WyckoffAgent：威科夫量价分析 AI 智能体，让散户也能读懂主力意图

如果你在 A 股、港股或美股市场摸爬滚打，一定听过「跟庄」「顺势」的说法。但「庄」在哪里？趋势是真是假？什么时候该进、什么时候该跑？ 这些问题，靠看盘软件上的几根 K 线，其实很难回答。

WyckoffAgent 正是为了解决这个问题而生——这是一套开源的威科夫（Wyckoff Method）量价分析交易智能体，将经典技术分析与大语言模型（LLM）结合，把主力资金运作的蛛丝马迹「翻译」成普通投资者也能理解的自然语言建议。

图1：WyckoffAgent CLI 启动界面，支持 Gemini / Claude / OpenAI 等多种模型

---

背景：威科夫是谁？为什么值得用 AI 重构

理查德·威科夫（Richard Wyckoff）是 20 世纪初华尔街传奇交易员，与道氏、江恩并称技术分析三大先驱。他的核心理念是：市场的本质是多空双方的博弈，通过量价关系的结构可以判断主力资金是在吸筹、派发还是震仓。威科夫分析不预测点位，而是判断市场当前处于哪个阶段，从而决定是否值得参与。

然而，传统威科夫分析高度依赖经验——同样一根「放量突破」，在不同市场环境下含义完全不同。这正是大语言模型可以介入的地方：给定足够的上下文信息（量价结构、历史走势、板块情绪），LLM 比人更擅长做横向对比和模式识别。

WyckoffAgent 的作者 youngcan 参考了缠中说禅（CZSC）等顶级国产量化开源项目的策略设计，并将威科夫框架扩展到了 A 股、港股、美股三个市场。

---

核心功能：五层漏斗 + AI 研报 + 持仓风控

WyckoffAgent 的核心执行链路是一条完整的「选股 → 诊断 → 决策 → 风控」闭环。

第一步：五层漏斗选股

系统每日通过 GitHub Actions（北京时间 17:17）自动运行五层漏斗，从全市场股票中逐层筛选：

层级	名称	核心逻辑
L1	流动性过滤	主板/创业板/科创板，市值 ≥ 35 亿，日均成交额 ≥ 5000 万
L2	六通道位阶筛选	按主升/点火/潜伏/吸筹/派发/弹簧分类，每类独立参数
L3	威科夫结构识别	检测 SOS、LPS、Spring、EVR 量价背离信号
L4	AI 语义质量审查	LLM 判断量价信号是否足够清晰，排除假突破
L5	配额与动态权重	根据历史信号胜率动态调整各类信号权重

这个漏斗覆盖 A 股（沪深全市场）、港股和美股，使用 TickFlow 提供实时日线数据，并支持历史快照离线回测。

图2：Web 端漏斗选股界面，实时展示筛选结果

第二步：AI 研报生成

通过漏斗的 L4 信号会触发 AI 研报生成，系统调用 LLM 对候选股票进行「三阵营审判」——从技术面、基本面、资金面三个角度给出综合评分和操作建议。研报结果存入 Supabase 数据库，并支持邮件/钉钉通知。

第三步：持仓管理与风控

用户录入持仓后，系统每日盘前（08:20）监测 A50 期指和 VIX，判定市场水温并给出操作建议：

风险档位	含义	操作建议
NORMAL	无异常	正常持仓
CAUTION	情绪扰动	轻仓试探
RISK_OFF	显著风险	收缩仓位
BLACK_SWAN	黑天鹅	冻结买入

盘后自动执行信号反馈闭环：根据实际涨跌幅计算信号胜率，更新信号健康度权重，指导下一轮选股配额。

---

多端体验：CLI、Web App、MCP 三位一体

WyckoffAgent 提供了三种使用形态，用户可以根据需求自由选择。

CLI（TUI 终端界面）

CLI 是功能最完整的版本，安装方式极为简单：

curl -fsSL https://raw.githubusercontent.com/YoungCan-Wang/WyckoffTradingAgent/main/install.sh | bash
wyckoff           # 启动 Agent 对话
wyckoff dashboard # 启动可视化面板

CLI 内置 21 个工具，包括持仓查询、K 线诊断、板块轮动分析、尾盘策略记录等。模型支持 Gemini（主力）、Claude、OpenAI、DeepSeek、Qwen、智谱、火山引擎等，可通过 /model 命令动态切换。

图3：CLI 界面展示持仓诊断结果

Web App（Cloudflare Pages 部署）

不想装本地环境的用户可以直接访问 wyckoff-analysis.pages.dev，功能包括读盘室、形态复盘、持仓管理、尾盘记录等。Web 端通过 Cloudflare Pages Functions 边缘代理解决浏览器跨域限制。

图4：Web 端读盘室，支持多轮对话和研报生成

MCP Server（AI 编程工具集成）

对于习惯用 Claude Code 等 AI 编程工具的用户，WyckoffAgent 提供了 MCP（Model Context Protocol）服务器，可将威科夫分析能力直接集成到 IDE 中：

pip install 'youngcan-wyckoff-analysis[mcp]'
wyckoff-mcp

MCP Server 提供 15 个工具，支持单股分析、持仓诊断、板块跟踪等，权限分为三层（只读 / 诊断 / 写操作）。

Dashboard 本地面板

wyckoff dashboard 启动本地 TUI 面板，展示信号池、形态复盘、持仓情况、Agent 记忆和后台任务进度，是 CLI 用户的主要操作界面。

---

技术架构：模块化设计，数据源与执行分离

WyckoffAgent 的架构设计非常清晰，体现了作者对量化交易系统的深刻理解。

图5：Dashboard 总览面板，实时展示信号池与持仓情况

核心引擎层（core/）

核心量化引擎位于 core/ 目录，包含：

• wyckoff_engine.py — 威科夫结构识别（L1-L5 漏斗）
• batch_report.py — AI 研报生成（三阵营审判）
• strategy.py — 持仓管理与风控决策
• signal_feedback.py — 信号胜率反馈闭环
• funnel_pipeline.py — 漏斗编排调度
• dynamic_policy.py — 动态信号权重策略
• candidate_policy.py — 候选股配额管理
• sector_rotation.py — 板块轮动检测
• tail_buy_strategy.py — 尾盘策略

数据层

数据源	用途
TickFlow ★	A 股/港股/美股实时日线（主数据源）
Tushare	A 股数据兜底
AkShare	宏观数据、期货
BaoStock	上市公司基本信息
EFinance	金融数据辅助
Supabase	用户配置、持仓、信号、研报（云端存储）
SQLite（本地）	跨会话 Agent 记忆、快照缓存

多端运行时

端	运行时	入口
CLI	Textual TUI + AgentRuntime	wyckoff 命令
Web	React 19 + Vercel AI SDK	Cloudflare Pages
MCP	FastMCP（stdio）	wyckoff-mcp 命令

---

争议与局限：这套系统适合你吗

首先，这是一套教育与研究工具，作者在 README 中明确声明「不构成投资建议，不保证未来收益」。任何策略都有胜率上限，跟单需自行承担风险。

其次，行情数据依赖外部 API。TickFlow、Tushare 等数据源有调用频率限制和可用性问题，若行情中断，漏斗和研报功能将受到影响。系统通过快照机制（data/funnel_snapshots）实现离线回测，但无法保证实时性。

第三，威科夫分析本身有主观性。同样一组量价结构，不同分析师可能得出不同结论。LLM 的介入虽然降低了门槛，但模型幻觉（hallucination）风险依然存在——系统设计了多层量化信号作为「硬约束」，AI 语义审查只作为最后一道软过滤。

第四，市场适用性有差异。威科夫方法源于美国市场，在 A 股的有效性需要长期验证。项目方通过 GitHub Actions 持续回测，并在 docs/reports/ 目录保留了历史研报和胜率数据，这是目前量化项目较少见的透明度。

---

行业意义：开源量化的新范式

WyckoffAgent 的出现代表了一个趋势：传统技术分析正在与大语言模型深度融合。相比纯粹靠数学公式的量化策略（如双均线、海龟策略），威科夫 + LLM 的组合试图在「模式识别」和「语义理解」之间架起桥梁。

从数据看，该项目在 GitHub 已有 511 Stars、163 Forks，2026 年 1 月创建以来持续活跃维护，GitHub Actions 每天自动运行多套策略回测。GitHub Actions 的 CI/CD 基础设施本身就是产品的一部分——作者将定时任务和回测系统都跑在 GitHub 服务器上，用户 fork 后可以零成本获得完整回测环境。

对于有兴趣研究量化策略的开发者，WyckoffAgent 是一个极好的学习案例——它的架构清晰、文档完善、代码质量高，且覆盖了从数据采集、量化分析到 AI 决策的完整链路。

---

数据来源：GitHub API（2026-06-23），报告生成时间 2026-06-23。行情数据依赖 TickFlow 等第三方 API，请以各数据源最新数据为准。本报告仅供参考，不构成投资建议。