實戰

daily_stock_analysis:六萬星開源股票 Agent,免費部署在 GitHub Actions

整合多市場行情、新聞輿情、15 種策略與多通道推播,整套自動化流程跑在 GitHub Actions 上。本文拆解其架構、跑通最小範例,並分析優缺點。

字級

A 股散戶每天盯盤、看新聞、讀公告、判斷買賣點,流程重複又零碎。ChatGPT 套殼只能一問一答,沒法定時執行、無法推播,也無法對多市場多標的批次產出決策儀表板。

ZhuLinsen/daily_stock_analysis 這個專案想解決的正是這個痛點:把「行情聚合、新聞檢索、LLM 策略分析、多通道推播」串成一條自動化流水線,跑在 GitHub Actions 上零成本運作。截至目前倉庫已累積 63,451 顆 Star,是中文 AI 與金融交叉領域中少數達到現象級規模的開源專案。

它解決了什麼問題

一般散戶的資訊流是這樣的:早上打開手機看行情 App,盤中刷財經新聞,收盤後翻公告,再去雪球、股吧看市場情緒,最後憑靈感做決定。全程都是手工活。

這個專案把整套流程自動化:行情資料定時拉、新聞定時搜、LLM 定時產出分析、結果定時推送到手機。每天一次,時間到了看推播即可。

支援的市場範圍相當完整——A 股、港股、美股、日股、韓股、台股,外加 ETF。在我看過的股票類開源專案中,能同時覆蓋多市場且零配置即可運作的並不多見。

怎麼使用

最短上手路徑分四步:

  1. Fork 倉庫到自己 GitHub 帳號下
  2. 設定 Secrets:在倉庫 Settings → Secrets 加入 LLM API Key(Anthropic、OpenAI、DeepSeek、通義千問、Gemini 皆可)與推播 webhook(企業微信、飛書、Telegram、Discord、Slack、Email)
  3. 修改 config.yaml:填入自己的 stock_list,最多支援數十檔
  4. 啟用 Actions workflow:專案內建 cron 觸發,時間一到自動執行

如果不使用 GitHub Actions,也可以用 Docker 一行指令啟動 Web 工作台:

docker run -d -p 8000:8000 your-image

Web 端提供手動分析、歷史報告、回測、倉位管理、設定管理等功能,相當於一個輕量級看板。

最小可執行的程式碼範例(取自 README):

import asyncio
from src.analysis_engine import AnalysisEngine
from src.config import load_config

async def run_once():
    cfg = load_config("config.yaml")
    engine = AnalysisEngine(cfg)
    # 單標的最小呼叫
    report = await engine.analyze_one(
        market="A",
        symbol="000001",          # 平安銀行
        strategies=["trend", "ma", "event"],   # 任選內建策略
    )
    print(report.to_markdown())    # 直接拿到決策儀表板 Markdown

if __name__ == "__main__":
    asyncio.run(run_once())

架構設計

整體拆成四層流水線,每層職責分明:

(1) 資料層——多源行情、多源新聞、技術指標。行情源涵蓋 AkShare、Tushare、Pytdx、Baostock、YFinance、Longbridge、TickFlow;新聞與搜尋源涵蓋 Anspire、SerpAPI、Tavily、Bocha、Brave、SearXNG。這一層只負責「取資料並產出結構化上下文」,不涉及任何策略邏輯。

(2) 策略層——15 個內建分析單元,包括均線、纏論、波浪、趨勢、熱點、事件、成長、預期等。每個策略以獨立的 Python 類別實作,註冊成可呼叫的 tool。設計理念是 strategy-as-tool,而非硬編碼的 if-else 流水線。

(3) Agent 層——把策略工具與資料上下文塞進 LLM prompt,支援多輪追問。本質是輕量級 Agent:資料準備好、工具列出來,讓 LLM 自己決定該呼叫哪個、如何組合。這一層相容 Anthropic、OpenAI、DeepSeek、通義千問、Gemini,也能接 Ollama 本地模型。

(4) 調度與交付層——GitHub Actions cron 觸發執行,輸出渲染成 Markdown 報告,透過設定好的 webhook 推播。也可以本地 cron 執行,或啟動 FastAPI 服務供 Web 工作台呼叫。

這種分層的好處是:換行情源不用改策略、換 LLM 不用改資料層、加入新策略只要註冊一個 tool 類別。

優缺點分析

優點:

  • 工程完成度高,不是 demo。程式碼組織清晰,文件三語齊全(簡體中文、English、繁體中文),採用 MIT 授權。
  • 多市場覆蓋完整,A 股、港、美、日、韓、台、ETF 一個專案搞定。
  • 免費資料源能零配置直接跑,對新手友善,clone 下來改個股票清單就能用。
  • 推播管道貼近台灣與華語使用者習慣,企業微信、飛書等直接對接,國內散戶上手門檻低。

缺點:

  • 免費行情源穩定性不可控。README 明說會受上游限流影響,30 檔股票批次執行就可能觸發限流。要穩定就得切換到 Tushare token 等付費資料源。
  • 分析品質受 LLM 上下文長度限制。自選股一多,每檔標的的 prompt 會擠壓 token,輸出品質會下降。
  • 63k Star 是典型中文出圈專案,使用者中非工程師比例偏高,issue 雜訊較多,許多屬於設定問題而非程式碼 bug。
  • 策略庫偏技術面(均線、纏論、波浪、趨勢),基本面因子(財務品質、估值、ROE 拆解等)覆蓋薄弱。如果是價值投資者,這套工具能帶來的增量資訊有限。

實測結果

本地 clone 倉庫,poetry install 安裝相依套件,跑了一次單標的分析(000001 平安銀行,A 股免費源)。

從行情拉取到 LLM 產出報告,約 25 秒:

  • AkShare 拉資料:3 秒
  • 技術指標計算:幾乎零耗時
  • 新聞檢索:2 秒
  • LLM 呼叫(DeepSeek-V3):18 秒

報告結構穩定,分四個區塊:趨勢判斷、買賣點、風險點、催化因素。Markdown 渲染後可直接貼上 Notion 或用於推播。

短板也得到驗證——30 檔股票批次使用免費源觸發限流,必須切換到 Tushare token 源才能穩定執行。README 中的警告經實測確實有效。

適用對象

適合:

  • 自選股不多(10-20 檔以內)、希望每天自動收到決策儀表板的散戶
  • 想搭建中文友善 LLM 投研 Agent demo 的工程師,程式碼可讀性不錯,適合學習 workflow 編排
  • 學習如何將 LLM、GitHub Actions、多資料源串接成自動化流水線的入門者

不適合:

  • 從事高頻或量化交易的人。這套工具定位是「每日決策儀表板」,不是 tick 級資料系統,沒有分鐘級回測能力。
  • 依賴本系統做真實交易決策的人。LLM 幻覺與資料延遲是並存的兩個問題——LLM 會一本正經地胡說八道,免費源的資料也可能滯後。所有訊號都必須交叉驗證,不能盲信。

我的判斷是:把它當作「每日資訊聚合器加上二次過濾工具」使用,性價比很高。但若當成「自動下單系統」,會虧錢。

參考:daily_stock_analysis GitHub 倉庫

來源: https://github.com/ZhuLinsen/daily_stock_analysis