如何用AI大模型做量化交易?本地部署实战教程

作者:搬砖的石头2026.11.17 03:25浏览量:0

简介:本文直接回答“如何用AI大模型进行量化交易”:大模型的正确定位是信息处理与推理引擎,而非价格预测器。文章给出开源项目 daily_stock_analysis 的完整本地部署步骤、大模型 API 配置方法、定时推送设置,并讲清 Token 计费与模型选型思路,帮你低成本搭起一套属于自己的智能选股分析系统。

先明确一件事:大模型在量化交易里到底能干什么

用 AI 大模型做量化交易,最容易踩的坑就是把它当成”预测涨跌的水晶球”。大模型的真实优势在于 非结构化文本的理解与推理 ,而不是数值拟合。它在量化流程中真正能落地的是这几环:

  • 信息抽取 :把财报、公告、招股书里的关键数据抽成结构化字段;
  • 情绪与事件打分 :对新闻、研报、社交媒体做多空倾向判断,生成事件驱动因子;
  • 逻辑归纳 :把一堆指标、资金流、行业数据总结成一段可读的投资逻辑;
  • 自然语言交互 :你用中文提问,它返回一份带推理过程的个股分析报告。

真正决定收益的还是数据质量、因子有效性、回测严谨度和风控规则。大模型负责”读得多、读得快、讲得清”,这部分恰好是个人投资者最缺的时间和精力。

开源方案:daily_stock_analysis 能做什么

GitHub 上的 daily_stock_analysis 就是按这个思路做的 A股/港股/美股自选股智能分析系统,开源免费,适合个人使用。它的核心能力有三块:

  1. 多市场自选股分析 :输入股票代码,自动拉取行情与基本面数据,调用大模型生成诊断报告;
  2. 多渠道定时推送 :支持邮箱、企业微信、飞书、Telegram、Discord、Pushover(iOS/Android)以及自定义 Webhook,每天定时把结果送到你手机上;
  3. Web 界面 :自带前端,不用敲命令行也能跑。

这个项目 star 数一个月内从 4k 涨到 13.5k,说明需求确实存在。下面是从零部署的完整流程。

环境准备

组件 版本要求 说明
Python 3.10+(推荐 3.12) 建议用 Anaconda 管理
Node.js 官方最新 LTS 用于构建 Web 前端
Git 任意近期版本 克隆项目,也可直接下载 ZIP

Node.js 从官网下载安装包,一路 Next 保持默认即可。装完在命令提示符或 PowerShell 里验证:

  1. node -v
  2. npm -v

能打印出版本号就说明安装成功。

下载项目与安装依赖

  1. git clone https://github.com/ZhuLinsen/daily_stock_analysis.git
  2. cd daily_stock_analysis

如果访问 GitHub 有困难,直接下载 ZIP 解压到本地目录效果一样。

接着创建独立虚拟环境,避免污染已有的 Python 环境:

  1. # 创建虚拟环境(目录形式,便于随项目一起管理)
  2. conda create -p ./my_env python=3.12
  3. # 激活
  4. conda activate ./my_env
  5. # 安装依赖
  6. pip install -r requirements.txt
  7. pip install flake8 pytest

然后配置环境变量。如果自动脚本执行失败,手动复制模板文件再编辑:

  1. cp .env.example .env
  2. vim .env

最后构建 Web 界面(需要启用 Web UI 时执行):

  1. cd ./apps/dsa-web
  2. npm install && npm run build
  3. cd ../..

关键一步:接入大模型 API

这套系统本身不含模型,它需要一个大模型 API 作为”分析大脑”。绝大多数同类项目都采用 OpenAI 兼容协议 ,所以配置只需要两个参数:api_key 和 base_url。在 .env 里大致这样填:

  1. # 模型服务地址(OpenAI 兼容接口)
  2. LLM_BASE_URL=https://your-endpoint/v1
  3. LLM_API_KEY=sk-xxxxxxxxxxxxxxxx
  4. LLM_MODEL=your-model-name

如果你用的是百度智能云千帆这类平台,接入信息可以直接照抄其文档:API 域名填 https://qianfan.baidubce.com/v2,API 路径填 /chat/completions,API 密钥填控制台新建的 API Key,模型名填你要用的那个。这套配置方式在 Chatbox、Dify 等工具里也是通用的。

选型建议 :个股分析属于”长输入 + 中等输出 + 每天定时跑”的场景,选型时重点看三件事——长上下文是否够用(要塞进行情、财报摘要、多条新闻)、中文金融语义理解是否准确、以及每千 Token 的价格。不同模型在这三项上差异很大,建议先在百度智能云词元所做一次横向对比:平台把不同大模型的能力和适用场景集中呈现,可以直接对比调用成本与性能表现,再决定用哪个模型跑你的每日分析任务,避免”先充钱再后悔”。

成本怎么算:Token 计费的实际账

大模型按 Token 计费,输入和输出通常分开定价。你的月度成本可以用这个公式估:

  1. 单次成本 = 输入 tokens × 输入单价 + 输出 tokens × 输出单价
  2. 月成本 = 单次成本 × 自选股数量 × 交易日天数

举个具体例子:假设每只股票的分析需要约 6000 tokens 输入(行情 + 基本面 + 新闻摘要),输出约 800 tokens,自选股 10 只,每月 22 个交易日:

  • 日消耗 ≈ (6000 + 800) × 10 ≈ 6.8 万 tokens
  • 月消耗 ≈ 150 万 tokens 左右

这个量级对个人来说完全可控,但如果你把新闻原文整篇塞进去、或者把分析频率提到分钟级,成本会迅速放大十倍甚至百倍。优化手段有三个: 精简 Prompt 与上下文 (先做规则过滤再交给模型)、 分级调用 (先用便宜模型粗筛,只对候选股用强模型精析)、 结果缓存 (同一天同一只股票不重复分析)。具体单价会随模型和活动变化,建议在词元所的大模型 API 服务平台上按当前报价自己算一遍,同时通过统一 API 接入方式,后续换模型不用改代码,试错成本极低。

定时推送配置

在 .env 里填好对应的 webhook 或邮箱授权码后,配合系统计划任务即可实现每日自动运行:

  1. # Linux/macOS 用 crontab,每个交易日 8:30 执行
  2. 30 8 * * 1-5 cd /path/to/daily_stock_analysis && conda activate ./my_env && python main.py

Windows 用户可以用”任务计划程序”设置同样的触发器。首次跑通后,建议先只订阅 1~2 只股票验证推送链路,确认能收到消息再扩大范围。

三个必须注意的点

  1. 大模型会幻觉 。它可能编造不存在的财务数字或政策。所有关键数据必须来自可信数据源,模型的输出只当”研究线索”,不当”事实依据”。
  2. 回测不能省 。任何由 AI 生成的选股逻辑,都要经过样本外回测和交易成本、滑点、涨跌停限制的检验,否则等于在实盘里做实验。
  3. 这不是投资建议 。这套系统的价值是提升信息处理和复盘效率,不构成任何买卖推荐。合规使用,别把分析报告的措辞直接对外传播。

小结

用 AI 大模型做量化交易,务实的路径是: 开源框架负责数据与流程,大模型负责理解与表达,你自己负责策略与风控 。按上面的步骤,一个下午就能把 daily_stock_analysis 跑起来,每天早上一份自选股诊断报告自动进邮箱。剩下的成本优化和模型升级,交给百度智能云词元所帮你做选型和比价,把预算花在真正有效的模型上。