Daily Stock Analysis: Ein KI-System, das eine Watchlist in ein tägliches Entscheidungs-Dashboard verwandelt

daily_stock_analysis von ZhuLinsen ist derzeit eines der meist gesternten KI-Finanz-Projekte — das Python-Repository Nummer 1 des Tages auf Trendshift. Doch das Interessante daran ist nicht die Anzahl der Sterne. Es ist, dass das Projekt sich weigert, vorzugeben, Kurse vorherzusagen. Stattdessen löst es ein enger gefasstes, weitaus nützlicheres Problem: jeden Handelstag Ihre Watchlist nehmen und daraus einen strukturierten, nachvollziehbaren Analysebericht erstellen — und ihn dorthin liefern, wo Sie tatsächlich lesen: Ihren Messenger.

Haftungsausschluss des Projektautors: nur zu Lern- und Forschungszwecken. Keine Anlageberatung. Märkte bergen Risiken.

Kerngedanke: kein Bot, sondern ein täglicher Analyst-Berichterstatter

Die meisten "KI-Trading"-Repos jagen derselben Fantasie nach: Modell rein, Signal raus, Geld hoch. daily_stock_analysis basiert auf einer ehrlicheren Prämisse — das Schwierige beim Investieren ist nicht, ein weiteres Signal zu erzeugen, sondern ein vollständiges, konsistentes Bild eines Titels zusammenzustellen und es jeden Tag auf dieselbe Weise niederzuschreiben.

Es verhält sich also wie ein Junior-Analyst nach Zeitplan. Die Pipeline ist linear und nachvollziehbar:

Standardmäßig läuft es nach Zeitplan (werktags, nach Handelsschluss) und überspringt handelsfreie Tage. Es deckt A-Aktien, Hongkong, US-Aktien und ETFs ab, wobei japanische und koreanische Märkte auf reduziertem Niveau unterstützt werden, wo die Datenquellen nicht ausreichen.

Der leise clevere Teil: Daten-Fallback

Die robusteste technische Entscheidung des Projekts ist nicht das LLM — es ist die Art und Weise, wie es Daten standardmäßig als unzuverlässig behandelt.

Marktdaten werden über eine Prioritätskette von sechs Anbietern abgerufen, wobei jeder ein Fallback für den vorherigen ist:

Efinance (P0) → Tencent (P0) → Akshare (P1) → Pytdx (P2) → Baostock (P3) → Yfinance (P4)

Wenn Sie einen US-Ticker analysieren, überspringt das System automatisch die China-spezifischen Anbieter und leitet zu Yahoo Finance weiter. Fällt eine Quelle aus, läuft ein Timeout auf oder liefert sie nur Teildaten, degradiert der Lauf nur diesen einen Block, statt den gesamten Bericht zum Absturz zu bringen. Dem Prompt wird sogar mitgeteilt, welche Blöcke fallback, partial oder missing sind — sodass das Modell gezwungen ist, "Daten nicht verfügbar" zu schreiben, statt eine Zahl zu erfinden.

Das ist der richtige Instinkt für jedes Produktivsystem: eine einzelne ausfallende Datenquelle darf niemals die gesamte Analyse zu Fall bringen. Behandeln Sie jeden Feed als Best-Effort, standardisieren Sie die Felder, und machen Sie fehlende Daten sichtbar, statt sie stillschweigend aufzufüllen.

Das Entscheidungs-Dashboard

Das LLM liefert keinen Fließtext zurück — es liefert ein striktes JSON-"Entscheidungs-Dashboard", das der Bericht in ein konsistentes Layout rendert:

• Kernfazit — ein Satz: kaufen, halten oder abwarten, plus Zeitdringlichkeit.
• Aufgeteilter Rat — unterschiedliche Empfehlungen für jemanden, der bereits die Position hält, gegenüber jemandem, der in Cash ist.
• Datenperspektive — MA-Ausrichtung, Kurs im Verhältnis zu Unterstützung/Widerstand, Bias-Ratio, Volumeneinschätzung.
• Informationen — Risikohinweise und positive Katalysatoren, jeweils mit erforderlichem Datum.
• Schlachtplan — konkrete Zielpunkte: idealer Kauf, Stop-Loss, Kursziel, Positionsgröße.
• Checkliste — jede Bedingung markiert mit ✅ / ⚠️ / ❌ (bullische Ausrichtung, Bias im Rahmen, Volumen, keine größeren negativen Nachrichten, Bewertung).

Die im Prompt verankerte Disziplin ist eigenwillig und vernünftig: nicht hinterherjagen (ein Bias von mehr als 5 % über dem MA5 ist ein hartes "kein Kauf"), nur bei bullischer MA-Ausrichtung handeln (MA5 > MA10 > MA20), lieber einen Rücksetzer mit schrumpfendem Volumen bei der Unterstützung kaufen, und niemals bei der Bewegung eines einzigen Tages zwischen Kauf und Verkauf hin- und herspringen.

Agenten-Strategien: Stellen Sie dem System eine Frage

Über den täglichen Bericht hinaus liefert das Projekt einen Agentenmodus mit 15 fest eingebauten Strategie-Playbooks, die Sie pro Ticker abfragen können:

Jede Strategie ist eine YAML-Datei mit eigenen Regeln, benötigten Tools und Bewertungsanpassungen — sodass die "Intelligenz" konfigurierbar und überprüfbar ist, statt in einem einzigen riesigen Prompt versteckt zu sein.

Wie man es liest, ohne sich selbst zu täuschen

Einem solchen Projekt vertraut man leicht zu sehr. Eine ehrliche Checkliste zur Bewertung:

1. Qualität der Nachrichtenquellen. Der Informationsblock ist nur so gut wie Ihre konfigurierten Suchanbieter — ohne diese bleiben Sentiment und Katalysatoren leer, und der Bericht stützt sich vollständig auf Technik.
2. Determinismus. LLM-Ausgaben variieren; derselbe Ticker kann bei verschiedenen Läufen leicht unterschiedlich gelesen werden. Betrachten Sie das Dashboard als strukturierte Meinung, nicht als feste Wahrheit.
3. Abdeckung nach Markt. Die Tiefe für A-Aktien (Kapitalfluss, Chips, Dragon-Tiger) degradiert elegant auf not_supported in Märkten, die die Daten nicht abdecken.
4. Datenaktualität. Achten Sie auf fallback/partial-Flags — degradierte Eingaben sollten Ihr Vertrauen senken, genau wie es der Prompt vorschreibt.
5. Backtesting ≠ Gewinn. Der Bericht ist Entscheidungsunterstützung, kein nachgewiesener Vorteil.

Grenzen und ehrliche Einschätzung

Was daily_stock_analysis nicht ist:

• Kein Ausführungssystem. Es analysiert und berichtet; es platziert keine Orders und modelliert keine Liquidität.
• Modellabhängig. Die Ausgabequalität folgt dem LLM, das Sie einsetzen.
• Suchabhängig. Ohne Nachrichten-API-Schlüssel dünnt die qualitative Hälfte des Berichts aus.
• Nicht deterministisch. Identische Eingaben können leicht unterschiedliche Dashboards liefern.

Links

• 💻 GitHub: ZhuLinsen/daily_stock_analysis
• 📄 Lizenz: MIT

Fazit

daily_stock_analysis ist nicht als Orakel wertvoll, sondern als wiederholbare analytische Gewohnheit, automatisiert:

• Standardisieren Sie, was "sich eine Aktie ansehen" jeden Tag bedeutet.
• Behandeln Sie Daten als unzuverlässig und machen Sie Lücken sichtbar.
• Machen Sie das Fazit nachvollziehbar — Score, Niveaus, Checkliste, Risiken.
• Trennen Sie die Ideenfindung (15 Strategien) von einem disziplinierten Entscheidungsrahmen.

Zum Lernen, für die tägliche Durchsicht und um einen Forschungs-Workflow zu prototypisieren, ist es solide gebaut. Für den Produktiveinsatz braucht es die nächste Schicht, die jedes ernsthafte System benötigt: validierte Daten, Kontrolle von Modell-Drift, realistische Ausführung und Risikoregeln, die im Code leben, nicht nur in Prompts.