每日股票分析：把自選股清單變成每日決策儀表盤的AI系統

ZhuLinsen開發的daily_stock_analysis是當下星標數最高的AI金融專案之一——曾登上Trendshift單日Python倉庫榜首。但有意思的並不是星標數量，而是這個專案拒絕假裝自己能預測價格。相反，它解決的是一個更窄、卻實用得多的問題：每個交易日，拿你的自選股清單生成一份結構化、可解釋的分析報告——並把它送到你真正會去看的地方，也就是你的即時通訊工具。

專案作者免責聲明： 僅供學習與研究使用，不構成投資建議。市場有風險。

核心思路：不是機器人，而是每日的分析師兼撰稿人

大多數“AI交易”倉庫都在追逐同一個幻想：模型輸入、訊號輸出、收益上漲。daily_stock_analysis建立在一個更誠實的前提之上——投資真正困難的部分不在於再多生成一個訊號，而在於為某隻標的拼出一幅完整、一致的全景圖，並且每天都用同樣的方式把它寫下來。

因此它的行為更像一位按計劃工作的初級分析師。整條管道是線性且清晰可讀的：

預設情況下它按計劃執行（工作日、收盤後），並會跳過非交易日。它覆蓋A股、港股、美股及ETF，在資料來源覆蓋不到的地方，對日本與韓國市場提供降級支援。

低調而聰明的部分：資料回退

專案裡最穩健的工程決策不是LLM——而是它如何預設把資料視為不可靠。

行情資料通過六個資料提供方組成的優先順序鏈來抓取，每一個都是上一個的回退方案：

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

當你分析一隻美股標的時，系統會自動跳過僅限中國的資料來源，並轉向Yahoo Finance。如果某個資料來源失敗、超時或只返回部分資料，本次執行會讓對應的那一塊降級，而不是讓整份報告崩潰。提示詞甚至會被告知哪些資料塊是fallback、partial或missing——這樣模型就被要求寫出“資料不可用”，而不是編造一個數字。

對於任何生產系統而言，這都是正確的直覺：單個數據源失敗絕不應該拖垮整個分析。 把每一路資料來源都當作盡力而為，統一欄位，並讓缺失的資料可見，而不是被悄悄填上。

決策儀表盤

LLM並不返回散文——它返回的是一份嚴格的JSON“決策儀表盤”，報告會把它渲染成統一的版式：

• 核心結論 — 一句話：買入、持有或觀望，並附上時間敏感度。
• 分場景建議 — 對持倉者與空倉者給出不同的指引。
• 資料視角 — 均線排列、價格相對支撐/阻力位、乖離率、量能解讀。
• 資訊 — 風險提示與利好催化劑，每一條都必須帶日期。
• 作戰計劃 — 具體的狙擊點位：理想買點、止損、目標、倉位管理。
• 檢查清單 — 每個條件標註 ✅ / ⚠️ / ❌（多頭排列、乖離在區間內、量能、無重大利空、估值）。

提示詞中內建的紀律是有明確立場且合乎情理的：不追高（高於MA5超過5%的乖離是硬性的“不買”），只在多頭排列時交易（MA5 > MA10 > MA20），偏好在縮量回踩支撐時買入，並且絕不因為單日波動就在買入和賣出之間反覆切換。

智慧體策略：向系統提問

除了每日報告，專案還提供了一種智慧體模式，內建15套策略劇本，你可以針對每隻標的進行問詢：

每個策略都是一個YAML檔案，擁有自己的規則、所需工具與評分調整——因此這份“智慧”是可配置、可審計的，而不是藏在一個龐大的提示詞裡。

如何在不自欺的前提下解讀它

任何這類專案都很容易被過度信任。一份誠實的評估清單：

1. 新聞來源質量。 資訊模組的好壞完全取決於你配置的檢索提供方——沒有它們，情緒與催化劑就會空白，報告將完全依賴技術面。
2. 確定性。 LLM輸出會有波動；同一只標的在不同次執行中讀起來可能略有差異。把儀表盤當作一種結構化的觀點，而非固定的真理。
3. 各市場覆蓋度。 A股的深度資料（資金流向、籌碼、龍虎榜）在資料無法覆蓋的市場上會優雅降級為not_supported。
4. 資料新鮮度。 留意fallback/partial標記——降級的輸入應當降低你的信心，正如提示詞所指示的那樣。
5. 回測 ≠ 盈利。 報告是決策支援，而不是經過驗證的優勢。

侷限與誠實評估

daily_stock_analysis不是什麼：

• 不是執行系統。 它做分析和報告；它不下單，也不對流動性建模。
• 依賴模型。 輸出質量取決於你接入的LLM。
• 依賴檢索。 沒有新聞API金鑰，報告中定性的那一半就會變得稀薄。
• 非確定性。 完全相同的輸入也可能產出略有差異的儀表盤。

連結

• 💻 GitHub： ZhuLinsen/daily_stock_analysis
• 📄 許可證： MIT

結語

daily_stock_analysis的價值不在於它是一個先知，而在於它是一種被自動化的、可重複的分析習慣：

• 把“看一隻股票”到底意味著什麼標準化，每天如此。
• 把資料視為不可靠，並讓缺口可見。
• 讓結論可解釋——評分、點位、檢查清單、風險。
• 把想法生成（15套策略）與有紀律的決策框架分開。

用於學習、每日復盤以及為研究工作流做原型，它做得很紮實。要走向生產，下一層就是每個嚴肅系統都需要的那一層：經過驗證的資料、模型漂移控制、貼近現實的執行，以及活在程式碼裡、而不僅僅活在提示詞裡的風險規則。