[Vibe Coding] 股票量化分析师的构建思路

[Vibe Coding] 股票量化分析师的构建思路 [Vibe Coding] 股票量化分析师的构建思路 Modified April 15 Step 1: 个股硬指标计算 量化技术面数据的提取。 实现方式 用 ThreadPoolExecutor 获取用户持仓池的6个月历史 K 线数据（并发，速度更快）。然后用 pandas 计算了一些典型的量化指标：均线趋势、量比、MACD、RSI 以及布林带状态。并且引入了 ATR (真实波幅) 来动态计算严苛的止损和止盈位，而不是死板的固定百分比。 Step 2: 软情报雷达 根据选择的个股搜索相关新闻。 实现方式 调用搜索模型 (perplexity/sonar) 扮演情报员 (deepresearch好是好，但实在太贵了用不起)。针对每只股票，搜索过去48小时内的公司公告、板块政策和资金传闻。要求模型严格返回 JSON 格式，提取出一句话摘要、利多/利空定性以及潜在风险。这个理论东财也能做，后续可以多想几种路径。 Step 3: 操盘手决策引擎 融合前面拿到的所有信息，拟定初步交易计划。（这是第一个核心大模型的分析节点）。 实现方式 调用一个推理模型扮演基金经理 (推荐Gemini 3.1pro或者claude 4.6)。Prompt 融合了：大盘环境、昨日复盘记忆、个股量价数据、情报定性，以及用户预设的战略定位（持仓成本和逻辑）。模型会输出明确的操作信号（如“强烈买入”、“做T降本”、“清仓止损”、“观望装死”）并给出深度剖析逻辑。同时将今日的盘面总结写入本地 JSON 文件，作为明天的Memory。 这里是你的持仓，成本，策略可以根据个股让AI来生成。 模型会根据持仓状态，汇总信息给到对应的建议 Step 4: 风控官审计 为了防止 AI 产生幻觉或盲目追涨杀跌，在初步建议后我设计了一个Agent（单独的模型）来进行审计。之前的大模型经常会有决策性幻觉，自我审计的方式可以一定程度上从不同视角给到一些修正行分析。 实现方式 让另一个 LLM 扮演风控官的角色，拿客观数据去审核 Step 3 的决策。这个Agent设定了严格的“一票否决规则”：例如 RSI 75 且建议买入时，强制修正为“观望”（防追高）；RSI < 25 时如果建议清仓，则强制修正为“观望装死”（防恐慌错杀）。 大部分情况下，审计的结果都会指向安全方向，有些时候会对一些个股有不同的判断，所以强烈建议前面在auditor和advicer用不一样的模型，比如gemini和claude。 Step 5: UI 渲染与输出 这个是个锦上添花的东西，目前没什么实用性，就是用预设好的Html模板生成可视化的UI 一些潜在的优化空间 数据源本土化 yfinance 对 A 股的支持极其不稳定，经常出现数据缺失或延迟。可以将数据源替换为国内的开源库，比如 AkShare、Tushare 或 BaoStock。这些库对 A 股数据非常稳定，还能直接获取涨停板数据、龙虎榜数据、北向资金等更具 A 股特色的指标，丰富 Step 1 里的“硬数据”维度。 记忆系统改造 目前的记忆系统仅把昨天的一句话总结存在 json 里，比较简陋。本地可以做成更加完善的向量数据库，把过去三个月每一天的复盘日记、个股的历史研报存入其中。在 Step 3 决策时，让大模型先通过 RAG召回该股票历史的相似形态或关键新闻，让 Agent 拥有长线记忆。 多重专家辩论机制 目前只有一个基金经理和一个风控，视角还是相对单一，这里的agent可以拆分成更加多元化的角色， 技术派 Agent：只看均线、K线形态、筹码分布。 基本面 Agent：只看财报、市盈率、行业景气度。 情绪面 Agent：只看新闻摘要、热搜、龙虎榜。 最后由一个“主理人 Agent”综合这三者的意见给出最终结论。降低单一模型决策失误的概率。 量化交易 券商终端也会提供量化交易入口，有需要可以自行学习，但从风险角度还是先用观点型辅助决策，有充足论证后再进一步细化交易策略，实施自动化交易 Step 1: 个股硬指标计算 量化技术面数据的提取。 实现方式 用 ThreadPoolExecutor 获取用户持仓池的6个月历史 K 线数据（并发，速度更快）。然后用 pandas 计算了一些典型的量化指标：均线趋势、量比、MACD、RSI 以及布林带状态。并且引入了 ATR (真实波幅) 来动态计算严苛的止损和止盈位，而不是死板的固定百分比。 Step 2: 软情报雷达 根据选择的个股搜索相关新闻。 实现方式 调用搜索模型 (perplexity/sonar) 扮演情报员 (deepresearch好是好，但实在太贵了用不起)。针对每只股票，搜索过去48小时内的公司公告、板块政策和资金传闻。要求模型严格返回 JSON 格式，提取出一句话摘要、利多/利空定性以及潜在风险。这个理论东财也能做，后续可以多想几种路径。 Step 3: 操盘手决策引擎 融合前面拿到的所有信息，拟定初步交易计划。（这是第一个核心大模型的分析节点）。 实现方式 调用一个推理模型扮演基金经理 (推荐Gemini 3.1pro或者claude 4.6)。Prompt 融合了：大盘环境、昨日复盘记忆、个股量价数据、情报定性，以及用户预设的战略定位（持仓成本和逻辑）。模型会输出明确的操作信号（如“强烈买入”、“做T降本”、“清仓止损”、“观望装死”）并给出深度剖析逻辑。同时将今日的盘面总结写入本地 JSON 文件，作为明天的Memory。 这里是你的持仓，成本，策略可以根据个股让AI来生成。 模型会根据持仓状态，汇总信息给到对应的建议 Step 4: 风控官审计 为了防止 AI 产生幻觉或盲目追涨杀跌，在初步建议后我设计了一个Agent（单独的模型）来进行审计。之前的大模型经常会有决策性幻觉，自我审计的方式可以一定程度上从不同视角给到一些修正行分析。 实现方式 让另一个 LLM 扮演风控官的角色，拿客观数据去审核 Step 3 的决策。这个Agent设定了严格的“一票否决规则”：例如 RSI 75 且建议买入时，强制修正为“观望”（防追高）；RSI < 25 时如果建议清仓，则强制修正为“观望装死”（防恐慌错杀）。 大部分情况下，审计的结果都会指向安全方向，有些时候会对一些个股有不同的判断，所以强烈建议前面在auditor和advicer用不一样的模型，比如gemini和claude。 Step 5: UI 渲染与输出 这个是个锦上添花的东西，目前没什么实用性，就是用预设好的Html模板生成可视化的UI 一些潜在的优化空间 数据源本土化 yfinance 对 A 股的支持极其不稳定，经常出现数据缺失或延迟。可以将数据源替换为国内的开源库，比如 AkShare、Tushare 或 BaoStock。这些库对 A 股数据非常稳定，还能直接获取涨停板数据、龙虎榜数据、北向资金等更具 A 股特色的指标，丰富 Step 1 里的“硬数据”维度。 记忆系统改造 目前的记忆系统仅把昨天的一句话总结存在 json 里，比较简陋。本地可以做成更加完善的向量数据库，把过去三个月每一天的复盘日记、个股的历史研报存入其中。在 Step 3 决策时，让大模型先通过 RAG召回该股票历史的相似形态或关键新闻，让 Agent 拥有长线记忆。 多重专家辩论机制 目前只有一个基金经理和一个风控，视角还是相对单一，这里的agent可以拆分成更加多元化的角色， 技术派 Agent：只看均线、K线形态、筹码分布。 基本面 Agent：只看财报、市盈率、行业景气度。 情绪面 Agent：只看新闻摘要、热搜、龙虎榜。 最后由一个“主理人 Agent”综合这三者的意见给出最终结论。降低单一模型决策失误的概率。 量化交易 券商终端也会提供量化交易入口，有需要可以自行学习，但从风险角度还是先用观点型辅助决策，有充足论证后再进一步细化交易策略，实施自动化交易 ✒️ 早些时候因为买黄金，伦敦金和沪金主连有一定滞后性，这个信息差可以提前辅助判断金价的走势并且做出一些判断，用Gemini写了一个宏观分析师，建议黄金1200的时候抛出，1050左右接回，做一波T，判断得还挺准的，于是就模仿这个原理做了一个大A的分析师。脚本是基于Colab跑的，Openrouter的API，有个弊端就是东财对Colab有屏蔽，暂时用的雅虎财经的数据，本地可以切换到东财，更准确。 方法论仅供学习使用，不作为投资的唯一判断依据。 早些时候因为买黄金，伦敦金和沪金主连有一定滞后性，这个信息差可以提前辅助判断金价的走势并且做出一些判断，用Gemini写了一个宏观分析师，建议黄金1200的时候抛出，1050左右接回，做一波T，判断得还挺准的，于是就模仿这个原理做了一个大A的分析师。脚本是基于Colab跑的，Openrouter的API，有个弊端就是东财对Colab有屏蔽，暂时用的雅虎财经的数据，本地可以切换到东财，更准确。 方法论仅供学习使用，不作为投资的唯一判断依据。 项目直通地址： https://colab.research.google.com/drive/1w3X3nU784UoOPdd TPfHw8c59HvuKEcs?usp=sharing 前期准备 获取Openrouter的API，模型可以自由调整丰俭由人 https://openrouter.ai/ 主要调用模型有搜索，分析师和审计师三个角色 Key我存在了user profile里防止泄露 Name = OPENROUTER API KEY Value = APIKey，然后notebook打开权限即可 Step 0: 大盘环境感知 在进行个股操作前，先看宏观情绪，避免个股判断与大盘脱节。 实现方式 通过 yfinance 库获取上证和创业板指数。但是雅虎不是很稳，如果数据源无响应，这里设计了一个容错降级方案，自动切换去抓取美股的中国资产 ETF (沪深300ETF ASHR 和科技ETF CQQQ) 作为情绪锚定 。根据涨跌幅，系统将市场划分为“单边多头”、“单边空头”、“震荡市”等状态，为后续决策定下宏观基调。实测yfinance确实不是很靠谱，还是建议本地接东财的API。