企业官网建设流程全解析

先说点实际的：这个项目我前后改了三个版本，从最初“让ChatGPT直接给我权重”的莽撞方案，到最终“大模型负责选股和定性分析，量化优化器负责权重计算”的稳定架构，中间踩了不少坑。如果你也想把大模型和投资组合优化结合起来，这套系统从数据、提示词、Agent编排到夏普比率优化的完整实现，应该能帮你省掉几个星期的试错时间。

这套系统不是什么黑魔法，本质就是两段式流程：先让大模型对股票池里的标的做基本面、新闻、行情形态的综合分析，输出一份“值得关注”的候选名单；再用夏普比率作为目标函数，对候选名单做组合权重优化，最终得到一篮子配置比例。全文会围绕这个思路展开，涉及数据怎么取、提示词怎么写才不会让模型胡说、夏普比率计算口径有哪些坑、优化器参数怎么设，最后附上我实际排查过的常见问题。

先给结论：这类系统的天花板不取决于模型智商，取决于数据质量和流程约束。LLM擅长做“阅读理解”和“风险发现”，不擅长做“精确计算”和“纪律执行”，所以正确的架构是把模型当研究员，把优化器当基金经理，Agent只负责把两段流程串起来。冲着“让AI自动炒股”来的朋友可以省省了，看完这篇你会明白边界在哪里。

1. 系统要解决什么问题，为什么这么设计

1.1 大模型荐股，本质是把“分析师”自动化

散户最常见的操作是“凭感觉选股”：看到某只股票涨得好，或者朋友推荐了一句，就拍脑袋买入。这套系统的第一个目标，就是把“收集信息—阅读财报—识别风险—形成观点”这个过程变成可复现的流程。

这里强调一个核心认知：大模型荐股和你自己看股票没有本质区别，它也是基于已知信息做推断，只是速度快、覆盖广、不会被情绪干扰。实测下来，GPT级别的模型读一份财报、提取关键风险点、对比同行业公司，效率远超人工，但它的判断质量上限取决于你喂给它的数据质量。所以我花了大量时间在数据模块上，后面会细说。

系统选用的技术路线是：行情数据用AKShare获取，基本面数据用财报数据加新闻摘要，大模型用ChatGPT API（也可以替换成任意本地部署模型），组合优化用PyPortfolioOpt库。全部用Python实现，模块化拆分，每一步都可独立运行、独立验证。

1.2 为什么组合优化选夏普比率而不是单纯收益率

如果你只让模型挑“最有可能涨”的几只股票，会遇到一个经典问题：涨幅榜前列永远是高风险标的，回撤起来也最凶。单纯的预期收益指标无法区分“靠运气赚的钱”和“靠风险补偿赚的钱”。

夏普比率衡量的是一段时期内，每承担一单位风险能换来多少超额收益，公式是：

夏普比率 = (策略收益率 - 无风险利率) / 策略波动率

它把收益和风险放在同一个标准下比较。实际上我更常用年化口径，也就是把日频数据换算成年化值：

年化夏普 = (日均收益 - 无风险利率/252) / 日收益标准差 * sqrt(252)

选择夏普而不是单纯收益率的决策逻辑在于：我关心的是“这个组合能不能睡得着觉”。一个年化收益20%但最大回撤40%的组合，和一个年化收益15%但最大回撤10%的组合，后者在实际持有体验上远好于前者，而夏普比率正好能够量化这层关系。

1.3 Agent如何把“推荐”变成“可执行策略”

刚开始做的时候，我企图让大模型一口气输出“买入股票A、B、C，仓位分别是多少”，结果模型给的权重极不稳定，同一个提问换一天问，答案就完全不同，而且经常出现权重加起来不等于1的情况。这是一个非常典型的问题：大模型本质是文本生成模型，数学约束天然是弱项。

后来我把重活分出去了，引入Agent架构做流程编排。系统里定义了两个角色：

两个Agent之间不是简单的对话关系，而是通过结构化数据传递。Analyst Agent完成分析后把结果写入一个JSON文件，Optimizer Agent读取这个文件后执行计算。这个设计带来的好处非常明显：任何一步失败都可以定位到具体模块，不会出现“模型聊着聊着跑题了导致整个流程崩溃”的尴尬局面。

2. 数据层：大模型荐股的第一步是数据干净

2.1 行情数据获取与复权处理

推荐股票的前提是能拿到准确的行情数据。我用的数据源是AKShare，接口免费、字段比较全，日常实验足够用了。以A股为例，获取某只股票日K线数据的代码非常简单：

import akshare as ak # 获取贵州茅台日线数据，period="daily" 表示日线，adjust="qfq" 表示前复权 df = ak.stock_zh_a_hist(symbol="600519", period="daily", adjust="qfq") print(df.tail())

这里有一个非常关键的技术细节：前复权和后复权的选择。前复权以当前价格为基准，将历史价格做调整，保证股价连续；后复权则保留历史真实价格，调整当前价格。做回测和收益率计算时建议统一使用前复权，因为它的价格序列更贴近模拟交易中的真实体验。

我在实际项目中遇到的第一个坑就出在这里：某股票发生过10转10的高送转，除权日后股价直接腰斩，如果不做复权处理，模型看到的收益率曲线会出现一个巨大的虚假跳水，提示词再精准也无济于事。所以数据层的复权处理是基本功，宁可慢一点，也不能用未复权数据直接喂给模型。

2.2 基本面数据与新闻数据准备

大模型荐股的信息面不能只靠K线，否则跟技术指标派没有区别，而且LLM的K线形态识别能力其实一般。我的做法是给模型同时提供三类数据：

• 财务指标：营收增速、净利润增速、ROE、毛利率、资产负债率、现金流。
• 估值指标：PE、PB、股息率，用于识别“贵不贵”。
• 新闻摘要：抓取最近30天的相关新闻标题，让模型做情绪面判断。

财务指标通过AKShare的stock_financial_abstract接口可以拉到，新闻数据则可以从财经网站的RSS或搜索接口聚合。这里强调一个经验：不要直接给模型十几页财报原文，它有上下文限制，而且注意力会被无关信息稀释。正确做法是先用规则做一遍提纯，比如只保留“净利润同比变化大于20%”的条目，再交给LLM做二轮分析。

我自己写了一个类函数实现数据准备：

def prepare_analysis_input(stock_code): price_df = fetch_price_data(stock_code) fin_df = fetch_financial_data(stock_code) news_list = fetch_news(stock_code, days=30) return { "code": stock_code, "recent_financials": summarize_financials(fin_df), "news_headlines": [n["title"] for n in news_list], "price_trend": compute_quick_indicators(price_df), "risk_flag": check_risk_items(fin_df) # 自定义规则，如商誉过高、现金流为负等 }

2.3 数据对齐中的三个典型坑

数据模块看起来简单，实际操作中坑不少。这里把最典型的三个列出来供参考：

第一，股票代码的交易所前缀问题。上证股票是600、601、603开头，深证是000、002、300开头，北交所有自己的专属编码。AKShare接口里A股代码不区分前缀，但做数据合并时如果混入了指数代码或基金代码，会导致后面协方差矩阵计算直接报维度错误。建议统一维护一份代码表，在数据入口处做白名单校验。

第二，交易日期不一致。不同数据源返回的日期范围可能不同，某只股票停牌期间没有行情记录，直接用pct_change()计算收益率时，停牌日会出现NaN。这里的经验是构建一个统一交易日历，用reindex重索引后再做收益率计算，缺数据的位置填充0或直接dropna，二选一后必须全局一致。

第三，幸存者偏差。如果只取当前还在交易的股票列表做回测，会默认排除掉已经退市的股票，回测结果虚高。解决方案是：取股票池时使用“期初存在”的标的，而不是“期末存在”的标的。这个坑在机构级系统里是常识，但个人项目里很多人第一次回测都逃不掉，包括我，切记。

3. 大模型荐股：提示词、输出约束与幻觉治理

3.1 提示词设计：不是让它写作文，是让它填表

大模型荐股的提示词，我前前后后迭代了十多个版本。最大的感悟是：大多数人写提示词都在“邀请模型自由发挥”，而工程化的提示词应该“限制模型自由发挥”。

早期版本我是这么写的：

你是一个股票分析师，请分析以下股票的走势并给出建议。

然后模型会输出一大段文字，语言很华丽，但没有结构化字段，后续程序完全没法解析。后来改成：

你是股票分析助手。请基于以下数据，对股票给出结构化分析结论。要求： 1. 输出格式必须为JSON，不要输出任何其他文字。 2. JSON结构固定为 {"score": 总分(0-100), "strengths": [优势点], "risks": [风险点], "comment": 总结}。 3. score只考虑当前数据，不要预测未来点位。 4. 如果有数据缺失，risks中必须包含"数据缺失"字段。

实测下来，明确限制输出格式后，模型分析的稳定性大幅提升，解析成功率从70%左右直接拉到95%以上。还有一点值得注意：我要求模型把“数据缺失”显式写进风险字段，这是为了做下游过滤，如果一个标的关键财务数据缺失，系统会直接淘汰它，而不是让模型强行脑补。

3.2 结构化输出：JSON和Schema校验

只要求JSON还不够，生成的JSON偶尔还是会有字段不对的情况，比如score超出了0-100的范围，或者strengths写成了字符串。我额外加了一层Schema校验，用Pydantic定义输出结构：

from pydantic import BaseModel, Field class StockAnalysis(BaseModel): score: float = Field(ge=0, le=100, description="总分0-100") strengths: list[str] risks: list[str] comment: str # 解析模型输出，失败则重试一次 import json raw_output = llm_call(prepare_analysis_input("600519")) try: data = StockAnalysis(**json.loads(raw_output)) except Exception: # 兜底：正则提取JSON块再解析 data = parse_json_with_regex(raw_output)

这一步是深坑的避雷针。如果模型输出的JSON里score为120，直接放过会在下游优化器里引入脏数据，导致权重计算结果失真。校验失败时我采用“重试一次+使用上一次成功结果”的双保险策略，避免因为某次解析失败中断整个Agent流程。

3.3 幻觉治理：数值校验、结论投票

大模型荐股最大的争议点在于幻觉：模型可能一本正经地编造一个不存在的财务指标。治理手段我用了三层：

第一层：禁止复杂计算。提示词里明确告诉模型“你不擅长计算，请直接引用数据中给出的指标值，不要自行推算”。因为模型内部没有可靠的算术引擎，让它算PE同比变化或者毛利率环比，出错概率极高。

第二层：关键数值校验。模型输出的任何涉及具体数值的结论，都回扣到原始数据做规则校验。比如模型说“ROE超过20%”，程序就去财务数据里查证，查不到或对不上就丢弃该结论。这个校验规则写起来不难，但能挡住绝大多数幻觉。

第三层：多次采样投票。对同一只股票，用不同温度的Prompt跑三次，取中位数评分，同时要求模型在每次分析中给出一个“多空分歧”字段。如果三次结果分差超过15分，系统会标记该股票为“高分歧”，不给它进入组合优化的资格。这相当于给模型套了一层防抖机制，也减少了单次采样的随机性影响。

4. 夏普比率组合优化：从个股列表到最优权重

4.1 夏普比率的计算口径

组合优化环节中，夏普比率是目标函数。这里有一个不能忽略的细节：夏普比率并不是一个“唯一标准答案”，不同计算口径会得出不同结果。

最常用的是历史夏普比率，直接用历史收益率的均值和标准差计算。我在系统里采用这样的流程：

import pandas as pd # price_df 是多只股票的复权收盘价矩阵，index为日期，columns为股票代码 returns = price_df.pct_change().dropna() # 计算每只股票的日收益率均值与标准差 mu = returns.mean() std = returns.std() # 年化夏普 risk_free_rate = 0.02 sharpe = (mu - risk_free_rate / 252) / std * (252 ** 0.5)

无风险利率我取2%，对应十年期国债收益率的近似水平。这个参数对最终权重有影响，但没有想象中那么大，因为它对每只股票的相对风险惩罚是一致的。真正影响大的，是计算历史收益率的窗口长度——窗口太长会包含太多旧信息，太短又会导致噪声过大。我实测下来，用过去120个交易日（约半年）的窗口效果比较适中，既覆盖了一个完整的财报周期，又不会因过久的数据拉低当前趋势的权重。

4.2 用PyPortfolioOpt做最大夏普组合

PyPortfolioOpt是一个开源组合优化库，底层封装了SciPy的优化器，专门干马克维茨均值-方差模型这件事。核心流程三步：估计预期收益、估计协方差矩阵、求解最优权重。

实测代码非常简洁：

from pypfopt import EfficientFrontier, risk_models, expected_returns # 计算历史预期收益与样本协方差 mu = expected_returns.mean_historical_return(price_df) cov = risk_models.sample_cov(price_df) # 求解最大夏普比率组合 ef = EfficientFrontier(mu, cov) weights = ef.max_sharpe(risk_free_rate=0.02) # 保留两位小数，展示权重 cleaned_weights = ef.clean_weights() print(cleaned_weights) # 输出组合预期绩效 performance = ef.portfolio_performance(verbose=True)

这里要提醒一点：样本协方差矩阵在股票数量多于时间窗口长度时会变得不稳定，甚至出现不可逆的情况。如果股票池选了30只，历史数据窗口只有60天，协方差矩阵的估计误差会非常大，优化结果基本不可信。我的经验是候选池控制在10到20只之间，时间窗口120天以上，协方差估计才有可用的稳定性。如果必须处理大量标的，考虑用Ledoit-Wolf收缩估计代替样本协方差，PyPortfolioOpt里对应的是risk_models.CovarianceShrinkage。

4.3 约束条件与过拟合的博弈

直接跑max_sharpe()，结果往往很极端：仓位高度集中到一两只股票上，因为历史回测中它们恰好有最好的风险调整后收益。这在样本内很漂亮，样本外大概率翻车。

我在优化器里加了几条硬约束，用来抑制过拟合：

• 单只股票最大权重上限：通常设为15%到20%。
• 单一行业最大权重上限：比如30%，避免同一行业的标的一荣俱荣、一损俱损。
• 最小权重过滤：优化后权重低于2%的标的直接归零，避免组合碎片化。
• 强制投资分散数量：最终组合持仓不低于8只股票。

在PyPortfolioOpt中设置方式如下：

ef.add_constraint(lambda w: w <= 0.15) # 单只股票不超15% ef.add_constraint(lambda w: w >= 0.02) # 低于2%的权重不参与 # 行业约束如果数据里有行业字段，可以用for循环对每个行业加约束 ef.max_sharpe(risk_free_rate=0.02)

调参过程中我自己的心得是：权重上限不要设得太紧，15%在10只股票的池子里意味着天然需要分散，20%更适合认知度更高的标的。这个没有标准答案，关键是想清楚你到底是在优化历史曲线，还是在构建一个能扛住未来说明变化的组合。给历史拟合留一点余地，给未来不确定性留更多缓冲，这是组合优化比单股预测更接近实战的原因。

5. 落地实操：从数据到回测的完整链路

5.1 环境准备与目录结构

整个项目我维护了一套非常清晰的目录结构，方便复盘和调试：

project/ ├── agent/ # Agent编排 │ ├── analyst_agent.py │ └── optimizer_agent.py ├── data/ # 数据模块 │ ├── fetch_data.py │ ├── clean_data.py │ └── calendar.py ├── prompts/ # 提示词模板 │ ├── analyst_prompt.py │ └── validator.py ├── optimizer/ # 组合优化 │ ├── max_sharpe.py │ └── constraints.py ├── backtest/ # 回测模块 │ ├── run_backtest.py │ └── metrics.py ├── docs/ # 教程文档 │ ├── 数据获取.md │ ├── 提示词调优.md │ └── 常见问题.md └── main.py # 主流程入口

依赖库相对固定：akshare、pandas、numpy、pypfopt、openai（或本地推理引擎的SDK）、pydantic。建议用虚拟环境管理依赖，Python 3.10以上版本。

5.2 核心模块实现与运行结果

主流程的编排我用一个简单的状态机实现，没有引入重型Agent框架。核心思想是：任务队列顺序执行，每步产物落盘，失败可重试。

def run_pipeline(stock_pool): # 第一步：数据准备 raw_data = fetch_all(stock_pool) # 第二步：Analyst Agent 分析，得到候选列表 candidates = [] for stock in raw_data: analysis = analyst_agent.analyze(stock) if analysis.score >= 60 and "数据缺失" not in analysis.risks: candidates.append(stock) # 第三步：Optimizer Agent 计算最优权重 price_matrix = build_price_matrix(candidates) optimal = optimizer_agent.maximize_sharpe(price_matrix) # 第四步：回测验证 metrics = backtest(optimal) return {"candidates": candidates, "weights": optimal, "metrics": metrics}

一次完整运行的实际输出大致长这样：

候选标的有 14 只，其中 4 只因风险字段触发剔除 优化器求解成功，最优组合年化夏普比率为 1.35 组合年化预期收益 18.2%，年化波动率 13.5%，最大回撤 -9.8% 持仓数量 10 只，最大单票权重 14.8%

当然这个指标有标的市场环境加成，不必太当真，关键是流程能通、能复现。后面我在文档里保留了每次运行的配置文件和结果快照，方便对比参数改动前后的差异。

5.3 回测结果怎么解读才不会自嗨

回测的本质是对“历史状态”做模拟，但它永远无法证明未来会重复。我在解读回测时有几个硬指标必须同时看：

• 年化收益：代表赚钱能力，但单独看没意义。
• 最大回撤：比收益更影响真实持有体验，建议控制在20%以内。
• 夏普比率：判断风险调整后收益，达到1以上勉强能用，1.5以上算不错。
• 换手率：如果权重每月大幅调整，交易成本会吃掉收益，需要注意。
• 样本外表现：最容易被忽略的一点。我建议用“滚动前推”方式做验证，也就是拿前120天数据优化权重，下一天按这个权重模拟收益，逐步前移，而不是一次性用全量数据优化再回测——否则前视偏差会让结果虚高得不像话。

还有一个小经验：对回测曲线不要过度解读。一只标的在回测区间内贡献了主要收益，不代表未来几个月还靠它吃饭。组合优化的价值在于分散风险，不在于精准预测哪只股票涨得最多。用这个标准去看每一个跑出来的结果，你就不容易自我感动。

6. 常见问题与排查实录

6.1 LLM输出解析失败

这是最高频的问题，没有之一。即使提示词写得再严格，模型仍然可能偶尔输出Markdown格式的JSON、多余的解释文字或截断内容。

排查建议分三步：第一，检查raw输出里是否有代码块标记，比如开头的```json，用正则剥离；第二，检查JSON里是否有非法转义字符，常见于模型在字符串里直接嵌套了双引号；第三，设置重试机制，同一次分析最多重试两次，超过则将该标的标记为“解析失败”并跳过，而不是让整个流程卡死。

6.2 优化器求解失败或权重极端集中

PyPortfolioOpt的求解器偶尔会直接报错，某个协方差矩阵是奇异矩阵、不可逆，或者约束条件之间互相矛盾。出现这种情况时，先检查股票池里是否存在两只相关性极高的股票（比如同一行业的两只龙头），它们的存在会导致协方差矩阵接近奇异。解决办法是剔除其中一只，或改用Ledoit-Wolf收缩估计。

如果求解成功但权重极端集中，比如某只股票直接顶到40%权重，检查约束条件是否真的传入成功。我在调试时吃过一个哑巴亏：add_constraint传入的lambda写错了变量名，结果约束没生效，权重完全放飞，后来打印每种标的的约束上下界才定位到问题。

6.3 夏普比率算不对

算出来的夏普比率与其他平台的统计对不上，几乎都是口径问题。首先是频率问题：日频数据算出来的夏普必须乘以根号252做年化，如果乘以根号250或忘了开根号，结果天差地别。复查公式：

年化夏普 = 日频夏普 * sqrt(252)

其次是无风险利率处理，有些平台用年化无风险利率直接除以252近似日频利率，有些直接用0。我的建议是统一使用年化2%并转换成日频，在文档里写清楚假设，不要混用。最后一个坑是收益率序列里混入了NaN，pandas默认跳过NaN会低估标准差，导致夏普虚高。处理方式是dropna后再统一计算，不要跳过。

6.4 Agent流程偶尔跑飞的处理

Agent流程跑飞通常表现为：某个环节进入死循环、某次API调用超时、或者中间产物文件损坏。我的处理方式比较务实：全程增加超时控制和状态检查，每个Agent执行完必须写一个状态文件，记录成功、失败或超时。主流程的编排层读到状态文件里的“失败”标记就自动进入重试分支，重试两次仍失败就跳过该标的并写日志。

日志分析很重要。我做了两级日志：一级记录流程关键节点，二级记录每个API调用的输入输出摘要。出了bug先看一级日志定位到模块，再看二级日志复现问题。这套机制帮我解决了至少十次“莫名奇妙跑出离谱结果”的情况，强烈建议你也加上。

结尾：一点个人体会

这个项目做完之后，我对“AI荐股”这件事的看法变得非常具体：它不是一个能替你赚钱的“股神”，而是一个帮你把决策流程变得更严格的工具。大模型负责把海量信息和风险点整理到你面前，优化器负责在收益和风险之间做一个数学上可解释的权衡，Agent把这套流程串成每天可以重复跑的自动化管道。

我在实盘里只会把它当成一个研究方向，不会盲目跟单，尤其是当某个组合的回测夏普高得离谱时，我会本能地怀疑是不是哪里漏了前视偏差。所有历史回测的漂亮曲线，都只代表“如果过去这样操作会怎样”，不代表未来。最实用的态度是：把系统输出当成一个需要你二次判断的输入，而不是可以直接执行的命令。

最后分享一个扩展思路：这套架构的大模型部分可以无缝替换成其他开源模型或本地小模型，只要保证输出JSON的格式一致即可。夏普优化部分也可以换成风险平价、最大分散度等目标函数，代码结构不用大改。如果你已经跑通了这个流程，下一步试试换目标函数、换股票池、调无风险利率参数，你会对“参数敏感度”有非常直观的感受——这比单纯看回测曲线有用得多。