A 股收盘后，面对 5000 多只股票，个人投资者很难靠人工把候选标的一一筛完。MarsBit 援引钛媒体APP刊发的文章称，一个名为 Sequoia-X 的开源项目，试图把这套「收盘后选股」流程改造成无人值守的自动化流水线。该项目上线半年，GitHub Star 已从 3000 增长到 6800 多个，并在 9 月初进入 GitHub Trending。
项目地址为 https://github.com/sngyai/Sequoia-X。它的核心功能是：在收盘后自动执行选股、扫描全市场，并把结果通过飞书 Webhook 推送到群组，供用户在次日开盘前查看。
把收盘后选股做成一条自动流水线
报道指出，散户选股主要面临三类问题。首先是数量，A 股有 5000 多只股票，靠人工逐一覆盖并不现实；其次是数据，免费接口往往字段不完整或者限流，收费接口价格又可能达到几千元到上万元；如果选择自己爬取数据，还会遇到反爬机制。第三是时间，很多技术形态需要连续盯盘，上班族很难在盘中长期跟踪。
Sequoia-X 采用的方案是把数据、策略和推送串成一条自动执行的流程。数据源使用 baostock，特点是免费、无需注册、无限流；历史 K 线会被拉取并存入本地 SQLite 数据库，数据由用户自行掌握；系统在每天收盘后自动运行一次，使用内置的 7 个技术形态策略扫描全市场，再把结果推送到飞书。
按照文中披露的运行效率，项目首次回填历史数据大约需要 12 分钟，此后每个交易日的日常运行时间约为 2 到 3 分钟。
作者从基础设施思路切入量化筛选
项目作者为 YangYuDong。文章提到，他在 GitHub 上还有 MQTT 中间件、即时通讯服务等基础设施类项目，关注点集中在海量数据和稳定性。对应到 A 股量化场景，他把选股流程当作一个消息系统来设计，即数据进入、结果输出，中间由一整套工程化模块衔接。
Sequoia-X 也经历过版本重构。V1 版本主要依赖 akshare，虽然功能比较全面，但依赖网页接口，运行中会遇到反爬和字段缺失问题。V2 版本则切换到 baostock，并按照现代工程标准重写，README 开头所写的「王者回归」，正对应这次重构。
三层架构：数据、策略与推送
文章把 Sequoia-X 的系统拆成三层。
第一层是数据层。项目通过 baostock 拉取后复权日 K 线。文中解释，后复权以最新价为基准，在除权除息后对历史价格做等比调整，这样后续追加新一天 K 线时，价格口径与已有数据保持一致，不会出现单日孤立跳变。基于这一设计，系统平时只需要补当天的一根 K 线，不必每次重拉全部历史数据。项目使用 8 个进程并行处理，全市场增量更新可在 2 到 3 分钟内完成，而全量重拉则需要十几分钟。
文章将这种方式概括为「首次全量、日常增量」，并认为这是本地量化系统的标准做法。
第二层是策略层。报道称，项目内置的 7 个策略全部采用向量化计算，通过 pandas 的滚动窗口做批量处理，而不是逐根 K 线循环。代码中甚至直接写有「严禁 iterrows」，作为性能红线。原因在于，全市场数据规模达到 100 多万行时，Python 逐行循环效率过低，而底层 C 语言支持的批量运算在速度上会高出数十倍。
第三层是通知层。不同策略可以绑定不同的飞书机器人，例如海龟策略可以推送到「海龟」群，RPS 策略推送到「RPS」群，彼此独立。系统在推送时还会通过 baostock 反查股票名称，而不是只发送股票代码。文章认为，这些处理体现了项目在可用性上的细节设计。
在存储方案上，项目使用 SQLite。文章称，这种单文件数据库不需要额外部署服务，备份和迁移时直接拷走文件即可，比较适合个人维护。
海龟突破是招牌策略，A 股版本加入三道过滤条件
在策略部分，文章重点介绍了海龟突破。其历史背景可追溯到 1983 年，传奇交易员理查德·丹尼斯曾通过招募 13 名背景各异的学员，进行两周训练并提供百万美元级实盘账户，验证交易能力能否通过规则训练获得。报道提到，四年下来，「海龟」学员平均年化收益约 80%。这套方法后来被柯蒂斯·费思在 2007 年写入《海龟交易法则》。
海龟突破的核心规则是：价格突破过去 20 天最高点时进场，跌破过去 10 天最低点时离场。文章称，这一方法不做预测，重点在于跟随趋势。
Sequoia-X 将这套规则用于 A 股后，又加入了 3 个防守条件：
- 成交额必须过亿，以保证流动性；
- 当天必须为实体阳线，用来排除高开低走的大阴线；
- 当日收盘价必须高于前一日，用来过滤盘中冲高回落形成的假阳线。
在满足这些条件后，项目还会按流通市值从大到小排序，优先关注大市值股票，以降低被游资操纵的风险。
文章还提到，代码注释中写有「【新增防守条件】拒绝郑州煤电式的高开低走大阴线！」，用以说明这些过滤规则来自实战经验积累。
7 个策略覆盖趋势、形态、情绪和事件
除海龟突破外，项目其余 6 个策略也被文章提及。文中指出，RPS 突破源自欧奈尔的《笑傲股市》，核心是只买相对强度排名靠前的股票，即相对大盘更强的品种。定增监控则属于事件驱动方法，通过跟踪公告寻找消息面信号。
按照原文说法，7 个策略覆盖了趋势、形态、情绪和事件四个维度。它们共同回答的并不是「明天会不会涨」，而是「当前应该先关注哪些股票」。文章把这种思路概括为：把「猜」换成「筛」。
环境要求为 Python 3.10 以上，可通过三步运行
对于希望自己动手的用户，文章给出了较低的上手门槛。环境要求只有 Python 3.10 以上。
运行流程分为三步。第一步是安装依赖，文中推荐使用 uv；第二步是配置推送，将 .env.example 复制为 .env，并填入飞书机器人的 Webhook 地址；第三步是执行数据回填，使用 python main.py --backfill 回填历史数据，之后每天运行 python main.py 获取结果，再通过 crontab 配置定时任务，实现自动执行。
如果用户要添加自定义策略，文章称也不复杂：只需继承 BaseStrategy 基类，实现一个返回股票列表的 run() 方法，再到 main.py 中注册一行即可。数据获取、日志和异常处理等基础骨架已经由基类提供。
项目还展示了 AI 辅助开发的工作流
从工程角度看，文章把 Sequoia-X 视为一份「现代 Python 工程范本」。项目使用 Pydantic-settings 进行配置管理，日志用 rich 输出结构化信息，测试方面使用 hypothesis 做属性测试，代码质量门禁包括 ruff 和 pytest，依赖则通过 uv 锁定版本。
文章还提到，提交记录中可以看到 AI 的参与，不少 commit 署名为 claude。原文将其描述为「一个老程序员加一个 AI 助手，撑起了一个 6800 星的项目」。
作者认为项目走红来自三种趋势叠加
文章最后将 Sequoia-X 的走红归结为三种趋势。
第一是量化平民化。程序化交易不再只是机构工具，一台普通电脑加上免费数据源就可以开始。第二是数据源变化。baostock 这类免费且无限流的接口，为个人开发者提供了新的基础条件。第三是 AI 辅助开发走向常态化，作者与 Claude 的协作，被原文视为「一个人就是一支团队」的写照。
在总结 Sequoia-X 受欢迎原因时，文章认为关键在于其提供了几项稀缺组合：免费数据源、透明的策略逻辑、全自动流程，以及可自行修改的开源代码。它不直接替用户做决策，而是补上做决策所需的信息处理和纪律执行环节。
不过，原文也明确提醒，Sequoia-X 是工具，不是「印钞机」。技术形态属于概率游戏，任何策略都存在失效周期，系统输出的是一份观察名单，而不是买入指令。文章建议用户先以小仓位验证一段时间，再考虑增加投入。