我看了这个 AI 股票分析项目，真正有价值的不是“会选股”，而是把分析这件事系统化

最后更新: 2026-04-22

Table of Content

我看了这个 AI 股票分析项目，真正有价值的不是“会选股”，而是把分析这件事系统化¶

最近我看了一个开源项目，叫 daily_stock_analysis。
如果只看名字，你会以为它只是又一个“AI 帮你分析股票”的工具。但把 README 从头到尾看完，我反而觉得，它真正有意思的地方，不在“AI”这两个字，而在它试图解决一个更底层的问题：

投资里最稀缺的，从来不是信息本身，而是把信息稳定地处理成判断的能力。

市场里不缺信息。A 股、港股、美股，行情、公告、资金流、新闻、舆情、技术面、基本面，每天都在爆炸式更新。普通人真正吃亏的地方，很多时候不是完全不知道发生了什么，而是知道得太碎，反应得太快，最后把判断做成了情绪。

所以这个项目真正想做的，不是“替你炒股”，而是把原本零散、重复、容易受情绪干扰的分析动作，收成一套可以自动运行、自动推送、自动回看、还能不断补强的流程。

它到底在做什么¶

简单说，这个项目会每天自动分析你的自选股，然后把结果整理成一份“决策仪表盘”发给你。
这里的关键词不是“日报”，而是“仪表盘”。

它不是只给你一句“看多”或者“看空”，而是尽量把下面这些东西放在一起：

一句话核心结论
买入价、止损价、目标价
风险提示
操作检查清单
技术面、资金流、舆情、公告等多维信息

这一点很关键。因为很多所谓 AI 股票工具，只是把一堆数据喂给模型，再吐出一段看起来像分析的文字。而这个项目往前走了一步，它试图把“信息”变成“判断入口”。这两者差别很大。前者只是描述，后者才开始接近决策支持。

它覆盖的，不只是个股分析¶

从 README 来看，这个项目已经不是一个单点脚本，而是一套比较完整的工作流：

支持 A 股、港股、美股，以及部分美股指数
可以做个股分析，也可以做大盘复盘
内置市场策略系统，A 股有“三段式复盘策略”，美股有 Regime Strategy
支持历史报告详情、完整 Markdown 报告、纯文本复制
支持 AI 回测验证，能看历史分析和次日实际表现之间的偏差
支持策略问股，像聊天一样按某种策略框架问一只股票
支持持仓、历史记录、设置、通知发送等完整 Web 工作台

这说明它已经不只是“爬数据 + 调大模型”的 demo，而是在往一个可持续使用的投研工作台走。

真正的难点，不是 AI 会不会说，而是系统能不能长期跑¶

我觉得这项目最有深度的地方，不在模型输出了多少术语，而在它认真处理了那些最容易被忽略、但在金融场景里又最致命的问题。

比如数据源。

项目接入的不是一个单一行情源，而是一整套组合：

行情数据：AkShare、Tushare、Pytdx、Baostock、YFinance、Longbridge
新闻搜索：Anspire、Tavily、SerpAPI、Bocha、Brave、MiniMax
社交舆情：Stock Sentiment API，覆盖 Reddit、X、Polymarket，仅美股可选
AI 模型：AIHubMix、Gemini、OpenAI 兼容接口、DeepSeek、通义千问、Claude、Ollama

这些名字看起来像“堆料”，但真正重要的不是接得多，而是它背后的逻辑：金融系统最怕单点失效。

接口限流、字段缺失、搜索失效、模型不稳，这些在普通工具里可能只是“小问题”；但在金融分析里，它们会一路传导，最后变成错误结论。所以 README 里反复强调兜底、回退、降级、缓存、字段契约，我觉得这不是工程洁癖，而是可信度的一部分。

它连数据路由都不是随便写的¶

这套系统里，数据路由有明确优先级。

比如美股和港股，如果配置了 LONGBRIDGE_APP_KEY、LONGBRIDGE_APP_SECRET、LONGBRIDGE_ACCESS_TOKEN，那么日线 K 线和实时行情优先走 Longbridge；失败或者字段不全，再由 YFinance 或 AkShare 补上。美股大盘指数如 SPX 始终优先走 YFinance，因为长桥本身不提供指数行情。

A 股这边的路由则保持为：

Efinance -> AkShare -> Tushare -> Pytdx -> Baostock

而且 Tushare 现在还增加了港股查询能力，只要配置 TUSHARE_TOKEN 且账户本身有港股日线权限，首页直接输入港股代码也能正常分析。

这种写法说明它不是“为了能跑一次”而写，而是在处理一个真正上线后会遇到的问题：不同市场、不同权限、不同接口，能力边界并不一样。

这个项目其实在做一件更难的事：把感觉外化成流程¶

我觉得真正值得琢磨的，不是它会不会写分析，而是它试图把原本依赖个人经验、个人状态的判断过程，外化成一套更可复盘的结构。

比如它内置了交易纪律：

乖离率超过阈值默认提示“严禁追高”
趋势交易要求 MA5 > MA10 > MA20
明确给出买入价、止损价、目标价
检查清单按“满足 / 注意 / 不满足”标记
新闻时效默认只看近 3 天，避免拿旧信息支撑新判断

这看上去像规则，其实更像在对抗人性的波动。因为普通人真正的问题，往往不是完全不懂，而是懂了也不稳定。今天知道不能追高，明天盘中一激动还是会追；知道该先看公告和资金流，最后却还是被涨跌牵着走。

所以这类工具真正的价值，不是让你不犯错，而是尽量让你别因为低级混乱而犯错。

GitHub Actions 这一段，才是它“产品意识”最强的地方¶

README 里我最喜欢的一部分，其实不是模型，而是部署。

项目给出的推荐方案是 GitHub Actions，目标非常直接：

5 分钟完成部署，零成本，无需服务器。

流程也很简单：

Fork 仓库
在 Settings -> Secrets and variables -> Actions 里配置 Secrets
启用 Actions
手动跑一次 workflow 测试

默认每个工作日北京时间 18:00 自动执行，也支持手动触发。非交易日默认不跑，但你可以用两种方式跳过交易日检查：

全局关闭：TRADING_DAY_CHECK_ENABLED=false
单次强制：Actions 手动触发时勾选 force_run

这件事为什么重要？因为它把门槛压得非常低。很多人不是不想用自动化工具，而是听到“部署”“服务器”“定时任务”“环境变量”就放弃了。这个项目很清楚地知道，能不能让普通人先跑起来，本身就是产品能力的一部分。

当然，README 也不是只给了 GitHub Actions 这一条路。它还提供了第二种方式：本地运行 / Docker 部署。

最基础的本地运行流程就是四步：

# 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 && vim .env

# 运行分析
python main.py

如果你不用 Web，README 还专门给了一套更直接的模型渠道写法，建议直接在 .env 里按条配置：

LLM_CHANNELS=primary
LLM_PRIMARY_PROTOCOL=openai
LLM_PRIMARY_BASE_URL=https://api.deepseek.com/v1
LLM_PRIMARY_API_KEY=sk-xxxxxxxx
LLM_PRIMARY_MODELS=deepseek-chat
LITELLM_MODEL=openai/deepseek-chat

这样写的好处是简单、直接，不需要额外再维护一套配置文件。保存之后，如果你后面又切回 Web，也可以在 Web 设置页继续编辑同一组字段，两边是打通的。

README 这里还补了一句很重要的话：如果你同时启用了高级模型路由 YAML，也就是 LITELLM_CONFIG，那么 YAML 主要负责定义可用模型和路由规则，也就是 model_list；但真正运行时的主模型、备选模型、Vision、Temperature，还是由这些字段决定：

LITELLM_MODEL
LITELLM_FALLBACK_MODELS
VISION_MODEL
LLM_TEMPERATURE

也就是说，渠道编辑器保存的是“渠道条目”，不会覆盖这些运行时字段的选择。这种区分其实挺重要，因为很多人一旦同时混用页面配置、.env 和 YAML，最容易搞不清到底谁在真正生效。

再往下走，如果你打算用 Docker，README 也专门提醒了两个很容易踩坑的点。

第一，Docker 部署和定时任务配置要去看完整指南，桌面客户端打包则要看桌面端打包说明。

第二，Docker 版本号不要看错。真正应该认的是你实际拉取或运行的镜像 tag，比如 v3.12.0。因为仓库里的 Docker 发布是由 .github/workflows/docker-publish.yml 按 v*.*.* 的 Git tag 触发的，而 apps/dsa-web/package.json 里的 0.0.0 只是占位版本，不代表真实的 Docker 发布版本。这种提醒很细，但很有用，因为很多人排查问题时，第一步就会先把版本看错。

配置很多，但不是乱¶

这个项目的配置项非常多，但大体上是分层的。

最核心的几层包括：

模型层 - AIHUBMIX_KEY - GEMINI_API_KEY - ANTHROPIC_API_KEY - ANTHROPIC_MODEL - OPENAI_API_KEY - OPENAI_BASE_URL - OPENAI_MODEL - OPENAI_VISION_MODEL - OLLAMA_API_BASE

模型统一通过 LiteLLM 调用，多模型时推荐使用：

LLM_CHANNELS + LLM_<NAME>_PROTOCOL/BASE_URL/API_KEY/MODELS/ENABLED

如果你要显式指定主模型或备选模型，再额外配置：

LITELLM_MODEL
LITELLM_FALLBACK_MODELS

这里 README 还特别提醒了几个坑：

AI 优先级默认是 Gemini > Anthropic > OpenAI（含 AIHubMix）> Ollama
AIHUBMIX_KEY 不需要再配置 OPENAI_BASE_URL
图片识别必须用支持 Vision 的模型
DeepSeek 的思考型模型会按模型名自动识别
Ollama 本地模型必须走 OLLAMA_API_BASE，误用 OPENAI_BASE_URL 会直接 404

搜索与舆情层 - TAVILY_API_KEYS - ANSPIRE_API_KEYS - MINIMAX_API_KEYS - SERPAPI_API_KEYS - BOCHA_API_KEYS - BRAVE_API_KEYS - SEARXNG_BASE_URLS - SEARXNG_PUBLIC_INSTANCES_ENABLED - SOCIAL_SENTIMENT_API_KEY - SOCIAL_SENTIMENT_API_URL

行情与增强层 - STOCK_LIST - TUSHARE_TOKEN - TICKFLOW_API_KEY - LONGBRIDGE_* 全套配置

运行与策略层 - WECHAT_MSG_TYPE - NEWS_STRATEGY_PROFILE - NEWS_MAX_AGE_DAYS - BIAS_THRESHOLD - TRADING_DAY_CHECK_ENABLED - PREFETCH_REALTIME_QUOTES

Agent 层 - AGENT_MODE - AGENT_LITELLM_MODEL - AGENT_SKILLS - AGENT_MAX_STEPS - AGENT_SKILL_DIR

基本面层 - ENABLE_FUNDAMENTAL_PIPELINE - FUNDAMENTAL_STAGE_TIMEOUT_SECONDS - FUNDAMENTAL_FETCH_TIMEOUT_SECONDS - FUNDAMENTAL_RETRY_MAX - FUNDAMENTAL_CACHE_TTL_SECONDS - FUNDAMENTAL_CACHE_MAX_ENTRIES

这些配置多，但并不乱。它说明项目已经从“能跑”走到了“怎么稳定地跑，怎么针对不同用户和不同场景调节”。

它甚至把失败怎么发生都想好了¶

README 里有一段很多人可能会跳过，但我觉得很关键，就是基本面聚合的超时语义。

它明确写了：

当前采用 best-effort 软超时，也就是 fail-open
超时会立即降级，继续主流程
不承诺严格硬中断第三方线程
如果业务以后需要硬 SLA，可以升级成“子进程隔离 + kill”的方案

这段话表面上像工程说明，实际上很有深度。它告诉你一件事：作者知道系统不可能永远完美，但他要做的不是假装不会失败，而是让失败以一种可控、可预期的方式发生。

这比“永远没问题”更成熟。

字段契约也一样。README 里直接把关键结构约定死了，比如：

fundamental_context.boards.data = sector_rankings
fundamental_context.earnings.data.financial_report = 财报摘要
fundamental_context.earnings.data.dividend = 分红指标
get_stock_info.belong_boards = 个股所属板块
get_stock_info.boards 作为兼容别名保留

这说明它不是在凑功能，而是在认真管理语义。

Web 界面和 Agent，说明它已经不只是“后端脚本”¶

项目还有完整 Web 工作台，而且这一轮界面升级很明显是往“产品”而不是“工具页”去做的：

浅色主题和深色主题完整重绘
主题切换可持久化
首页、问股、回测、持仓、设置统一视觉体系
小屏与触屏体验增强
ADMIN_AUTH_ENABLED=true 可启用密码保护

它还做了智能导入：

截图导入股票池，Vision AI 自动识别代码和名称
支持 CSV/Excel
支持直接粘贴
带置信度分层确认、去重、全选、清空

首页搜索补全也不是简单匹配，而是支持：

股票代码
中文名
拼音缩写
别名

比如：

gzmt -> 贵州茅台
tencent -> 腾讯控股
aapl -> Apple Inc.

而且它做了降级逻辑：索引失败就退回普通输入模式，不会把整条分析链路卡死。

Agent 问股这一块则更像“第二产品线”。
你可以在 /chat 里按策略做多轮对话，支持均线金叉、缠论、波浪理论、多头趋势等 11 种内置策略，也支持：

流式展示思考路径
导出 .md
Bot 命令调用
自定义 YAML 策略
SKILL.md bundle
多 Agent 架构：Technical -> Intel -> Risk -> Specialist -> Decision

而且它连兼容字段都想到了，比如 capital_flow_signal 只是增强字段，不返回也不影响后续阶段。

这些都说明，它已经不是一个“写完日报就结束”的项目，而是在搭一套可扩展的分析框架。

最后说结论¶

我觉得这个项目真正值得看的，不是“AI 会不会帮你挑出好股票”，而是它展示了一种更现实的方向：

在投资里，真正有价值的系统，不是替你取消判断，而是把原本依赖个人感觉的分析过程，变得更稳定、更可复盘、更可重复。

它当然不能替你承担市场风险，也不能保证你赚钱。
但它确实在做一件很少有人认真做的事：把分析从一种临场反应，慢慢往系统能力上搬。

这件事不热闹，不传奇，也不适合拿来吹神话。
但如果你认真做研究、认真做工具、认真看待市场，我觉得它反而比很多“AI 选股故事”更接近真实世界里长期有用的东西。

项目地址：
https://github.com/ZhuLinsen/daily_stock_analysis