动生成的 XML 站点地图
• 性能优化： Cloudflare CDN 加速，优秀的页面加载速度

商业化挑战

• Google AdSense 申请： 遭到拒绝，现在等待流量刷新
• SEO 效果： 虽然技术优化到位，但缺乏自然搜索流量
• 用户获取： 面临工具网站红海市场的竞争压力

部署与运维

部署方案

• 托管平台： Cloudflare Pages
• 全球 CDN： 利用 Cloudflare 的全球节点加速
• 自动化部署： Git 推送自动构建和部署
• 监控体系： 基础的性能监控和错误追踪

技术挑战

1. 大规模代码管理： 30 万行代码的模块化和维护
2. 性能优化： 大量工具组件的按需加载
3. 用户体验： 统一的设计语言和交互模式
4. 跨浏览器兼容： 确保在各种环境下的正常运行

项目反思与经验

成功经验

• AI 辅助开发的可行性： 证明了大型项目可以完全依赖 AI 辅助完成
• 技术选型的重要性： Nuxt.js 生态提供了强大的开发能力
• 现代化部署方式： Cloudflare Pages 简化了部署流程

遇到的挑战

• 商业化路径不清晰： 工具网站的盈利模式需要重新思考
• 市场竞争激烈： 需要差异化竞争策略
• 用户留存问题： 如何提高用户粘性和回访率

未来发展方向

功能扩展

• AI 集成： 在现有工具中集成 AI 功能
• API 服务： 提供工具的 API 接口
• 企业版： 针对企业用户的定制化解决方案

商业模式探索

• 订阅制： 高级功能付费订阅
• 企业授权： B2B 市场的工具授权
• 广告优化： 改进广告策略和用户体验平衡

总结

CloudToolsy 项目是我在 AI 时代软件开发模式的一次重要尝试。虽然面临商业化的挑战，但在技术实现和开发效率方面取得了显著成果。这个项目证明了 AI 辅助开发在大规模项目中的可行性，也为未来的 AI 驱动开发积累了宝贵经验。

项目目前处于静待后续发展的状态，但我相信随着 AI 技术的不断发展和市场的成熟，这种新型的开发模式将会展现出更大的潜力。

项目背景

WRCD Stock是一个专为A股市场打造的AI驱动股票研究平台，旨在为投资者提供实时市场数据、技术分析以及多渠道AI驱动的投资建议。平台采用现代化的全栈技术架构，支持实时数据处理、投资组合管理和智能分析决策。

技术架构

核心技术栈

后端架构：

• Go 1.24 + Gin - 高性能API服务器
• SQLite (WAL模式) - 优化并发访问的数据库
• 新浪财经API - 实时股票数据源
• 内存缓存 - 基于sync.Map的高速缓存层

前端架构：

• Next.js 15.2.4 + React 19 - 现代化前端框架
• TypeScript + Tailwind CSS - 类型安全与响应式设计
• Zustand - 轻量级状态管理
• 实时通信 - WebSocket支持

部署方案：

• Docker容器化 - 单容器多阶段构建
• docker-compose - 一键启动部署
• 反向代理 - 生产级HTTPS支持

系统架构特色

1. 单体模块化设计：采用模块化的单体应用架构，在数据采集、分析引擎和API层之间实现清晰的关注点分离
2. 高并发处理：SQLite WAL模式优化并发读取，Go协程处理高并发请求
3. 实时数据处理：交易时段内每分钟更新价格，支持15分钟K线和日线数据收集
4. 智能缓存策略：内存缓存层提供毫秒级响应，自动缓存预热和失效管理

核心功能模块

1. 用户认证与权限管理

平台提供简洁的登录界面，支持基于角色的访问控制：

• 管理员角色：完全访问权限，包括投资组合管理、渠道配置、模板管理
• 查看者角色：只读访问分析结果、图表和仪表板
• 会话管理：持久化会话状态，支持自动登录和安全退出

2. 投资组合管理

核心的投资组合管理功能，支持持仓跟踪和盈亏分析：

主要功能：

• 实时总市值、盈亏金额和盈亏比例计算
• 持仓列表管理，支持新增、编辑、删除操作
• CSV导入/导出功能，支持批量操作
• 审计日志记录，完整的操作可追溯性
• 每日快照生成，历史数据回溯分析

数据校验机制：

• 股票代码必须存在于系统股票库
• 持仓数量和成本价格必须大于等于0
• 同一股票在任意时刻仅允许一条持仓记录

3. 股票数据管理

后台轮询功能提供股票基础数据的管理：

核心特性：

• 支持沪深A股市场全覆盖（8只示例股票：浦发银行、齐鲁石化等）
• 股票代码、名称、板块信息维护
• 实时数据状态监控
• 批量操作支持

4. 实时图表分析

专业级的股票图表分析功能：

技术指标支持：

• 时间框架：1分钟、15分钟、日线多时间周期
• K线数据：完整的OHLCV（开高低收成交量）数据
• 实时更新：交易时段内实时价格更新
• 交互功能：缩放、平移、十字线数据显示

数据采集策略：

1
2
3
4
5
6
7
8
9
10
11
12
13

// 15分钟K线数据采集
go func() {
    t := time.NewTicker(15 * time.Minute)
    defer t.Stop()
    kjob := &scheduler.Kline15mJob{
        Store: s, 
        Client: client.NewSinaClient(client.ClientConfig{}), 
        Config: cfg
    }
    for range t.C {
        _ = kjob.Run(context.Background())
    }
}()

5. AI智能分析引擎

多渠道AI分析系统，支持智能投资决策：

分析渠道：

• 阿里云在线搜索渠道（aliyun_online_search）
• 演示分析渠道（demo）
• 支持多渠道并行分析和结果综合

分析流程：

1. 上下文数据准备：价格数据、技术指标、成交量分析整合
2. 多渠道并行执行：根据配置的优先级和权重分配
3. 结果综合评估：加权评分系统和冲突解决机制
4. 决策树记录：完整的分析推理过程追踪

分析结果管理：

• Markdown格式存储分析内容
• 摘要提取和快速索引
• 模型元数据跟踪（Token用量、成本统计）
• 错误日志和重试历史记录

6. 投资组合智能推荐

基于AI分析的投资组合推荐系统：

推荐特性：

• 基于多渠道分析结果的综合建议
• 考虑当前持仓的集中度和相关性分析
• 风险评估和个性化风险偏好适配
• 历史推荐归档和回测验证

7. 系统状态监控

实时系统健康监控和运维支持：

监控指标：

• 系统状态：服务运行状态实时监测
• 数据库状态：SQLite WAL模式状态和版本信息
• 性能指标：命中率、点击数、未命中数、缓存大小统计
• 调度任务状态：数据回填、K线采集、分钟级报价任务监控

后台任务调度：

1
2
3
4
5
6
7
8
9
10
11
12
13
14

// 实时报价更新 - 交易时段每分钟执行
go func() {
    t := time.NewTicker(1 * time.Minute)
    defer t.Stop()
    job := &scheduler.QuotesMinutelyJob{
        Store: s, Cache: quotesCache, 
        QuotesClient: quotesClient, Config: cfg
    }
    for range t.C {
        if cache.InTradingHours(time.Now()) {
            _ = job.Run(context.Background())
        }
    }
}()

技术亮点

1. 高性能数据处理

并发优化：

• Go协程池处理高并发请求
• SQLite WAL模式支持并发读取
• 内存缓存层提供亚毫秒级响应

数据采集策略：

• 交易时段智能识别和数据采集
• 指数退避重试机制保证数据完整性
• 历史数据自动回补和一致性校验

2. 智能分析引擎

渠道抽象层：

1
2
3
4
5

// 统一的渠道接口定义
type Channel interface {
    Analyze(ctx context.Context, req AnalysisRequest) (*AnalysisResult, error)
    GetMetadata() ChannelMetadata
}

模板系统：

• 可配置的提示词模板支持
• A/B测试框架验证模板效果
• 版本控制和回滚能力

3. 现代化前端架构

组件化设计：

• 基于shadcn/ui的一致设计语言
• TypeScript全覆盖保证类型安全
• 响应式设计适配多终端访问

实时数据流：

• WebSocket实现实时数据推送
• 自动降级轮询机制保证可用性
• 数据去重和防抖优化用户体验

4. 容器化部署

单容器架构：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

# 多阶段构建优化镜像大小
FROM node:18-alpine AS frontend
WORKDIR /app/frontend
COPY frontend/package*.json ./
RUN npm ci --registry=https://registry.npmmirror.com
COPY frontend/ ./
RUN npm run build

FROM golang:1.24-alpine AS backend
WORKDIR /app
COPY backend/ ./
RUN go build -o server cmd/server/main.go

FROM alpine:latest
COPY --from=frontend /app/frontend/dist /app/web
COPY --from=backend /app/server /app/server
EXPOSE 8080
CMD ["/app/server"]

平台部署

快速启动

WRCD Stock平台支持一键部署，默认运行在18001端口：

1
2
3
4
5
6
7
8
9
10
11
12
13
14

# 克隆项目并启动
git clone <repository>
cd wrcd-stock

# 可选：配置环境变量
cp .env.template .env

# 构建并启动服务
docker compose up -d --build

# 访问应用
# Web界面: http://localhost:18001
# 健康检查: curl http://localhost:18001/healthz
# 系统指标: curl http://localhost:18001/metrics

访问信息

平台地址： http://wrcd.jifan.space
管理员账号： admin
查看者账号： viewer

API示例

1
2
3
4
5
6
7
8

# 获取股票实时报价
curl http://wrcd.jifan.space/api/v1/stocks/600000/quote

# 获取K线数据
curl http://wrcd.jifan.space/api/v1/stocks/600000/kline?period=15m&limit=100

# 系统健康检查
curl http://wrcd.jifan.space/healthz

系统优势

1. 技术先进性

• Go语言后端：高并发处理能力，内存效率优越
• 现代前端栈：Next.js 15 + React 19提供优秀的开发体验
• 容器化部署：Docker一键部署，运维成本极低

2. 业务完整性

• A股市场专精：针对中国A股市场的专业优化
• 全链路分析：从数据采集到投资建议的完整闭环
• 智能决策支持：多渠道AI分析提供全面投资视角

3. 架构可扩展性

• 模块化设计：清晰的系统边界，易于功能扩展
• 渠道插件化：新分析渠道零代码修改即可集成
• 配置驱动：关键参数数据库配置，支持热更新

总结

WRCD Stock AI投研平台展示了现代Go微服务架构与AI技术在金融投资领域的成功实践。通过高性能的后端服务、智能化的分析引擎和现代化的前端界面，为A股投资者提供了专业级的研究工具和决策支持。

平台的技术架构充分体现了Go语言在高并发场景下的优势，同时结合Next.js的前端最佳实践，构建了一个高效、可靠、易用的投研系统。随着AI技术的不断发展和A股市场的日益复杂化，WRCD Stock将持续演进，为智能投资提供更强大的技术支撑。

在线体验：http://wrcd.jifan.space
项目源码：基于Docker容器化部署
技术支持：基于Go + Next.js全栈架构