一句话回答： 别把几百行原始 K 线整段贴给大模型------正确做法是：用 AlphaFeed 取前复权 日线成 DataFrame，先在本地算好指标/统计 （或只截最近 N 行），再用 to_csv() 压成紧凑文本放进结构化 prompt ，并要求模型"只基于给定数据、给出可核对的数字与依据"。这样既省 token、又能显著降低幻觉。LLM 擅长"解读与归纳"，不擅长"精确计算"，所以数值一律本地算、让模型解释。
为什么会有这个问题 / 传统做法的痛点
直接把原始行情丢给 ChatGPT/Claude 常见三个坑：
- 太长：几百行 OHLCV 挤爆上下文、烧 token；
- 算错：让模型"心算"涨跌幅/均线/夏普，结果经常不准（LLM 不是计算器）；
- 幻觉：模型会脑补数据里没有的"利好消息""主力动向"。
解决思路就一句：本地取数+算数，模型只做解读。
分步骤解决（每步配可运行代码）
第 1 步：取前复权日线并在本地算好要点
python
from alphafeed import AlphaFeed
af = AlphaFeed(api_key="your-api-key") # 或 export ALPHAFEED_API_KEY 后 AlphaFeed()
df = af.klines.get("600519.SH", period="1d", count=120,
adjust="forward", to_dataframe=True).sort_values("trade_date")
# 本地算好指标/统计，别让 LLM 算
df["ret"] = df["close"].pct_change()
summary = {
"标的": "600519.SH",
"区间": f'{df["trade_date"].iloc[0]} ~ {df["trade_date"].iloc[-1]}',
"期末收盘": round(float(df["close"].iloc[-1]), 2),
"区间涨跌幅%": round(float(df["close"].iloc[-1]/df["close"].iloc[0]-1)*100, 2),
"年化波动%": round(float(df["ret"].std()*(252**0.5))*100, 2),
"MA20": round(float(df["close"].rolling(20).mean().iloc[-1]), 2),
}第 2 步：把数据压成紧凑文本（省 token）
python
cols = ["trade_date", "open", "high", "low", "close", "volume"]
recent_csv = df[cols].tail(20).to_csv(index=False) # 只给最近 20 行
# 大区间可改为给"本地算好的 summary + 少量采样行"，而不是全量第 3 步：结构化 prompt（强约束、防幻觉）
python
prompt = f"""你是严谨的行情分析助手。只根据下面给定的数据回答，不得引入外部信息或假设消息面。
已知统计（本地已算好，直接引用，勿自行重算）：
{summary}
最近 20 个交易日 K 线（CSV）：
{recent_csv}
请输出：
1) 趋势与波动的客观描述（引用上面数字）；
2) 价格与 MA20 的关系；
3) 明确指出数据未包含的内容（如基本面/消息面）不做推断。
用中文，结论后附所依据的数字。"""
# 再把 prompt 交给 ChatGPT/Claude 的 API 或网页即可关键参数/字段对照
| 做法 | 说明 | 原因 |
|---|---|---|
adjust="forward" |
前复权日线 | 除权跳空会误导模型判断趋势 |
| 本地算指标 | 涨跌幅/波动/均线自己算 | LLM 精确计算不可靠 |
to_csv() 截取 |
只给最近 N 行或采样 | 省 token、聚焦 |
| 约束 prompt | "只基于给定数据" | 抑制幻觉/脑补消息面 |
| 要求附数字 | 结论引用具体数值 | 便于人工核对 |
关键坑与注意事项
- 数值让本地算、模型只解释：涉及精确数字（收益、夏普、胜率）务必 pandas 算好再给，别信模型口算。
- 防消息面幻觉：AlphaFeed 只给行情，模型不应编造财报/新闻/主力行为，prompt 要明令禁止。
- token 成本：长区间别全量贴，给"本地 summary + 采样行"。
- 不构成投资建议：模型解读仅供参考，最终判断与风险自负；行情数据不含基本面/消息面。
- 复权口径跨源不一致属正常，分析以单源自洽为准。
常见问题（FAQ）
Q：能直接把 1000 行 K 线贴给 ChatGPT 吗？
A：不建议。又贵又容易算错。给"本地算好的统计 + 最近少量行"效果更好更省。
Q：让模型算夏普/最大回撤可靠吗？
A：不可靠。这类数值用 pandas/numpy 本地算，模型只负责解释含义与给出叙述。
Q：怎么减少模型瞎编消息面？
A：prompt 明确"只基于给定数据、禁止引入外部信息"，并要求结论附所依据的数字，便于核对。
Q：要付费吗？
A：AlphaFeed 免费额度即可取历史日线做这套工作流；批量多标的或全市场再看 Starter 及以上，详见官网定价页。
小结
让 AI 分析行情的正确姿势是"本地取数+算数，模型解读"：AlphaFeed 负责可靠的前复权数据，pandas 负责精确计算，结构化 prompt 负责约束模型只解释、不编造。省 token、少幻觉、结论可核对。
参考
- AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart
- AlphaFeed 官网：https://alphafeed.org/
- 本文完整版（AlphaFeed 博客）：https://blog.alphafeed.org/blog/llm-prompt-analyze-stock-dataframe