1. 项目概述一个基于ChatGPT的自动化股票报告生成器最近在捣鼓一个挺有意思的小项目我把它叫做“ChatGPT股票报告生成器”。核心想法很简单作为一个普通投资者每天看盘、复盘、整理信息时间成本太高了。能不能让AI来帮我做一部分基础工作比如自动生成一份结构化的、带点分析视角的每日或每周股票报告呢这个项目就是基于这个需求诞生的。它本质上是一个自动化脚本主要干三件事第一从公开的财经数据源比如雅虎财经抓取指定股票的基础数据包括股价、成交量、技术指标等。第二将这些原始数据整理成一份结构化的文本摘要。第三也是最有意思的部分将这份数据摘要喂给像ChatGPT这样的AI模型让它扮演一个“初级分析师”的角色生成一份包含市场表现回顾、技术面简析、关键数据提示和后续观察要点的报告草稿。这样一来我每天开盘前花几分钟运行一下脚本就能拿到一份针对我自选股的、个性化的简报大大提升了信息获取和初步分析的效率。这个工具非常适合有一定编程基础、同时又对金融市场感兴趣的开发者或量化爱好者。你不需要是金融专家也不需要精通复杂的量化模型通过这个项目你可以亲手搭建一个连接真实市场数据和前沿AI能力的实用工具既能用于实际辅助决策也是一个绝佳的Python实战项目涵盖了数据获取、处理、API调用和报告生成等多个环节。2. 核心思路与技术选型解析2.1 为什么选择“数据AI”的架构传统的股票分析工具要么是纯数据图表如TradingView要么是复杂的量化回测平台。我这个项目的思路是走“中间路线”。纯数据图表需要使用者自己解读门槛不低而复杂的量化平台又过于笨重。我的目标是生成一份“可读的报告”这就需要理解上下文和进行简单的推理这正是当前大语言模型LLM所擅长的。因此我确定了“数据层 处理层 AI层”的三层架构。数据层负责获取准确、及时的原始信息处理层负责清洗、计算关键指标如涨跌幅、均线并将数据格式化成适合AI理解的提示词PromptAI层则负责最后的“润色”和“解读”生成自然语言的报告。这个架构的优点是清晰、解耦每一层都可以独立优化或替换。比如数据源可以从雅虎财经换成其他APIAI模型可以从OpenAI的GPT换成开源的Llama整个流程依然可以跑通。2.2 关键技术组件选型与考量在具体技术选型上我主要考虑了易用性、稳定性和成本。1. 数据获取yfinance库我选择了yfinance这个Python库来获取股票数据。它是一个对雅虎财经非官方API的封装完全免费数据种类丰富历史行情、分红、拆股等而且调用非常简单。相比于一些付费的金融数据API如Alpha Vantage、IEX Cloudyfinance在个人项目和小规模使用场景下性价比极高。当然它的缺点在于作为非官方接口偶尔会有不稳定或格式变动的情况但对于生成每日报告这种对实时性要求不是极端高的场景完全够用。2. 数据处理与分析pandas和ta库拿到数据后需要用pandas进行高效的数据处理和清洗。pandas的DataFrame结构非常适合处理时间序列数据比如计算移动平均线、整理每日涨跌情况。此外为了增加报告的技术分析内容我引入了ta库Technical Analysis Library。它可以轻松计算数十种常见的技术指标如RSI相对强弱指数、MACD异同移动平均线、布林带等。这样在给AI的数据摘要里我就可以不仅提供价格和成交量还能提供一些初步的技术信号让AI的分析更有依据。3. AI集成OpenAI API 与 Prompt工程这是项目的“大脑”。我直接使用了OpenAI的Chat Completions API通常指GPT-3.5-turbo或GPT-4。选择它的原因在于其出色的自然语言生成和理解能力以及良好的开发者生态。成本方面对于生成几百字的报告GPT-3.5-turbo的费用极低单次调用通常只需几分钱。这里的核心挑战不在于调用API而在于“Prompt工程”。如何设计提示词让AI生成一份专业、客观、有用的报告而不是胡言乱语或给出投资建议我的策略是角色设定 结构化输入 明确指令。我会在Prompt中首先定义AI的角色“你是一位谨慎的金融市场分析助理负责根据提供的数据生成客观的市场简报不提供任何投资建议。”然后我会以清晰的结构通常用JSON或键值对形式输入处理好的数据。最后给出具体的输出格式指令例如“请生成一份包含以下四个部分的简报1. 今日市场表现概览2. 关键技术指标观察3. 重要数据点提示4. 后续可关注方向。”2.3 环境与依赖管理为了保证项目在任何机器上都能快速复现依赖管理至关重要。我使用requirements.txt文件来明确记录所有Python库及其版本。yfinance0.2.28 pandas2.1.4 openai1.6.1 ta0.10.2 python-dotenv1.0.0特别说明一下python-dotenv它用于管理环境变量。像OpenAI API Key这样的敏感信息绝对不能硬编码在脚本里。我会将其存储在名为.env的文件中脚本通过dotenv加载这样既安全又便于配置。注意API密钥安全是红线。务必确保.env文件被添加到.gitignore中避免将密钥意外提交到公开的代码仓库否则可能导致密钥泄露产生不必要的费用。3. 项目核心模块实现详解3.1 数据抓取与预处理模块这个模块是项目的地基目标是获取干净、结构化的股票数据。我创建了一个DataFetcher类来负责这部分工作。首先初始化时需要指定股票代码如AAPL代表苹果公司和要获取的历史数据周期。这里我通常设置为获取过去30天的日线数据这对于生成一份短期趋势报告来说信息量已经足够。import yfinance as yf import pandas as pd class DataFetcher: def __init__(self, ticker, period“30d”): self.ticker ticker self.period period self.raw_data None def fetch(self): 从yfinance获取原始数据 try: stock yf.Ticker(self.ticker) # 获取历史市场数据包含开盘价、最高价、最低价、收盘价、成交量 self.raw_data stock.history(periodself.period) if self.raw_data.empty: raise ValueError(f“未获取到股票 {self.ticker} 的数据请检查代码是否正确。”) print(f“成功获取 {self.ticker} 最近 {self.period} 的数据共 {len(self.raw_data)} 条记录。”) except Exception as e: print(f“数据获取失败: {e}”) self.raw_data None获取到数据后raw_data是一个pandas DataFrame。但原始数据不能直接给AI看我们需要进行预处理和增强。预处理的关键步骤包括处理缺失值检查是否有交易日数据缺失通常用前后数据填充或直接删除。计算衍生指标这是增加报告深度的关键。我会计算每日的涨跌幅、5日及20日简单移动平均线SMA。引入技术指标使用ta库添加RSI和MACD。RSI常用于判断超买超卖MACD用于观察趋势动能。def preprocess_and_enrich(self): 数据清洗与指标计算 if self.raw_data is None: return None df self.raw_data.copy() # 确保索引是日期时间类型 df.index pd.to_datetime(df.index) # 计算日涨跌幅 df[‘daily_return_pct’] df[‘Close’].pct_change() * 100 # 计算移动平均线 df[‘SMA_5’] df[‘Close’].rolling(window5).mean() df[‘SMA_20’] df[‘Close’].rolling(window20).mean() # 使用ta库计算RSI14日周期 from ta.momentum import RSIIndicator df[‘RSI_14’] RSIIndicator(closedf[‘Close’], window14).rsi() # 计算MACD from ta.trend import MACD macd MACD(closedf[‘Close’]) df[‘MACD’] macd.macd() df[‘MACD_signal’] macd.macd_signal() df[‘MACD_diff’] macd.macd_diff() # 通常所说的MACD柱状图 # 取最近一天的数据用于报告摘要 latest df.iloc[-1] # 取前一天的数据用于对比 previous df.iloc[-2] if len(df) 1 else None return df, latest, previous实操心得数据周期与指标选择。对于日报period“30d”和计算5日、20日均线是个不错的起点。如果你想做周报可以调整为period“3mo”并计算20日、60日均线。技术指标不宜过多选择最通用的几个如RSI, MACD, 均线即可否则会让AI的输入信息过于杂乱反而影响报告质量。3.2 AI报告生成引擎这是项目的“灵魂”模块。它的任务是将处理好的数据通过精心设计的Prompt交给AI模型并解析返回的结果。我将其封装在ReportGenerator类中。首先需要安全地加载OpenAI的API密钥。import openai from dotenv import load_dotenv import os import json class ReportGenerator: def __init__(self, model“gpt-3.5-turbo”): load_dotenv() # 加载.env文件中的环境变量 api_key os.getenv(“OPENAI_API_KEY”) if not api_key: raise ValueError(“请在.env文件中设置OPENAI_API_KEY环境变量。”) openai.api_key api_key self.model model接下来是最核心的generate方法。它接收DataFetcher处理好的最新数据、前一天数据以及整个DataFrame然后构造Prompt。Prompt构造是一门艺术我的经验是分层构造系统指令System Role设定AI的固定身份和行为准则。这是确保AI输出风格稳定、安全的关键。用户输入User Input以清晰、结构化的方式提供数据。我通常会将数据整理成一个简明的JSON或纯文本摘要包含关键价格、涨跌幅、技术指标数值和简单的信号如“RSI高于70可能表示超买”。输出格式要求明确要求AI以什么样的结构来组织报告。def generate(self, ticker, latest_data, previous_data, df): 生成股票报告 # 1. 构建数据摘要字符串 data_summary f“”” 股票代码{ticker} 报告基准日{latest_data.name.date()} 【最新交易日数据】 收盘价${latest_data[‘Close’]:.2f} 涨跌幅{latest_data[‘daily_return_pct’]:.2f}% 成交量{latest_data[‘Volume’]:,.0f} 5日均线(SMA_5)${latest_data[‘SMA_5’]:.2f} 20日均线(SMA_20)${latest_data[‘SMA_20’]:.2f} 14日RSI{latest_data[‘RSI_14’]:.1f} ({‘处于超买区域(70)’ if latest_data[‘RSI_14’] 70 else ‘处于超卖区域(30)’ if latest_data[‘RSI_14’] 30 else ‘处于正常区间’}) MACD差值{latest_data[‘MACD_diff’]:.4f} ({‘正值动能偏多’ if latest_data[‘MACD_diff’] 0 else ‘负值动能偏空’}) 【近期趋势观察】 过去5日收盘价范围${df[‘Close’].iloc[-5:].min():.2f} - ${df[‘Close’].iloc[-5:].max():.2f} 当前收盘价相对于20日均线位置{‘高于’ if latest_data[‘Close’] latest_data[‘SMA_20’] else ‘低于’}均线 {abs((latest_data[‘Close’]/latest_data[‘SMA_20’]-1)*100):.2f}% “”” # 2. 构建完整的Prompt消息 messages [ { “role”: “system”, “content”: “你是一位专业的金融市场分析助理。你的任务是根据用户提供的股票数据生成一份简洁、客观、结构清晰的每日市场简报。报告应基于事实和数据避免主观臆测且绝对不能包含任何具体的投资建议如‘买入’、‘卖出’、‘持有’。用中文输出。” }, { “role”: “user”, “content”: f“请根据以下数据为股票 {ticker} 生成一份今日市场简报。\n\n{data_summary}\n\n请将报告分为以下几个部分\n1. 市场表现速览总结当日股价关键变动及成交量情况。\n2. 技术面观察基于提供的均线、RSI、MACD等指标进行简要解读。\n3. 关键数据提示指出1-2个值得注意的数据点如异常成交量、指标极值等。\n4. 后续关注点基于当前数据列出1-2个值得投资者在接下来交易日关注的方向或潜在因素例如能否站稳某条均线、某个指标是否发出信号等。\n报告语言需专业、简洁。” } ] # 3. 调用OpenAI API try: response openai.chat.completions.create( modelself.model, messagesmessages, temperature0.7, # 控制创造性0.7在客观和流畅间取得平衡 max_tokens800 # 限制输出长度 ) report_content response.choices[0].message.content return report_content except Exception as e: print(f“AI报告生成失败: {e}”) return None注意事项Temperature参数调优。temperature参数控制AI输出的随机性。设为0时输出确定性最高但可能呆板设为1时创造性最强但可能偏离事实。对于金融报告这种需要客观性的任务我通常设置在0.5到0.7之间。经过多次测试0.7能在保持客观的基础上让报告的语言不那么枯燥。3.3 主流程与输出模块有了数据模块和AI模块我们需要一个主程序把它们串联起来并处理好最终的报告输出。主程序的逻辑非常直观。def main(ticker“AAPL”): print(f“开始生成 {ticker} 的股票分析报告...”) # 1. 获取并处理数据 fetcher DataFetcher(ticker, period“30d”) fetcher.fetch() df, latest, previous fetcher.preprocess_and_enrich() if df is None or latest is None: print(“数据准备失败程序退出。”) return # 2. 生成AI报告 generator ReportGenerator(model“gpt-3.5-turbo”) # 可替换为 “gpt-4” report generator.generate(ticker, latest, previous, df) if report: # 3. 输出报告 print(“\n” “”*50) print(f“股票 {ticker} 分析报告 - {latest.name.date()}”) print(“”*50) print(report) print(“”*50) # 可选将报告保存到文件 filename f“{ticker}_report_{latest.name.date()}.txt” with open(filename, ‘w’, encoding‘utf-8’) as f: f.write(f“股票 {ticker} 分析报告 - {latest.name.date()}\n”) f.write(“”*50 “\n”) f.write(report) print(f“\n报告已保存至文件{filename}”) else: print(“报告生成失败。”) if __name__ “__main__”: # 可以在这里修改要分析的股票代码 main(ticker“AAPL”)输出模块除了在控制台打印还将报告以文本文件的形式保存下来文件名包含了股票代码和日期方便日后回溯和比较。对于更高级的应用你可以考虑将报告自动发送到邮箱、钉钉/飞书群或者集成到Notion、Obsidian等笔记软件中。4. 实战配置与进阶玩法4.1 从零开始的完整配置流程假设你在一台新的电脑上想运行这个项目以下是详细的步骤第一步环境准备确保你的电脑安装了Python建议版本3.8以上。打开终端或命令提示符创建一个专属的项目文件夹并进入。mkdir chatgpt_stock_report cd chatgpt_stock_report第二步创建虚拟环境强烈推荐使用虚拟环境可以隔离项目依赖避免包冲突。# 对于 macOS/Linux python3 -m venv venv source venv/bin/activate # 对于 Windows python -m venv venv venv\Scripts\activate激活后终端提示符前会出现(venv)字样。第三步安装依赖在项目根目录下创建一个名为requirements.txt的文件内容如前文所述。然后执行安装命令。pip install -r requirements.txt第四步配置OpenAI API Key访问OpenAI官网注册账号并获取API Key。在项目根目录创建一个名为.env的文件注意前面有个点内容如下OPENAI_API_KEY你的实际API密钥切记这个文件不要上传到任何公开的Git仓库最好的做法是立即将.env添加到.gitignore文件中。第五步运行脚本将前文提到的所有代码模块DataFetcher类、ReportGenerator类、main函数整合到一个Python文件中例如命名为stock_report.py。然后在终端运行python stock_report.py如果一切顺利你将看到在控制台打印出的关于苹果公司AAPL的股票报告同时根目录下会生成一个类似AAPL_report_2024-05-27.txt的文件。4.2 自定义你的股票观察列表每次都修改代码里的ticker参数太麻烦。一个实用的改进是引入一个观察列表配置文件。你可以创建一个watchlist.json文件[“AAPL”, “MSFT”, “GOOGL”, “TSLA”, “NVDA”]然后修改主函数循环读取这个列表为每只股票生成报告甚至可以整合成一份综合日报。import json def main_from_watchlist(): with open(‘watchlist.json’, ‘r’) as f: tickers json.load(f) for ticker in tickers: main(ticker) # 调用之前的main函数可以添加短暂延时避免请求过快 print(“\n\n”)4.3 进阶增加更多数据维度与报告类型基础版本已经可用但还有很大的扩展空间添加基本面数据除了价格还可以用yfinance获取市盈率P/E、市净率P/B、每股收益EPS等基本面数据让AI在报告中加入估值简评。引入新闻情绪分析结合财经新闻API如Google News RSS或一些免费财经新闻API抓取近期公司相关新闻标题将新闻摘要也融入Prompt让AI结合市场情绪进行分析。生成周报/月报调整数据获取周期和计算的指标例如使用周线数据、长期均线修改Prompt指令让AI生成周期更长的趋势总结和展望。可视化图表集成使用matplotlib或plotly自动生成股价走势图、技术指标图并将图片路径或Base64编码后的图像信息提供给AIGPT-4V等模型支持图像输入让报告“图文并茂”。不过这需要更复杂的Prompt设计和更高的成本。5. 常见问题与排查技巧实录在实际开发和运行过程中你肯定会遇到各种问题。下面是我踩过的一些坑和解决方案。5.1 数据获取失败问题现象运行脚本后程序报错或提示“未获取到股票数据”。排查思路检查股票代码首先确认代码是否正确且为上市状态。例如A股代码需要加后缀如000001.SZ港股是0700.HK。检查网络连接yfinance需要访问雅虎财经。确保你的网络环境可以正常访问相关域名。有时会因为网络波动导致短暂失败。库版本问题雅虎财经的页面结构可能会变导致旧版yfinance失效。尝试升级库pip install --upgrade yfinance。尝试备用数据源如果yfinance持续不稳定可以考虑快速切换到其他免费数据源如pandas-datareader同样可能依赖雅虎或akshare一个强大的国内财经数据库对A股支持很好。5.2 AI报告内容空洞或跑偏问题现象生成的报告全是套话如“市场表现平稳投资者应关注风险”没有结合具体数据或者AI开始给出“强烈建议买入”这类违规建议。解决方案强化系统指令在systemrole的Prompt中更严厉地规定其角色和禁忌。例如“你是一个客观的数据总结工具你的输出必须严格基于我提供的数据。禁止创造数据中不存在的信息禁止使用‘建议’、‘应该’等措辞禁止给出任何投资意见。”优化数据输入格式确保提供给AI的数据摘要清晰、关键点突出。可以用**加粗最重要的数据如涨跌幅、RSI极值帮助AI快速抓住重点。调整Temperature如果报告过于天马行空将temperature参数调低比如从0.7调到0.3让输出更贴近数据本身。使用更强大的模型如果条件允许可以尝试从gpt-3.5-turbo切换到gpt-4。GPT-4在遵循复杂指令和理解结构化数据方面通常表现更佳生成的报告也更严谨、更有洞察力当然成本也更高。5.3 运行速度慢或API限额问题问题现象获取多只股票数据或生成报告时速度很慢或者收到OpenAI API的速率限制错误。优化策略数据缓存对于盘中不变的历史数据可以考虑缓存到本地文件或数据库避免每次运行都重复下载。例如将下载的DataFrame用to_pickle()保存下次先检查是否有当天的缓存数据。异步请求如果需要处理数十只股票同步请求会非常慢。可以使用asyncio和aiohttp库实现异步数据获取或者使用concurrent.futures进行并发处理能极大提升效率。处理API限流OpenAI API有每分钟和每日的请求次数RPM和令牌数TPM限制。在代码中增加简单的延时time.sleep是基础方法。更健壮的做法是捕获openai.RateLimitError异常并实现指数退避重试机制。精简Prompt在保证效果的前提下尽量减少Prompt中不必要的描述使用更简洁的语句。同时合理设置max_tokens避免生成过于冗长的报告这既能加快响应也能节省费用。5.4 报告格式不一致问题现象有时AI会严格按照要求的四点格式输出有时却会自己增加段落或改变顺序。解决方案结构化输出要求在Prompt的末尾对输出格式做出极其明确的要求。可以尝试使用以下格式“请严格按照以下Markdown格式输出不要添加任何额外标题或说明## 市场表现速览\n内容\n## 技术面观察\n内容...”使用Function Calling或JSON Mode如果使用GPT-4 Turbo或更高版本可以利用OpenAI的JSON Mode强制要求AI以指定的JSON格式返回报告内容然后在自己的程序中再格式化成文本。这是保证输出结构一致性的终极方案但需要更复杂的编程。这个项目从构思到实现再到不断优化整个过程让我对如何将AI能力落地到具体场景有了更深的理解。它不是一个能预测市场的“黑盒子”而是一个强大的信息整理和初步分析助手能将我从繁琐的数据浏览中解放出来更专注于策略思考。最大的体会是Prompt工程的质量直接决定了AI输出的实用价值这需要像调试代码一样去反复迭代和测试。下一步我打算把报告自动推送到我的Telegram上实现真正的“每日开盘前推送”。