Daily Stock Analysis：从数据抓取到 Agent 决策的完整使用指南

type

Post

status

Published

date

May 25, 2026

slug

daily-stock-analysis-agent-guide

summary

这篇文章系统梳理 Daily Stock Analysis 的核心功能、部署方式、普通分析与 Agent 模式的实现差异，并用一只股票示例说明不同模式下报告会长什么样。

🧩 Daily Stock Analysis：从数据抓取到 Agent 决策的完整使用指南

🔍 一、这个项目解决什么问题

Daily Stock Analysis，简称 DSA，本质上是一个“自选股自动研究员”。它不是单纯行情提醒，也不是只调用大模型写一段点评，而是把数据抓取、指标计算、新闻搜索、风险排查、LLM 分析、报告生成和通知推送放在同一条流水线上。

它适合三类场景：

每天收盘后自动分析自选股，生成可执行的买卖观察报告。

在 Web 工作台里手动分析某只股票，并查看历史报告、回测、持仓。

用 Agent 问股，围绕趋势、均线、热点、事件、成长、缠论、波浪等策略做多轮追问。

项目覆盖 A 股、港股、美股，但不同市场的数据源完整度不同。A 股能力最完整，包括实时行情、日线、技术指标、筹码分布、板块归属、资金流和新闻情报。

⚙️ 二、核心功能全景

模块	能力	用途
行情与日线	实时价、涨跌幅、成交量、历史 K 线	判断当前价格位置、趋势和均线结构
技术分析	MA5、MA10、MA20、乖离率、支撑位、压力位、MACD、RSI、量能	给趋势、买点、风险位提供量化背景
筹码分布	获利比例、平均成本、集中度	判断套牢盘、获利盘和筹码压力
资金流	主力净流入、5 日/10 日流入	判断量价背后是否有资金确认
新闻情报	最新消息、公告、机构观点、风险排查、业绩预期	补充技术面之外的催化和风险
板块背景	所属行业、概念、题材、板块热度	判断个股是否处在板块共振中
AI 报告	核心结论、评分、趋势、买卖点、止损、风险、催化	把数据转成可读、可执行的决策仪表盘
Agent 问股	ReAct 工具调用、15 种策略 Skill、多轮问答、多 Agent 编排	支持针对一只股票持续追问
Web / 桌面	配置管理、手动分析、任务进度、历史报告、回测、持仓	把命令行能力变成可视化工作台
通知推送	企业微信、飞书、Telegram、Discord、Slack、邮箱、自定义 Webhook	每天自动把报告推到使用场景里

🚀 三、如何部署和运行

1. 本地命令行运行

最小方式是复制环境变量模板，配置股票列表和至少一个大模型 Key：

常用命令：

2. Web 工作台

Web 模式会启动 FastAPI 和前端工作台：

默认访问：

Web 里可以做这些事：

修改系统配置和模型配置。

手动触发个股分析或大盘复盘。

查看任务进度和历史报告。

使用 Agent 策略问股。

管理回测、持仓、告警规则。

3. Docker 部署

Docker 更适合长期运行：

或者启动定时分析容器：

两者都启动：

常见模式：

命令	用途	端口
`docker-compose -f ./docker/docker-compose.yml up -d server`	Web / API 服务模式	8000
`docker-compose -f ./docker/docker-compose.yml up -d analyzer`	每日自动分析模式	-
`docker-compose -f ./docker/docker-compose.yml up -d`	同时启动 Web 和定时任务	8000

4. GitHub Actions 自动运行

适合不想维护服务器的人。把仓库 Fork 后，在 Actions Secrets / Variables 中配置：

大模型 API Key。

股票列表。

通知渠道 Webhook。

可选搜索 API Key 和 Tushare Token。

默认工作流通常在交易日收盘后运行，适合“每天自动推送一份报告”。

🧭 四、一次实际分析会发生什么

以 600487 为例，典型流程如下：

读取股票列表：从 .env、命令行参数或 Web 请求里拿到 600487。

获取基础行情：先拿日线，再拿实时行情，用实时价补齐盘中/盘后价格状态。

计算技术指标：计算 MA5、MA10、MA20、均线排列、乖离率、支撑位、压力位、趋势评分、MACD、RSI、量能。

获取筹码分布：如果当天筹码还没更新，可能自动取上一个交易日。

获取资金流：优先通过配置的数据源获取个股资金流；如果 AkShare 个股资金流缺失，可以回退到 Tushare moneyflow_dc。

获取所属板块：查询行业、概念、题材，用于判断板块共振和情绪背景。

搜索新闻情报：围绕“最新消息、机构分析、风险排查、公司公告、业绩预期”等维度构建查询。

构造 Prompt：把行情、技术指标、筹码、资金流、新闻、板块和系统交易纪律拼成大模型输入。

生成报告：输出决策仪表盘，包括评分、趋势、买点、止损、风险和操作建议。

后处理和推送：做字段完整性检查、决策稳定性校准、通知分段或转图片推送。

这个流程的关键是：日线数据负责历史结构，实时行情负责当前状态，新闻和资金流负责确认或否定技术信号。

🏗️ 五、普通分析和 Agent 模式有什么区别

普通 python main.py 更像一条固定流水线：

Agent 模式则是工具调用循环：

它是项目自研的 ReAct 风格实现，不依赖 LangChain、AutoGen 或 CrewAI。工具由项目内的 ToolRegistry 注册，包括：

get_realtime_quote

get_daily_history

get_chip_distribution

get_analysis_context

get_stock_info

get_capital_flow

analyze_trend

calculate_ma

get_volume_analysis

analyze_pattern

search_stock_news

search_comprehensive_intel

get_market_indices

get_sector_rankings

get_skill_backtest_summary

get_strategy_backtest_summary

get_stock_backtest_summary

当前 Agent 不加载 MCP 工具。它使用的是项目自己的 Python function tools。

🧠 六、Agent 策略和多 Agent 编排

Agent 的策略写在 strategies/*.yaml，本质是自然语言 Skill，不是硬编码 Python 规则。内置策略包括：

默认多头趋势 bull_trend

缩量回踩 shrink_pullback

放量突破 volume_breakout

均线金叉 ma_golden_cross

底部放量 bottom_volume

箱体震荡 box_oscillation

龙头策略 dragon_head

热点题材 hot_theme

事件驱动 event_driven

成长质量 growth_quality

预期重估 expectation_repricing

情绪周期 emotion_cycle

缠论 chan_theory

波浪理论 wave_theory

一阳夹三阴 one_yang_three_yin

配置方式：

如果留空，默认使用主默认策略，内置默认是 bull_trend。

多 Agent 编排是顺序工作流，不是自由协商。典型链路：

其中 Agent 编排层是顺序执行；同一个 Agent 内部一次请求多个工具时，工具层可以并行执行。

📄 七、不同模式下报告长什么样

1. `REPORT_TYPE=brief`

适合推送很短的消息，通常是 3 到 5 句话。

示例：

600487 当前处在震荡偏弱区间，价格未形成有效突破。短线需要观察 MA5 附近承接和成交量变化，若资金流继续为负，应以持有观察或降低仓位为主。上方压力关注前高和 MA20 附近，下方支撑关注最近结构低点。

特点：

极短。

适合手机通知。

不展开完整指标。

2. `REPORT_TYPE=simple`

适合日常默认推送。它会保留核心结论、评分、趋势、操作建议和风险。

示例结构：

特点：

比 brief 信息更完整。

适合企业微信、飞书、Telegram 推送。

不会像 full 那样展开所有证据链。

3. `REPORT_TYPE=full`

适合 Docker、Web 历史报告、复盘归档。它会保留完整 Markdown 和较完整的分析过程。

示例结构：

特点：

最适合复盘和归档。

字段完整，便于 Web 展示和历史查询。

推送渠道长度有限时可能会分段或转图片。

4. 大盘复盘模式

命令：

报告关注的是市场整体，而不是单只股票：

5. Agent 单 Agent 模式

配置：

输出更像“带工具调用的策略问答”：

6. Agent 多 Agent 模式

配置：

输出来自多个角色的顺序评审：

如果使用 specialist：

会在 decision 前插入最多 3 个策略专家，例如：

它们当前是顺序执行的独立评审，最后由 decision 统一汇总。

🔧 八、部署时最容易踩的点

至少要有一个可用大模型 Key：没有模型就只能 dry-run 抓数据，不能生成 AI 报告。

搜索 Key 是增强项：没有搜索 Key 也能跑基础技术面，但新闻情报会弱很多。

Tushare Token 是增强项：有助于补齐筹码、资金流等数据；不同接口积分权限不同。

Docker 里推荐 REPORT_TYPE=full：避免推送内容看起来不完整，完整报告也更适合 Web 历史。

Web 外网访问要设置 host：云服务器部署通常需要 WEB_HOST=0.0.0.0 或命令行 --host 0.0.0.0。

通知渠道不是必须：不配置也能生成本地报告；配置后才会推送。

Agent 模式更贵更慢：单 Agent 已经会多轮工具调用，多 Agent 会增加 LLM 调用次数。

✅ 九、我的使用建议

如果只是每天看自选股：

如果希望报告完整归档：

如果希望在 Web 里追问股票：

如果想要更强的风险检查：

如果想研究某只股票是否符合特定交易模式：

🧾 十、总结

Daily Stock Analysis 的价值不在于“让大模型猜涨跌”，而在于把日常复盘中需要反复查的数据和判断框架标准化：行情、趋势、量能、筹码、资金流、新闻、板块和风险都进入同一个报告结构。

普通模式适合稳定自动化；Agent 模式适合交互式追问；多 Agent 模式适合把技术、情报、风控和策略专家拆开，让最终结论更有层次。

实际使用时，建议先从本地或 Docker 的普通分析跑通，再逐步打开 Web、通知、搜索、Tushare、Agent 和多 Agent。这样每一层增强都能明确知道自己解决了什么问题，也更容易定位数据源或模型输出的异常。