我从22年就开始炒股了，但是到现在其实也还是新手，基本上都算是瞎买，对于那些各个平台的博主我觉得都不是很靠谱，所以一直也没什么长进。去年就接触过AI股票分析的项目，用过一段时间觉的不是很好用，很多虽然说接入了AI，但是实时的数据不够，有时候AI不知道现在是什么时候，所以对股票的判断很不准确。股票其实也一直在亏损的，就想着不如自己做一个AI股票分析的工具，AI分析工具不是让AI预测股价，而是"如何让 AI 的输出可取证、可复核、可回看"。AI并不是给我们推荐股票，而是协助我们分析股票，国内的股票走势市场情绪其实占了一部分的，有AI分析，我们可以减少一些工作量。工具只是工具不做股票预测，交易类的，我们只做研究。
项目仓库地址：GitHub 仓库
数据从什么地方来
做AI分析最先要解决的不是模型问题，模型好选择，最先要解决的是数据问题，数据来源、数据的实时性和可靠性。没有正确的数据，我们定义的6个分析师就是6个编故事的人。我这里的数据现阶段都是免费的接口，暂时没有付费源，也还算够用。
| 数据 | 来源 | 说明 |
|---|---|---|
| 实时报价 | 腾讯 → 新浪 → 东财 | 三家按顺序降级 |
| K 线 | 东财 → 腾讯 → 新浪 | 支持日/周/月，前复权/后复权 |
| 财务指标 | 东财 F10 | 最近 6 期财报，缓存 12 小时 |
| 资金流 | 东财（新浪兜底） | 近 30 日主力/超大单/大单流向，缓存 5 分钟 |
| 情绪 | 自己算 | ARBR、换手率、RSI、量比，加上主要指数涨跌 |
能拿到正确的数据，做这个事情才有意义，如果在某些情况下数据缺失了，分析报告里面也会明确的指出来，不会让模型编造，这样我们自己心里也是有底的。
六个分析师分工
一开始我是没有用这种分工的方式的，觉得只要把数据给到AI了，就能合理的分析出有用的数据，但是发现一次性给太多数据，AI反而做的更不理想，甚至出现环境的概率更多了。后来拆成了六个角色：技术面、基本面、资金面、风险、市场情绪、新闻舆情。每个角色只看自己维度的数据，独立出一份报告。
| 分析师 | 看什么 | 评级 |
|---|---|---|
| 技术面 | 均线、MACD、RSI、BOLL、ATR、量比、近期 K 线 | 乐观 / 中性 / 谨慎 |
| 基本面 | 营收净利增速、ROE、毛利率、负债率、估值 | 乐观 / 中性 / 谨慎 |
| 资金面 | 近 10 日主力、超大单、大单净流入及占比 | 乐观 / 中性 / 谨慎 |
| 风险 | 波动率、回撤、超买超卖、事件线索 | 低 / 中等 / 高风险 |
| 情绪 | AR/BR、换手率、量比、指数表现 | 乐观 / 中性 / 谨慎 |
| 新闻 | 元宝搜到的公开网页 | 乐观 / 中性 / 谨慎 |
每一位分析师输出的都是结构化的JSON数据，这样也更方便我们整合数据，先让代码写初稿，再让模型改，每一位分析师都有一份纯代码生成的规则稿，基本面分析师按增速、ROE、负债率逐项加减分，资金面看主力净流入是否连续、价格和资金是否背离，风险分析师从 70 分起步、按 ATR 和回撤扣分。规则稿和该维度的原始数据一起交给模型。
prompt 里的规矩大概是这样（部分）：
python
SYSTEM_TEMPLATE = """你是智盈 AI 的{role}。
职责：{duty}
规则：
1. 只使用输入 JSON 中的数据，不得编造财务、资金、新闻或价位；数据缺失时在 risks 中注明。
2. 结论要具体到数字或条件，避免「可能」「或许」这类空转表述。
3. 公开网页信息只作事件背景，必须核对发布日期，不能当作确定事实。
4. 不承诺收益，不写交易指令。
5. 输入中的 rule_draft 是代码基于同一批数据生成的初稿，可参考、可修正，但不得无视数据。
6. 只输出一个 JSON 对象，不要 Markdown 或解释文字。"""这一步做完了，我们手上就有对应的数据了，当然因为是单独分析的，这里面肯定会有一些有冲突的地方，这就要用到我们后面的讨论和决策了。
为什么要接元宝搜索
前面说的行情、财务、资金流都是结构化数据，拿接口就能取。但是这个股票最近出了什么事情，有什么新闻或者公告，这些就不是数据能体现的，没有这些东西模型就容易产生环境，然后就开始胡编乱造，这样分析的数据也是不准确的。而且有部分模型还会搞错当前的时间节点，因为模型的知识有时间节点，导致分析的东西完全没有可用性。
所以我这里就接入了腾讯的元宝搜索，有了真实数据，AI就不会拿训练的时候的旧新闻来糊弄我们。接入是使用腾讯云官方 API 用 TC3-HMAC-SHA256 签名，把 SecretId/SecretKey 填进环境变量就行，现在其实接入很简单，基本上把文档给AI，AI就知道怎么接入了。查询词可以直接使用代码拼（也可以根据自己的想法替换）：
python
def build_query(quote: Quote) -> str:
return f"{quote.name} {quote.symbol} 最新公告 业绩 题材 风险 减持 解禁"请求带 Cnt=20、Mode=0（公开网页）、Industry=finance，官方模式再加 3 个月时效。返回的网页按 URL 去重，取前 8 条，每条保留标题、站点、日期、摘要和链接。
真正值得说的是使用纪律，我定了四条：
- 一次分析最多搜一次，这里没有采用六个分析师都自己去搜索的方式，如果都自己去搜索这个成本很高，不如一次性搜索，然后拿着数据大家一起使用。
- 结果缓存30分钟，为什么要缓存30分钟？A搜索了B也搜索了，这个时候如果不缓存其实就有点浪费搜索次数了。
- 只作事件背景，不是财务事实，我们搜索出来的是新闻，新闻不代表100%准确，这个不能直接用到事实上，网页上什么都有，不做限制的话会把一些有问题的东西写入结论。
- 失败不阻塞分析，这个其实很重要，虽然现在没有遇到搜索失败的情况，但是要是什么时候次数用完了，或者什么其他情况下，不能因为这一个点就导致了分析功能失效。
那么我们的搜索结果要给谁用呢？四位分析师：新闻舆情分析师拿它当主食，提炼事件和报道倾向；基本面分析师从中找公司动态线索；风险分析师专门扫减持、解禁、处罚这类事件；情绪分析师统计正面负面关键词。报告页有个"公开信息"面板，列出全部来源链接，并标注这些结果被哪些分析师使用过；如果本次没搜索，也会明说"未收录"，而不是假装没有。
AI 判断，代码算价
六份报告放在桌上，经常是打架的：技术面 78 分喊乐观，风险分析师 41 分喊高风险，资金面说主力在进、情绪面说已经过热。那我到底要听谁的？
这个时候我们需要使用AI对抗AI，用一次 LLM 调用，让模型扮演圆桌主持人，把六份报告里的分歧整理成最多 6 轮的交叉发言------谁质疑谁、谁补充谁，最后输出一段收敛总结。这一步的成本很低（一次调用），但效果明显：首席拿到的不只是六份孤立的报告，还有一份"哪些是共识、哪些还吵着"的纪要，决策时不会被单个维度带偏。当然这个时候还需要一个能做最终决策的AI，我还定义了一个首席，用做最终的决策。还有这两天是底线：
- 评级只能是：买入 / 持有 / 卖出。
- 价位由系统代码计算，已在输入 levels 中给出；不要自行计算或修改价位。
价格是整个系统里最不能出错的一个数字，而大模型恰恰不擅长精确算术------它算个止损价可能带出小数点错位，还会编一个"看起来合理"的支撑位。所以三档价位全部由代码计算：
python
entry = round(price * 0.98, 2) # 入场：现价回踩 2%
take_profit = round(price * 1.08, 2) # 止盈：现价上方 8%
raw_stop = price - 2.5 * atr14 # 止损：2.5 倍 ATR
stop_loss = round(max(price * 0.92, min(price * 0.95, raw_stop)), 2)怎么选股呢？
选股和单股分析是两码事。单股分析是把一只股票的资料研究透，选股是面对全市场五千多只股票做筛选。A股市场总的有五千多支股票，不可能把五千多支股都塞进池子里。所以选股是两段式的，规则先圈候选池，AI 在池子里做取舍。
| 策略 | 规则怎么圈 |
|---|---|
| 主力追踪 | 按今日/3/5/10 日主力净流入排行，过滤 ST、创业板/科创板/北交所、市值区间、涨幅上限，取前 100 |
| 低价寻宝 | 股价低于设定上限 + 净利润同比高增长 |
| 小盘精选 | 总市值低于设定上限 + 营收净利双增 |
| 业绩高增 | 净利润同比达到设定下限 |
| 价值洼地 | 低 PE/PB + 近 12 个月股息率 + 最新报告期低负债，用东财 datacenter 的估值、分红、财务三张表拼出来 |
输出是结构化 JSON，prompt 里带两条纪律：
txt
- 推荐数量最多 5 只，按投资价值从高到低排序；
若候选数据不足以支撑，可少于 5 只，不得凑数；
- symbol 必须来自候选股票数据，不得编造；"可以少选，不得凑数"这条是我特意写的。早期版本模型为了凑满 5 只，会从候选里硬挑明显不符合标准的，或者把理由写得云山雾罩。明确允许它少选之后，结果反而稳定了------市场不好的时候，出 2 只就是 2 只。
踩过的坑和边界
最后说说这个项目里真正费头发的东西，以及它做不了什么。
推理模型是个甜蜜的陷阱。 换推理模型之后，报告质量看着不错，直到日志里频繁出现 finish_reason=length------模型的思考过程也计 completion token，还没开始写正文就把 max_tokens 耗光了。做分析还是不开推理模式的好。
模型的输出永远不能直接信。 三类问题都遇到过：JSON 外面套着 Markdown 代码块、评级写"看多""增持"这种约定外的近义词、讨论里的发言人名字对不上花名册。对策是三道处理：JSON 先提取修复再进 Pydantic 校验，评级做别名归一、不认识就按分数推导，发言人对不上就丢弃。原则就一条------模型输出当原料，不当成品。
然后是边界，这部分比坑更重要。
数据同样有边界，免费接口有延迟，stale 数据会标出来；财报是最新的报告期，不是最新的经营情况；搜索出来的网页也有可能是过时的内容，所以才要求标注日期、对数据只作背景用途。
这个工具只是分析工具，不是做预测的。六位分析师加首席给的是"基于这批数据的研究结论"，置信度、数据缺口、风险提示这些，但是它不知道明天有没有利好的消息，能给我们的只有根据当前数据分析出来的结论，给我们用作参考。同一个 prompt 跑两遍，可能会有不一样的结果，这就是模型的本质，我们要善于使用工具，而不是被工具支配。
工具署到服务器后，或者可以部署到NAS，每天都会定时选股、盯价格和发报告（可以配置邮箱），有时候发送的结论虽然没什么用，但是给的结论肯定不会是胡编乱造的，我觉得这才是一个AI的真正用途。