基于LLM与量化分析的股票智能分析系统daily_stock_analysis

这次我们来看一个基于AI大模型的股票智能分析系统——daily_stock_analysis。这个开源项目由ZhuLinsen开发，专注于用数据驱动的方式分析A股、港股、美股等多市场股票，而不是依赖主观感觉。

项目最核心的价值在于将LLM（大语言模型）与量化分析结合，提供每日自动化的股票分析报告。支持零成本部署，可以通过GitHub Actions实现完全免费的定时运行，也支持本地Docker部署和Web界面操作。

1. 核心能力速览

2. 适用场景与使用边界

这个系统特别适合需要定期跟踪多只股票的投资者。如果你每天要手动查看十几只甚至几十只股票的行情、新闻和技术指标，这个工具可以大幅提升效率。

适合场景：

• 个人投资者管理自选股组合
• 量化交易爱好者进行策略验证
• 金融从业者需要快速获取市场洞察
• 想要从主观判断转向数据驱动决策的用户

使用边界：

• 不提供具体的买卖建议，所有分析结果仅供参考
• 数据源稳定性受上游接口影响，免费源可能存在限流
• 需要基本的配置能力，非完全一键式解决方案
• 分析结果依赖AI模型的准确性和数据质量

重要提醒：本项目仅供学习和研究使用，不构成任何投资建议。股市有风险，投资需谨慎。

3. 环境准备与前置条件

根据不同的部署方式，环境要求有所不同：

3.1 GitHub Actions部署（推荐新手）

• GitHub账号
• 基本的Git操作知识
• 至少一个AI模型的API Key（如Anspire、AIHubMix等）
• 至少一个消息推送渠道的配置

3.2 本地部署

• Python 3.8+
• 4GB以上内存
• 稳定的网络连接
• 可选：CUDA环境（如果使用本地AI模型）

3.3 Docker部署

• Docker环境
• Docker Compose（可选）
• 足够的磁盘空间存储模型和数据

4. 安装部署与启动方式

4.1 GitHub Actions部署（零成本方案）

这是最推荐的部署方式，完全免费且无需服务器：

# 1. Fork项目到自己的GitHub账户 # 访问：https://github.com/ZhuLinsen/daily_stock_analysis # 点击右上角Fork按钮 # 2. 配置Secrets # 进入Fork后的仓库 → Settings → Secrets and variables → Actions # 点击New repository secret添加以下配置：

需要配置的关键参数：

AI模型配置（至少一个）：

• ANSPIRE_API_KEYS: Anspire API Key（推荐，同时支持模型和搜索）
• AIHUBMIX_KEY: AIHubMix API Key
• GEMINI_API_KEY: Google Gemini API Key
• OPENAI_API_KEY: OpenAI兼容API Key

自选股配置（必填）：

• STOCK_LIST: 股票代码，如600519,hk00700,AAPL,7203.T,005930.KS,2330.TW

通知渠道配置（至少一个）：

• WECHAT_WEBHOOK_URL: 企业微信机器人
• FEISHU_WEBHOOK_URL: 飞书机器人
• EMAIL_SENDER+EMAIL_PASSWORD: 邮件推送

# 3. 启用Actions # Actions标签 → I understand my workflows, go ahead and enable them # 4. 手动测试 # Actions → 每日股票分析 → Run workflow → Run workflow

4.2 本地部署

适合需要定制化功能或本地数据处理的用户：

# 克隆项目 git clone https://github.com/ZhuLinsen/daily_stock_analysis.git cd daily_stock_analysis # 安装依赖 pip install -r requirements.txt # 配置环境变量 cp .env.example .env # 编辑.env文件，配置API密钥等参数 # 运行分析 python main.py

常用运行命令：

# 调试模式 python main.py --debug # 干跑测试（不实际发送通知） python main.py --dry-run # 指定股票分析 python main.py --stocks 600519,hk00700,AAPL,2330.TW # 启动Web界面 python main.py --webui

4.3 Docker部署

适合希望环境隔离的用户：

# 使用Docker Compose（推荐） docker-compose up -d # 或者直接使用Docker docker run -d --name stock-analysis \ -v $(pwd)/config:/app/config \ -p 8000:8000 \ zhulinsen/daily_stock_analysis:latest

5. 功能测试与效果验证

部署完成后，需要验证系统是否正常工作。以下是完整的测试流程：

5.1 基础功能测试

测试目的：验证核心分析功能是否正常操作步骤：

1. 配置最少3只不同市场的股票（如A股、港股、美股各一只）
2. 运行分析命令：python main.py --stocks 600519,hk00700,AAPL
3. 观察日志输出，确认数据获取和分析过程正常

预期结果：

• 成功获取股票行情数据
• AI模型生成分析报告
• 报告包含评分、趋势判断、风险提示等要素

成功标准：

• 无错误日志
• 生成完整的分析报告
• 报告内容结构清晰，包含具体数据支撑

5.2 Web界面测试

测试目的：验证Web工作台功能完整性操作步骤：

# 启动Web界面 python main.py --webui-only # 访问 http://127.0.0.1:8000

功能验证清单：

• [ ] 配置管理页面可正常访问
• [ ] 股票代码输入和补全功能正常
• [ ] 历史报告页面可查看过往分析
• [ ] Agent问股功能可交互
• [ ] 主题切换（浅色/深色）正常

5.3 推送功能测试

测试目的：验证消息推送渠道配置正确操作步骤：

1. 配置至少一个推送渠道（推荐先测试邮件）
2. 运行分析命令
3. 检查是否收到推送消息

邮件推送验证要点：

• 邮件主题包含日期和股票数量
• 正文包含决策仪表盘摘要
• 格式正确，无乱码
• 链接可正常访问

5.4 Agent策略问股测试

测试目的：验证智能问答功能操作步骤：

1. 访问Web界面的/chat页面
2. 输入问题如"贵州茅台当前技术面如何？"
3. 观察AI回复的准确性和完整性

验证标准：

• 回复包含具体数据引用
• 分析逻辑清晰
• 支持多轮对话
• 可调用实时行情和技术指标

6. 接口API与批量任务

项目提供完整的API接口，支持程序化调用和批量任务处理。

6.1 API服务启动

# 启动API服务 python server.py # 或者使用FastAPI方式 uvicorn api.main:app --host 0.0.0.0 --port 8000

6.2 基础API调用示例

获取股票分析报告：

import requests import json url = "http://127.0.0.1:8000/api/analyze" payload = { "stocks": ["600519", "hk00700"], "include_news": True, "include_technical": True } headers = { "Content-Type": "application/json", "Authorization": "Bearer your_api_key" } response = requests.post(url, json=payload, headers=headers, timeout=120) result = response.json() print(f"分析完成，共处理 {len(result['reports'])} 只股票") for report in result['reports']: print(f"{report['symbol']}: 评分{report['score']}, 趋势{report['trend']}")

批量任务处理：

# 批量分析股票列表 def batch_analyze_stocks(stock_list, batch_size=5): results = [] for i in range(0, len(stock_list), batch_size): batch = stock_list[i:i+batch_size] try: response = requests.post(url, json={"stocks": batch}, timeout=180) results.extend(response.json()['reports']) print(f"已完成批次 {i//batch_size + 1}") except Exception as e: print(f"批次 {i//batch_size + 1} 处理失败: {e}") return results # 使用示例 all_stocks = ["600519", "000858", "hk00700", "AAPL", "7203.T"] analysis_results = batch_analyze_stocks(all_stocks)

6.3 定时任务配置

使用GitHub Actions的定时任务：

# 在.github/workflows/daily-analysis.yml中配置 on: schedule: # 每个工作日18点（北京时间）运行 - cron: '0 10 * * 1-5' workflow_dispatch: # 允许手动触发

本地crontab配置：

# 编辑crontab crontab -e # 添加以下行（工作日18点运行） 0 18 * * 1-5 cd /path/to/daily_stock_analysis && python main.py

7. 资源占用与性能观察

7.1 GitHub Actions资源使用

在GitHub Actions环境下运行，主要资源限制：

• 运行时间：最长6小时
• 内存：7GB RAM
• 存储：14GB SSD

性能优化建议：

• 控制单次分析的股票数量（建议不超过20只）
• 合理配置数据源优先级，避免频繁切换
• 使用缓存减少重复数据请求

7.2 本地部署资源占用

内存占用观察：

# 监控Python进程内存使用 ps aux | grep python | grep main.py # 或者使用htop实时监控 htop

典型资源占用：

• 基础运行：200-500MB内存
• 全功能分析：1-2GB内存（依赖数据量）
• 数据库缓存：随时间增长，建议定期清理

7.3 网络资源优化

数据源访问策略：

• 优先使用本地缓存数据
• 设置合理的请求超时时间
• 配置多个数据源fallback机制
• 避免交易时间段的高频请求

8. 常见问题与排查方法

8.1 详细排查步骤

API密钥配置问题：

# 测试API密钥有效性 python -c " import os from src.llm.providers.anspire import AnspireProvider provider = AnspireProvider(api_key=os.getenv('ANSPIRE_API_KEYS')) print('API密钥测试:', provider.test_connection()) "

数据源连接测试：

# 测试AkShare数据源 python -c " import akshare as ak try: data = ak.stock_zh_a_spot_em() print(f'A股实时数据获取成功，共{len(data)}只股票') except Exception as e: print(f'数据获取失败: {e}') "

9. 最佳实践与使用建议

9.1 配置优化建议

AI模型选择策略：

• 新手推荐使用Anspire或AIHubMix，一Key多模型
• 需要高质量分析时使用Claude或GPT-4
• 本地部署推荐Ollama+开源模型

数据源配置优先级：

# 推荐的数据源fallback顺序 DATA_SOURCE_PRIORITY = { 'A股': ['tushare', 'akshare', 'baostock'], '港股': ['longbridge', 'akshare'], '美股': ['yfinance', 'longbridge'] }

9.2 股票组合管理

自选股配置技巧：

• 按行业分散配置，避免过度集中
• 包含不同市值的股票（大盘、中盘、小盘）
• 定期审查和更新股票列表
• 设置合理的分析频率（避免过度分析）

示例股票组合：

# 均衡型组合示例 600519,000858,601318, # 消费+金融 hk00700,hk00941, # 科技港股 AAPL,MSFT, # 美股科技 7203.T,005930.KS # 日韩市场

9.3 风险控制设置

分析参数调整：

# 在配置文件中调整风险参数 RISK_CONFIG = { 'max_stocks_per_run': 20, # 单次分析最大股票数 'timeout_per_stock': 300, # 单股票分析超时时间 'fallback_enabled': True, # 启用降级方案 'data_quality_check': True # 数据质量检查 }

10. 进阶功能与扩展应用

10.1 自定义分析策略

项目支持自定义分析策略，可以基于技术指标、基本面数据或市场情绪创建个性化分析逻辑：

# 自定义策略示例 from src.strategies.base import BaseStrategy class CustomTechnicalStrategy(BaseStrategy): def analyze(self, stock_data): # 实现自定义分析逻辑 if stock_data['rsi'] < 30 and stock_data['volume'] > stock_data['avg_volume']: return {'action': 'BUY', 'confidence': 0.8} return {'action': 'HOLD', 'confidence': 0.5}

10.2 与其它系统集成

与量化平台集成：

# 将分析结果导入量化平台 def export_to_quant_platform(analysis_results): for stock in analysis_results: # 生成量化信号 signal = { 'symbol': stock['symbol'], 'action': stock['recommendation'], 'score': stock['score'], 'timestamp': datetime.now().isoformat() } # 发送到量化交易系统 # ...

数据导出与分析：

# 导出历史分析数据用于进一步研究 import pandas as pd from src.utils.history import get_analysis_history history_data = get_analysis_history(days=30) df = pd.DataFrame(history_data) df.to_csv('stock_analysis_history.csv', index=False)

这个股票分析系统最大的优势在于将复杂的多维度分析自动化，让投资者能够基于数据而不是感觉做出决策。无论是个人投资者还是专业机构，都能通过这个系统提升投资决策的效率和科学性。

建议初次使用者先从GitHub Actions部署开始，配置3-5只熟悉的股票进行测试，熟悉系统工作流程后再逐步扩展股票数量和功能模块。系统的模块化设计也便于根据实际需求进行功能裁剪和定制开发。