下午三点，A股收盘，五千多只股票的K线定格。散户们打开行情软件，翻K线、比形态、盯成交量，想从五千多个候选里挑出明天值得多看一眼的几只。但翻完五百只，剩下的四千五百只只能靠缘分。人脑天生不擅长处理海量信息，更不擅长在疲惫时保持纪律，而选股恰恰两样都占。
有人决定不跟自己的眼睛较劲。他把「收盘后选股」的整套流程写成代码，丢到 GitHub 上，取名 Sequoia-X。半年时间，这个项目从 3000 星涨到 6800 多星，9 月初还冲上了 GitHub Trending。一个「收盘后自动选股、自动推送飞书」的 Python 工具，凭什么让这么多人围观？这篇文章把它拆开：它解决了什么问题、怎么做到的、策略是什么来头、怎么快速上手。
（项目地址：https://github.com/sngyai/Sequoia-X）
你需要的不是更多软件，而是一条选股流水线
散户选股有三难。第一难在数量：A股五千多只股票，人工逐一覆盖是天方夜谭。第二难在数据：免费接口要么字段不全、要么限流，收费的动辄几千上万元；想自己爬，东方财富的反爬机制能把脚本逼疯。第三难在时间：技术形态要连续盯盘，上班族哪有这个条件，等下班打开软件，该看的形态早走完了。
Sequoia-X 采用了一个工程化的解法：把整条流程做成无人值守的流水线。数据源选 baostock，免费、无需注册、无限流；历史K线拉下来存进本地 SQLite，数据完全归自己；每天收盘后自动跑一次，内置 7 个技术形态策略扫完全市场，结果通过飞书 Webhook 推到群里。第二天开盘前，只需瞄一眼手机。
这种模式首次回填约 12 分钟，之后每个交易日日常运行只要 2~3 分钟。
项目作者 YangYuDong 的履历也有意思。他的 GitHub 上，MQTT 中间件、即时通讯服务，一排底层基础设施项目，都是「海量数据、稳定优先」。他做 A 股量化，思路是把选股当消息系统设计，数据进，结果出，中间全是工程。Sequoia-X 也经历过推倒重来：V1 时代主要依赖 akshare，功能全面但依赖网页接口，反爬、字段缺失不断，跑着跑着就断；V2 换成 baostock，并按现代工程标准重写，README 开头的「王者回归」，就是这么来的。
拆开生产线：数据、策略、推送
▲ 系统架构：数据到推送的完整流水线
整套系统分为三层：
数据层是地基。baostock 拉取后复权日K线。后复权以最新价为基准，除权除息后历史价格会整体等比调整，好处在于：追加当天新K线时，新K线与库里已有价格口径一致，不会出现单日孤立跳变。于是每天只需补当天的一根，不用重拉历史：8 个进程并行，全市场增量更新只要 2~3 分钟。对比一下：全部重拉要十几分钟，增量每只只补一根，数据量差了上百倍。「首次全量、日常增量」是本地量化系统的标准姿势。
策略层是核心。7 个策略全部向量化计算，用 pandas 的滚动窗口批量处理，而不是一根K线一根K线地循环，代码里甚至直接写着一句「严禁 iterrows」当性能红线。较真的原因很简单：全市场一百多万行数据，Python 逐行循环能把人急哭，底层 C 语言批量运算快几十倍。写法不同，性能天差地别，这正是工程能力在量化里的隐形价值。
通知层负责最后一公里。每个策略可以绑定独立的飞书机器人，海龟推「海龟」群，RPS 推「RPS」群，各走各的。细节也讲究：推送时系统会通过 baostock 反查股票名称——很多同类项目只推一串代码，你还得自己去搜是哪家公司。这种「把活干完」的小心思，正是口碑的来源。
存储选 SQLite 也很务实：单文件数据库，不用装任何服务，备份迁移拷走就行——「一个人也能维护」的轻量，正适合个人项目。
▲ README 目录结构
经典战术的 A 股改良版
架构是骨架，策略是灵魂。
先看招牌策略：海龟突破。1983 年，传奇交易员理查德·丹尼斯与人打赌：交易能力到底能不能后天训练？他靠 400 美元起家，在期货牛市里做到上亿美元身家。他从《华尔街日报》广告里招募 13 个背景各异的人——有职业赌徒，也有毫无经验的新手，培训两周，每人一个百万美元级的实盘账户。
四年下来，「海龟」学员平均年化收益约 80%，证明优秀交易员是可以被规则训练出来的。秘诀是：价格突破过去 20 天最高点就进场，跌破过去 10 天最低点就离场。不预测，只跟随。2007 年，学员柯蒂斯·费思把它写成《海龟交易法则》，成了无数量化人的启蒙读物。
▲ 海龟突破：收盘价站上前 20 日最高点
Sequoia-X 把这套规则搬进 A 股，加了三个「防守动作」：成交额必须过亿，保证流动性；当天必须是实体阳线，拒绝高开低走的大阴线；今天收盘价必须高于昨天，过滤掉盘中冲高回落的「假阳线」。最后按流通市值从大到小排序，优先大市值，降低被游资操纵的风险。
代码注释恰好记录了这套防守的来历：「【新增防守条件】拒绝郑州煤电式的高开低走大阴线！」——显然是在实战里被坑过，才把教训写进了规则。策略不是设计出来的，是踩坑踩出来的。
▲ 海龟策略源码：三条核心选股条件
其余 6 个策略，一张表看明白：
其中 RPS 突破值得一说：它源自欧奈尔的《笑傲股市》，只买相对强度排名靠前的股票——涨得比大盘强的往往继续强，本质是顺势思维。定增监控则完全不是技术形态，而是事件驱动：盯着公告找消息面信号。7 个策略覆盖趋势、形态、情绪、事件四个维度，东边不亮西边亮。
你会发现一个规律：这些策略没有一个预测「明天涨不涨」，它们只回答一个问题——「现在该把注意力放在谁身上」。把「猜」换成「筛」，这正是量化与凭感觉操作的本质区别。
三步跑起来：写给想动手的人
上手门槛比想象中低，环境要求只有 Python 3.10 以上。
第一步，装依赖。推荐 uv，一条命令搞定：
第二步，配置推送。把 .env.example 复制成 .env，填上飞书机器人的 Webhook 地址。
第三步，回填数据。跑 python main.py --backfill 回填历史数据，之后每天跑 python main.py 看结果。再配一条 crontab 定时任务，连手动执行都省了：
想加自己的策略？也不难：继承 BaseStrategy 基类，实现一个 run() 方法返回股票列表，再到 main.py 注册一行，收工。数据获取、日志、异常处理的骨架，基类都替你搭好了。
对业内人士来说，它更是一份「现代 Python 工程范本」：配置用 Pydantic-settings 管理，日志用 rich 输出结构化信息，测试用 hypothesis 做属性测试，质量门禁配了 ruff 和 pytest，依赖用 uv 锁定版本。提交记录里还有 AI 的身影——不少 commit 署名是 claude。一个老程序员加一个 AI 助手，撑起了一个 6800 星的项目。
看不懂代码也没关系：数据存本地、策略每天自动跑、结果推飞书，把它当成「每天帮你值夜班的选股助手」就行。
Sequoia-X 的走红，与其说是「选股」的胜利，不如说是三个趋势的叠加。
趋势一，量化平民化。程序化交易不再是机构专属，一台普通电脑加一个免费数据源就能起步。
趋势二，数据源觉醒。baostock 这类免费无限流接口，让个人开发者终于不用在数据上被反复收割。
趋势三，AI 辅助开发成为常态。作者和 Claude 的分工协作，就是「一个人就是一支团队」的写照，6800 多个 Star 是这种模式投下的信任票。
回到最初的问题：为什么是它火了？市面上选股工具不少，各有各的道理。但 Sequoia-X 提供了一个稀缺的组合：免费的数据源、透明的策略逻辑、全自动的流程、以及一套可以自己改的源码。它不替你做决定，它把做决定所需的「信息差」和「纪律」补齐——对散户来说，这两样恰恰是最贵的。
最后说句实在话：Sequoia-X 是工具，不是印钞机。技术形态是概率游戏，任何策略都有失效周期，它跑出来的是一份「观察名单」，不是「买入指令」，最好先小仓位验证一段时间再加大投入。
而纪律，恰恰是散户手里最稀缺的东西。（（本文首发钛媒体APP，作者 | 硅谷Tech-news，编辑 | 焦燕））
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App