> 摘要： 本文从系统架构视角，拆解"价投长盈"微信小程序的设计哲学与技术选型。重点探讨如何在微信生态内构建专业级金融分析能力：包括20指标大盘预警的流式计算架构、DDM/DCF双模型估值引擎的参数化设计、7维贪恐指数的历史回溯存储方案，以及基于 MCP（Model Context Protocol）开放协议 的AI接入层设计——为何选择协议化开放而非传统API，如何在安全可控前提下让外部AI Agent成为用户的"投资助理"。

 

---

 

 一、项目背景：一个独立工具的技术定位

在开发价投长盈之前，我作为设计者面临的核心矛盾是：专业投资者需要的深度分析能力，与微信小程序轻量、封闭的生态特性之间存在天然张力。

传统解决方案通常走向两个极端：

- SaaS重型化：Wind、Choice等终端功能强大，但年费高昂、学习曲线陡峭，且与移动端场景割裂；

- 工具玩具化：大量小程序只做行情展示或简单PE/PB查询，无法支撑DDM、DCF等需要参数交互的估值建模。

价投长盈的技术定位是"轻入口、重计算、开放核"：

- 轻入口：依托微信生态，用户无需下载独立App；

- 重计算：估值模型、历史回测、银行评分等复杂运算全部下沉至服务端；

- 开放核：通过MCP协议将用户数据主权交还用户，允许外部AI安全接入。

整体架构采用 BFF（Backend for Frontend）+ 领域微服务 分层模式，通过API网关统一鉴权，后端按业务域拆分为估值引擎、评分服务、资产配置、MCP适配等独立模块。

 

---

 

 二、核心模块架构设计思路

 2.1 大盘预警：20指标流式计算Pipeline

大盘预警不是静态规则判断，而是每日盘前跑批的 多因子流式计算Pipeline。

技术选型思路：

- 时序数据库（InfluxDB）：20个指标每日产生带时间戳的多维数据点，需要高效支持范围查询与聚合计算，关系型数据库在回溯60日、180日趋势时性能衰减明显；

- 调度器（Airflow）：指标数据源异构（交易所行情、宏观数据、自研因子），需要统一的DAG调度保障每日6:00前完成全量计算；

- 阈值动态化：区别于固定阈值（如"PE>30就预警"），系统采用历史分位动态阈值，每个指标的"异常"定义随市场状态漂移。

工程难点在于多源数据的 时间对齐。部分宏观数据（如国债收益率）更新频率为日级，而期指基差为分钟级，Pipeline需要设计 数据水位线（Watermark） 机制，确保低频次数据不会阻塞整体计算。

 2.2 贪恐指数：7维数据模型与历史回溯

市面贪恐指数多为单值输出（如"贪婪指数75"），用户无法追溯"75"的构成与演变。

价投长盈的设计思路是 "高维解构 + 时间切片"：

- 将情绪拆分为 7个独立正交维度（趋势、广度、成交、风险、资金、期指、股债），每个维度有独立计算逻辑与权重；

- 存储层按 date + 7维指标 的宽表模型存入时序库，建立倒序索引支持快速回溯60日；

- 前端通过增量渲染策略，仅绘制可视区域的数据点，避免60日雷达图在移动端卡顿。

关键设计决策：为何是7维？这并非拍脑袋而定。我们在早期版本中尝试过3维（仅趋势、成交、资金），发现无法解释"2024年9月底"这类趋势与资金背离的市场状态。增加广度、风险、期指、股债后，指数对极端情绪的解释力显著提升。

 2.3 估值引擎：参数化模型与回测验证架构

这是系统最核心的计算域。设计哲学可概括为 "公式标准化、参数开放化、结果可验证"。

（1）DDM/DCF双模型参数化

传统工具的估值模型是黑箱：用户看到一个"内在价值"数字，但永续增长率、WACC、预测期等关键假设不可见、不可改。

我们的设计是 "模板默认 + 用户覆盖"：

- 系统基于行业与历史数据提供默认参数模板；

- 用户可在前端通过滑块/输入框覆盖任意参数；

- 每次参数变更触发后端重新计算，而非前端写死公式。

（2）历史回测与偏差可视化

参数开放后带来的新问题是：用户可能输入不合理的参数组合。为此我们设计了 历史回测验证层：

当用户修改参数后，系统不仅计算当前估值，还会用 同一套参数 回推过去5年的理论估值，并与当年实际市值对比，生成 偏差值曲线。

这条曲线的意义在于：

- 如果偏差长期为正（理论值持续高于市值），说明你的参数可能系统性乐观；

- 如果偏差围绕0轴波动，说明参数假设与历史市场定价逻辑基本吻合。

技术实现上，回测计算属于CPU密集型任务，我们将其拆分为异步队列，前端通过WebSocket接收计算完成推送，避免阻塞用户交互。

 2.4 银行评分：多维度加权与披露模板适配

银行股是价值投资的高频标的，但普通工具的财务指标对银行严重失真（PE/PB不区分资产质量）。

评分体系设计采用 AHP层次分析法 确定四大维度（质量、盈利、资本充足、机构评级）权重，避免主观拍脑袋。

更具工程价值的细节是 披露模板适配：

- 银行季报与年报的披露项存在结构性差异（如季报不披露资本充足率详细分项、不良生成率等）；

- 系统维护两套评分模板（季报模板 vs 年报模板），计算时根据报告期自动匹配；

- 前端明确提示用户"年报跟年报比，季报跟季报比"，避免跨期比较导致的误判。

 2.5 资产配置：从"百分比"到"金额"的设计转向

传统资产配置工具以 百分比 为核心（如"高股息仓占比30%"），但价投长盈选择了 "金额"作为第一性显示单位。

产品逻辑：百分比是静态结构，而投资者真正关心的是 "我每年能收到多少分红现金"。系统维护分红现金流账本（Dividend Cash Flow Ledger），根据持仓股数与最新年度分红预案，实时累加分红金额。

调仓算法基于目标市值占比与当前市值的偏离度，计算具体买卖金额。这种设计让投资者能直观感知被动现金流规模，而非仅看到抽象的仓位比例。

 

---

 

 三、MCP协议接入层：开放架构与安全边界

 3.1 为何选择MCP而非传统REST API？

在接入AI能力时，我们面临三种技术路径：

1. 自建ChatBot：在小程序内嵌AI对话窗口，但受限于微信生态与模型能力边界；

2. 开放REST API：供外部AI调用，但存在上下文割裂、权限粗放、协议不统一的问题；

3. MCP协议：标准化工具发现与调用机制，AI一次连接即可获取所有可用工具Schema。

选择MCP的核心考量是 "数据主权归用户"：

- 用户的持仓、估值参数、评分结果是敏感数据；

- 传统API模式下，用户需要把账号密码交给第三方AI平台；

- MCP模式下，用户生成 有限权限Token，自主决定AI能读取哪些数据（如只开放估值查询、不开放持仓明细），且可随时吊销。

 3.2 MCP Server 工具设计

我们将核心能力抽象为 4个标准化工具（Tools）：

- get_portfolio_status：持仓、资产配置偏离度、分红总额；

- get_stock_valuation：个股DDM/DCF估值及历史回测偏差；

- get_bank_score：银行股评分详情；

- get_market_warning：大盘预警状态及20指标明细。

每个工具均通过JSON Schema声明输入输出，AI在对话中可自主决策调用哪些工具组合回答用户问题。

 3.3 安全鉴权：Token分级与最小权限

MCP接入的安全设计遵循 最小权限原则：

- 采用JWT Token，内置权限掩码（Scope Mask），用户可在小程序内勾选授权范围（如仅允许AI读取估值数据、禁止读取持仓）；

- Token有效期30天，支持用户手动吊销；

- MCP Server在每次调用时校验Token有效性、权限覆盖范围、以及用户是否开启"AI访问"总开关（二次确认）。

 3.4 实际应用场景

用户配置MCP Server后，可在支持MCP的AI客户端（如OpenClaw、Claude Desktop）中实现自然语言交互：

> "帮我检查持仓偏离情况，再看看招商银行的DCF估值和不良贷款率。"

AI会自动调用 get_portfolio_status、get_stock_valuation、get_bank_score 三个工具，聚合后返回结构化分析，而非基于训练数据的猜测。

 

---

 

 四、数据层与性能优化策略

 4.1 小程序端性能优化

微信小程序的包体积限制（2MB）与单线程JS引擎对金融图表极不友好。我们的优化策略：

- 分包加载：ECharts图表库放入独立分包，主包仅保留启动逻辑；

- 计算完全下沉：DDM/DCF、回测、评分计算全部在服务端完成，前端仅接收渲染坐标，避免在JS线程执行 heavy computation；

- 增量渲染：贪恐指数60日回溯、回测偏差曲线采用可视区域局部渲染，降低内存占用；

- 骨架屏：大盘预警、银行评分等数据密集型页面使用骨架屏，缩短首屏感知时间。

 

---

 

 五、总结：设计哲学与开源展望

价投长盈的技术架构可归结为三个核心主张：

1. 模型透明化：DDM/DCF不是黑箱，每个参数可查看、可修改、可回测验证；

2. 数据主权化：通过MCP协议，用户自主控制AI访问边界，而非将数据交给封闭平台；

3. 场景专业化：银行评分、分红账本、资产配置等模块，针对价值投资场景深度定制，拒绝通用型工具的"一刀切"。

未来技术方向：

- 开源非核心MCP工具适配层，降低社区开发者接入成本；

- 探索Agentic Workflow，让AI不仅读取数据，还能基于用户规则生成调仓建议；

- 引入向量数据库，支持基于财报文本的语义检索（如快速定位"提及房地产风险敞口的银行"）。

 

---

 

体验入口：

- 微信搜索：价投长盈

- 或复制以下链接发给微信任意人，点击跳转：#小程序://价投长盈/pG­R­F­A­T­X­w­n­d­J­N­w­gp

 

> 技术交流： 如果你对MCP协议在金融工具中的应用、或估值模型的工程化设计感兴趣，欢迎在评论区交流。点赞过500，考虑开源MCP Server适配层设计文档。

 

---

 

声明： 本文涉及的技术架构基于价投长盈现有功能的设计思路分享，旨在探讨微信小程序与MCP协议结合的技术可行性。投资有风险，工具仅为辅助，不构成任何投资建议。