AI 选股工具：先按任务选，不按排行榜选
最后更新:
想从几千只股票里按条件筛选、想对候选股生成研究报告、想验证因子，分别需要不同工具。先确定输出和证据标准，再决定用轻量脚本、多 Agent 还是量化平台。
结论：最好的选股工具是最容易核查的那一个
规则筛选负责把股票池缩小，研究 Agent 负责解释候选，回测框架负责验证规则。一个系统若试图同时“自动找股票、自动解释、自动下单”，通常会把数据错误和模型判断混在一起。 个人用户应优先选择能导出筛选条件、候选列表、数据日期和引用的工具。团队则要额外考虑任务调度、数据授权、权限、成本归因和失败恢复。
四类工具解决的问题不同
选股工具可以输出规则股票池、研究报告、可计算因子或综合工作台，但这些输出不能互相替代。先确认需要哪一种结果，再评估数据和验证成本。
| 类型 | 主要输出 | 代表项目 | 适合场景 | 主要风险 |
|---|---|---|---|---|
| 规则筛选 | 满足条件的股票池 | 自建脚本、数据平台 | 估值/增长/流动性初筛 | 字段口径与时点错误 |
| 研究 Agent | 带来源的候选股报告 | TradingAgents-CN、daily_stock_analysis | 阅读公告和多角度复核 | 幻觉与证据缺失 |
| 量化研发 | 因子、代码和回测 | RD-Agent + Qlib | 验证可计算策略 | 过拟合与未来函数 |
| 综合工作台 | 数据、研究、回测界面 | Vibe-Trading、QuantDinger | 团队化研究流程 | 部署复杂与权限过大 |
中文报告界面不等于 A 股数据已经完整
TradingAgents-CN 提供中文研究报告和多市场定位，适合观察中文用户流程。当前锁定版本只完成源码入口审查，没有项目自身真实调用；且根目录与 app/frontend 使用不同许可证。文章使用的是根目录 Apache-2.0 截图，不复制专有界面代码。
一个合理选股链先筛选再复核
结构化过滤器先根据交易日可见数据生成候选池；模型读取每个候选的证据卡和风险项；回测模块检验筛选规则；人类决定是否进入观察列表。
A 股工具必须回答的数据问题
这些问题决定回测是否可信，模型中文能力无法补偿错误数据。若工具不披露数据时点，只适合做当前信息整理，不适合声称历史验证。
- 是否保存历史成分股、退市股和证券代码变更。
- 财报按报告期还是公告日进入策略，修订如何处理。
- 前复权、后复权、停牌、涨跌停和不可成交如何定义。
- 北向、龙虎榜、公告和新闻的更新时间与授权范围。
开源许可证影响你能怎样使用项目
MIT 和 Apache-2.0 通常允许在保留许可证与署名的前提下修改和商业使用；GPL/AGPL 对分发或网络服务有更强义务；未声明许可证的仓库不能默认视为可复制。 因此项目地图会同时展示许可证和证据状态。没有许可证的 FINCON、StockAgent 可以用于研究观察，但不应直接复制进入商业产品；go-stock 和 OpenBB 只做客观介绍，不在本站托管其实现。
模型与数据成本要分别记账
一次任务成本 = 输入 token × 输入单价 + 输出 token × 输出单价 + 缓存读写费用 + 外部数据费用。模型价格和实际 token 只从当前模型目录与控制台调用日志读取，不在文章里复制一份会过时的数字。 选股任务的总成本还取决于候选数量。先用 SQL 或规则筛掉绝大部分股票，再把少量证据卡交给模型，通常比让 Agent 逐股自由研究更可控。模型实际价格从当前目录读取，数据源费用单独纳入预算。
购买或部署前做一轮可复现验收
选择一个历史日期和固定股票池，保存输入数据；要求工具输出候选、淘汰原因、引用与错误；人工抽查关键数字；再在独立区间复跑。若结果无法导出、无法解释时点或换模型后规则随文字变化，这个工具更适合辅助阅读，不适合作为选股系统。
常见问题
AI 选股软件哪个最好？
没有脱离任务的最好。规则筛选、研究报告和量化回测需要不同工具，先确定输出与验收标准再选择。
A 股选股为什么要特别处理？
公告时点、复权、停牌、涨跌停、历史成分股和退市样本都会改变结果，不能直接套用美股示例。
中文界面项目就一定适合 A 股吗？
不一定。界面语言与数据完整性是两件事，仍需检查行情、公告、财务数据的来源和历史规则。
可以让模型逐只分析全市场吗？
技术上可以，但成本和错误面很大。更合理的是确定性初筛后只分析候选股。
开源项目能直接商业使用吗？
取决于许可证。MIT/Apache、GPL/AGPL 和未声明许可证的义务不同，需要按锁定版本逐项确认。