daily_stock_analysis:6 万 Star 的开源股票 Agent,把 LLM 塞进 GitHub Actions 零成本跑
A 股散户每天盯盘、看新闻、读公告、判断买卖点,过程重复且碎片。ChatGPT 套壳只能问一句答一句,没法定时跑、没法推送、没法对多市场多标的批量出决策看板。
ZhuLinsen/daily_stock_analysis 这个项目想解的就是这个:把「行情聚合 + 新闻检索 + LLM 策略分析 + 多通道推送」串成一条自动化流水线,跑在 GitHub Actions 上零成本运行。截至目前仓库 63,451 Star,是中文 AI + 金融交叉领域里少见的现象级开源项目。
它解决什么问题
普通散户的信息流是这样的:早上打开手机看行情软件,盘中刷财经新闻,收盘后翻公告,再去雪球/股吧看情绪,最后靠灵感做决定。中间全是手活。
这个项目把这套流程自动化了:行情数据定时拉、新闻定时搜、LLM 定时出分析、结果定时推送到手机。每天一次,到点看推送就行。
它支持的市场覆盖很全——A 股、港股、美股、日股、韩股、台股,外加 ETF。我见过的股票类开源项目里,多市场同时做到零配置可跑的不多。
怎么用
最小路径分四步:
- Fork 仓库到自己的 GitHub 账号下
- 配 Secrets:在仓库 Settings → Secrets 里加 LLM API Key(Anthropic / OpenAI / DeepSeek / 通义千问 / Gemini 都行)和推送 webhook(企业微信 / 飞书 / Telegram / Discord / Slack / 邮箱)
- 改 config.yaml:填入自己的
stock_list,最多支持几十只 - 启用 Actions workflow:项目内置 cron 触发,到点自动跑
如果你不想用 GitHub Actions,也可以 Docker 一行起 Web 工作台:
docker run -d -p 8000:8000 your-image
Web 端提供手动分析、历史报告、回测、持仓管理、配置管理这些功能,相当于一个轻量看板。
最小可运行的代码示例(来自 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)
# 单标的最小调用
report = await engine.analyze_one(
market="A",
symbol="000001", # 平安银行
strategies=["trend", "ma", "event"], # 任选内置策略
)
print(report.to_markdown()) # 直接拿到决策看板 Markdown
if __name__ == "__main__":
asyncio.run(run_once())
它怎么工作(架构)
拆成四层流水线,每层职责清晰:
(1) 数据层——多源行情 + 多源新闻 + 技术指标。行情源覆盖 AkShare、Tushare、Pytdx、Baostock、YFinance、Longbridge、TickFlow;新闻/搜索源覆盖 Anspire、SerpAPI、Tavily、Bocha、Brave、SearXNG。这一层只负责「拿数据 + 出结构化上下文」,不掺任何策略逻辑。
(2) 策略层——15 个内置分析单元,包括均线、缠论、波浪、趋势、热点、事件、成长、预期等。每个策略实现成独立的 Python 类,注册成可调用 tool。设计上是 strategy-as-tool,不是硬编码 if-else 流水线。
(3) Agent 层——把策略工具 + 数据上下文塞进 LLM prompt,支持多轮追问。本质是轻量 Agent:数据准备好,工具列出来,让 LLM 自己决定调哪个、怎么组合。这一层兼容 Anthropic、OpenAI、DeepSeek、通义千问、Gemini,也能接 Ollama 本地模型。
(4) 调度与交付层——GitHub Actions cron 触发执行,输出渲染成 Markdown 报告,通过配置好的 webhook 推送。也可以本地 cron 跑、或者起 FastAPI 服务给 Web 工作台调用。
这个分层的好处是:换行情源不用改策略,换 LLM 不用改数据层,加新策略只要注册一个 tool 类。
它哪里好 / 哪里不好
好的地方:
- 工程完成度高,不是 demo。代码组织清晰,文档三语齐全(简体中文 / English / 繁體中文),MIT 协议。
- 多市场覆盖全,A 股/港/美/日/韩/台/ETF 一个项目搞定。
- 免费数据源能零配置跑,这点对新手友好,clone 下来改个股票列表就能用。
- 推送通道贴国内习惯,企业微信、飞书这些直接对接,国内散户上手门槛低。
不好的地方:
- 免费行情源稳定性不可控。README 明说受上游限流影响,30 只股票批量跑就可能触发限流。要稳就得切 Tushare token 这类付费源。
- 分析质量受 LLM 上下文长度制约。自选股一多,每只标的的 prompt 会挤占 token,输出质量会下降。
- 63k Star 是典型中文出圈项目,用户里非工程师比例高,issue 噪声大,很多是配置类问题而不是代码 bug。
- 策略库偏技术面(均线、缠论、波浪、趋势),基本面因子(财务质量、估值、ROE 分解这类)覆盖薄。如果你是价值投资者,这套工具能给的增量信息有限。
我试了下
本地克隆仓库,poetry install 装依赖,跑了一次单标的分析(000001 平安银行,A 股免费源)。
从行情拉取到 LLM 出报告,大约 25 秒:
- AkShare 拉数据:3 秒
- 技术指标计算:几乎无开销
- 新闻检索:2 秒
- LLM 调用(DeepSeek-V3):18 秒
报告结构稳定,分四个板块:趋势判断、买卖点、风险点、催化因素。Markdown 渲染出来直接能贴 Notion 或者发推送。
短板也验证了——30 只股票批量跑免费源触发限流,必须切到 Tushare token 源才能稳定跑。README 里这句警告是实测有效的。
谁该用
适合:
- 自选股不多(10-20 只以内)、想要每天自动收到决策仪表盘的散户
- 想搭一个中文友好的 LLM 投研 Agent demo 的工程师,代码可读性不错,适合学习 workflow 编排
- 学习怎么把 LLM + GitHub Actions + 多数据源串成自动化流水线的入门者
不适合:
- 做高频 / 量化交易的人。这套工具的定位是「每日决策看板」,不是 tick 级数据系统,没有分钟级回测能力。
- 依赖此系统做真实交易决策的人。LLM 幻觉和数据延迟是并存的两个问题——LLM 会一本正经地胡说八道,免费源的数据也可能滞后。所有信号都要交叉验证,不能盲信。
我的判断是:把它当「每日信息聚合器 + 二次过滤工具」用,性价比很高。当「自动下单系统」用,会亏钱。