海外热门 AI 交易教程国内用不了?教你换成全免费开源数据,在本地跑通 A 股自动盯盘
刷到一篇被人收藏了 3000 多次的热门 AI 交易教程,国内读者一试才发现卡在第一步,因为 很多开源软件根本没对国内开放。今天教你换成国内全免费的公开数据源,在本地电脑跑通同款盯盘。
在电商平台找人代写量化盯盘与策略回测脚本,开价通常不低。这次我专门检索了主流平台,受限于登录限制,公开的代做成交价没有查到。不过公开的技术方案全网都有,比如基于 Python 和 Tushare 的股票盯盘教程,或者开源的 QKA 回测框架本身完全免费,应用商店里也有现成的盯盘工具。这套工作流对接的是腾讯财经与新浪的公开行情接口,调取行情的现金支出是 0 元。
别人收藏 3000 次的 AI 交易教程,我把国内能运行的版本做出来了,源码免费公开,整套工具我放在 GitHub,免费下载:脚本、Claude Code 的 Skill、从零安装的说明和离线样例数据都在里面,下载后照着 README 三步就能跑:github.com/cbl980712-coder/0xshimei-ai-workflows/tree/main/ashare-watcher
以前手工改写有多费劲
海外博主分享的 AI 交易思路确实很吸引人,但直接照搬到国内环境肯定行不通。
很多教程动辄调用 GMGN 监控链上异动,或者连接 Alpaca 与海外券商接口做自动化回测。国内网络环境直接访问不了这些平台,很多读者也没有海外银行账户去完成认证。
如果全靠人工去一行行改写代码,不仅要到处找免登录的历史日 K 接口,还要自己写脚本去抓新浪的实时行情切片。更麻烦的是 A 股特有的交易机制。买入必须遵守次日开盘才能成交的 T+1 规则,交易必须凑满 100 股整手,盘中还有涨跌停限制。此外还要扣除万分之 2.5 且最低 5 元的券商佣金,以及卖出时收取的万分之 5 印花税。把这些本土规则逐个写进回测系统,人工调试通常要折腾三到五个小时。
四步跑通国内版工作流
搭建这套国内数据源的 A 股版工具,核心是把海外不可用的平台需求,自动映射为国内合规且免海外卡的开源方案。
整个流程分为输入、四个处理步骤以及最终输出。
输入部分很简单。直接把海外教程里的原始需求文本贴进去,比如用到的平台名称与盯盘逻辑,或者回测要求。如果有具体关注的股票,也可以附带 6 位 A 股股票代码。
第一步是平台需求映射。系统读取海外平台名称,自动替换成国内对应的免登录公开方案。对于国内无法合规参与的链上代币或者美股交易需求,系统会自动将其映射到国内高波动的行业龙头,或者规模较大的宽基 ETF。
第二步是技术指标计算。脚本自动调用腾讯财经的历史日 K 数据,在本地计算均线金叉死叉与 RSI 超买超卖,以及放量突破三项指标。
第三步是 A 股规则本地回测。严格按照 A 股交易规则进行撮合,自动记录模拟盘账本,输出盈亏明细报告。
第四步是实时轮询预警。自动生成盯盘配置文件,每 60 秒查询一次新浪实时报价,只有当信号状态发生变化时才在终端打印预警。
最终产出包含一套纯 Python 编写的本地盯盘脚本,配套一份 Markdown 格式的分析报告,外加模拟盘资金流水表格与实时监控配置文件。
提示词与配置文件完整公开
这套工具完全基于 Python 标准库编写,不需要额外安装第三方代码库,直接就能在本地运行。
如果你使用 Claude Code,可以在本地创建配置目录,将下面的 Skill 存为 .claude/skills/ashare-domestic-adapter/SKILL.md:
--- name: ashare-domestic-adapter description: 把海外 AI 交易教程(GMGN/Alpaca/Binance/IBKR/TradingView/yfinance 等)的环境需求,映射成国内免海外卡、免登录的 A 股平替方案,并跑出盯盘信号 + 回测 + 本地模拟盘报告。用户说"国内用不了教程里的平台""没海外卡能玩吗""帮我把这个教程改成 A 股版"时用。 --- 1. 让用户把教程或评论里用到的海外平台和想做的事存成 input.txt。用户有关注的 A 股就写 6 位代码。 2. 运行: python3 ashare_ai_watcher.py adapt --input input.txt --out out/ [--cash 300000] [--offline] 产出 out/report.md, watch_config.json, signals.json, ledger.csv, data/*.csv。 3. 检查: 映射表是否合理。回测里若出现"本金不够1手被跳过",调大 --cash 重跑,不要把 0 笔交易当结论。加密货币或链上需求必须明确告诉用户大陆不支持,只保留"盯异动"思路,改用 ETF 或 A 股。 4. 实时盯盘: python3 ashare_ai_watcher.py watch --config out/watch_config.json --loop 60 5. 用大白话把 report.md 结论告诉用户,附风险提示: 仅技术演示、非投资建议、不连券商、不真实下单。 网络失败时脚本回退到缓存,必须告诉用户那不是最新行情。
如果你直接在网页端使用大模型,把下面这段提示词复制给模型,效果一样:
我在中国大陆,没有海外银行卡。下面是某 AI 交易教程用到的海外平台和我想做的事: 【粘贴需求】 请: ① 逐项列出"海外平台→国内免登录、免海外卡的平替",不可行的(加密货币交易、海外券商下单)直接说不可行并给保留思路的替代。 ② 用腾讯财经日K与新浪实时报价(Python 标准库)写一个 A 股盯盘脚本,包含均线金叉死叉、RSI、放量突破三类信号。 ③ 加一个本地模拟盘:当天收盘出信号、次日开盘成交,当天买的最早次日才能卖(T+1);100 股整手;开盘涨停不买、跌停不卖,涨跌幅按板块算(主板 10%,创业板和科创板 20%,北交所 30%);扣除佣金万2.5(最低5元)与卖出印花税万5。 ④ 最后给我运行命令和风险提示。不要连接任何券商,不要真实下单。
三组真实案例实测效果
这套流程在实测环境下跑了三组不同来源的需求,行情数据全部来自当天的真实公开数据。
第一组案例来自海外原帖,核心需求是用 GMGN 监控热点代币,再结合 Alpaca 做策略回测。
输入这段文本后,系统自动完成了四项平台映射。由于国内不支持链上代币交易,系统保留了监控高波动资产的思路。在生成的国内标的里,系统挑选了宁德时代与中芯国际等行业龙头,搭配比亚迪与贵州茅台,再加上纳指 ETF。
脚本执行耗时 4.2 秒。终端界面清晰输出了各项技术指标。宁德时代触发了均线金叉,纳指 ETF 的 RSI 跌到 29 进入超卖区间,五只标的的本地回测同步完成。
第二组案例是使用币安拉取主流代币行情,结合 TradingView 做策略回测。
系统给出的国内替代组合包含了沪深 300ETF 与黄金 ETF,以及纳指 ETF。因为原输入里夹杂了美股词汇,关键词规则顺带匹配到了茅台和宁德时代。运行耗时同样是 4.2 秒,屏幕上纳指 ETF 也提示了超卖信号。

第三组案例是盈透证券美股分析,附带投资者的自选股代码。
输入文本指定了英伟达和特斯拉,并附带了三个国内股票代码。系统优先识别自选代码,对标的进行了回测,运行耗时 3.4 秒。
在这组测试里出现了一个非常真实的细节。贵州茅台在回测报告里的交易记录是零,系统给出的提示是初始设定的 10 万元本金买不起一手茅台。按当时股价计算,买入一手茅台需要大约 14.4 万元,因为本金不够,所有买入信号被全部跳过。
在实时盯盘环节,运行单轮监控命令后,终端逐行打印出标的的最新价格与信号状态。其中两只标的由于满足预设条件,屏幕上直接输出了醒目的警报提示。
必须客观说明的是回测收益。宁德时代在测试区间录得 12.9% 的亏损,比亚迪亏损 12.4%。这清楚说明简单的均线交叉只是用来打通整套技术链路的演示脚本,不能当成能直接盈利的方案。
实操中踩过的三个坑与未测项
自己在本地跑这套链路时,有几个关键细节需要注意。
第一个坑是高价股因资金不足导致回测失真。贵州茅台最初在回测报告里显示没有交易,最大回撤也是零,容易被误以为是没有触发过信号。调试后发现历史数据中其实出现了 14 次交叉,但因为设定的初始本金不够买一手,导致 7 次买入信号被全部跳过。我们在脚本里增加了跳过计数与自定义本金参数,遇到高价股时调大本金参数就能解决。
第二个坑是新浪实时行情接口的限制。直接向新浪接口发起请求会被拒绝,必须在请求头里加上对应的来源站点信息。另外新浪返回的数据采用 GBK 编码,如果用默认编码解析,终端打印出来的股票名称全是乱码。
第三个坑是外部命令的依赖问题。在本地环境中直接调用外部命令行工具容易触发权限审批,改用 Python 内置的网络请求模块处理数据抓取,整个链路会顺畅很多。
这里也如实记录没有测到的环节。
akshare 备用数据源后来单独补测了一遍,测出取 ETF 时会拿到空数据、脚本直接报错,已经修好,放到 GitHub 的是修好的版本。
涨跌停一开始统一按 9.9% 近似,后来改成了按板块算:主板 10%,创业板和科创板 20%,北交所 30%。停牌和除权除息的细节没测。
实时盯盘命令只做了一轮单次抓取验证,没测在连续交易时段全天挂机的表现。
算一笔账与真实的交付方向
对比手工处理与工作流处理的差异:

从变现角度看,网上已经有大量免费开源的监控代码和回测框架,单纯靠兜售通用的盯盘脚本很难获得市场空间。
更可行的交付方向是定制服务。很多投资者具备海外交易策略的逻辑,但受限于国内网络和开发能力,无法将策略在本地跑通。帮这类客户把指定的海外交易逻辑迁移成适配国内公开数据源、遵守 A 股交易机制的本地监控脚本,提供点对点的环境部署与策略调试,是更具实际价值的服务切入点。
换成你自己的输入只需要三步
第一步,从 GitHub 下载整个 ashare-watcher 文件夹(github.com/cbl980712-coder/0xshimei-ai-workflows/tree/main/ashare-watcher),打开终端进到这个文件夹,新建一个文本文件,把你在推特或者论坛上看到的海外交易教程需求粘贴进去。如果有具体关注的股票,在文本里加上对应的数字代码。
第二步,在本地终端执行适配命令: python3 ashare_ai_watcher.py adapt --input input.txt --out out/ --cash 300000
第三步,打开生成的报告文件查看回测情况。需要实时盯盘时,执行监控命令: python3 ashare_ai_watcher.py watch --config out/watch_config.json --loop 60
如果教程里出现了新的海外平台,直接在脚本开头的映射规则里增加一行对应配置。
