今天在 GitHub Trending 上看到一个有意思的项目：daily_stock_analysis，这是一个基于 AI 大模型的 A股/港股/美股/日股/韩股自选股智能分析系统，能够每日自动分析并推送「决策仪表盘」到企业微信/飞书/Telegram/Discord/Slack/邮箱，对量化爱好者和 AI 应用开发者都有很高的参考价值。

一、项目概述

daily_stock_analysis 是由 ZhuLinsen 开发的开源项目，核心目标是利用 AI 大模型对自选股进行每日智能分析，并自动推送结构化的决策仪表盘报告。项目支持 A股、港股、美股、ETF 的多市场数据聚合，覆盖行情、K线、技术指标、资金流、筹码、新闻、公告和基本面等全方位数据。

核心特性：

• 🤖 AI 决策报告：输出核心结论、评分、趋势、买卖点位、风险警报、催化因素、操作检查清单
• 📊 多市场数据聚合：A股、港股、美股、ETF 全覆盖，日股/韩股支持基础行情
• 🖥️ Web / 桌面工作台：手动分析、任务进度、历史报告、回测、持仓、配置管理
• 🤖 Agent 策略问股：支持均线、缠论、波浪、趋势、热点等 15 种内置策略
• 🔔 自动化与推送：GitHub Actions、Docker、本地定时任务，支持多种通知渠道

项目在 GitHub 上获得了较高的关注度，曾登上周趋势榜 Python 类目第 1 名，并被 HelloGitHub 推荐。

二、技术原理

架构设计

项目采用模块化设计，核心模块包括：

• src/core/pipeline.py：股票分析流水线调度器
• src/core.market_review.py：大盘复盘模块
• src/services/：各类数据服务（行情、新闻、搜索等）
• api/：FastAPI 后端服务
• bot/：多平台通知 Bot（企业微信、飞书、Telegram 等）

核心技术栈

数据分析流水线

从 main.py 的 run_full_analysis 函数可以看出，分析流程如下：

1. 刷新股票索引缓存
2. 读取自选股列表（支持热加载）
3. 交易日过滤（非交易日自动跳过）
4. 并发执行个股分析（线程池）
5. 大盘复盘（可选）
6. 生成决策仪表盘报告
7. 推送通知（支持合并推送）
8. 自动回测（可选）

核心代码片段（main.py）：

pipeline = StockAnalysisPipeline(
    config=config,
    max_workers=args.workers,
    query_id=query_id,
    query_source="cli",
    save_context_snapshot=save_context_snapshot,
)
results = pipeline.run(
    stock_codes=stock_codes,
    dry_run=args.dry_run,
    send_notification=not args.no_notify,
    merge_notification=merge_notification,
)

每日市场上下文机制

项目引入了「每日市场上下文」概念（src/services/daily_market_context.py），避免每次分析都重复生成大盘复盘报告，通过缓存和增量更新显著提升效率。

三、安装与快速开始

方式一：GitHub Actions（推荐）

5 分钟完成部署，零成本，无需服务器：

1. Fork 本仓库

2. 配置 Secrets（Settings → Secrets and variables → Actions）

   • AI 模型配置（至少配置一个）：
     • ANSPIRE_API_KEYS（推荐）
     • AIHUBMIX_KEY（推荐）
     • GEMINI_API_KEY
     • OPENAI_API_KEY
   • 通知渠道配置（至少配置一个）：
     • WECHAT_WEBHOOK_URL（企业微信）
     • FEISHU_WEBHOOK_URL（飞书）
     • TELEGRAM_BOT_TOKEN + TELEGRAM_CHAT_ID
   • 自选股配置（必填）：
     • STOCK_LIST：如 600519,hk00700,AAPL

3. 启用 Actions：Actions 标签 → 启用工作流

4. 手动测试：Actions → 每日股票分析 → Run workflow

方式二：本地运行

# 克隆项目
git clone https://github.com/ZhuLinsen/daily_stock_analysis.git
cd daily_stock_analysis

# 安装依赖
pip install -r requirements.txt

# 配置环境变量
cp .env.example .env && vim .env

# 运行分析
python main.py

常用命令：

python main.py --debug               # 调试模式
python main.py --dry-run             # 仅获取数据不分析
python main.py --stocks 600519,000001  # 指定股票
python main.py --webui               # 启动 Web 界面
python main.py --schedule            # 定时任务模式

四、使用方法与实战

基础用法：查看每日决策仪表盘

配置完成后，每个交易日 18:00（北京时间）会自动推送报告，格式如下：

🎯 2026-02-08 决策仪表盘
共分析3只股票 | 🟢买入:0 🟡观望:2 🔴卖出:1

📊 分析结果摘要
⚪ 中钨高新(000657): 观望 | 评分 65 | 看多
⚪ 永鼎股份(600105): 观望 | 评分 48 | 震荡
🟡 新莱应材(300260): 卖出 | 评分 35 | 看空

📰 重要信息速览
💭 舆情情绪: 市场关注其AI属性与业绩高增长，情绪偏积极
📊 业绩预期: 2025年前三季度扣非净利润同比暴涨407.52%

进阶用法：Agent 策略问股

在 Web 界面 /chat 页面，可以使用内置策略进行多轮问股：

• 均线金叉策略
• 缠论策略
• 波浪理论策略
• 多头趋势策略
• 热点题材策略
• 事件驱动策略

启动方式：

python main.py --webui
# 访问 http://127.0.0.1:8000/chat

实战示例：自定义分析流水线

通过修改 .env 文件，可以灵活配置分析参数：

# 开启单股推送（每分析完一只立即推送）
SINGLE_STOCK_NOTIFY=true

# 开启合并推送（个股+大盘复盘合并）
MERGE_EMAIL_NOTIFICATION=true

# 设置分析延迟（避免 API 限流）
ANALYSIS_DELAY=5

# 开启自动回测
BACKTEST_ENABLED=true

五、常见问题与解决方案

安装失败

问题：pip install -r requirements.txt 失败

解决方案：

1. 使用 Python 3.10+ 版本
2. 升级 pip：pip install --upgrade pip
3. 分开安装依赖：pip install tenacity sqlalchemy 等逐个安装

运行时错误：API Key 无效

问题：AI 分析失败，报错 AuthenticationError

解决方案：

1. 检查 .env 中的 API Key 是否正确
2. 确认 API Key 余额充足
3. 尝试切换模型：LITELLM_MODEL=gemini/gemini-pro

数据获取失败

问题：行情数据为空或报错

解决方案：

1. 检查股票代码格式（A股：600519，港股：hk00700，美股：AAPL）
2. 切换数据源优先级（编辑 .env 中的 DATA_SOURCE_PRIORITY）
3. 使用 --debug 模式查看详细错误

推送通知失败

问题：企业微信/飞书推送失败

解决方案：

1. 检查 Webhook URL 是否正确
2. 确认网络可访问外部服务（或配置代理）
3. 使用 --check-notify 参数检查通知配置

性能问题：分析速度慢

问题：分析多只股票耗时过长

解决方案：

1. 增加并发数：python main.py --workers 8
2. 减少数据源数量（关闭不必要的搜索源）
3. 使用 --dry-run 模式仅获取数据，后续再分析

六、总结

daily_stock_analysis 是一个功能非常完整的 AI 股票分析开源项目，其技术亮点在于：

1. 多模型支持：通过 LiteLLM 统一接口，支持主流 AI 模型一键切换
2. 多数据源降级：多个行情数据源按优先级自动降级，保证数据可用性
3. 模块化设计：各功能模块解耦，便于二次开发和扩展
4. 零成本部署：GitHub Actions 部署方案让普通用户也能快速上手
5. Agent 策略问股：内置 15 种策略，支持多轮对话，体验接近专业量化平台

项目适合以下人群：

• 量化交易爱好者
• AI 应用开发者
• 需要每日股票分析报告的投资者
• 希望学习 AI + 金融结合方案的开发者

相关项目推荐：

• AlphaSift：多因子选股与全市场扫描
• AlphaEvo：策略回测与自我进化

⚠️ 免责声明：本项目仅供学习和研究使用，不构成任何投资建议。股市有风险，投资需谨慎。

项目地址：https://github.com/ZhuLinsen/daily_stock_analysis

Star 趋势：项目在 GitHub 上持续保持活跃更新，建议 Star 关注后续进展。