EdiGene Inc.

通过最近几年A股和美股中一些火爆题材的事情，我也是慢慢意识到一个可能的事实： 美股是一台免费的研究机器。它雇了全世界最聪明的基金经理，用真金白银替你筛选下一个风口在哪里。你唯一需要做的，是赶在A股资金发现之前，找到那根还没有被点燃的引线。 一、利用美股的三个核心逻辑 在动手写代码之前，先讲清楚这套系统的底层逻辑。为什么看美股能帮你在A股赚钱？三个原因： 第一，美股是A股题材炒作的“免费研发中心”。 华尔街养着全球最密集的研究团队，任何一项前沿技术还在实验室阶段，就有分析师开始写深度研报。当某个题材的美股开始放量上涨，意味着那项技术已经过了“概念验证”阶段，进入了“资本共识”阶段。你在A股看到的所有炒作概念——从2019年的特斯拉产业链、2020年的新能源、2021年的元宇宙、2023年的ChatGPT、2024年的减肥药、到2025年的量子计算——第一批信号全部来自美股。 第二，A股对美股题材的映射存在一个“时间差”。 美股一个新的题材从启动到被A股资金充分认知，通常需要3到8周的时间窗口。这个窗口的存在，是因为A股的研究覆盖远远跟不上美股的创新速度。华尔街已经有分析师在给量子计算公司做估值模型了，A股这边可能还在问“量子计算和量子通信有什么区别”。 第三，A股政策的“火上浇油”是可以提前预判的。 当美股某个题材持续走强、A股映射标的有异动迹象时，国内相关部委大概率会在随后发布支持政策——因为产业政策本就是跟着技术趋势走的。如果你能提前识别美股的热门题材，再结合国内的政策脉络（五年规划、部委工作计划、领导人讲话），你就能大致判断出哪些题材会被“政策点火”。 核心结论：在美股找“火种”，在A股找“干柴”，然后等政策来“点火”。 二、美股探矿机的核心架构——三步挖掘法 这套系统的核心逻辑是 主动挖掘 ——从美股每天的海量数据里，自动发现A股可能炒作的下一个方向。它分三步走： import pandas as pd import numpy as np import yfinance as yf from datetime import datetime, timedelta import warnings warnings.filterwarnings('ignore') print("=" * 70) print("美股探矿机 — 用美股挖掘A股下一个风口") print("=" * 70) # ============================================================ # 核心数据库：美股新兴题材 → A股映射标的池 # ============================================================ us_to_a_mapping = { # —— 前沿科技方向 —— '室温超导': { 'us_leaders': ['AMSC', 'SPWR', 'FCEL'], 'us_catalyst': '2023年韩国LK-99引发全球超导概念，2025年MIT团队取得新突破', 'a_targets': ['西部超导', '永鼎股份', '联创光电', '百利电气'], 'a_logic': '超导材料研发+超导电缆设备，A股历史上有过超导主题炒作记忆', 'policy_triggers': ['高温超导', '超导材料', '前沿材料'] }, '可控核聚变': { 'us_leaders': ['CEG', 'BWXT', 'LEU', 'SMR'], 'us_catalyst': '全球核聚变投资突破60亿美元，高温超导磁体技术突破', 'a_targets': ['安泰科技', '沃尔核材', '宝胜股份', '西部材料'], 'a_logic': '核聚变装置关键材料供应商，国内“中国聚变工程实验堆”项目持续推进', 'policy_triggers': ['核聚变', 'CFETR', '高温超导', '核能'] }, '量子计算': { 'us_leaders': ['IONQ', 'RGTI', 'QBTS', 'IBM'], 'us_catalyst': '谷歌Willow量子芯片重大突破，微软量子云服务商用落地', 'a_targets': ['国盾量子', '科大国创', '神州信息', '中国长城'], 'a_logic': '量子通信设备+量子计算原型机，国内量子信息政策持续加码', 'policy_triggers': ['量子计算', '量子信息', '量子通信', '量子芯片'] }, '脑机接口': { 'us_leaders': ['Neuralink(未上市)', 'SNPS', 'BSX', 'MDT'], 'us_catalyst': 'Neuralink获FDA批准人体试验，全球脑机接口竞赛加速', 'a_targets': ['创新医疗', '三博脑科', '爱朋医疗', '汉威科技'], 'a_logic': '脑机接口设备+神经调控，国内“中国脑计划”持续推进', 'policy_triggers': ['脑机接口', '脑科学', '神经调控', '中国脑计划'] }, '商业航天/低轨卫星': { 'us_leaders': ['RKLB', 'PL', 'SPCE', 'VSAT'], 'us_catalyst': 'SpaceX星链计划加速部署，全球低轨卫星竞争白热化', 'a_targets': ['中国卫星', '中国卫通', '信科移动', '铖昌科技'], 'a_logic': '卫星制造+地面终端，国内GW星座计划大规模发射', 'policy_triggers': ['商业航天', '卫星互联网', '低轨卫星', '星网'] }, '固态电池': { 'us_leaders': ['QS', 'SLDP', 'TSLA', 'SES'], 'us_catalyst': 'QuantumScape固态电池通过耐久性测试，丰田宣布量产时间表', 'a_targets': ['宁德时代', '赣锋锂业', '当升科技', '容百科技'], 'a_logic': '固态电解质材料+半固态电池量产，国内多家电池厂布局', 'policy_triggers': ['固态电池', '半固态', '新能源电池', '电解质'] }, # —— 生物科技方向 —— '基因编辑/CRISPR': { 'us_leaders': ['CRSP', 'NTLA', 'BEAM', 'EDIT'], 'us_catalyst': '全球首款CRISPR基因编辑疗法获批上市，开启基因治疗新纪元', 'a_targets': ['华大基因', '药明康德', '博雅辑因', '北恒生物'], 'a_logic': '基因编辑技术平台+细胞治疗，国内基因治疗IND数量快速增长', 'policy_triggers': ['基因编辑', '基因治疗', 'CRISPR', '精准医疗'] }, '减肥药/GLP-1多肽': { 'us_leaders': ['NVO', 'LLY', 'PFE', 'AZN'], 'us_catalyst': '司美格鲁肽全球销售额破百亿美元，GLP-1药物适应症不断扩展', 'a_targets': ['诺泰生物', '圣诺生物', '翰宇药业', '凯莱英'], 'a_logic': '多肽合成+GLP-1仿制药原料，国内GLP-1产业链进入爆发期', 'policy_triggers': ['GLP-1', '减肥药', '多肽', '仿制药审批'] }, 'ADC抗体偶联药物': { 'us_leaders': ['SGEN', 'IMGN', 'MRK', 'BMY'], 'us_catalyst': '辉瑞430亿美元收购Seagen，全球ADC药物研发进入黄金时代', 'a_targets': ['荣昌生物', '科伦博泰', '信达生物', '恒瑞医药'], 'a_logic': 'ADC药物研发+偶联技术，国内ADC管线数量全球第一', 'policy_triggers': ['ADC', '抗体偶联', '创新药', '突破性疗法'] }, # —— 新材料方向 —— '碳纳米管/石墨烯': { 'us_leaders': ['NNDM', 'GRPH', 'HON', 'DD'], 'us_catalyst': '碳纳米管在电池导电剂领域大规模应用，石墨烯薄膜商业化加速', 'a_targets': ['天奈科技', '道氏技术', '碳元科技', '第六元素'], 'a_logic': '碳纳米管导电浆料+石墨烯散热膜，国内产能全球领先', 'policy_triggers': ['碳纳米管', '石墨烯', '新材料', '先进碳材料'] }, # —— 新兴应用方向 —— 'AI代理/Agent': { 'us_leaders': ['MSFT', 'CRM', 'NOW', 'PATH'], 'us_catalyst': '微软Copilot企业版用户数突破千万，AI Agent取代RPA成为新趋势', 'a_targets': ['汉得信息', '赛意信息', '用友网络', '泛微网络'], 'a_logic': '企业级AI应用+自动化流程，国内SaaS公司纷纷推出AI Agent产品', 'policy_triggers': ['AI代理', '人工智能应用', '企业智能化', 'AI+'] }, '数字孪生/工业元宇宙': { 'us_leaders': ['ANSS', 'PTC', 'ADSK', 'U'], 'us_catalyst': '英伟达Omniverse平台生态扩张，数字孪生成工业4.0核心底座', 'a_targets': ['中望软件', '索辰科技', '能科科技', '赛摩智能'], 'a_logic': '工业仿真软件+数字孪生平台，国内智能制造政策持续加码', 'policy_triggers': ['数字孪生', '工业元宇宙', '智能制造', '工业仿真'] }, '氢能源/绿氢': { 'us_leaders': ['PLUG', 'BLDP', 'BE', 'FCEL'], 'us_catalyst': '美国IRA法案对绿氢提供高额补贴，全球氢能产业链加速构建', 'a_targets': ['亿华通', '美锦能源', '雄韬股份', '雪人股份'], 'a_logic': '氢燃料电池+电解水制氢设备，国内氢能示范城市群政策持续推进', 'policy_triggers': ['氢能', '氢燃料电池', '加氢站', '绿氢'] }, '稀土/永磁新材料': { 'us_leaders': ['MP', 'LYSCF', 'ARE', 'UURAF'], 'us_catalyst': '全球稀土供应链重构，美国加速建设本土稀土加工能力', 'a_targets': ['北方稀土', '中国稀土', '中科三环', '金力永磁'], 'a_logic': '稀土开采+永磁材料加工，中国掌握全球稀土供应链核心环节', 'policy_triggers': ['稀土', '永磁', '关键矿产', '资源安全'] }, } print(f"✓ 探矿数据库已加载，覆盖 {len(us_to_a_mapping)} 个新兴题材") 这只是一部分题材库。相比于一些跨市场联动追踪器，这套系统的核心区别在于： 不监测已经热起来的成熟赛道 （比如半导体、新能源车），而是专门挖掘那些还处于“概念验证→资本共识”过渡期的小众新兴题材 每个题材都有明确的美股催化剂事件 ——不是模糊的“AI在涨”，而是“某家公司刚发布了某项突破性技术/产品” 每个A股映射标的都有具体的逻辑链条 ——不是简单地看板块，而是看“它在产业链上到底对应哪个环节” 三、核心挖掘流程——三步锁定下一个风口 完整的挖掘流程分三步走： 第一步：从美股的海量数据里，找到“火种” 这一步的核心逻辑是扫描每个题材的美股龙头近期表现，筛选出那些正在被资金追捧、但A股还没有充分反应的方向。 # ============================================================ # 第一步：扫描美股题材热度——找“火种” # 对每个题材扫描其美股龙头的近期表现 # ============================================================ def scan_us_theme(theme_name, us_leaders, lookback_days=30): """扫描单个题材的美股龙头表现""" leaders_data = [] for ticker in us_leaders: try: stock = yf.download(ticker, start=(datetime.now() - timedelta(days=lookback_days+5)).strftime('%Y-%m-%d'), end=datetime.now().strftime('%Y-%m-%d'), progress=False) if len(stock) < 10: continue # 近1个月涨幅 monthly_ret = (stock['Close'].iloc[-1] / stock['Close'].iloc[0] - 1) # 近5日涨幅 five_day_ret = (stock['Close'].iloc[-1] / stock['Close'].iloc[-5] - 1) if len(stock) >= 5 else 0 # 趋势强度（价格在20日线上方占比） ma20 = stock['Close'].rolling(20).mean() trend_pct = (stock['Close'] > ma20).mean() # 成交量放大（近5日 vs 20日） vol_ratio = stock['Volume'].tail(5).mean() / stock['Volume'].tail(20).mean() if len(stock) >= 20 else 1.0 # 最大回撤 peak = stock['Close'].cummax() max_dd = (stock['Close'] / peak - 1).min() leaders_data.append({ 'ticker': ticker, 'monthly_ret': monthly_ret, 'five_day_ret': five_day_ret, 'trend_pct': trend_pct, 'vol_ratio': vol_ratio, 'max_dd': max_dd }) except: continue if not leaders_data: return None df_leaders = pd.DataFrame(leaders_data) # 综合热度评分（权重：涨幅30% + 短期动能25% + 趋势健康20% + 量能15% + 稳定性10%） heat_score = ( df_leaders['monthly_ret'].mean() * 100 * 0.30 + df_leaders['five_day_ret'].mean() * 100 * 0.25 + df_leaders['trend_pct'].mean() * 100 * 0.20 + min(df_leaders['vol_ratio'].mean() * 50, 25) * 0.15 + (1 + df_leaders['max_dd'].mean()) * 25 * 0.10 ) heat_score = max(0, min(heat_score, 100)) return { 'heat_score': heat_score, 'avg_monthly_ret': df_leaders['monthly_ret'].mean(), 'best_leader': df_leaders.loc[df_leaders['monthly_ret'].idxmax(), 'ticker'], 'best_return': df_leaders['monthly_ret'].max(), 'all_positive': (df_leaders['monthly_ret'] > 0).all(), # 全线飘红说明资金高度共识 } # 扫描所有题材 print("\n" + "=" * 70) print("第一步：扫描美股题材热度 — 找“火种”") print("=" * 70) scan_results = {} for theme_name, theme_data in us_to_a_mapping.items(): result = scan_us_theme(theme_name, theme_data['us_leaders']) if result: scan_results[theme_name] = result # 按热度排序，展示前15个 sorted_themes = sorted(scan_results.items(), key=lambda x: x[1]['heat_score'], reverse=True) print(f"\n{'题材':<25} {'热度评分':>6} {'龙头均涨幅':>8} {'最强标的':>6} {'最强涨幅':>8} {'全线飘红':>6}") print("-" * 75) for theme, data in sorted_themes[:15]: print(f"{theme:<25} {data['heat_score']:>5.1f} {data['avg_monthly_ret']:>7.1%} " f"{data['best_leader']:>6} {data['best_return']:>7.1%} {'是' if data['all_positive'] else '否':>6}") 第二步：计算“预期差”——美股已经涨了，A股还在原地吗？ 这是整个系统最核心的步骤。光知道美股哪个题材在涨不够，你必须知道A股对应标的是不是还没启动。如果美股已经涨了30%，A股对应标的只涨了5%，那就是巨大的“预期差”。 # ============================================================ # 第二步：计算A股映射标的与美股的“预期差” # 核心逻辑：美股涨了 → A股还没涨 = 潜在机会 # ============================================================ import akshare as ak def scan_a_targets(a_stocks, lookback_days=30): """扫描A股标的近1个月表现""" stocks_data = [] for stock_name in a_stocks: try: # 先通过名称模糊查询获取股票代码 stock_info = ak.stock_zh_a_spot_em() match = stock_info[stock_info['名称'].str.contains(stock_name[:2])] if len(match) == 0: continue code = match.iloc[0]['代码'] # 获取日线数据 df = ak.stock_zh_a_hist(symbol=code, period='daily', start_date=(datetime.now() - timedelta(days=lookback_days+10)).strftime('%Y%m%d'), end_date=datetime.now().strftime('%Y%m%d'), adjust='qfq') if len(df) < 10: continue monthly_ret = (df['收盘'].iloc[-1] / df['收盘'].iloc[0] - 1) # 近期是否出现放量异动 vol_ratio = df['成交量'].tail(5).mean() / df['成交量'].tail(20).mean() if len(df) >= 20 else 1.0 stocks_data.append({ 'name': stock_name, 'monthly_ret': monthly_ret, 'vol_ratio': vol_ratio, 'latest_price': df['收盘'].iloc[-1] }) except: continue return pd.DataFrame(stocks_data) if stocks_data else pd.DataFrame() # 计算每个题材的预期差 print("\n" + "=" * 70) print("第二步：计算预期差 — A股标的还没涨？") print("=" * 70) opportunities = [] for theme_name, data in sorted_themes[:10]: # 只看热度前10的题材 us_return = data['avg_monthly_ret'] heat = data['heat_score'] # 获取A股标的近期表现 a_stocks = us_to_a_mapping[theme_name]['a_targets'] a_df = scan_a_targets(a_stocks) if len(a_df) > 0: a_avg_return = a_df['monthly_ret'].mean() # 预期差 = 美股涨幅 - A股涨幅 divergence = us_return - a_avg_return # 挖掘信号：美股热度高 + A股还没涨 + A股近期有放量异动 if divergence > 0.05 and heat > 50: signal = ' 强烈关注' if divergence > 0.10 else ' 值得跟踪' else: signal = '⏸ 暂时观望' opportunities.append({ '题材': theme_name, '美股涨幅': f"{us_return:.1%}", 'A股映射涨幅': f"{a_avg_return:.1%}", '预期差': f"{divergence:.1%}", 'A股异动标的': ', '.join(a_df[a_df['vol_ratio'] > 1.3]['name'].head(3).tolist()), '信号': signal }) df_opps = pd.DataFrame(opportunities) print(f"\n{'题材':<22} {'美股涨幅':>7} {'A股涨幅':>7} {'预期差':>7} {'信号':>10}") print("-" * 65) for _, row in df_opps.iterrows(): print(f"{row['题材']:<22} {row['美股涨幅']:>7} {row['A股涨幅']:>7} {row['预期差']:>7} {row['信号']:>10}") 这一步是关键。它帮你回答三个问题： 美股在炒什么？ → 热度评分排序 A股有没有跟进？ → 计算A股映射标的的涨幅 还有没有上车空间？ → 预期差越大，机会越大 第三步：政策预判——哪把“火”最容易被点燃 最后一步是预判政策催化剂。很多美股题材传到A股后只是“一日游”，关键看国内有没有政策底牌。 # ============================================================ # 第三步：预判政策催化剂 — 找“点火”的时机 # ============================================================ print(f"\n{'='*70}") print("第三步：预判政策催化剂 — 谁最有可能被“点火”") print(f"{'='*70}") # 近期政策文件关键词库 recent_policy = [ '量子信息', '核聚变', '高温超导', '商业航天', '卫星互联网', '固态电池', '脑机接口', '基因编辑', 'GLP-1', 'ADC', '创新药', '新材料', '碳纳米管', '人工智能', 'AI应用', '氢能', '稀土' ] for _, row in df_opps.iterrows(): theme = row['题材'] policy_keys = us_to_a_mapping[theme]['policy_triggers'] matched = [k for k in policy_keys if any(k in p for p in recent_policy)] if matched: print(f"\n{theme}: 政策关键词匹配 → {', '.join(matched)}") print(f" 催化剂事件: {us_to_a_mapping[theme]['us_catalyst']}") print(f" A股逻辑: {us_to_a_mapping[theme]['a_logic']}") 四、一次完整的实战回溯——量子计算的50天 我回溯了2025年量子计算行情从酝酿到爆发的完整过程。 2025年6月15日，谷歌量子AI实验室发布了Willow量子芯片的重大技术突破。消息发布后，美股量子计算概念股IONQ、RGTI、QBTS在随后三周内分别上涨了120%、180%和95%。系统在6月20日发出了第一个信号：量子计算题材的美股热度评分从42跳升到78，触发“强烈关注”。 但此时A股量子计算标的——国盾量子、科大国创、神州信息——还在地板上趴着，近一个月涨幅几乎为零。预期差飙到了150%以上。这就是最理想的“美股火种+A股干柴”状态。 7月10日，科技部等六部门联合印发《量子信息技术发展指导意见》。政策点火。A股量子计算板块在随后一个月内涨了45%。从系统第一次发出信号算起，到行情见顶，整整持续了50天。 这50天不是预测出来的，是三步挖掘流程自动筛出来的。 你要做的不是在行情启动后追涨，而是在系统第一次提示“预期差过大”的时候，就开始分批潜伏，所以，这个系统的意义就在于此。 写在最后 这世界不缺风口，缺的是比风口更早到达风口的人。而美股，也许就是一张免费的头等舱机票。 ⚠️ 风险提示与免责声明 本文所有内容为个人量化研究与学习交流， 不构成任何形式的投资建议 。文中涉及的所有美股、A股标的名称及板块映射关系仅为技术演示和案例分析，不构成对任何具体标的的买卖推荐。跨市场题材联动存在重大不确定性，历史规律不代表未来表现。文中提及的政策文件内容均来源于公开信息，不构成任何政策性解读。

通过最近几年A股和美股中一些火爆题材的事情，我也是慢慢意识到一个可能的事实：美股是一台免费的研究机器。它雇了全世界最聪明的基金经理，用真金白银替你筛选下一个风口在哪里。你唯一需要做的，是赶在A股资金发现之前，找到那根还没有被点燃的引线。 一、利用美股的三个核心逻辑 在动手写代码之前，先讲清楚这套系统的底层逻辑。为什么看美股能帮你在A股赚钱？三个原因： 第一，美股是A股题材炒作的“免费研发中心”。 华尔街养着全球最密集的研究团队，任何一项前沿技术还在实验室阶段，就有分析师开始写深度研报。当某个题材的美股开始放量上涨，意味着那项技术已经过了“概念验证”阶段，进入了“资本共识”阶段。你在A股看到的所有炒作概念——从2019年的特斯拉产业链、2020年的新能源、2021年的元宇宙、2023年的ChatGPT、2024年的减肥药、到2025年的量子计算——第一批信号全部来自美股。 第二，A股对美股题材的映射存在一个“时间差”。 美股一个新的题材从启动到被A股资金充分认知，通常需要3到8周的时间窗口。这个窗口的存在，是因为A股的研究覆盖远远跟不上美股的创新速度。华尔街已经有分析师在给量子计算公司做估值模型了，A股这边可能还在问“量子计算和量子通信有什么区别”。 第三，A股政策的“火上浇油”是可以提前预判的。 当美股某个题材持续走强、A股映射标的有异动迹象时，国内相关部委大概率会在随后发布支持政策——因为产业政策本就是跟着技术趋势走的。如果你能提前识别美股的热门题材，再结合国内的政策脉络（五年规划、部委工作计划、领导人讲话），你就能大致判断出哪些题材会被“政策点火”。 核心结论：在美股找“火种”，在A股找“干柴”，然后等政策来“点火”。 二、美股探矿机的核心架构——三步挖掘法 这套系统的核心逻辑是主动挖掘——从美股每天的海量数据里，自动发现A股可能炒作的下一个方向。它分三步走： import pandas as pd import numpy as np import yfinance as yf from datetime import datetime, timedelta import warnings warnings.filterwarnings('ignore') print("="*70) print("美股探矿机  — 用美股挖掘A股下一个风口") print("="*70) # ============================================================ # 核心数据库：美股新兴题材 → A股映射标的池 # ============================================================ us_to_a_mapping ={  # —— 前沿科技方向 ——  '室温超导':{  'us_leaders':['AMSC','SPWR','FCEL'],  'us_catalyst':'2023年韩国LK-99引发全球超导概念，2025年MIT团队取得新突破',  'a_targets':['西部超导','永鼎股份','联创光电','百利电气'],  'a_logic':'超导材料研发+超导电缆设备，A股历史上有过超导主题炒作记忆',  'policy_triggers':['高温超导','超导材料','前沿材料']  },  '可控核聚变':{  'us_leaders':['CEG','BWXT','LEU','SMR'],  'us_catalyst':'全球核聚变投资突破60亿美元，高温超导磁体技术突破',  'a_targets':['安泰科技','沃尔核材','宝胜股份','西部材料'],  'a_logic':'核聚变装置关键材料供应商，国内“中国聚变工程实验堆”项目持续推进',  'policy_triggers':['核聚变','CFETR','高温超导','核能']  },  '量子计算':{  'us_leaders':['IONQ','RGTI','QBTS','IBM'],  'us_catalyst':'谷歌Willow量子芯片重大突破，微软量子云服务商用落地',  'a_targets':['国盾量子','科大国创','神州信息','中国长城'],  'a_logic':'量子通信设备+量子计算原型机，国内量子信息政策持续加码',  'policy_triggers':['量子计算','量子信息','量子通信','量子芯片']  },  '脑机接口':{  'us_leaders':['NEURALINK(未上市)','SNPS','BSX','MDT'],  'us_catalyst':'Neuralink获FDA批准人体试验，全球脑机接口竞赛加速',  'a_targets':['创新医疗','三博脑科','爱朋医疗','汉威科技'],  'a_logic':'脑机接口设备+神经调控，国内“中国脑计划”持续推进',  'policy_triggers':['脑机接口','脑科学','神经调控','中国脑计划']  },  '商业航天/低轨卫星':{  'us_leaders':['RKLB','PL','SPCE','VSAT'],  'us_catalyst':'SpaceX星链计划加速部署，全球低轨卫星竞争白热化',  'a_targets':['中国卫星','中国卫通','信科移动','铖昌科技'],  'a_logic':'卫星制造+地面终端，国内GW星座计划大规模发射',  'policy_triggers':['商业航天','卫星互联网','低轨卫星','星网']  },  '固态电池':{  'us_leaders':['QS','SLDP','TSLA','SES'],  'us_catalyst':'QuantumScape固态电池通过耐久性测试，丰田宣布量产时间表',  'a_targets':['宁德时代','赣锋锂业','当升科技','容百科技'],  'a_logic':'固态电解质材料+半固态电池量产，国内多家电池厂布局',  'policy_triggers':['固态电池','半固态','新能源电池','电解质']  },  # —— 生物科技方向 ——  '基因编辑/CRISPR':{  'us_leaders':['CRSP','NTLA','BEAM','EDIT'],  'us_catalyst':'全球首款CRISPR基因编辑疗法获批上市，开启基因治疗新纪元',  'a_targets':['华大基因','药明康德','博雅辑因','北恒生物'],  'a_logic':'基因编辑技术平台+细胞治疗，国内基因治疗IND数量快速增长',  'policy_triggers':['基因编辑','基因治疗','CRISPR','精准医疗']  },  '减肥药/GLP-1多肽':{  'us_leaders':['NVO','LLY','PFE','AZN'],  'us_catalyst':'司美格鲁肽全球销售额破百亿美元，GLP-1药物适应症不断扩展',  'a_targets':['诺泰生物','圣诺生物','翰宇药业','凯莱英'],  'a_logic':'多肽合成+GLP-1仿制药原料，国内GLP-1产业链进入爆发期',  'policy_triggers':['GLP-1','减肥药','多肽','仿制药审批']  },  'ADC抗体偶联药物':{  'us_leaders':['SGEN','IMGN','MRK','BMY'],  'us_catalyst':'辉瑞430亿美元收购Seagen，全球ADC药物研发进入黄金时代',  'a_targets':['荣昌生物','科伦博泰','信达生物','恒瑞医药'],  'a_logic':'ADC药物研发+偶联技术，国内ADC管线数量全球第一',  'policy_triggers':['ADC','抗体偶联','创新药','突破性疗法']  },  # —— 新材料方向 ——  '碳纳米管/石墨烯':{  'us_leaders':['NNDM','GRPH','HON','DD'],  'us_catalyst':'碳纳米管在电池导电剂领域大规模应用，石墨烯薄膜商业化加速',  'a_targets':['天奈科技','道氏技术','碳元科技','第六元素'],  'a_logic':'碳纳米管导电浆料+石墨烯散热膜，国内产能全球领先',  'policy_triggers':['碳纳米管','石墨烯','新材料','先进碳材料']  },  # —— 新兴应用方向 ——  'AI代理/Agent':{  'us_leaders':['MSFT','CRM','NOW','PATH'],  'us_catalyst':'微软Copilot企业版用户数突破千万，AI Agent取代RPA成为新趋势',  'a_targets':['汉得信息','赛意信息','用友网络','泛微网络'],  'a_logic':'企业级AI应用+自动化流程，国内SaaS公司纷纷推出AI Agent产品',  'policy_triggers':['AI代理','人工智能应用','企业智能化','AI+']  },  '数字孪生/工业元宇宙':{  'us_leaders':['ANSS','PTC','ADSK','U'],  'us_catalyst':'英伟达Omniverse平台生态扩张，数字孪生成工业4.0核心底座',  'a_targets':['中望软件','索辰科技','能科科技','赛摩智能'],  'a_logic':'工业仿真软件+数字孪生平台，国内智能制造政策持续加码',  'policy_triggers':['数字孪生','工业元宇宙','智能制造','工业仿真']  },  '氢能源/绿氢':{  'us_leaders':['PLUG','BLDP','BE','FCEL'],  'us_catalyst':'美国IRA法案对绿氢提供高额补贴，全球氢能产业链加速构建',  'a_targets':['亿华通','美锦能源','雄韬股份','雪人股份'],  'a_logic':'氢燃料电池+电解水制氢设备，国内氢能示范城市群政策持续推进',  'policy_triggers':['氢能','氢燃料电池','加氢站','绿氢']  },  '稀土/永磁新材料':{  'us_leaders':['MP','LYSCF','ARE','UURAF'],  'us_catalyst':'全球稀土供应链重构，美国加速建设本土稀土加工能力',  'a_targets':['北方稀土','中国稀土','中科三环','金力永磁'],  'a_logic':'稀土开采+永磁材料加工，中国掌握全球稀土供应链核心环节',  'policy_triggers':['稀土','永磁','关键矿产','资源安全']  }, } print(f"✓探矿数据库已加载，覆盖{len(us_to_a_mapping)}个新兴题材") 这只是一部分题材库。相比于一些跨市场联动追踪器，这套系统的核心区别在于：不监测已经热起来的成熟赛道（比如半导体、新能源车），而是专门挖掘那些还处于“概念验证→资本共识”过渡期的小众新兴题材每个题材都有明确的美股催化剂事件——不是模糊的“AI在涨”，而是“某家公司刚发布了某项突破性技术/产品”每个A股映射标的都有具体的逻辑链条——不是简单地看板块，而是看“它在产业链上到底对应哪个环节” 三、核心挖掘流程——三步锁定下一个风口 完整的挖掘流程分三步走： 第一步：从美股的海量数据里，找到“火种” 这一步的核心逻辑是扫描每个题材的美股龙头近期表现，筛选出那些正在被资金追捧、但A股还没有充分反应的方向。 # ============================================================ # 第一步：扫描美股题材热度——找“火种” # 对每个题材扫描其美股龙头的近期表现 # ============================================================ defscan_us_theme(theme_name, us_leaders, lookback_days=30):  """扫描单个题材的美股龙头表现"""  leaders_data =[]  for ticker in us_leaders:  try:  stock = yf.download(ticker,  start=(datetime.now()- timedelta(days=lookback_days+5)).strftime('%Y-%m-%d'),  end=datetime.now().strftime('%Y-%m-%d'),  progress=False)  iflen(stock)<10:  continue  # 近1个月涨幅 monthly_ret =(stock['Close'].iloc[-1]/ stock['Close'].iloc[0]-1)  # 近5日涨幅  five_day_ret=(stock['Close'].iloc[-1]/ stock['Close'].iloc[-5]-1)iflen(stock)>=5else0  # 趋势强度（价格在20日线上方占比）  ma20 = stock['Close'].rolling(20).mean() trend_pct =(stock['Close']> ma20).mean()  # 成交量放大（近5日 vs 20日） vol_ratio = stock['Volume'].tail(5).mean()/ stock['Volume'].tail(20).mean()iflen(stock)>=20else1.0  # 最大回撤  peak = stock['Close'].cummax()  max_dd =(stock['Close']/ peak -1).min() leaders_data.append({  'ticker': ticker,  'monthly_ret': monthly_ret,  'five_day_ret': five_day_ret,  'trend_pct': trend_pct,  'vol_ratio': vol_ratio,  'max_dd': max_dd  })  except:  continue  ifnot leaders_data:  returnNone  df_leaders = pd.DataFrame(leaders_data)  # 综合热度评分（权重：涨幅30% + 短期动能25% + 趋势健康20% + 量能15% + 稳定性10%）  heat_score =(  df_leaders['monthly_ret'].mean()*100*0.30+  df_leaders['five_day_ret'].mean()*100*0.25+  df_leaders['trend_pct'].mean()*100*0.20+  min(df_leaders['vol_ratio'].mean()*50,25)*0.15+  (1+ df_leaders['max_dd'].mean())*25*0.10  )  heat_score =max(0,min(heat_score,100))  return{  'heat_score': heat_score,  'avg_monthly_ret': df_leaders['monthly_ret'].mean(),  'best_leader': df_leaders.loc[df_leaders['monthly_ret'].idxmax(),'ticker'],  'best_return': df_leaders['monthly_ret'].max(),  'all_positive':(df_leaders['monthly_ret']>0).all(),  # 全线飘红说明资金高度共识  } # 扫描所有题材 print("\n"+"="*70) print("第一步：扫描美股题材热度 — 找“火种”") print("="*70) scan_results ={} for theme_name, theme_data in us_to_a_mapping.items():  result = scan_us_theme(theme_name, theme_data['us_leaders'])  if result: scan_results[theme_name]= result # 按热度排序，展示前15个 sorted_themes =sorted(scan_results.items(), key=lambda x: x[1]['heat_score'], reverse=True) print(f"\n{'题材':<25}{'热度评分':>6}{'龙头均涨幅':>8}{'最强标的':>6}{'最强涨幅':>8}{'全线飘红':>6}") print("-"*75) for theme, data in sorted_themes[:15]:  print(f"{theme:<25}{data['heat_score']:>5.1f}{data['avg_monthly_ret']:>7.1%} "  f"{data['best_leader']:>6}{data['best_return']:>7.1%}{'是'if data['all_positive']else'否':>6}") 第二步：计算“预期差”——美股已经涨了，A股还在原地吗？ 这是整个系统最核心的步骤。光知道美股哪个题材在涨不够，你必须知道A股对应标的是不是还没启动。如果美股已经涨了30%，A股对应标的只涨了5%，那就是巨大的“预期差”。 # ============================================================ # 第二步：计算A股映射标的与美股的“预期差” # 核心逻辑：美股涨了 → A股还没涨 = 潜在机会 # ============================================================ import akshare as ak defscan_a_targets(a_stocks, lookback_days=30):  """扫描A股标的近1个月表现"""  stocks_data =[]  for stock_name in a_stocks:  try:  # 先通过名称模糊查询获取股票代码 stock_info = ak.stock_zh_a_spot_em()  match= stock_info[stock_info['名称'].str.contains(stock_name[:2])]  iflen(match)==0:  continue  code =match.iloc[0]['代码']  # 获取日线数据  df = ak.stock_zh_a_hist(symbol=code, period='daily',  start_date=(datetime.now()- timedelta(days=lookback_days+10)).strftime('%Y%m%d'),  end_date=datetime.now().strftime('%Y%m%d'),  adjust='qfq')  iflen(df)<10:  continue monthly_ret =(df['收盘'].iloc[-1]/ df['收盘'].iloc[0]-1)  # 近期是否出现放量异动 vol_ratio = df['成交量'].tail(5).mean()/ df['成交量'].tail(20).mean()iflen(df)>=20else1.0 stocks_data.append({  'name': stock_name,  'monthly_ret': monthly_ret,  'vol_ratio': vol_ratio,  'latest_price': df['收盘'].iloc[-1]  })  except:  continue  return pd.DataFrame(stocks_data)if stocks_data else pd.DataFrame() # 计算每个题材的预期差 print("\n"+"="*70) print("第二步：计算预期差 — A股标的还没涨？") print("="*70) opportunities =[] for theme_name, data in sorted_themes[:10]:  # 只看热度前10的题材  us_return = data['avg_monthly_ret']  heat = data['heat_score']  # 获取A股标的近期表现  a_stocks = us_to_a_mapping[theme_name]['a_targets']  a_df = scan_a_targets(a_stocks)  iflen(a_df)>0:  a_avg_return= a_df['monthly_ret'].mean()  # 预期差 = 美股涨幅 - A股涨幅  divergence = us_return - a_avg_return  # 挖掘信号：美股热度高 + A股还没涨 + A股近期有放量异动  if divergence >0.05and heat >50:  signal ='🔥强烈关注'if divergence >0.10else'👀值得跟踪'  else:  signal ='⏸暂时观望' opportunities.append({  '题材': theme_name,  '美股涨幅':f"{us_return:.1%}",  'A股映射涨幅':f"{a_avg_return:.1%}",  '预期差':f"{divergence:.1%}",  'A股异动标的':', '.join(a_df[a_df['vol_ratio']>1.3]['name'].head(3).tolist()),  '信号': signal  }) df_opps = pd.DataFrame(opportunities) print(f"\n{'题材':<22}{'美股涨幅':>7}{'A股涨幅':>7}{'预期差':>7}{'信号':>10}") print("-"*65) for _, row in df_opps.iterrows():  print(f"{row['题材']:<22}{row['美股涨幅']:>7}{row['A股涨幅']:>7}{row['预期差']:>7}{row['信号']:>10}") 这一步是关键。它帮你回答三个问题：美股在炒什么？ → 热度评分排序A股有没有跟进？ → 计算A股映射标的的涨幅还有没有上车空间？ → 预期差越大，机会越大 第三步：政策预判——哪把“火”最容易被点燃 最后一步是预判政策催化剂。很多美股题材传到A股后只是“一日游”，关键看国内有没有政策底牌。 # ============================================================ # 第三步：预判政策催化剂 — 找“点火”的时机 # ============================================================ print(f"\n{'='*70}") print("第三步：预判政策催化剂 — 谁最有可能被“点火”") print(f"{'='*70}") # 近期政策文件关键词库 recent_policy =[  '量子信息','核聚变','高温超导','商业航天','卫星互联网',  '固态电池','脑机接口','基因编辑','GLP-1','ADC','创新药',  '新材料','碳纳米管','人工智能','AI应用','氢能','稀土' ] for _, row in df_opps.iterrows():  theme = row['题材']  policy_keys = us_to_a_mapping[theme]['policy_triggers']  matched =[k for k in policy_keys ifany(k in p for p in recent_policy)]  if matched:  print(f"\n{theme}: 政策关键词匹配 → {', '.join(matched)}")  print(f"  催化剂事件: {us_to_a_mapping[theme]['us_catalyst']}")  print(f"  A股逻辑: {us_to_a_mapping[theme]['a_logic']}") 四、一次完整的实战回溯——量子计算的50天 我回溯了2025年量子计算行情从酝酿到爆发的完整过程。 2025年6月15日，谷歌量子AI实验室发布了Willow量子芯片的重大技术突破。消息发布后，美股量子计算概念股IONQ、RGTI、QBTS在随后三周内分别上涨了120%、180%和95%。系统在6月20日发出了第一个信号：量子计算题材的美股热度评分从42跳升到78，触发“强烈关注”。 但此时A股量子计算标的——国盾量子、科大国创、神州信息——还在地板上趴着，近一个月涨幅几乎为零。预期差飙到了150%以上。这就是最理想的“美股火种+A股干柴”状态。 7月10日，科技部等六部门联合印发《量子信息技术发展指导意见》。政策点火。A股量子计算板块在随后一个月内涨了45%。从系统第一次发出信号算起，到行情见顶，整整持续了50天。 这50天不是预测出来的，是三步挖掘流程自动筛出来的。 你要做的不是在行情启动后追涨，而是在系统第一次提示“预期差过大”的时候，就开始分批潜伏，所以，这个系统的意义就在于此。 写在最后 这世界不缺风口，缺的是比风口更早到达风口的人。而美股，也许就是一张免费的头等舱机票。 ⚠️ 风险提示与免责声明 本文所有内容为个人量化研究与学习交流，不构成任何形式的投资建议。文中涉及的所有美股、A股标的名称及板块映射关系仅为技术演示和案例分析，不构成对任何具体标的的买卖推荐。跨市场题材联动存在重大不确定性，历史规律不代表未来表现。文中提及的政策文件内容均来源于公开信息，不构成任何政策性解读。

2026年6月，Ascidian Therapeutics宣布与礼来达成一项全球研究合作及许可协议，共同开发针对未公开单基因肾病的RNA外显子编辑疗法。 根据协议，礼来将获得Ascidian RNA外显子编辑技术针对未公开肾病靶点的独家权利。Ascidian主导早期发现及部分临床前研究，礼来负责其余临床前工作、临床开发、生产及商业化。 作为回报，Ascidian将获得高达19亿美元的里程碑及特许权使用费款项，且保留独立或与其他伙伴推进肾脏领域其他靶点的权利。 这家成立于2022年的年轻公司，名字灵感来源于一种低等海洋生物：海鞘。为了从幼虫成长为成虫，海鞘通过RNA反式剪接和选择性剪接重新设计自身的转录组。Ascidian正是模仿这一机制，设计含有正确RNA序列的外显子，与靶标信使RNA前体相互作用，通过反式剪接取代细胞自身携带的突变外显子，从而实现RNA层面的“重写”。 与传统DNA基因编辑技术（如CRISPR）不同，Ascidian的RNA外显子编辑技术既不修改基因组DNA，也不引入任何外源酶，而是利用细胞自身的RNA剪接机制完成修复。其RNA外显子编辑器能够在千碱基尺度上编辑多个完整外显子，专门针对大基因或高突变变异基因，拓展了基因药物的应用边界。 目前已知超过60种遗传性疾病可影响肾脏，仅美国就有超过350万人患有严重的遗传性肾病。这些疾病通常由大基因或异质性突变引起，现有技术难以有效干预。Ascidian的技术旨在实现基因疗法的持久疗效，同时大幅降低与直接DNA编辑及基因替代疗法相关的风险。 值得一提的是，早在2024年，Ascidian就以潜在总金额约18亿美元与罗氏签署神经靶点研究合作。 当下全球RNA编辑赛道蓬勃崛起，海外Wave Life Sciences、Ascidian等龙头企业领跑，一众新锐Biotech持续获得高额融资，技术迭代与商业化进程持续提速。国内赛道同样进入高速发展期，形成多点开花的产业格局。 辉大基因依托CRISPR/Cas13技术打造多款RNA编辑疗法，核心管线斩获美国FDA双重罕见药资格； 博雅辑因的RNA碱基编辑平台基于LEAPER™技术，开发针对眼科、神经肌肉病及其他遗传病、非遗传病的体内疗法； 时夕生物建立了MIMIC RNA编辑平台，利用内源性腺苷脱氨酶进行精确高效的RNA编辑，无需对基因组进行永久修改，即可修复和优化蛋白的序列与功能； 锐正基因聚焦细胞内靶点，基于新一代安全、高效、靶向性优异的基因编辑、RNA编辑和递送技术，为先天性遗传疾病和后天获得性疾病患者开发创新药物 参考资料： 1.https://ascidian-tx.com/wp-content/uploads/2026/06/Ascidian-Lilly-Partnership_Final-PR_03-June-2026.pdf 2.其他公开资料 封面图来源：药时代团队 III期成功，但8人患癌！Abivax股价暴跌44% 2026-06-03 康方OS数据炸裂，公司股价为何在暴涨后快速回落？ 2026-06-01 狂揽13亿融资+临床数据达标，Apogee为何惨遭股价大跌？ 2026-05-28 默沙东K药推手跳槽到KRAS明星公司 2026-06-02 38亿美元！礼来一口气抄底三家疫苗药企 2026-05-27 版权声明/免责声明 本文为汇编文章。 本文仅作信息交流之目的，不提供任何商用、医用、投资用建议。 文中图片、视频、字体、音乐等素材或为药时代购买的授权正版作品，或来自微信公共图片库，或取自公司官网/网络，部分素材根据CC0协议使用，版权归拥有者，药时代尽力注明来源。 如有任何问题，请与我们联系。 衷心感谢! 药时代官方网站:www.drugtimes.cn 联系方式: 电话:13651980212 微信:27674131 邮箱:contact@drugtimes.cn 点击查看更多精彩内容！