daily_stock_analysis 项目研究报告

仓库：ZhuLinsen/daily_stock_analysis ｜ commit：4aad40c ｜ 更新时间：2026-05-16 ｜ 研究视角：项目定位、架构、部署、数据/LLM/通知链路、适用性与风险
36.1k
GitHub Stars
35.6k
Forks
695
纳入统计文件数
MIT
License

一、核心结论

daily_stock_analysis 是一个面向 A股/港股/美股自选股的 AI 股票分析与推送系统，不是单脚本项目，而是一个包含 CLI 定时分析、FastAPI 后端、React Web 工作台、Electron 桌面端、Bot 接入、Agent 问股、多数据源、多 LLM 通道、多通知渠道 的综合型投资辅助平台。

  • 最适合用途：每日自选股分析、盘后复盘、持仓/回测辅助、消息机器人推送、个人或小团队投研工作台。
  • 默认推荐部署：Docker Compose 或直接 Python 运行；如果只想快速试用，GitHub Actions 是官方首推。
  • 项目复杂度：偏高。数据源、LLM、通知、WebUI、Agent、回测、持仓等模块较多，生产自用前需要先做最小化配置。
  • 关键限制：输出不是投资建议替代；行情/新闻源和 LLM 质量直接决定报告质量；外部数据源和模型 API 的稳定性是核心风险。

二、项目定位

维度说明
产品形态股票智能分析系统 + Web/桌面工作台 + Bot/API 服务
市场覆盖A股、港股、美股、ETF、指数
分析内容行情、K线、技术指标、资金流、筹码、新闻、公告、基本面、舆情、风险、催化、操作检查清单
输出方式Markdown/消息推送、Web 历史报告、API 响应、桌面端展示
自动化方式GitHub Actions、Docker、本地 schedule、crontab、API 手动触发

三、技术栈

Python 3.10+FastAPISQLAlchemyLiteLLMReact/ViteElectronDocker

  • 后端：Python，FastAPI，SQLAlchemy，SQLite 默认持久化。
  • 前端：React + Vite + TypeScript + Tailwind/Recharts。
  • 桌面：Electron + electron-builder。
  • LLM：LiteLLM 统一路由，多模型/多 Key fallback。

四、架构理解

层级目录/模块职责
入口层main.py、webui.pyCLI 主入口、调度、Web 服务启动。
API 层api/FastAPI 应用、认证、中间件、分析/历史/持仓/回测/系统配置/Agent 接口。
核心流程src/core/分析流水线、交易日历、市场复盘、回测引擎、配置注册表。
数据源data_provider/AkShare、Tushare、EFinance、Pytdx、Baostock、YFinance、Longbridge、TickFlow 等适配。
AI/Agentsrc/llm/、src/agent/LLM 调用、参数适配、工具调用、策略 Agent、技能路由、多轮问股。
通知src/notification*企业微信、飞书、Telegram、Discord、Slack、邮件、ntfy、Gotify、Pushover 等。
Web/桌面apps/dsa-web、apps/dsa-desktop前端工作台与桌面客户端。
CI/发布.github/workflows、docker/每日分析、CI、Docker 多架构发布、桌面端 release。

五、主要运行模式

1. GitHub Actions

  • 官方 README 推荐的低门槛方式。
  • 适合零服务器、每日固定分析与推送。
  • 依赖 GitHub Secrets 存 API Key、通知渠道、自选股。

2. 本地 CLI / 定时任务

  • python main.py 单次运行。
  • python main.py --schedule 本地定时。
  • --dry-run、--debug、--stocks 可用于调试。

3. Web/API 服务

  • python main.py --serve-only 或 webui.py。
  • 提供 Web 工作台、API 文档、历史报告、配置管理、持仓与回测。

六、最小可用配置

最小运行至少需要三类配置：

  • 自选股：STOCK_LIST，例如 600519,hk00700,AAPL。
  • LLM Key：Anspire / Gemini / DeepSeek / AIHubMix / OpenAI-compatible 等至少一个。
  • 通知渠道：企业微信、飞书、Telegram、Discord、Slack、邮件等至少一个。

研究中未记录任何真实密钥；所有 key/token/password 均应作为敏感信息管理。

七、数据与 LLM 链路

类别支持项评价
行情数据EFinance、AkShare、Tushare、Pytdx、Baostock、YFinance、Longbridge、TickFlow覆盖面广，但多数据源意味着部署时要处理依赖、可用性、限流和字段一致性。
新闻搜索Anspire、SerpAPI、Tavily、Bocha、Brave、MiniMax、SearXNG质量取决于搜索服务；中文 A 股场景建议使用中文优化源。
LLMLiteLLM、Anspire、AIHubMix、Gemini、OpenAI-compatible、DeepSeek、Claude、Ollama模型适配能力强；最新 commit 是“增强 LLM 参数适配层”，说明项目持续处理模型参数兼容问题。
输出结构化决策仪表盘、市场复盘、Agent 问答、通知推送、Web 历史适合日常例行报告，但投资结论仍需人工复核。

八、部署建议

个人快速试用

  • 优先 GitHub Actions；维护成本最低。
  • 只配置 3~5 只股票、1 个 LLM、1 个通知渠道。

本机/VPS 自用

  • 优先 Docker Compose；数据目录挂载出来。
  • WebUI 若公网访问，必须上 HTTPS、认证或 IP allowlist。
  • SQLite 文件、日志、报告目录要做备份。

团队使用

  • 建议单独域名/子域名反代 API/WebUI。
  • 限制配置编辑权限，防止前端泄露或误改 API Key。
  • 拆分分析任务与 Web 服务进程。

九、风险与注意事项

  • 投资风险：AI 输出可能幻觉或滞后，不能作为买卖唯一依据。
  • 数据源风险：第三方行情/搜索接口可能限流、字段变更、地区不可达。
  • 密钥风险：项目配置项非常多，必须避免把 .env、日志、Web 设置页暴露到公网。
  • 复杂度风险：功能丰富但依赖多；生产部署前应从最小配置开始逐步打开功能。
  • 合规风险：自动推送股票分析给多人时，应保留免责声明并避免承诺收益。

十、代码规模与活跃度

指标值说明
默认分支main当前研究 commit：4aad40c
最近提交2026-05-16fix: 增强 LLM 参数适配层 (#1317)
Python 文件332 个 / 约 125k 行后端与核心逻辑规模较大。
前端 TS/TSX174 个 / 约 30k 行Web 工作台不是简单页面，而是完整应用。
测试tests 目录 + GitHub Actions覆盖数据源、API、WebUI 静态资源、指数映射等。
Star/Fork36.1k / 35.6k关注度非常高，但 fork 数异常接近 star，部署前仍需以代码质量和适配情况为准。

十一、如果要在你这里落地，推荐路线

  1. 先不公网开放 WebUI：本机或内网跑通 CLI 分析和 Telegram/邮件推送。
  2. 只配一个模型渠道：优先使用你已有的 OpenAI-compatible/cliproxy，先验证报告质量。
  3. 股票池缩小：先 3~5 只，避免一开始成本和噪声过高。
  4. 数据源分层：先启用默认免费源；Tushare/Longbridge/TickFlow 后续按需要添加。
  5. WebUI 再上线：若要公网访问，建议 stock.loveason.com 独立子域名 + HTTPS + 认证/IP 限制。
  6. 定时任务：盘后运行，失败时只发异常摘要，不要在 Telegram 发超长堆栈。

十二、最终判断

这个项目适合做“个人投研自动化工作台”的底座，功能覆盖很全，尤其适合你已有 Hermes/Telegram/Report Center 体系下做定时报告与人工复核。但它不是低复杂度小工具：真正稳定运行依赖数据源、LLM、通知、Web 访问控制和定时运维。若后续要部署，建议采取 最小化配置 → 单次分析 → 定时推送 → WebUI → 多数据源/多模型 的渐进路线。

生成方式：基于仓库 README、docs、依赖配置、API 路由、目录结构、关键源码和 GitHub 元信息的静态研究；未运行真实股票分析，未使用任何真实密钥。