Phân tích cổ phiếu hàng ngày: Hệ thống AI biến danh sách theo dõi thành bảng điều khiển quyết định mỗi ngày

daily_stock_analysis của ZhuLinsen là một trong những dự án AI-tài chính được gắn sao nhiều nhất hiện nay — kho lưu trữ Python số 1 trong ngày trên Trendshift. Nhưng phần thú vị không nằm ở số lượng sao. Đó là việc dự án từ chối giả vờ rằng nó dự đoán giá. Thay vào đó, nó giải quyết một bài toán hẹp hơn và hữu ích hơn nhiều: mỗi ngày giao dịch, lấy danh sách theo dõi của bạn và tạo ra một báo cáo phân tích có cấu trúc, có thể giải thích được — rồi gửi nó đến nơi bạn thực sự đọc, ứng dụng nhắn tin của bạn.

Tuyên bố miễn trừ trách nhiệm từ tác giả dự án: chỉ dành cho học tập và nghiên cứu. Đây không phải là lời khuyên đầu tư. Thị trường tiềm ẩn rủi ro.

Ý tưởng cốt lõi: Không phải một bot, mà là một nhà phân tích-phóng viên hàng ngày

Hầu hết các kho lưu trữ "giao dịch AI" đều đuổi theo cùng một ảo tưởng: đưa mô hình vào, tín hiệu ra, tiền tăng lên. daily_stock_analysis được xây dựng trên một tiền đề trung thực hơn — phần khó của đầu tư không phải là tạo thêm một tín hiệu nữa, mà là lắp ráp một bức tranh đầy đủ, nhất quán về một mã và viết nó ra theo cùng một cách mỗi ngày.

Vì vậy nó hành xử như một nhà phân tích cấp dưới làm việc theo lịch. Luồng xử lý mang tính tuyến tính và dễ đọc:

Theo mặc định, nó chạy theo lịch (ngày trong tuần, sau giờ đóng cửa) và bỏ qua các ngày không giao dịch. Nó bao phủ cổ phiếu A, Hồng Kông, cổ phiếu Mỹ và ETF, với hỗ trợ thị trường Nhật Bản và Hàn Quốc ở mức giảm bớt nơi các nguồn dữ liệu không vươn tới.

Phần thông minh một cách lặng lẽ: Dự phòng dữ liệu

Quyết định kỹ thuật vững chắc nhất trong dự án không phải là LLM — mà là cách nó xem dữ liệu là không đáng tin cậy theo mặc định.

Dữ liệu thị trường được thu thập qua một chuỗi ưu tiên gồm sáu nhà cung cấp, mỗi nhà là phương án dự phòng cho nhà trước đó:

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

Khi bạn phân tích một mã của Mỹ, hệ thống tự động bỏ qua các nhà cung cấp chỉ dành cho Trung Quốc và định tuyến đến Yahoo Finance. Nếu một nguồn thất bại, hết thời gian chờ hoặc trả về dữ liệu một phần, lần chạy đó sẽ làm giảm chất lượng riêng khối đó thay vì làm sập toàn bộ báo cáo. Prompt thậm chí còn được cho biết khối nào là fallback, partial hay missing — vì vậy mô hình bắt buộc phải viết "không có dữ liệu" thay vì bịa ra một con số.

Đây chính là bản năng đúng đắn cho bất kỳ hệ thống sản xuất nào: một nguồn dữ liệu duy nhất thất bại không bao giờ được làm sập toàn bộ phân tích. Hãy xem mỗi nguồn cấp là nỗ lực tối đa có thể, chuẩn hóa các trường, và làm cho dữ liệu thiếu trở nên rõ ràng thay vì âm thầm điền vào.

Bảng điều khiển quyết định

LLM không trả về văn xuôi — nó trả về một "bảng điều khiển quyết định" dạng JSON nghiêm ngặt mà báo cáo kết xuất thành một bố cục nhất quán:

• Kết luận cốt lõi — một câu: mua, giữ hay chờ, cộng với mức độ nhạy cảm về thời gian.
• Lời khuyên phân tách — hướng dẫn khác nhau cho người đang nắm giữ vị thế so với người đang giữ tiền mặt.
• Góc nhìn dữ liệu — sự sắp xếp đường MA, giá so với hỗ trợ/kháng cự, tỷ lệ lệch, đọc khối lượng.
• Thông tin — cảnh báo rủi ro và chất xúc tác tích cực, mỗi mục bắt buộc phải mang một ngày.
• Kế hoạch tác chiến — các điểm bắn tỉa cụ thể: mức mua lý tưởng, cắt lỗ, mục tiêu, định cỡ vị thế.
• Danh sách kiểm tra — mỗi điều kiện được đánh dấu ✅ / ⚠️ / ❌ (sắp xếp tăng giá, lệch trong khoảng, khối lượng, không có tin xấu lớn, định giá).

Tính kỷ luật được đưa vào prompt mang tính quan điểm và hợp lý: đừng đuổi theo (độ lệch trên 5% so với MA5 là "không mua" tuyệt đối), chỉ giao dịch khi đường MA sắp xếp tăng giá (MA5 > MA10 > MA20), ưu tiên mua khi giá điều chỉnh về hỗ trợ kèm khối lượng thu hẹp, và đừng bao giờ đảo chiều giữa mua và bán chỉ vì biến động của một ngày.

Chiến lược agent: Đặt câu hỏi cho hệ thống

Ngoài báo cáo hàng ngày, dự án còn đi kèm chế độ agent với 15 kịch bản chiến lược tích hợp sẵn mà bạn có thể truy vấn cho từng mã:

Mỗi chiến lược là một tệp YAML với quy tắc riêng, công cụ bắt buộc và điều chỉnh chấm điểm — vì vậy "thông tin" có thể cấu hình và kiểm toán được, chứ không bị ẩn bên trong một prompt khổng lồ duy nhất.

Cách đọc nó mà không tự lừa dối bản thân

Bất kỳ dự án nào như thế này đều dễ bị tin tưởng quá mức. Một danh sách kiểm tra đánh giá trung thực:

1. Chất lượng nguồn tin tức. Khối thông tin chỉ tốt bằng các nhà cung cấp tìm kiếm bạn đã cấu hình — không có chúng, tâm lý và chất xúc tác sẽ trống rỗng và báo cáo dựa hoàn toàn vào phân tích kỹ thuật.
2. Tính tất định. Đầu ra của LLM thay đổi; cùng một mã có thể được đọc hơi khác nhau qua các lần chạy. Hãy xem bảng điều khiển như một quan điểm có cấu trúc, chứ không phải một sự thật cố định.
3. Phạm vi bao phủ theo thị trường. Độ sâu của cổ phiếu A (dòng vốn, chip, rồng-hổ) giảm dần một cách uyển chuyển xuống not_supported ở các thị trường mà dữ liệu không bao phủ.
4. Độ tươi mới của dữ liệu. Hãy để ý các cờ fallback/partial — đầu vào bị suy giảm chất lượng nên làm giảm độ tin tưởng của bạn, đúng như prompt hướng dẫn.
5. Backtest ≠ lợi nhuận. Báo cáo là hỗ trợ quyết định, không phải một lợi thế đã được xác minh.

Hạn chế và đánh giá trung thực

daily_stock_analysis không phải là gì:

• Không phải hệ thống thực thi. Nó phân tích và báo cáo; nó không đặt lệnh hay mô hình hóa thanh khoản.
• Phụ thuộc vào mô hình. Chất lượng đầu ra bám theo LLM mà bạn trỏ tới.
• Phụ thuộc vào tìm kiếm. Không có khóa API tin tức, nửa định tính của báo cáo sẽ mỏng đi.
• Không tất định. Đầu vào giống hệt nhau có thể tạo ra các bảng điều khiển hơi khác nhau.

Liên kết

• 💻 GitHub: ZhuLinsen/daily_stock_analysis
• 📄 Giấy phép: MIT

Kết luận

daily_stock_analysis có giá trị không phải như một nhà tiên tri mà như một thói quen phân tích có thể lặp lại, được tự động hóa:

• Chuẩn hóa ý nghĩa của việc "nhìn vào một cổ phiếu", mỗi ngày.
• Xem dữ liệu là không đáng tin cậy và làm cho các khoảng trống trở nên rõ ràng.
• Làm cho kết luận có thể giải thích được — điểm số, các mức, danh sách kiểm tra, rủi ro.
• Tách biệt việc tạo ý tưởng (15 chiến lược) khỏi một khung quyết định có kỷ luật.

Đối với học tập, xem xét hàng ngày và tạo nguyên mẫu một quy trình nghiên cứu, nó được xây dựng tốt. Đối với sản xuất, lớp tiếp theo cũng chính là lớp mà mọi hệ thống nghiêm túc đều cần: dữ liệu đã được xác thực, kiểm soát độ trôi của mô hình, thực thi thực tế, và các quy tắc rủi ro sống trong mã, chứ không chỉ trong prompt.