企业官网建设流程全解析

用Python+akshare+智谱GLM-4打造智能股票分析助手的全流程指南

最近在量化投资圈里，越来越多的个人开发者开始尝试将AI大模型与传统金融分析工具结合。作为一名长期关注Python在金融领域应用的开发者，我发现用akshare获取数据+智谱GLM-4进行分析的组合，确实能帮我们快速搭建一个实用的个人股票分析工具。不同于市面上的商业软件，这种DIY方案最大的优势是完全可定制——你可以根据自己的投资风格调整分析维度，还能随时接入最新的AI能力。

1. 环境准备与工具链选择

在开始构建之前，我们需要明确整个技术栈的组成。核心组件包括：

• 数据层：akshare作为免费、开源的金融数据接口
• 分析层：智谱GLM-4大模型提供自然语言处理能力
• 交互层：Streamlit构建轻量级Web界面
• 可视化：Plotly生成交互式K线图表

先确保安装必要的Python库：

pip install akshare plotly streamlit langchain

关于GLM-4的API访问，需要先在智谱AI平台注册获取API Key。这里有个小技巧：注册时选择"开发者"身份，通常能获得更多免费调用额度。拿到API Key后，建议将其保存在环境变量中而非直接硬编码在脚本里：

import os os.environ['ZHIPU_API_KEY'] = 'your_api_key_here'

2. 数据获取与处理模块设计

akshare提供了丰富的A股市场数据接口，但实际使用中我发现几个需要注意的要点：

1. 股票代码格式：akshare要求输入不带市场前缀的纯数字代码，比如"600519"而非"SH600519"
2. 复权处理：获取历史K线数据时，adjust参数建议设为"qfq"(前复权)以获得更准确的趋势分析
3. 频率控制：避免频繁调用接口，建议对获取的数据进行本地缓存

改进后的数据获取函数可以这样实现：

import akshare as ak from datetime import datetime, timedelta import pandas as pd import streamlit as st @st.cache_data(ttl=3600) # 缓存1小时 def get_stock_data(stock_code, days=90): """获取股票历史数据并自动处理异常""" try: end_date = datetime.now().strftime('%Y%m%d') start_date = (datetime.now() - timedelta(days=days)).strftime('%Y%m%d') df = ak.stock_zh_a_hist( symbol=stock_code, period="daily", start_date=start_date, end_date=end_date, adjust="qfq" ) # 统一列名格式 df.columns = ['日期', '开盘', '收盘', '最高', '最低', '成交量', '成交额', '振幅', '涨跌幅', '涨跌额', '换手率'] return df except Exception as e: st.error(f"数据获取失败: {str(e)}") return None

3. 可视化与交互界面优化

Plotly的Candlestick图表虽然直观，但我们可以通过以下增强使其更具分析价值：

1. 添加5日、20日均线辅助判断短期趋势
2. 用不同颜色标注放量上涨/下跌的交易日
3. 支持图表缩放和十字线查看具体数值

改进后的K线图生成代码：

import plotly.graph_objects as go from plotly.subplots import make_subplots def create_kline_chart(df, stock_code): """创建增强版K线图表""" # 计算均线 df['MA5'] = df['收盘'].rolling(5).mean() df['MA20'] = df['收盘'].rolling(20).mean() fig = make_subplots(rows=2, cols=1, shared_xaxes=True, vertical_spacing=0.05, row_heights=[0.7, 0.3]) # K线主图 fig.add_trace(go.Candlestick( x=df['日期'], open=df['开盘'], high=df['最高'], low=df['最低'], close=df['收盘'], name='K线' ), row=1, col=1) # 均线 fig.add_trace(go.Scatter( x=df['日期'], y=df['MA5'], line=dict(color='orange', width=1), name='5日均线' ), row=1, col=1) fig.add_trace(go.Scatter( x=df['日期'], y=df['MA20'], line=dict(color='blue', width=1), name='20日均线' ), row=1, col=1) # 成交量副图 colors = ['red' if row['收盘'] >= row['开盘'] else 'green' for _, row in df.iterrows()] fig.add_trace(go.Bar( x=df['日期'], y=df['成交量'], marker_color=colors, name='成交量' ), row=2, col=1) fig.update_layout( title=f'{stock_code} 技术分析图表', xaxis_rangeslider_visible=False, height=800 ) return fig

4. 智能分析模块深度整合

GLM-4的优势在于能理解金融语境，但要让其给出高质量建议，提示工程(Prompt Engineering)非常关键。经过多次测试，我发现包含以下元素的提示模板效果最佳：

1. 明确的分析框架：要求模型按特定结构输出
2. 关键指标计算：预先计算好技术指标供模型参考
3. 新闻情感分析：对获取的新闻做简单预处理

优化后的分析函数：

from langchain.prompts import PromptTemplate from langchain.chat_models import ChatOpenAI from langchain.chains import LLMChain def generate_analysis_report(stock_code, df, news_df): """生成股票分析报告""" # 技术指标计算 latest = df.iloc[-1] ma5 = df['收盘'].rolling(5).mean().iloc[-1] ma20 = df['收盘'].rolling(20).mean().iloc[-1] rsi14 = compute_rsi(df['收盘'], 14) # 新闻摘要 news_summary = "\n".join([ f"{i+1}. {row['新闻标题']} ({row['发布时间']})" for i, row in news_df.iterrows() ]) template = """作为专业股票分析师，请基于以下数据为{stock_code}提供投资分析： **技术指标**: - 最新价: {close_price} - 5日均线: {ma5} - 20日均线: {ma20} - RSI(14): {rsi} - 近期波动范围: {low_price} ~ {high_price} **近期新闻**: {news} 请按以下结构提供专业分析： 1. 趋势判断：当前处于什么趋势(上涨/下跌/盘整)，关键支撑/阻力位 2. 量价分析：成交量与价格变动的关系 3. 技术信号：出现的买入/卖出信号 4. 新闻影响：重大新闻对股价的潜在影响 5. 操作建议：短期(1周)和中期(1月)的具体建议 6. 风险提示：需要警惕的主要风险""" prompt = PromptTemplate( input_variables=["stock_code", "close_price", "ma5", "ma20", "rsi", "low_price", "high_price", "news"], template=template ) llm = ChatOpenAI( model="glm-4", temperature=0.7, max_tokens=2000 ) chain = LLMChain(llm=llm, prompt=prompt) return chain.run({ "stock_code": stock_code, "close_price": latest['收盘'], "ma5": round(ma5, 2), "ma20": round(ma20, 2), "rsi": round(rsi14, 2), "low_price": df['最低'].min(), "high_price": df['最高'].max(), "news": news_summary }) def compute_rsi(prices, window=14): """计算相对强弱指数(RSI)""" deltas = prices.diff() gains = deltas.clip(lower=0) losses = -deltas.clip(upper=0) avg_gain = gains.rolling(window).mean() avg_loss = losses.rolling(window).mean() rs = avg_gain / avg_loss return 100 - (100 / (1 + rs))

5. 完整应用集成与部署

将所有模块整合到Streamlit应用中时，合理的界面布局能极大提升使用体验。建议采用标签页(Tab)形式组织不同功能：

import streamlit as st def main(): st.set_page_config(page_title="AI股票助手", layout="wide") st.title("📈 AI股票分析助手") with st.sidebar: stock_code = st.text_input("输入股票代码(如600519):", "600519") analysis_days = st.slider("分析周期(天):", 30, 365, 90) st.markdown("> 提示：首次查询可能需要几秒时间加载数据") tab1, tab2, tab3 = st.tabs(["技术图表", "基本面", "AI分析"]) with tab1: df = get_stock_data(stock_code, analysis_days) if df is not None: fig = create_kline_chart(df, stock_code) st.plotly_chart(fig, use_container_width=True) with tab2: info = ak.stock_individual_info_em(symbol=stock_code) st.dataframe(info) with tab3: news_df = ak.stock_news_em(symbol=stock_code).head(5) if st.button("生成AI分析报告"): with st.spinner("AI分析中..."): report = generate_analysis_report(stock_code, df, news_df) st.markdown(report) if __name__ == "__main__": main()

部署时，可以使用以下命令启动应用：

streamlit run stock_assistant.py

对于长期运行的需求，建议使用PM2等进程管理器保持应用稳定运行：

pm2 start "streamlit run stock_assistant.py" --name stock_ai

6. 实际使用技巧与优化方向

经过一段时间的实际使用，我总结出几个提升分析效果的经验：

1. 数据更新策略：

   • 盘后更新：在收盘后30分钟再获取数据，确保所有交易数据完整
   • 定时刷新：对长期运行的应用，设置每2小时自动刷新一次数据

2. 提示工程优化：

   # 在提示模板中添加以下内容能提高分析质量 """ 请特别注意： - 当RSI超过70时提示超买风险 - 股价突破20日均线且成交量放大视为积极信号 - 负面新闻需评估其对行业的影响程度 """

3. 性能优化技巧：

   • 对历史数据使用st.cache_data缓存
   • 将新闻数据存储在本地SQLite数据库中避免重复获取
   • 使用asyncio并发获取不同类型的数据

4. 扩展功能设想：

   • 添加自选股列表和价格提醒功能
   • 集成更多技术指标计算(如MACD、布林带)
   • 增加行业对比分析模块
   • 实现定期自动生成投资组合报告

这个项目最让我满意的地方是它的灵活性和可扩展性——你可以根据个人需求随时添加新功能。比如最近我就在尝试接入财务数据接口，让AI能结合财报进行分析。整个开发过程中，GLM-4对金融术语的理解能力确实令人印象深刻，相比通用大模型能给出更专业的建议。