Analisi azionaria quotidiana: un sistema AI che trasforma una watchlist in un cruscotto decisionale giornaliero

daily_stock_analysis di ZhuLinsen è uno dei progetti AI-finanza più apprezzati del momento — repository Python numero 1 del giorno su Trendshift. Ma la parte interessante non è il numero di stelle. È che il progetto si rifiuta di fingere di prevedere i prezzi. Risolve invece un problema più ristretto e molto più utile: ogni giorno di contrattazione, prendere la tua watchlist e produrre un report analitico strutturato e spiegabile — e consegnarlo dove leggi davvero le cose, il tuo messenger.

Disclaimer dell'autore del progetto: solo a scopo di apprendimento e ricerca. Non è un consiglio di investimento. I mercati comportano rischi.

Idea centrale: non un bot, ma un analista-reporter quotidiano

La maggior parte dei repository di "trading AI" insegue la stessa fantasia: modello in ingresso, segnale in uscita, soldi in salita. daily_stock_analysis si fonda su una premessa più onesta — la parte difficile dell'investire non è generare un altro segnale, ma assemblare un quadro completo e coerente di un titolo e scriverlo nello stesso modo ogni giorno.

Quindi si comporta come un analista junior con una pianificazione. La pipeline è lineare e leggibile:

Per impostazione predefinita gira su pianificazione (giorni feriali, dopo la chiusura) e salta i giorni non di contrattazione. Copre azioni A, Hong Kong, azioni ed ETF USA, con i mercati giapponese e coreano supportati a un livello ridotto dove le fonti dati non arrivano.

La parte silenziosamente intelligente: il fallback dei dati

La decisione ingegneristica più robusta del progetto non è l'LLM — è il modo in cui tratta i dati come inaffidabili per impostazione predefinita.

I dati di mercato vengono recuperati attraverso una catena di priorità di sei provider, ognuno fallback del precedente:

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

Quando analizzi un ticker USA, il sistema salta automaticamente i provider solo per la Cina e instrada verso Yahoo Finance. Se una fonte fallisce, va in timeout o restituisce dati parziali, l'esecuzione degrada quel singolo blocco invece di far crollare l'intero report. Al prompt viene persino comunicato quali blocchi sono fallback, partial o missing — così il modello è obbligato a scrivere "dato non disponibile" invece di inventare un numero.

Questo è l'istinto giusto per qualsiasi sistema di produzione: il fallimento di una singola fonte di dati non dovrebbe mai abbattere l'intera analisi. Tratta ogni feed come best-effort, standardizza i campi e rendi visibili i dati mancanti invece di riempirli silenziosamente.

Il cruscotto decisionale

L'LLM non restituisce prosa — restituisce un rigoroso "cruscotto decisionale" in JSON che il report converte in un layout coerente:

• Conclusione centrale — una frase: comprare, mantenere o attendere, più la sensibilità temporale.
• Consiglio differenziato — indicazioni diverse per chi detiene la posizione rispetto a chi è in liquidità.
• Prospettiva sui dati — allineamento delle MA, prezzo rispetto a supporto/resistenza, indice di scostamento, lettura del volume.
• Intelligence — avvisi di rischio e catalizzatori positivi, ciascuno tenuto a riportare una data.
• Piano di battaglia — punti di ingresso concreti: acquisto ideale, stop-loss, target, dimensionamento della posizione.
• Checklist — ogni condizione contrassegnata ✅ / ⚠️ / ❌ (allineamento rialzista, scostamento nel range, volume, nessuna grave notizia negativa, valutazione).

La disciplina integrata nel prompt è netta e sensata: non inseguire (uno scostamento di oltre il 5% sopra la MA5 è un rigido "non comprare"), opera solo con allineamento rialzista delle MA (MA5 > MA10 > MA20), preferisci comprare un pullback a volume ridotto verso il supporto e non passare mai tra acquisto e vendita per il movimento di un singolo giorno.

Strategie agente: poni una domanda al sistema

Oltre al report quotidiano, il progetto include una modalità agente con 15 playbook di strategia integrati che puoi interrogare per ticker:

Ogni strategia è un file YAML con le proprie regole, gli strumenti richiesti e gli aggiustamenti di punteggio — così l'"intelligence" è configurabile e verificabile, non nascosta dentro un unico prompt gigante.

Come leggerlo senza autoinganno

Qualsiasi progetto di questo tipo è facile da sopravvalutare. Una checklist di valutazione onesta:

1. Qualità della fonte di notizie. Il blocco di intelligence vale solo quanto i provider di ricerca configurati — senza di essi, sentiment e catalizzatori restano vuoti e il report si appoggia interamente all'analisi tecnica.
2. Determinismo. Gli output dell'LLM variano; lo stesso ticker può leggersi leggermente diverso tra le esecuzioni. Tratta il cruscotto come un'opinione strutturata, non come una verità fissa.
3. Copertura per mercato. La profondità delle azioni A (flusso di capitale, chip, dragon-tiger) degrada con eleganza a not_supported sui mercati che i dati non coprono.
4. Freschezza dei dati. Attenzione ai flag fallback/partial — input degradati dovrebbero abbassare la tua fiducia, esattamente come istruisce il prompt.
5. Backtesting ≠ profitto. Il report è supporto alle decisioni, non un vantaggio verificato.

Limiti e valutazione onesta

Cosa daily_stock_analysis non è:

• Non è un sistema di esecuzione. Analizza e fa report; non piazza ordini e non modella la liquidità.
• Dipende dal modello. La qualità dell'output segue l'LLM a cui lo punti.
• Dipende dalla ricerca. Senza chiavi API di notizie, la metà qualitativa del report si assottiglia.
• Non deterministico. Input identici possono produrre cruscotti leggermente diversi.

Link

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

Conclusione

daily_stock_analysis è prezioso non come oracolo ma come abitudine analitica ripetibile, automatizzata:

• Standardizza cosa significa "guardare un titolo", ogni giorno.
• Tratta i dati come inaffidabili e rendi visibili le lacune.
• Rendi la conclusione spiegabile — punteggio, livelli, checklist, rischi.
• Separa la generazione di idee (15 strategie) da un quadro decisionale disciplinato.

Per l'apprendimento, la revisione quotidiana e la prototipazione di un flusso di lavoro di ricerca, è ben costruito. Per la produzione, il livello successivo è lo stesso di cui ha bisogno ogni sistema serio: dati validati, controllo del model-drift, esecuzione realistica e regole di rischio che vivono nel codice, non solo nei prompt.