本期节目介绍如何用零成本打造你的金融助理， 即用GitHub Actions 和Server 酱做每日的股票分析结果微信自动推送。 风险提示：本节目只分享工具使用经验，不作为投资建议！ 如果你也和我一样，不能实时盯盘，也不爱看复杂的股票软件界面，只关心某几支股票或某几个行业的一些关键参数，那今天这套微信自动推送分析结果的方案就很适合你。 整体的数据流水线分为三步： 1. Github 仓库上传你的股票分析代码，可以参考之前几期界面介绍的漏斗模型，也可以针对单只股票写一个简单的分析程序，你把想做的事情丢给豆包，让他把python 程序帮你生成好； 2. Github Actions：这是Github 提供给全球开发者的免费云端打工人，你可以给他设定闹钟，到点儿他会自动在云端开机、配置Pyhton环境并运行你在上一步做好的代码，然后自动关机； 3. Server酱油：这相当于你的微信传送机，上一步的股票分析代码在GitHub里自动运行完成后会生成分析结果，其中包括了你关系的某几个股票或某些行业的参数，这时，只要向Server 酱提供一个网址发送请求，你的手机微信就会在“方糖”公众号里收到“设备通知”。 以下截图分别是Github上的Actions 部署后自动运行的界面、手机微信设备通知截图。 今天的音频是用豆包做的，比NotebookLM废话少一些，也更像人类，但似乎只能做较短的音频。因为这一期内容太短了，所以没有切分时间节点。

本期节目介绍如何针对单支股票的数据，尤其是财务指标进行分析。 风险提示：本节目只分享工具使用经验，不作为投资建议！ 前几期节目介绍的都是针对A股全市场股票用漏斗模型筛选，本期节目介绍如何用漏斗模型的底层方法分析单只股票。 为什么要做单只股票的分析呢？原因一是因为六漏斗模型过于严格，在大部分时候跑完分析的结果都是“今日无符合要求的股票”，除非遇到大跌行情； 原因二是如果你有关注的股票，或者已持仓的股票，这个模型可以帮助分析其哪些指标低于六漏斗模型，低多少，你是否能接受。 我用了两种方式查看分析结果： * 自动推送微信信息，好处是每天定时发送，手机查看方便快捷；缺点是无法获得更多信息，只能看大概； * 本地运行代码生成分析报告，好处是关键信息更多，可以根据需要追加分析指标；缺点是不适用于Serve酱的微信推送。 最近我发现一支波动很大的股票，300570太辰光，主营业务是光通信无源器件，产品用于AI数据中心、5G通信等领域。 先说结论，我自己是长期持有风格，不跟短期，所以对我自己来说不推荐。 漏斗模型主要查看了以下几个方面： 1. 财务质量：通过代码自动审查其ROE、毛利率等指标，计算其真实现金流收益率；ROE加权5年约14%，盈利能力一般；2026年第一季度营收和净利率双降，经营现金流/净利润为-1.38倍，这个参数近五年是降的；此外，现金流收益率、股息率都比较低。虽然有一定的技术壁垒，但该行业技术迭代较快，仍存在技术风险。 此外，太辰光通过深度绑定康宁，间接进入英伟达、Meta的供应链，也存在客户集中度过高的风险（康宁占70%）。 2. 估值分位：不仅看其当下的估值，还要查近五年来的估值数据，比较后确认当前估值的历史分位，看看太辰光现在的价格在5年历史里到底算高还是低。目前PE超100倍，估值高； 3. 分红测试：查验它近三年的平均分红率已经当下的股息率，确认它是否愿意给股东分真金白银的好处，另一方面也检验它是否真的有挣到钱，能拿的出分红的钱来；5年平均分红率还不错，有79%左右。 4. 最大回撤：拉取最近250天的日K线，计算最大回撤，看看它的抗跌下限。 根据2026年5月8日的数据，系统给出诊断结果： * 均线偏离与风险预警：当前这支股票的价格已偏离5日，10日和20日的均线，即偏离MA5、MA10、MA20数据，尤其是偏离MA20均线达到了+16.8%，结论是“短期超涨风险较高”； * 主力资金流向：系统监控近5日的主力资金流向，发现其5月6日到8日出现了近三天主力持续流入，5月8日高达4.4亿，即大资金积极买入，资金面积极； * 交易情绪：这支股票是高换手率股，5月8日更是高达21.7%，极度活跃，短期博弈氛围浓烈。盘中波动距离，风险高。 程序跑完之后，会根据分析自动生成关键参数的excel表格，把python代码部署在Github后，通过Server酱通道每日下午收盘后推送到微信，我在手机里就可以查看这些分析结果，来决定第二天开盘是否要跟进。 总结来说，针对任何自选股，这套系统都能完成找数据、算估值、查财务、看资金流和均线偏离等脏活累活，还不用担心看到的财务数据不对，把该股票的风险点和建议都摆到手机微信的一条推送里供投资者查看。 以下两张图是微信推送截图，只推送快报信息，每日固定时间收到； 以下几张图片是本地代码运行后生成的分析报告： 最后的补充：我也让豆包对太辰光做了深度分析，豆包给出了买入的投资建议，如下图。我觉得还是我的漏斗模型比较安全保守，100倍估值还给买入建议， 实在有些激进而冒险。 以下为豆包自动生成的投资建议，再次强调，不构成投资建议，且不赞成这个结论。 一个吐槽：AI工具做音频，尤其是NotebookLM很喜欢结尾反思，每一期都要反思，但这是他自己编出来的反思。下一期我会添加限制，听起来神烦。

本期节目介绍如何获取股票分析拉取的金融数据。 风险提示：本节目只分享工具使用经验，不做为投资建议！ 模块一：数据拉取的“漏斗哲学”——先廉价，后昂贵 做A股全市场选股最忌讳的方式就是一开始就对5000多只股票进行深度遍历，这会带来很大的计算冗余和被封禁风险。 * 全市场快照：第一步只调用最廉价的接口，例如全市场行情快照。用最基础的指标，例如PE，PB，总市值等参数做粗筛，直接剔除不符合粗筛要求的股票。 * 批量操作代替单点查询：分享一个技巧，如果想剔除特定行业，例如金融、公用事业，不需要逐个查询每只股票的行业属性，而是直接拉取该行业板块的成分股集合，用集合取反的方式一次性清空。 * 昂贵的接口留给精细选股：只有经过多轮海选存货下来的少数股票，才值得调用“逐股拉取”的方式，例如历年财报、详细分红方案、逐日K线回撤历史等。即把最容易引起风控、最消耗网络资源的操作放在最底层。 模块二：数据清洗的重构真相：——统一标尺与还原 * 统一标尺：原始数据格式经常不统一，需要把它们先放在统一标尺里。比如，股票代码标准格式应该是6位数字，但原始数据有的缺个0，有的带有.sh/.sz 后缀，需要先强制补齐6位去掉字母；数据里的时间格式有时只有数字，有时带有年月日，需要把时间戳全部转为datetime，方便后续的筛选某一天或某一月数据，计算时间差或按时间排序等操作。 而业务数值有的带逗号，例如1,234.56, 有的带单位，例如100手；有的很合文本，例如价格：10.5， 需要强制转换为纯数字再进行比较，这是程序稳定运行的基础。 * 多表对齐：需要把散落的数据拼成全貌； * 重塑自由现金流计算方式：单纯的现金流数据是不够的，更合理的是计算所有者盈余（Owner Eearnings），必须用到历史PPE/营收均值x当年营收增量来推荐扩张性资本开支，并将这部分从总资本开支里剥离，得到真实的“维护性资本开支”，再计算出真正的所有者盈余； * 缺失值：在量化逻辑里，没有数据比用了低质量或错误的数据更糟。采用保守剔除策略保证关键财务指标一旦缺失，宁可错杀也绝不放过；但对于非致命环节，例如个别板块名称拉取失败，则允许fail-open，保证主程序仍可运转。 模块三：防风控的游记战术：作为个人开发者，需要与数据源服务器和平共处，避免被标记为有恶意攻击企图。 * 拟人化请求和克制查询：减少高频请求。引入全局配置，例如AK_REQUEST-THROTTLE, 在每次成功请求后增加强制休眠，并一定要加入“随机抖动 Jitter）， 模拟人类的访问节奏。 * 指数退避的重试机制：网络通常不总是稳定，遇到链接错误时，不要立刻重试死磕，而是采用指数退避（即下次操作的等待时间翻倍递增）策略。这有时能有效绕过短期IP熔断，也也对目标服务器的尊重。 * 中间态落盘：这其实是一个存档机制，在每一个筛选动作完成后都输出一份CSV文件记录筛选结果，一旦在下一步筛选中遇到网络崩溃或触发风控，不需要从头来过，可以直接从本地数据复活，也为后续用户查看每一步筛选逻辑提供了依据。 节目代码可从以下链接下载。 https://github.com/TonyGao286/Stock_deep_value_funnel 02:26 粗筛+精筛，廉价和昂贵的分配拉数据策略 06:25 为什么不直接看财报，而需要自己计算？ 09:42 估值历史和分红数据的处理 11:11 为什么最后看日K线图？ 11:47 怎么解决数据报错、网络崩溃、IP风控？ 13:26 中间态落盘，保存中间数据可追溯可重启

本期节目介绍了如何搭建A股自动选股的六漏斗模型，经过层层筛选，选出最安全的标的。 风险提示：本节目只分享工具使用经验，不作为投资建议！ 搭建步骤如下： * 第一层：上市满5年保留，缺上市日信息剔除；剔除“银行”、“保险”、“证券”、“多元金融”、“公用事业”行业股票； * 第二层：动态市盈率>0， 市净率>0.5，总市值≥20亿； * 第三层：最近5个年报的ROE算数平均值≥20%，最新一期销售毛利率≥40%，最新一期资产负债率≤60%，经营现金流/净利润比值＞1，现金流收益率≥10%，所有者盈余＞10%，最近5个年报经营现金流净额＞0，十年留存vs 市值比≥1； * 第四层：近五年PE分位≤35%； * 第五层：高分红要求，需要满足以下二选一条件：（1）最近已实施股息率≥5%；或（2）近三年平均分红率≥50%； * 第六层：最近250日K线最大回撤≥28%。 节目中的模型代码分享在Github以下链接： https://github.com/TonyGao286/Stock_deep_value_funnel

2026年5月1日发布的第一期节目有很多问题，比如单集信息密度太高、实操性不够，门槛偏高，音频太AI味儿，AI主播嘴瓢等等。 后续我会拆成三部分、12集，保证每集讲明白一件事儿。 内容规划如下： 第一部分｜基础搭建 1.1 AI 自动选股系统逻辑搭建 1.2 股市金融数据获取与清洗 1.3 财务指标漏斗搭建 1.4 微信自动推送部署 第二季｜策略变换和修改 2.1 多因子模型优化 2.2. K 线与回撤风控 2.3 分红与护城河深度筛选 2.4 投资组合构建 第三季｜实战闭环 3.1 实盘跟踪与业绩复盘 3.2 风险控制体系 3.3 市场风格自适应 3.4 根据实际结果优化模型

【本期简介】 我妈是个多年的老股民，但我发现她大部分时间都在辛苦“看盘”，费时费眼，收效却不一定高。于是我突发奇想：能不能用代码帮她搭建一套自动选股系统？每天收盘后自动运行，第二天一早把符合“价值投资”逻辑的好公司直接推送到她微信上？ 这期节目，我们将投资大师李录的选股逻辑，塞进了一套全自动的代码流水线中。从“前置准备”，到层层闯关的“漏斗模型”，再到结果直达手机的“自动化通知”，我用大白话带你透视一套选股系统背后的工程实现方法。 无论你是懂点代码的极客，还是纯粹的量化小白，希望这套“先粗筛后精挑、把昂贵计算放最后”的系统设计思路，能给你带来新的启发。 (剧透：这套被我妈无情嘲笑为“白日梦”的苛刻筛选逻辑，最后到底选出了几只股票？筛选结果通过Server酱自动推送，答案在文末！) 【时间轴】 00:00 开场：散户老妈的痛点与我的全自动化播客闭环 04:50 核心漏斗揭秘：选股就像一场残酷的闯关游戏 05:10 第一关：全A股基础池与市盈率（PE）初筛 05:25第二关：深度财务指标“体检”（毛利率、现金流等） 06:06 第三关：最耗资源的“日K与回撤”计算（工程哲学的体现） 07:10 第四关：分红深度筛选（寻找真正的宽护城河） 09:01 工程师的“防弹设计”：双源对照与断点保存机制 13:00 “超级大脑”解决认知盲区 【本期提及名词/工具】 AKShare / Tushare： 国内常用的开源金融数据接口库。 漏斗模型 (Funnel)： 一种逐层过滤无效数据的工程思想。 中间态落盘 (Artifacts)： 程序运行中途保存的数据文件，用于容错和复盘。 AI 编程助手： 豆包、Gemini、Cursor。 自动化运行平台： Github Actions (定时 Workflow)。 消息推送工具： Server酱 (对接微信方糖服务号)。 【代码架构简述】 方便懂技术的朋友参考，整套代码分为四个层级： 启动层：负责环境清理和触发任务。 核心调度层：总控脚本，依次调度基础池、财务体检、行情回撤、分红筛选四个“车间”。 支撑层：全局配置参数，以及负责将中途筛选结果保存为 CSV 的容错模块。 结果层：任务结束后，提取最终名单并调用接口发送微信推送。 ⚠️ 风险提示： 本期节目提及的所有选股逻辑和代码思路仅供技术交流与学习探讨，不构成任何投资建议。股市有风险，投资需谨慎！ 🤖 另一个提示： 此条播客的Shownotes、播客对话、片头和片尾音乐均为AI生成，采用的工具包括Cursor、Gemini、豆包、Suno、NotebookLM。如果您听到对话中主播嘴瓢，请谅解。音乐已取得商业使用授权，特此说明。