feat: 新增 mairui 历史分时 MA 日 K 级别 sync task

work #06 (2026-07-03)：user 请求加 mairui /hsdata 历史分时 MA 同步（日 K 级别）。 mairui 端点探测：/d/ma, /d/ma5/10/20, /15/ma, /30/ma, /60/ma 端点结构存在但当前免费 licence 返数据不存在；基础 K 线 (/d/n, /15/n, /30/n, /60/n) 正常。策略：本地从 kline_stock 计算（pandas per-stock rolling），写新表 kline_stock_ma_daily，source=local_kline_proxy 标识本地派生。 mairui URL 留作未来升级 licence 后切 API 用。变更： - app/core/db/models.py: KlineStockMADaily ORM model - app/core/db/ops.py: upsert_kline_stock_ma_daily_rows (批量 5000/批) - app/tasks/task_mairui_ma_daily.py: SyncMairuiMADaily (全量重算) - app/tasks/__init__.py: 注册到 TASKS dict - app/core/sync/registry.py: SYNC_DEFINITION (sort_order=90, dep=kline_daily) - app/core/scheduler/scheduler.py: schedule_mairui_ma_daily @ 16:30 + register_sync_jobs - bin/daily_sync_check.py: SCHEDULE entry (window_end=17:00) 烟测：11,684,592 行, 5510 只, 1370s (23min)，MA5/10/20/60 全部计算。 SH600519 样本：ma5=1194.18 ma10=1191.03 ma20=1211.94 ma60=1296.20 (2026-07-03) 未来优化（不在本 work）： - 增量模式（每日只算最近 1-2 天）→ 23min → 30s - 升级 mairui licence 切到 /d/maN API - 加 EMA / BOLL / KDJ 等其他指标 Co-Authored-By: Claude <noreply@anthropic.com>
2026-07-03 17:36:49 +08:00
parent 46ddf8e171
commit b351bd7595
8 changed files with 498 additions and 3 deletions
@@ -0,0 +1,118 @@
+"""同步任务：mairui 历史分时 MA（日 K 级别）。
+
+需求来源：mairui.club/hsdata 提供分时 K + MA 端点（/hsstock/history/{code}.{ex}/d/maN/）。
+本任务计算每只股票日 K 级别 MA5/10/20/60 指标，存入 market_data.kline_stock_ma_daily。
+
+算法：
+  - 输入：market_data.kline_stock（已有 ~1170w 行日 K 线）
+  - 按 stock_code 分组，对 close 做 rolling(5/10/20/60).mean()
+  - 首部不足 N 天的行 → MA 留 NULL（不外推）
+  - 全量重算（数据量 5213 只 × 6288 天 ≈ 3300w 行，pandas 处理 ~30s）
+
+数据来源标注：
+  - 本地计算 → source='local_kline_proxy'
+  - mairui API（要付费 licence，当前不可用）→ 未来若升级可走 source='mairui'
+"""
+from __future__ import annotations
+
+import time
+from typing import Any
+
+import pandas as pd
+from sqlalchemy import create_engine
+
+from app.core.config import settings
+from app.core.db import ops as db_ops
+from app.core.sync.base import SyncTask
+from app.core.utils.logging import get_logger
+
+logger = get_logger("sync.mairui_ma_daily")
+
+
+class SyncMairuiMADaily(SyncTask):
+    dataset_id = "mairui_ma_daily"
+
+    # MA 窗口集合（标准日 K 级别常用 4 个）
+    MA_WINDOWS = [5, 10, 20, 60]
+
+    def _run(
+        self,
+        *,
+        trigger_source: str = "manual",
+        codes: list[str] | None = None,
+        **kwargs,
+    ) -> dict[str, Any]:
+        t0 = time.time()
+        logger.info("[mairui_ma_daily] 启动日 K MA 计算")
+
+        # ── 1) 拉 kline_stock ──
+        engine = create_engine(settings.pg_sqlalchemy_url())
+        df = pd.read_sql(
+            'SELECT stock_code, trade_date, "close" '
+            'FROM market_data.kline_stock ORDER BY stock_code, trade_date',
+            engine,
+        )
+        if df.empty:
+            return {"status": "error", "message": "kline_stock 为空"}
+
+        # ── 2) 按 stock_code 分组算 rolling MA ──
+        df["stock_code"] = df["stock_code"].astype(str)
+        df["trade_date"] = pd.to_datetime(df["trade_date"], errors="coerce")
+        df = df.dropna(subset=["trade_date"])
+
+        # 只过滤指定 codes（可选，用于增量）
+        if codes:
+            df = df[df["stock_code"].isin(codes)]
+
+        # 关键步骤：每只股票独立 rolling
+        out_pieces = []
+        for stock_code, group in df.groupby("stock_code", sort=False):
+            g = group.sort_values("trade_date").copy()
+            for w in self.MA_WINDOWS:
+                g[f"ma{w}"] = g["close"].rolling(window=w, min_periods=w).mean()
+            out_pieces.append(g)
+
+        out = pd.concat(out_pieces, ignore_index=True)
+        logger.info(f"[mairui_ma_daily] 计算完成: {len(out):,} 行, "
+                    f"{out['stock_code'].nunique()} 只, "
+                    f"{out['trade_date'].min().date()} ~ {out['trade_date'].max().date()}")
+
+        # ── 3) 整理为 upsert 行 ──
+        out["trade_date"] = out["trade_date"].dt.strftime("%Y-%m-%d")
+        rows = []
+        for _, r in out.iterrows():
+            rows.append({
+                "stock_code": str(r["stock_code"]),
+                "trade_date": r["trade_date"],
+                "ma5": None if pd.isna(r["ma5"]) else float(r["ma5"]),
+                "ma10": None if pd.isna(r["ma10"]) else float(r["ma10"]),
+                "ma20": None if pd.isna(r["ma20"]) else float(r["ma20"]),
+                "ma60": None if pd.isna(r["ma60"]) else float(r["ma60"]),
+                "source": "local_kline_proxy",
+            })
+
+        # ── 4) 分批 upsert（每批 5000 行，避免 SQL 太长）──
+        BATCH = 5000
+        for i in range(0, len(rows), BATCH):
+            db_ops.upsert_kline_stock_ma_daily_rows(rows[i:i + BATCH])
+            if (i // BATCH) % 10 == 0:
+                self._progress(
+                    message=f"upsert {i + BATCH}/{len(rows)}",
+                    current=min(i + BATCH, len(rows)),
+                    total=len(rows),
+                )
+
+        elapsed = round(time.time() - t0, 1)
+        msg = (
+            f"MA {self.MA_WINDOWS} 共 {len(rows):,} 行, "
+            f"{out['stock_code'].nunique()} 只, {elapsed}s"
+        )
+        logger.info(f"[mairui_ma_daily] {msg}")
+        return {
+            "status": "ok",
+            "message": msg,
+            "rows": len(rows),
+            "stocks": int(out["stock_code"].nunique()),
+            "windows": self.MA_WINDOWS,
+            "elapsed_sec": elapsed,
+        }