from flask import Flask, render_template, jsonify, request import ccxt import pandas as pd from datetime import datetime, timedelta import sys import os import matplotlib matplotlib.use('Agg') # 设置使用非GUI后端，必须在导入pyplot之前设置 import matplotlib.pyplot as plt import io import base64 import time import traceback from pytz import timezone import talib.abstract as ta import numpy as np # 添加父目录到系统路径 sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))) # 导入chan.py项目的核心模块 from Chan import CChan from ChanConfig import CChanConfig from Common.CEnum import AUTYPE, DATA_SRC, KL_TYPE, BI_DIR, SEG_DIR, FX_TYPE from Common.CTime import CTime from DataAPI.CommonStockAPI import CCommonStockApi from KLine.KLine_Unit import CKLine_Unit # 从原有的cn_stock_data导入A股数据获取 try: from cn_stock_data import ChinaStockData china_stock = ChinaStockData() except ImportError: print("警告: 无法导入cn_stock_data，A股功能将不可用") china_stock = None # 添加买卖点枚举类型 class TRADE_POINT_TYPE: BUY1 = 1 # 一类买点 BUY2 = 2 # 二类买点 BUY3 = 3 # 三类买点 SELL1 = -1 # 一类卖点 SELL2 = -2 # 二类卖点 SELL3 = -3 # 三类卖点 app = Flask(__name__) # 初始化交易所 exchange = ccxt.binance({ 'enableRateLimit': True, }) # 时间周期映射 TIMEFRAMES = { '1m': '1分钟', '5m': '5分钟', '15m': '15分钟', '30m': '30分钟', '1h': '1小时', '4h': '4小时', '1d': '日线', '1w': '周线', '1M': '月线', } # 常见交易对 SYMBOLS = [ 'SOL/USDT:USDT', 'BTC/USDT:USDT', 'ETH/USDT:USDT', 'BNB/USDT:USDT', 'XRP/USDT:USDT', 'ADA/USDT:USDT', 'DOGE/USDT:USDT', 'AVAX/USDT:USDT', 'DOT/USDT:USDT', 'MATIC/USDT:USDT' ] # A股热门股票 A_STOCK_SYMBOLS = china_stock.get_popular_stocks() if china_stock else [] def detect_symbol_type(symbol): """检测交易对类型：crypto 或 a_stock""" if '/' in symbol and 'USDT' in symbol: return 'crypto' elif len(symbol) == 6 and symbol.isdigit(): return 'a_stock' else: return 'unknown' def get_kl_data(symbol, timeframe, limit=1000, start_time=None, end_time=None): """获取K线数据，支持加密货币和A股""" symbol_type = detect_symbol_type(symbol) if symbol_type == 'crypto': return get_crypto_kl_data(symbol, timeframe, limit, start_time, end_time) elif symbol_type == 'a_stock': return get_a_stock_kl_data(symbol, timeframe, limit, start_time, end_time) else: print(f"未知的交易对类型: {symbol}") return None def get_crypto_kl_data(symbol, timeframe, limit=1000, start_time=None, end_time=None): """获取加密货币K线数据，支持分页加载确保获取指定时间范围内的所有数据""" try: # 初始化参数 since = None if start_time: try: since = int(start_time) except ValueError: print(f"无效的起始时间: {start_time}") # 结束时间处理 until = None if end_time: try: until = int(end_time) except ValueError: print(f"无效的结束时间: {end_time}") # 根据时间周期调整每次请求的数据量 batch_size = 1000 # 默认批次大小 if timeframe in ['1m', '3m', '5m']: batch_size = 500 # 分钟级数据减少批次大小 elif timeframe in ['15m', '30m', '1h']: batch_size = 1000 else: batch_size = 1500 # 日线及以上可以获取更多 # 初始化存储所有K线数据的列表 all_ohlcv = [] # 初始化当前查询的开始时间 current_since = since # 添加请求计数和最大限制 request_count = 0 max_requests = 50 # 最大请求次数，防止无限循环 print(f"开始分批获取加密货币数据: {symbol}, {timeframe}") # 分页加载数据 while request_count < max_requests: request_count += 1 print(f"批次 {request_count}: 获取数据 since={current_since}, limit={batch_size}") try: # 获取当前页的数据 ohlcv = exchange.fetch_ohlcv(symbol, timeframe, since=current_since, limit=batch_size) # 如果没有获取到数据，结束循环 if not ohlcv or len(ohlcv) == 0: print(f"批次 {request_count}: 未获取到数据，结束") break # 将获取到的数据添加到总列表中 all_ohlcv.extend(ohlcv) print(f"批次 {request_count}: 获取到 {len(ohlcv)} 条记录") # 获取最后一条数据的时间戳 last_timestamp = ohlcv[-1][0] # 如果已达到结束时间，结束循环 if until and last_timestamp >= until: print(f"批次 {request_count}: 已达到结束时间，结束") break # 如果获取的数据条数小于限制数，说明已经获取完所有数据 if len(ohlcv) < batch_size: print(f"批次 {request_count}: 数据不足批次大小，已获取完所有数据") break # 更新下一页的开始时间（加1毫秒避免重复） current_since = last_timestamp + 1 except Exception as e: print(f"批次 {request_count} 获取失败: {e}") # 如果单个批次失败，继续尝试下一个批次 if current_since: # 尝试增加时间跳过可能的问题时间点 current_since += 60000 # 跳过1分钟 else: break # 防止API请求过于频繁 time.sleep(0.3) # 减少到0.3秒提高效率 # 数据为空的情况 if not all_ohlcv or len(all_ohlcv) == 0: print(f"未获取到数据: {symbol}, {timeframe}") return None # 转换为DataFrame df = pd.DataFrame(all_ohlcv, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume']) df['date'] = pd.to_datetime(df['timestamp'], unit='ms').dt.tz_localize('UTC').dt.tz_convert('Asia/Shanghai') # 在客户端进行结束时间过滤 if until: df = df[df['timestamp'] <= until] # 去除重复数据 df = df.drop_duplicates(subset=['timestamp']) # 按时间排序 df = df.sort_values('timestamp') # 限制数据条数的逻辑 - 优先考虑时间范围 if start_time and end_time: # 如果指定了明确的时间范围，返回该时间范围内的所有数据 print(f"用户指定了时间范围，返回完整数据 {len(df)} 条记录") if len(df) > 10000: # 防止数据量过大，设置一个合理的上限 print(f"警告：数据量过大({len(df)}条)，为保证性能将限制为最新的10000条记录") df = df.tail(10000).reset_index(drop=True) elif limit and len(df) > limit: # 如果没有指定明确时间范围，使用默认的limit限制 print(f"未指定明确时间范围，应用默认限制，返回最新的 {limit} 条记录") df = df.tail(limit).reset_index(drop=True) # 如果过滤后没有数据，返回None if len(df) == 0: print("过滤后无数据") return None print(f"成功获取加密货币数据: {len(df)} 条记录 (共 {request_count} 个批次)") return df except Exception as e: print(f"获取加密货币数据错误: {e}") traceback.print_exc() return None def get_a_stock_kl_data(symbol, timeframe, limit=1000, start_time=None, end_time=None): """获取A股K线数据""" try: # 处理时间戳参数转换为日期字符串 start_date = None end_date = None if start_time: try: # 尝试解析时间戳（毫秒） start_timestamp = int(start_time) start_date = datetime.fromtimestamp(start_timestamp / 1000).strftime('%Y-%m-%d') except (ValueError, TypeError): # 如果不是时间戳，尝试解析datetime-local格式 (YYYY-MM-DDTHH:MM) try: if 'T' in str(start_time): # datetime-local格式：2025-05-19T06:07 start_date = str(start_time).split('T')[0] # 只取日期部分 else: start_date = str(start_time) except: start_date = start_time if end_time: try: # 尝试解析时间戳（毫秒） end_timestamp = int(end_time) end_date = datetime.fromtimestamp(end_timestamp / 1000).strftime('%Y-%m-%d') except (ValueError, TypeError): # 如果不是时间戳，尝试解析datetime-local格式 try: if 'T' in str(end_time): # datetime-local格式：2025-05-26T06:07 end_date = str(end_time).split('T')[0] # 只取日期部分 else: end_date = str(end_time) except: end_date = end_time # 如果用户指定了时间范围，优先获取该范围内的所有数据 actual_limit = limit if start_date and end_date: print(f"用户指定了时间范围 {start_date} 到 {end_date}，将获取该范围内的所有数据") actual_limit = None # 不限制数据条数，获取完整时间范围数据 # 调用A股数据获取器 df = china_stock.get_kl_data(symbol, timeframe, start_date, end_date, actual_limit) if df is None: print(f"未获取到A股数据: {symbol}") return None print(f"获取到A股数据: {len(df)} 条记录") return df except Exception as e: print(f"获取A股数据错误: {e}") traceback.print_exc() return None def add_indicators(df): fast = 8 slow = 16 period = 6 macd = ta.MACD(df, fastperiod=fast, slowperiod=slow, signalperiod=period) df['macd'] = macd['macd'] df['macdsignal'] = macd['macdsignal'] df['macdhist'] = macd['macdhist'] df['ma5'] = (ta.MA(df, timeperiod=5)).fillna(0) df['ma10'] = (ta.MA(df, timeperiod=10)).fillna(0) df['ma30'] = (ta.EMA(df, timeperiod=30)).fillna(0) df['ma250'] = (ta.MA(df, timeperiod=250)).fillna(0) df['rsi'] = ta.RSI(df, timeperiod=14) # 计算布林带 (当前周期 - 20周期，2标准差) bb = ta.BBANDS(df, timeperiod=20, nbdevup=2.0, nbdevdn=2.0, matype=0) df['bb_upper'] = bb['upperband'].fillna(0) df['bb_middle'] = bb['middleband'].fillna(0) df['bb_lower'] = bb['lowerband'].fillna(0) # 计算次周期布林带 (14周期，2标准差) bb_element = ta.BBANDS(df, timeperiod=14, nbdevup=2.0, nbdevdn=2.0, matype=0) df['element_bb_upper'] = bb_element['upperband'].fillna(0) df['element_bb_middle'] = bb_element['middleband'].fillna(0) df['element_bb_lower'] = bb_element['lowerband'].fillna(0) df['macd'] = df['macd'].fillna(0) df['macdsignal'] = df['macdsignal'].fillna(0) df['macdhist'] = df['macdhist'].fillna(0) df['ma5'] = df['ma5'].fillna(0) df['ma10'] = df['ma10'].fillna(0) df['ma30'] = df['ma30'].fillna(0) df['ma250'] = df['ma250'].fillna(0) df['rsi'] = df['rsi'].fillna(0) df['avg_volume'] = df['volume'].rolling(10).mean() # 计算量比，避免产生Infinity值 df['volume_ratio'] = df['volume'] / df['avg_volume'] # 填充缺失值（前N根K线） df['volume_ratio'] = df['volume_ratio'].fillna(1.0) df['avg_volume'] = df['avg_volume'].fillna(0) # 处理Infinity和-Infinity值 df['volume_ratio'] = df['volume_ratio'].replace([float('inf'), float('-inf')], 1.0) return df def calculate_macd(df): """计算MACD指标""" exp1 = df['close'].ewm(span=10, adjust=False).mean() exp2 = df['close'].ewm(span=26, adjust=False).mean() macd = exp1 - exp2 signal = macd.ewm(span=9, adjust=False).mean() histogram = macd - signal return { 'macd': macd.tolist(), 'signal': signal.tolist(), 'histogram': histogram.tolist() } def analyze_chan(df, timeframe='1d'): """使用chan.py项目进行缠论分析""" try: # 转换时间周期映射 - 根据用户选择的实际时间周期进行映射 timeframe_map = { '1m': KL_TYPE.K_1M, '3m': KL_TYPE.K_3M, '5m': KL_TYPE.K_5M, '15m': KL_TYPE.K_15M, '30m': KL_TYPE.K_30M, '1h': KL_TYPE.K_60M, '2h': KL_TYPE.K_60M, # 2小时用1小时替代 '4h': KL_TYPE.K_4H, '6h': KL_TYPE.K_6H, '8h': KL_TYPE.K_8H, '12h': KL_TYPE.K_12H, '1d': KL_TYPE.K_DAY, '3d': KL_TYPE.K_3DAY, '1w': KL_TYPE.K_WEEK, '1M': KL_TYPE.K_MON, } # 根据传入的timeframe选择对应的级别 kl_type = timeframe_map.get(timeframe, KL_TYPE.K_DAY) # 创建配置 - 针对不同时间周期优化买卖点识别 config = CChanConfig({ "bi_strict": True, "trigger_step": False, "skip_step": 0, "divergence_rate": float("inf"), "bsp2_follow_1": False, "bsp3_follow_1": False, "min_zs_cnt": 0, "bs1_peak": False, "macd_algo": "peak", "bs_type": '1,2,3a,1p,2s,3b', "print_warning": True, # 开启警告以便调试 "zs_algo": "normal", # 使用标准中枢算法提高稳定性 over_seg, normal, auto "bi_algo": "normal", }) print(f"[{timeframe}] 使用配置: {config.__dict__}") # 检查数据量是否足够进行缠论分析 if len(df) < 30: print(f"[{timeframe}] 警告：数据量过少({len(df)}条)，可能影响买卖点识别准确性") else: print(f"[{timeframe}] 数据量充足：{len(df)}条K线数据") # 将数据设置到WebDataAPI from DataAPI.WebDataAPI import WebDataAPI WebDataAPI.set_data("WEB_DATA", df) print(f"[{timeframe}] 数据已设置到WebDataAPI，时间范围: {df.iloc[0]['date']} ~ {df.iloc[-1]['date']}") # 创建CChan实例，使用自定义数据源 print(f"[{timeframe}] 创建CChan实例，级别列表: {[kl_type]}") chan = CChan( code="WEB_DATA", begin_time=None, end_time=None, data_src="custom:WebDataAPI.WebDataAPI", lv_list=[kl_type], config=config, autype=AUTYPE.QFQ, ) # CChan会自动加载数据，无需手动触发 print(f"[{timeframe}] CChan实例创建完成") # 获取分析结果 kline_list = chan[kl_type] print(f"[{timeframe}] 获取到kline_list，类型: {type(kline_list)}") # 提取笔列表 bi_list = [] if hasattr(kline_list, 'bi_list') and kline_list.bi_list: bi_list = kline_list.bi_list # 提取线段列表 seg_list = [] if hasattr(kline_list, 'seg_list') and kline_list.seg_list: seg_list = kline_list.seg_list # 提取中枢列表 zs_list = [] if hasattr(kline_list, 'zs_list') and kline_list.zs_list: zs_list = kline_list.zs_list # 直接从KLine_List获取买卖点 buy_sell_points = [] try: print(f"[{timeframe}] 分析买卖点，kl_type={kl_type}") if hasattr(kline_list, 'bs_point_lst') and kline_list.bs_point_lst: bsp_list = sorted(kline_list.bs_point_lst.lst, key=lambda x: x.klu.time) print(f"[{timeframe}] 从KLine_List获取到的买卖点数量: {len(bsp_list)}") for i, bsp in enumerate(bsp_list): # 根据买卖点类型选择正确的价格 if bsp.is_buy: # 买点使用低点价格 price = bsp.klu.low else: # 卖点使用高点价格 price = bsp.klu.high if bsp.type2str().__contains__("1"): buy_sell_points.append({ 'type': 1 if bsp.is_buy else -1, # 简化买卖点类型 'time': bsp.klu.time, # 保持CTime对象，后续统一格式化 'price': price, 'desc': f"{bsp.type2str()}" }) # 添加调试信息，打印前5个买卖点和最后2个买卖点 if i < 5 or i >= len(bsp_list) - 2: time_str = str(bsp.klu.time) if hasattr(bsp.klu.time, '__str__') else 'N/A' print(f"[{timeframe}] 买卖点{i+1}/{len(bsp_list)}: 类型={'买点' if bsp.is_buy else '卖点'}, 时间={time_str}, 价格={price}, KLU价格范围=[{bsp.klu.low}, {bsp.klu.high}], 描述={bsp.type2str()}") else: print(f"[{timeframe}] KLine_List没有买卖点列表或bs_point_lst为空") print(f"[{timeframe}] kline_list属性: {[attr for attr in dir(kline_list) if not attr.startswith('_')]}") buy_sell_points = [] except Exception as e: print(f"[{timeframe}] 获取买卖点失败: {e}") traceback.print_exc() buy_sell_points = [] # 提取分型信息 klc_fx_info = [] klu_fx_info = [] bsp_list = chan.get_bsp() for bsp in bsp_list: print(bsp.klu.time, bsp.type2str(), bsp.is_buy) # 从K线列表中提取分型信息 if hasattr(kline_list, 'lst'): for klc in kline_list.lst: if hasattr(klc, 'fx') and klc.fx != FX_TYPE.UNKNOWN: klc_fx_info.append({ 'time': klc.time_end, 'price': klc.low if klc.fx == FX_TYPE.BOTTOM else klc.high, 'fx_type': str(klc.fx).replace("FX_TYPE.", ""), 'is_bottom': klc.fx == FX_TYPE.BOTTOM, 'fx_strength': 1, # 基础分型强度 'fx_strength_level': "中", 'is_strong_fx': False }) # 提取KLU分型信息 if hasattr(klc, 'lst'): for klu in klc.lst: if hasattr(klu, 'fx') and klu.fx != FX_TYPE.UNKNOWN: klu_fx_info.append({ 'time': klu.time, 'price': klu.low if klu.fx == FX_TYPE.BOTTOM else klu.high, 'fx_type': str(klu.fx).replace("FX_TYPE.", ""), 'is_bottom': klu.fx == FX_TYPE.BOTTOM, 'fx_strength': 1, 'fx_strength_level': "中", 'is_strong_fx': False, 'fx_confirmed': True }) print(f"chan.py分析完成: 笔{len(bi_list)}个, 线段{len(seg_list)}个, 中枢{len(zs_list)}个, 买卖点{len(buy_sell_points)}个") print(f"kline_list类型: {type(kline_list)}, 属性: {dir(kline_list) if hasattr(kline_list, '__dict__') else 'N/A'}") return { 'klc_list': kline_list.lst if hasattr(kline_list, 'lst') else [], 'klu_list': [], # KLU数据在klc中 'bi_list': bi_list, 'seg_list': seg_list, 'zs_list': zs_list, 'trade_points': buy_sell_points, 'klc_fx_info': klc_fx_info, 'klu_fx_info': klu_fx_info } except Exception as e: print(f"chan.py分析出错: {e}") traceback.print_exc() # 返回空结果 return { 'klc_list': [], 'klu_list': [], 'bi_list': [], 'seg_list': [], 'zs_list': [], 'trade_points': [], 'klc_fx_info': [], 'klu_fx_info': [] } # 辅助函数，转换缠论方向枚举为整数 def convert_direction(direction): """转换方向枚举为数字""" if direction == BI_DIR.UP or direction == SEG_DIR.UP: return 1 elif direction == BI_DIR.DOWN or direction == SEG_DIR.DOWN: return -1 else: return 0 def format_time_safely(time_obj, client_tz): """安全地格式化时间对象，处理字符串、datetime和CTime对象""" if time_obj is None: return None # 如果是CTime对象，转换为字符串 if hasattr(time_obj, 'ts'): # CTime对象有ts属性 from datetime import datetime dt = datetime.fromtimestamp(time_obj.ts) return dt.astimezone(client_tz).isoformat() if isinstance(time_obj, str): # 尝试将字符串解析为datetime try: from dateutil import parser time_obj = parser.parse(time_obj) return time_obj.astimezone(client_tz).isoformat() except: return time_obj else: # 已经是datetime对象 try: return time_obj.astimezone(client_tz).isoformat() except: return str(time_obj) def is_smaller_timeframe(tf1, tf2): """判断时间周期tf1是否小于tf2""" # 定义时间周期的分钟数映射 tf_values = { '1m': 1, '3m': 3, '5m': 5, '15m': 15, '30m': 30, '1h': 60, '2h': 120, '4h': 240, '6h': 360, '8h': 480, '12h': 720, '1d': 1440, '3d': 4320, '1w': 10080, '1M': 43200 } # 获取时间周期对应的分钟数 tf1_value = tf_values.get(tf1) tf2_value = tf_values.get(tf2) # 如果某个时间周期不在映射中，返回False if tf1_value is None or tf2_value is None: return False # 返回tf1是否小于tf2 return tf1_value < tf2_value def is_smaller_or_equal_timeframe(tf1, tf2): """判断时间周期tf1是否小于等于tf2""" # 定义时间周期的分钟数映射 tf_values = { '1m': 1, '3m': 3, '5m': 5, '15m': 15, '30m': 30, '1h': 60, '2h': 120, '4h': 240, '6h': 360, '8h': 480, '12h': 720, '1d': 1440, '3d': 4320, '1w': 10080, '1M': 43200 } # 获取时间周期对应的分钟数 tf1_value = tf_values.get(tf1) tf2_value = tf_values.get(tf2) # 如果某个时间周期不在映射中，返回False if tf1_value is None or tf2_value is None: return False # 返回tf1是否小于等于tf2 return tf1_value <= tf2_value def clean_dataframe_for_json(df): """清理DataFrame数据用于JSON序列化""" # 创建副本避免修改原始数据 clean_df = df.copy() # 替换NaN值为None clean_df = clean_df.where(pd.notnull(clean_df), None) return clean_df @app.route('/') def index(): """主页""" return render_template('index.html', timeframes=TIMEFRAMES, symbols=SYMBOLS, a_stock_symbols=A_STOCK_SYMBOLS) @app.route('/api/analyze') def analyze(): """分析接口""" symbol = request.args.get('symbol', 'SOL/USDT:USDT') timeframe = request.args.get('timeframe', '5m') # 验证交易对不为空 if not symbol or symbol.strip() == '': print(f"错误: 空交易对") return jsonify({'error': '交易对不能为空'}) # 获取时间范围参数 start_time = request.args.get('start_time') end_time = request.args.get('end_time') # 获取客户端请求的时区 client_timezone = request.args.get('timezone', 'Asia/Shanghai') # 获取分形元素时间周期 element_timeframe = request.args.get('element_timeframe') # 获取是否只需要分形元素数据的参数 elements_only_param = request.args.get('elements_only') elements_only = elements_only_param == 'true' print(f"API请求参数: symbol={symbol}, timeframe={timeframe}, element_timeframe={element_timeframe}") print(f"时间范围: start_time={start_time}, end_time={end_time}") print(f"elements_only参数: 原始值={elements_only_param}, 处理后={elements_only}") # 验证小周期是否小于主周期 if element_timeframe and not is_smaller_or_equal_timeframe(element_timeframe, timeframe): print(f"错误: 元素周期 {element_timeframe} 大于主周期 {timeframe}") return jsonify({'error': '分形元素时间周期必须小于或等于主图表时间周期'}) # 获取数据 df = get_kl_data(symbol, timeframe, start_time=start_time, end_time=end_time) if df is None: print(f"错误: 获取数据失败 - symbol={symbol}, timeframe={timeframe}") return jsonify({'error': '获取数据失败'}) if len(df) == 0: print(f"错误: 所选时间范围内没有数据 - symbol={symbol}, timeframe={timeframe}") return jsonify({'error': '所选时间范围内没有数据'}) # 使用客户端指定的时区 client_tz = timezone(client_timezone) # 如果只需要分形元素数据而不需要主周期数据，则初始化一个空结果 result = { 'timezone': client_timezone } # 如果不是只需要分形元素数据，则添加主周期数据 if not elements_only: print(f"处理主周期数据 (elements_only={elements_only})") # 添加技术指标（包括布林带） df = add_indicators(df) # 进行缠论分析 analysis_result = analyze_chan(df, timeframe) # 计算MACD macd_data = calculate_macd(df) # 计算笔的MACD背离值（用于显示） bi_macd_divs = calculate_bi_macd_divergence(analysis_result['bi_list']) # 直接使用小周期相同的方式获取买卖点 all_trade_points = analysis_result['trade_points'] print(f"主周期买卖点：共{len(all_trade_points)}个") # 添加主周期分析结果到返回数据 result.update({ 'kline_data': clean_dataframe_for_json(df).to_dict('records'), 'bi_list': [{ 'start_time': format_time_safely(bi.begin_klc.time_end, client_tz), 'end_time': format_time_safely(bi.end_klc.time_end, client_tz) if bi.end_klc else None, 'start_price': bi.begin_klc.low if convert_direction(bi.dir) == 1 else bi.begin_klc.high, 'end_price': bi.end_klc.high if convert_direction(bi.dir) == 1 else bi.end_klc.low if bi.end_klc else None, 'direction': convert_direction(bi.dir), 'macd_div': float(bi_macd_divs.get(i, 0)) } for i, bi in enumerate(analysis_result['bi_list']) if bi.end_klc], 'seg_list': [{ 'start_time': format_time_safely(seg.start_bi.begin_klc.time_end, client_tz), 'end_time': format_time_safely(seg.end_bi.end_klc.time_end, client_tz) if seg.end_bi else None, 'start_price': seg.start_bi.begin_klc.low if convert_direction(seg.dir) == 1 else seg.start_bi.begin_klc.high, 'end_price': seg.end_bi.end_klc.high if convert_direction(seg.dir) == 1 else seg.end_bi.end_klc.low if seg.end_bi else None, 'direction': convert_direction(seg.dir) } for seg in analysis_result['seg_list'] if seg.end_bi], 'zs_list': [{ 'start_time': format_time_safely(zs.begin.time, client_tz), 'end_time': format_time_safely(zs.end.time, client_tz) if zs.end else None, 'zg': zs.high, 'zd': zs.low, 'is_sure': zs.is_sure # 添加中枢是否完成的标志 } for zs in analysis_result['zs_list'] if zs.end], # 添加未完成中枢列表 'uncompleted_zs_list': [{ 'start_time': format_time_safely(zs.begin.time, client_tz), 'end_time': None, # 未完成中枢没有结束时间 'zg': zs.high, 'zd': zs.low, 'is_sure': zs.is_sure # 未完成中枢的is_sure为False } for zs in analysis_result['zs_list'] if not zs.is_sure], 'trade_points': [{ 'type': point['type'], 'time': format_time_safely(point['time'], client_tz), 'price': point['price'], 'desc': point['desc'] } for point in all_trade_points], 'macd': macd_data, # 添加布林带数据 'bollinger': { 'upper': df['bb_upper'].tolist(), 'middle': df['bb_middle'].tolist(), 'lower': df['bb_lower'].tolist() }, 'element_bollinger': { 'upper': df['element_bb_upper'].tolist(), 'middle': df['element_bb_middle'].tolist(), 'lower': df['element_bb_lower'].tolist() }, # 添加K线分型信息 'klc_fx_info': [{ 'time': format_time_safely(point['time'], client_tz), 'price': float(point['price']), 'fx_type': point['fx_type'], 'is_bottom': bool(point['is_bottom']), 'fx_strength': float(point['fx_strength']), # 分型强度分数 'fx_strength_level': str(point['fx_strength_level']), # 分型强度等级 'is_strong_fx': bool(point['is_strong_fx']) # 是否为强分型 } for point in analysis_result['klc_fx_info']], 'klu_fx_info': [{ 'time': format_time_safely(point['time'], client_tz), 'price': float(point['price']), 'fx_type': point['fx_type'], 'is_bottom': bool(point['is_bottom']), 'fx_strength': float(point['fx_strength']), # 分型强度分数 'fx_strength_level': str(point['fx_strength_level']), # 分型强度等级 'is_strong_fx': bool(point['is_strong_fx']), # 是否为强分型 'fx_confirmed': bool(point['fx_confirmed']) # 分型是否确认 } for point in analysis_result['klu_fx_info']] }) else: print(f"只请求元素数据，跳过主周期数据处理 (elements_only={elements_only})") # 如果有指定分形元素时间周期，获取小周期数据 if element_timeframe: print(f"处理元素周期数据: {element_timeframe}") # 获取小周期数据，使用与主周期相同的时间范围 element_df = get_kl_data(symbol, element_timeframe, start_time=start_time, end_time=end_time) if element_df is not None and len(element_df) > 0: # 添加小周期技术指标（包括布林带） element_df = add_indicators(element_df) # 对小周期数据进行缠论分析 element_analysis = analyze_chan(element_df, element_timeframe) # 计算小周期MACD数据 element_macd_data = calculate_macd(element_df) # 计算小周期笔的MACD背离值（用于显示） element_bi_macd_divs = calculate_bi_macd_divergence(element_analysis['bi_list']) # 直接使用小周期Chan.py的买卖点，不再添加自定义买卖点 element_all_trade_points = element_analysis['trade_points'] print(f"使用小周期Chan.py内置买卖点：共{len(element_all_trade_points)}个") # 添加小周期分析结果到返回数据 result['element_timeframe'] = element_timeframe result['element_macd'] = element_macd_data # 添加小周期MACD数据 # 添加小周期布林带数据 result['element_bollinger'] = { 'upper': element_df['bb_upper'].tolist(), 'middle': element_df['bb_middle'].tolist(), 'lower': element_df['bb_lower'].tolist() } result['element_element_bollinger'] = { 'upper': element_df['element_bb_upper'].tolist(), 'middle': element_df['element_bb_middle'].tolist(), 'lower': element_df['element_bb_lower'].tolist() } result['element_bi_list'] = [{ 'start_time': format_time_safely(bi.begin_klc.time_end, client_tz), 'end_time': format_time_safely(bi.end_klc.time_end, client_tz) if bi.end_klc else None, 'start_price': bi.begin_klc.low if convert_direction(bi.dir) == 1 else bi.begin_klc.high, 'end_price': bi.end_klc.high if convert_direction(bi.dir) == 1 else bi.end_klc.low if bi.end_klc else None, 'direction': convert_direction(bi.dir), 'macd_div': float(element_bi_macd_divs.get(i, 0)) } for i, bi in enumerate(element_analysis['bi_list']) if bi.end_klc] # 添加小周期K线数据 result['element_kline_data'] = clean_dataframe_for_json(element_df).to_dict('records') result['element_seg_list'] = [{ 'start_time': format_time_safely(seg.start_bi.begin_klc.time_end, client_tz), 'end_time': format_time_safely(seg.end_bi.end_klc.time_end, client_tz) if seg.end_bi else None, 'start_price': seg.start_bi.begin_klc.low if convert_direction(seg.dir) == 1 else seg.start_bi.begin_klc.high, 'end_price': seg.end_bi.end_klc.high if convert_direction(seg.dir) == 1 else seg.end_bi.end_klc.low if seg.end_bi else None, 'direction': convert_direction(seg.dir) } for seg in element_analysis['seg_list'] if seg.end_bi] result['element_zs_list'] = [{ 'start_time': format_time_safely(zs.begin.time, client_tz), 'end_time': format_time_safely(zs.end.time, client_tz) if zs.end else None, 'zg': zs.high, 'zd': zs.low, 'is_sure': zs.is_sure # 添加中枢是否完成的标志 } for zs in element_analysis['zs_list'] if zs.end] result['element_uncompleted_zs_list'] = [{ 'start_time': format_time_safely(zs.begin.time, client_tz), 'end_time': None, # 未完成中枢没有结束时间 'zg': zs.high, 'zd': zs.low, 'is_sure': zs.is_sure # 未完成中枢的is_sure为False } for zs in element_analysis['zs_list'] if not zs.is_sure] result['element_trade_points'] = [{ 'type': point['type'], 'time': format_time_safely(point['time'], client_tz), 'price': point['price'], 'desc': point['desc'] } for point in element_all_trade_points] # 添加小周期分型信息 result['element_klc_fx_info'] = [{ 'time': format_time_safely(point['time'], client_tz), 'price': float(point['price']), 'fx_type': point['fx_type'], 'is_bottom': bool(point['is_bottom']), 'fx_strength': float(point['fx_strength']), # 分型强度分数 'fx_strength_level': str(point['fx_strength_level']), # 分型强度等级 'is_strong_fx': bool(point['is_strong_fx']) # 是否为强分型 } for point in element_analysis['klc_fx_info']] result['element_klu_fx_info'] = [{ 'time': format_time_safely(point['time'], client_tz), 'price': float(point['price']), 'fx_type': point['fx_type'], 'is_bottom': bool(point['is_bottom']), 'fx_strength': float(point['fx_strength']), # 分型强度分数 'fx_strength_level': str(point['fx_strength_level']), # 分型强度等级 'is_strong_fx': bool(point['is_strong_fx']), # 是否为强分型 'fx_confirmed': bool(point['fx_confirmed']) # 分型是否确认 } for point in element_analysis['klu_fx_info']] print(f"小周期分析完成: {element_timeframe}, 笔数量: {len(result['element_bi_list'])}, {'仅元素数据' if elements_only else '包含主周期数据'}") else: print(f"无法获取小周期数据: {element_timeframe}") return jsonify(result) @app.route('/api/symbols') def get_symbols(): """获取可用交易对""" try: markets = exchange.load_markets() # 合约交易对通常是以USDT结尾的永续合约 symbols = [symbol for symbol in markets.keys() if '/USDT' in symbol and ':USDT' in symbol] return jsonify(symbols) except Exception as e: return jsonify({'error': str(e)}) @app.route('/api/a_stocks') def get_a_stocks(): """获取A股股票列表""" try: stock_list = china_stock.get_stock_list() return jsonify(stock_list) except Exception as e: return jsonify({'error': str(e)}) @app.route('/api/popular_a_stocks') def get_popular_a_stocks(): """获取热门A股股票""" try: return jsonify(china_stock.get_popular_stocks()) except Exception as e: return jsonify({'error': str(e)}) @app.route('/api/sectors') def get_sectors(): """获取所有行业分类""" try: sectors = china_stock.get_all_sectors() return jsonify(sectors) except Exception as e: return jsonify({'error': str(e)}) @app.route('/api/stocks_by_sector') def get_stocks_by_sector(): """根据行业获取股票""" try: sector = request.args.get('sector') if sector: stocks = china_stock.get_stock_by_sector(sector) return jsonify(stocks) else: # 返回所有行业的股票分组 all_sectors = china_stock.get_stock_by_sector() return jsonify(all_sectors) except Exception as e: return jsonify({'error': str(e)}) @app.route('/api/search_stock') def search_stock(): """搜索股票 - 增强版""" try: keyword = request.args.get('keyword', '') if not keyword: return jsonify({'error': '搜索关键词不能为空'}) results = china_stock.search_stock(keyword) return jsonify(results) except Exception as e: return jsonify({'error': str(e)}) @app.route('/api/filter_stocks', methods=['POST']) def filter_stocks(): """筛选满足条件的A股股票""" try: data = request.get_json() start_time = data.get('start_time') end_time = data.get('end_time') timeframe = data.get('timeframe', '1d') fx_strength_threshold = data.get('fx_strength_threshold', 1.0) if not start_time or not end_time: return jsonify({'error': '开始时间和结束时间不能为空'}) # 获取所有A股股票列表，如果失败则使用热门股票作为备用 stock_list = [] data_source = "" try: print("正在获取完整股票列表...") stock_list = china_stock.get_stock_list() if stock_list and len(stock_list) > 0: print(f"成功获取完整股票列表: {len(stock_list)} 只股票") data_source = "完整股票列表" else: raise Exception("获取到的股票列表为空") except Exception as e: print(f"获取完整股票列表失败: {e}") print("使用热门股票列表作为备用...") try: popular_stocks = china_stock.get_popular_stocks() stock_list = [{'symbol': stock['symbol'], 'name': stock['name']} for stock in popular_stocks] print(f"使用热门股票列表: {len(stock_list)} 只股票") data_source = "热门股票列表" except Exception as e2: print(f"获取热门股票列表也失败: {e2}") # 检查是否是网络连接问题 if "timeout" in str(e).lower() or "connection" in str(e).lower() or "network" in str(e).lower(): return jsonify({ 'error': '网络连接超时，无法获取股票数据。请检查网络连接后重试。', 'error_type': 'network_error', 'suggestion': '请确保网络连接正常，或稍后重试。' }) else: return jsonify({'error': f'无法获取股票列表: {str(e)}'}) if not stock_list: return jsonify({ 'error': '无法获取股票列表，请检查网络连接后重试', 'error_type': 'network_error', 'suggestion': '请确保网络连接正常，或稍后重试。' }) results = [] processed_count = 0 total_count = len(stock_list) failed_count = 0 print(f"开始筛选股票，总数: {total_count}, 时间范围: {start_time} 到 {end_time}, 周期: {timeframe}") for stock in stock_list: try: symbol = stock['symbol'] name = stock['name'] processed_count += 1 # 每处理20只股票打印一次进度 if processed_count % 20 == 0: print(f"已处理 {processed_count}/{total_count} 只股票，成功: {len(results)}, 失败: {failed_count}") # 获取股票K线数据 df = get_a_stock_kl_data(symbol, timeframe, start_time=start_time, end_time=end_time) if df is None or len(df) < 3: failed_count += 1 # 如果连续失败太多，可能是网络问题 if failed_count > 10 and len(results) == 0: print(f"连续失败 {failed_count} 次，可能是网络问题") return jsonify({ 'error': '网络连接不稳定，无法获取股票数据。请检查网络连接后重试。', 'error_type': 'network_error', 'processed_count': processed_count, 'failed_count': failed_count }) continue # 进行缠论分析 analysis_result = analyze_chan(df, timeframe) if not analysis_result or 'klc_fx_info' not in analysis_result: continue klc_fx_info = analysis_result['klc_fx_info'] # 检查最近2个KLC是否有满足条件的分型 recent_klcs = klc_fx_info[-2:] if len(klc_fx_info) >= 2 else klc_fx_info for klc_info in recent_klcs: fx_strength = klc_info.get('fx_strength', 0) fx_type = klc_info.get('fx_type', 'UNKNOWN') # 检查是否满足条件：分型强度>=阈值 且 分型类型不为UNKNOWN if fx_strength >= fx_strength_threshold and fx_type != 'UNKNOWN': # 获取当前价格（最新收盘价） current_price = df['close'].iloc[-1] if len(df) > 0 else None fx_price = klc_info.get('price', 0) # 计算涨跌幅 change_percent = 0 if current_price and fx_price and fx_price > 0: change_percent = ((current_price - fx_price) / fx_price) * 100 # 格式化分型类型显示 fx_type_display = format_fx_type(fx_type) results.append({ 'symbol': symbol, 'name': name, 'fx_time': klc_info.get('time', ''), 'fx_type': fx_type_display, 'fx_strength': fx_strength, 'fx_price': fx_price, 'current_price': current_price, 'change_percent': change_percent }) break # 找到一个满足条件的就跳出循环 except Exception as e: print(f"处理股票 {symbol} 时出错: {str(e)}") failed_count += 1 continue print(f"筛选完成，共找到 {len(results)} 只满足条件的股票") # 按分型强度降序排列 results.sort(key=lambda x: x['fx_strength'], reverse=True) return jsonify({ 'results': results, 'total_processed': processed_count, 'total_found': len(results), 'failed_count': failed_count, 'data_source': data_source, 'message': f'使用{data_source}进行筛选，共处理{processed_count}只股票，找到{len(results)}只满足条件的股票' }) except Exception as e: print(f"筛选股票时发生错误: {str(e)}") # 检查是否是网络连接问题 if "timeout" in str(e).lower() or "connection" in str(e).lower() or "network" in str(e).lower(): return jsonify({ 'error': '网络连接超时，请检查网络连接后重试。', 'error_type': 'network_error', 'suggestion': '请确保网络连接正常，或稍后重试。' }) else: return jsonify({'error': str(e)}) def format_fx_type(fx_type): """格式化分型类型显示""" fx_type_map = { 'TOP1': '顶分型1', 'TOP2': '顶分型2', 'TOP3': '顶分型3', 'BOTTOM1': '底分型1', 'BOTTOM2': '底分型2', 'BOTTOM3': '底分型3', 'TOP': '顶分型', 'BOTTOM': '底分型' } return fx_type_map.get(fx_type, fx_type) def calculate_bi_macd_divergence(bi_list): """计算每个笔的MACD背离值 - 使用CBi内置的Cal_MACD_area方法""" bi_macd_divs = {} if len(bi_list) < 4: return bi_macd_divs for i in range(3, len(bi_list)): current_bi = bi_list[i] prev_same_dir_bi = None # 找到同方向的前一个笔 for j in range(i-2, -1, -1): if convert_direction(bi_list[j].dir) == convert_direction(current_bi.dir): prev_same_dir_bi = bi_list[j] break if not prev_same_dir_bi or not current_bi.end_klc or not prev_same_dir_bi.end_klc: continue try: # 使用CBi内置的Cal_MACD_area方法计算MACD面积 current_macd_area = current_bi.Cal_MACD_area() prev_macd_area = prev_same_dir_bi.Cal_MACD_area() if current_macd_area <= 0 or prev_macd_area <= 0: continue # 计算价格变化 current_price = current_bi.get_end_val() prev_price = prev_same_dir_bi.get_end_val() # 计算背驰度：价格创新高/低但MACD面积没有创新高/低 divergence_value = 0 if convert_direction(current_bi.dir) == -1: # 向下笔 # 底背驰：价格创新低但MACD面积没有创新高（向下笔MACD面积越大表示力度越大） if current_price < prev_price and current_macd_area < prev_macd_area: divergence_value = (prev_macd_area - current_macd_area) / prev_macd_area elif convert_direction(current_bi.dir) == 1: # 向上笔 # 顶背驰：价格创新高但MACD面积没有创新高 if current_price > prev_price and current_macd_area < prev_macd_area: divergence_value = (prev_macd_area - current_macd_area) / prev_macd_area # 存储背离值（使用笔的索引作为key） bi_macd_divs[i] = divergence_value except Exception as e: # 如果计算出错，跳过这个笔 print(f"计算笔{i}的MACD背离时出错: {e}") continue return bi_macd_divs if __name__ == '__main__': app.run(debug=True, host='0.0.0.0', port=8120)