AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月17日
用大模型每日分析多市场自选股,生成决策看板并自动推送。
这是一个 Python 编写的 LLM 驱动股票分析系统,覆盖 A股、港股、美股、日股、韩股、台股和 ETF。它聚合多源行情、K 线、技术指标、新闻公告与基本面数据,由大模型生成含结论、评分、买卖点位和风险提示的决策报告,并通过企业微信、飞书、Telegram 等渠道推送。
推荐指数
功能完整、部署门槛低,适合想用 LLM 做每日复盘提醒的开发者,但分析结果不构成投资建议。
近 7 天
+3,509
新增 Star
总 Star 排名
#59
雷达追踪的 3,931 个 AI 仓库中
创建于
2026
2026年1月10日
核心亮点
1多市场覆盖
支持 A股、港股、美股、日股、韩股、台股及 ETF 的行情与新闻聚合。
2AI 决策报告
输出核心结论、评分、趋势、买卖点位、风险警报与操作清单。
3零成本定时
可 Fork 后用 GitHub Actions 定时运行,无需自备服务器。
4多渠道推送
支持企业微信、飞书、Telegram、Discord、Slack 和邮件。
5Web 工作台
提供手动分析、历史报告、回测、持仓与配置管理界面。
适用场景
每日自选股复盘
例如:配置 STOCK_LIST 后,每个交易日收盘后自动收到自选股分析报告。
多市场跟踪
例如:同时关注 A股、美股和港股标的,统一在一个看板中查看结论。
策略问答
例如:在 Web 或 Bot 中用均线、缠论等内置策略对个股做多轮追问。
私有化部署
例如:用 Docker 本地运行并接入 Ollama 本地模型,避免数据外传。
它是怎么工作的
第 1 步
配置自选股与密钥
在 Secrets 中填写 STOCK_LIST、模型 API Key 和推送渠道。
第 2 步
拉取多源数据
从 AkShare、Tushare、YFinance 等数据源获取行情、K 线与新闻。
第 3 步
大模型分析
将行情与新闻输入 LLM,按策略生成评分和决策建议。
第 4 步
生成看板并推送
输出 Markdown 报告,通过配置的渠道定时发送。
快速上手
- 1
Fork 仓库
点击 GitHub 右上角 Fork 按钮复制仓库。
- 2
配置 Secrets
在 Settings → Secrets and variables → Actions 中添加模型 Key、STOCK_LIST 和推送地址。
- 3
启用定时任务
GitHub Actions 按计划自动运行,也可手动触发一次验证。
- 4
本地运行
也可用 Docker 镜像 zhulinsen/daily_stock_analysis 部署。
docker run zhulinsen/daily_stock_analysis
适合谁
- 有基础 Python 和 GitHub 使用经验的开发者
- 需要每日自动获取股票分析提醒的个人投资者
- 想研究 LLM 在金融分析中应用的开发者
不太适合
- 期望获得确定性交易信号的用户
- 不熟悉 API Key 和 Secrets 配置的新手
成熟度
- 活跃度最近一次推送在 2026-11,star 与 fork 数很高。
- 文档README 详细,另有完整指南、LLM 配置和多语言文档。
- 社区star 数高、开放 issue 仅 39 个,维护较活跃。
- 上手难度Fork 加配置 Secrets 即可运行,但需理解多个密钥项。
同类项目怎么选
- OpenBB偏数据终端与研究工具,不内置 LLM 决策报告和推送流程。
- FinGPT侧重金融大模型训练与微调,不是开箱即用的每日分析系统。
使用前注意
- · 分析结果由大模型生成,仅供研究参考,不构成投资建议。
- · 免费行情源受限流和接口变动影响,稳定性不保证。
- · 需要自行准备 LLM API Key,可能产生调用费用。
- · 项目采用 MIT 许可,可自由使用和修改。
