每日股票分析：把自选股清单变成每日决策仪表盘的AI系统

ZhuLinsen开发的daily_stock_analysis是当下星标数最高的AI金融项目之一——曾登上Trendshift单日Python仓库榜首。但有意思的并不是星标数量，而是这个项目拒绝假装自己能预测价格。相反，它解决的是一个更窄、却实用得多的问题：每个交易日，拿你的自选股清单生成一份结构化、可解释的分析报告——并把它送到你真正会去看的地方，也就是你的即时通讯工具。

项目作者免责声明： 仅供学习与研究使用，不构成投资建议。市场有风险。

核心思路：不是机器人，而是每日的分析师兼撰稿人

大多数“AI交易”仓库都在追逐同一个幻想：模型输入、信号输出、收益上涨。daily_stock_analysis建立在一个更诚实的前提之上——投资真正困难的部分不在于再多生成一个信号，而在于为某只标的拼出一幅完整、一致的全景图，并且每天都用同样的方式把它写下来。

因此它的行为更像一位按计划工作的初级分析师。整条管道是线性且清晰可读的：

默认情况下它按计划运行（工作日、收盘后），并会跳过非交易日。它覆盖A股、港股、美股及ETF，在数据源覆盖不到的地方，对日本与韩国市场提供降级支持。

低调而聪明的部分：数据回退

项目里最稳健的工程决策不是LLM——而是它如何默认把数据视为不可靠。

行情数据通过六个数据提供方组成的优先级链来抓取，每一个都是上一个的回退方案：

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

当你分析一只美股标的时，系统会自动跳过仅限中国的数据源，并转向Yahoo Finance。如果某个数据源失败、超时或只返回部分数据，本次运行会让对应的那一块降级，而不是让整份报告崩溃。提示词甚至会被告知哪些数据块是fallback、partial或missing——这样模型就被要求写出“数据不可用”，而不是编造一个数字。

对于任何生产系统而言，这都是正确的直觉：单个数据源失败绝不应该拖垮整个分析。 把每一路数据源都当作尽力而为，统一字段，并让缺失的数据可见，而不是被悄悄填上。

决策仪表盘

LLM并不返回散文——它返回的是一份严格的JSON“决策仪表盘”，报告会把它渲染成统一的版式：

• 核心结论 — 一句话：买入、持有或观望，并附上时间敏感度。
• 分场景建议 — 对持仓者与空仓者给出不同的指引。
• 数据视角 — 均线排列、价格相对支撑/阻力位、乖离率、量能解读。
• 资讯 — 风险提示与利好催化剂，每一条都必须带日期。
• 作战计划 — 具体的狙击点位：理想买点、止损、目标、仓位管理。
• 检查清单 — 每个条件标注 ✅ / ⚠️ / ❌（多头排列、乖离在区间内、量能、无重大利空、估值）。

提示词中内置的纪律是有明确立场且合乎情理的：不追高（高于MA5超过5%的乖离是硬性的“不买”），只在多头排列时交易（MA5 > MA10 > MA20），偏好在缩量回踩支撑时买入，并且绝不因为单日波动就在买入和卖出之间反复切换。

智能体策略：向系统提问

除了每日报告，项目还提供了一种智能体模式，内置15套策略剧本，你可以针对每只标的进行问询：

每个策略都是一个YAML文件，拥有自己的规则、所需工具与评分调整——因此这份“智能”是可配置、可审计的，而不是藏在一个庞大的提示词里。

如何在不自欺的前提下解读它

任何这类项目都很容易被过度信任。一份诚实的评估清单：

1. 新闻来源质量。 资讯模块的好坏完全取决于你配置的检索提供方——没有它们，情绪与催化剂就会空白，报告将完全依赖技术面。
2. 确定性。 LLM输出会有波动；同一只标的在不同次运行中读起来可能略有差异。把仪表盘当作一种结构化的观点，而非固定的真理。
3. 各市场覆盖度。 A股的深度数据（资金流向、筹码、龙虎榜）在数据无法覆盖的市场上会优雅降级为not_supported。
4. 数据新鲜度。 留意fallback/partial标记——降级的输入应当降低你的信心，正如提示词所指示的那样。
5. 回测 ≠ 盈利。 报告是决策支持，而不是经过验证的优势。

局限与诚实评估

daily_stock_analysis不是什么：

• 不是执行系统。 它做分析和报告；它不下单，也不对流动性建模。
• 依赖模型。 输出质量取决于你接入的LLM。
• 依赖检索。 没有新闻API密钥，报告中定性的那一半就会变得稀薄。
• 非确定性。 完全相同的输入也可能产出略有差异的仪表盘。

链接

• 💻 GitHub： ZhuLinsen/daily_stock_analysis
• 📄 许可证： MIT

结语

daily_stock_analysis的价值不在于它是一个先知，而在于它是一种被自动化的、可重复的分析习惯：

• 把“看一只股票”到底意味着什么标准化，每天如此。
• 把数据视为不可靠，并让缺口可见。
• 让结论可解释——评分、点位、检查清单、风险。
• 把想法生成（15套策略）与有纪律的决策框架分开。

用于学习、每日复盘以及为研究工作流做原型，它做得很扎实。要走向生产，下一层就是每个严肃系统都需要的那一层：经过验证的数据、模型漂移控制、贴近现实的执行，以及活在代码里、而不仅仅活在提示词里的风险规则。