在股票交易中，投资者的每一步决策都离不开对数据的深度剖析。基本面分析通过评估公司财务与股票表现提供操作建议，这条路径大家都很熟悉。随着AI与机器学习技术的快速发展，股票分析中的大量环节已实现自动化。本文将逐步讲解如何利用LangChain、LangGraph以及Yahoo Finance，构建一个股票绩效分析智能体，用实时数据与关键指标完成从数据获取到智能解读的全流程。准备好了吗？我们直接开始。
金融分析智能体的核心能力
- 通过Yahoo Finance获取实时股票价格数据。
- 自动计算RSI、MACD、VWAP等关键技术指标。
- 评估市盈率、资产负债率、利润率等财务健康指标。
- 借助OpenAI大语言模型输出结构化的分析结论。
所需工具清单
- LangGraph：编排工具并构建对话式智能体的核心框架。
- OpenAI GPT-4：负责生成有逻辑、有结构的金融分析文本。
- yfinance：获取股票价格及财务比率数据。
- ta（技术分析库）：计算关键技术指标。
- Python常用库（pandas、dotenv、datetime）：处理数据与环境配置。
步骤 1：环境设置
先安装必要的库：
pip install -U langgraph langchain langchain_openai pandas ta python-dotenv yfinance
接着创建一个.env文件，用于安全存放OpenAI API密钥：
OPENAI_API_KEY=你的 OpenAI API 密钥
步骤 2：分析工具
获取股票价格
该工具负责拉取历史行情，同时完成多个技术指标的计算。
from typing import Union, Dict, Set, List, TypedDict, Annotated
import pandas as pd
from langchain_core.tools import tool
import yfinance as yf
from ta.momentum import RSIIndicator, StochasticOscillator
from ta.trend import SMAIndicator, EMAIndicator, MACD
from ta.volume import volume_weighted_a verage_price
@tool
def get_stock_prices(ticker: str) -> Union[Dict, str]:
"""获取指定股票代码的历史股票价格数据和技术指标"""
try:
data = yf.download(
ticker,
start=dt.datetime.now() - dt.timedelta(weeks=24*3),
end=dt.datetime.now(),
interval='1wk'
)
df= data.copy()
data.reset_index(inplace=True)
data.Date = data.Date.astype(str)
indicators = {}
rsi_series = RSIIndicator(df['Close'], window=14).rsi().iloc[-12:]
indicators["RSI"] = {date.strftime('%Y-%m-%d'): int(value)
for date, value in rsi_series.dropna().to_dict().items()}
sto_series = StochasticOscillator(
df['High'], df['Low'], df['Close'], window=14).stoch().iloc[-12:]
indicators["Stochastic_Oscillator"] = {
date.strftime('%Y-%m-%d'): int(value)
for date, value in sto_series.dropna().to_dict().items()}
macd = MACD(df['Close'])
macd_series = macd.macd().iloc[-12:]
indicators["MACD"] = {date.strftime('%Y-%m-%d'): int(value)
for date, value in macd_series.to_dict().items()}
macd_signal_series = macd.macd_signal().iloc[-12:]
indicators["MACD_Signal"] = {date.strftime('%Y-%m-%d'): int(value)
for date, value in macd_signal_series.to_dict().items()}
vwap_series = volume_weighted_a verage_price(
high=df['High'], low=df['Low'], close=df['Close'],
volume=df['Volume'],
).iloc[-12:]
indicators["vwap"] = {date.strftime('%Y-%m-%d'): int(value)
for date, value in vwap_series.to_dict().items()}
return {'stock_price': data.to_dict(orient='records'),
'indicators': indicators}
except Exception as e:
return f"获取价格数据时出错: {str(e)}"
财务比率
该工具用于提取关键的财务健康指标。
@tool
def get_financial_metrics(ticker: str) -> Union[Dict, str]:
"""获取给定股票代码的关键财务比率"""
try:
stock = yf.Ticker(ticker)
info = stock.info
return {
'pe_ratio': info.get('forwardPE'),
'price_to_book': info.get('priceToBook'),
'debt_to_equity': info.get('debtToEquity'),
'profit_margins': info.get('profitMargins')
}
except Exception as e:
return f"获取比率时出错: {str(e)}"
步骤 3：构建 LangGraph
LangGraph的价值在于帮助开发者高效编排工具、管理对话逻辑，使整个分析流程井然有序。
1. 定义图
首先定义一个StateGraph来管理整个流程：
from langgraph.graph import StateGraph, START, END
class State(TypedDict):
messages: Annotated[list, add_messages]
stock: str
graph_builder = StateGraph(State)
2. 定义 OpenAI 并绑定工具
将工具集成到LangGraph中，创建分析反馈循环。
import dotenv
dotenv.load_dotenv()
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model='gpt-4o-mini')
tools = [get_stock_prices, get_financial_metrics]
llm_with_tool = llm.bind_tools(tools)
3. 分析师节点
下面的提示词让AI明确自身角色与输出格式。
FUNDAMENTAL_ANALYST_PROMPT = """
你是一名专注于根据股票价格、技术指标和财务指标评估公司（其股票代码为 {company}）业绩的基本面分析师。你的任务是为给定股票提供基本面分析的综合总结。
你可以使用以下工具：
1. **get_stock_prices**：获取最新股票价格、历史价格数据以及诸如 RSI、MACD、跌幅和 VWAP 等技术指标。
2. **get_financial_metrics**：获取关键财务指标，如收入、每股收益（EPS）、市盈率（P/E）和资产负债率。
### 你的任务：
1. **输入股票代码**：使用提供的股票代码查询工具并收集相关信息。
2. **分析数据**：评估工具的结果并识别潜在阻力、关键趋势、优势或关注点。
3. **提供总结**：撰写一份简洁、结构良好的总结，突出以下内容：
- 近期股票价格走势、趋势和潜在阻力。
- 技术指标的关键见解（例如，股票是否超买或超卖）。
- 基于财务指标的财务健康状况和业绩。
### 约束条件：
- 仅使用工具提供的数据。
- 避免使用推测性语言；专注于可观察的数据和趋势。
- 如果任何工具未能提供数据，在总结中明确说明。
### 输出格式：
按照以下格式回复：
"stock": "<股票代码>",
"price_analysis": "<股票价格趋势的详细分析>",
"technical_analysis": "<所有技术指标的详细时间序列分析>",
"financial_analysis": "<财务指标的详细分析>",
"final Summary": "<基于上述分析的完整结论>",
"Asked Question Answer": "<基于上述细节和分析的答案>"
确保你的回复客观、简洁且具有可操作性。
"""
def fundamental_analyst(state: State):
messages = [
SystemMessage(content=FUNDAMENTAL_ANALYST_PROMPT.format(company=state['stock'])),
] + state['messages']
return {
'messages': llm_with_tool.invoke(messages)
}
graph_builder.add_node('fundamental_analyst', fundamental_analyst)
graph_builder.add_edge(START, 'fundamental_analyst')
4. 工具的添加与图的编译
graph_builder.add_node(ToolNode(tools))
graph_builder.add_conditional_edges('fundamental_analyst', tools_condition)
graph_builder.add_edge('tools', 'fundamental_analyst')
graph = graph_builder.compile()
5. 执行图
events = graph.stream({'messages':[('user', '我应该买这只股票吗？')],
'stock': 'TSLA'}, stream_mode='values')
for event in events:
if 'messages' in event:
event['messages'][-1].pretty_print()
示例输出
{
"stock": "TSLA",
"price_analysis": "特斯拉（TSLA）近期股价波动剧烈，大幅波动。在过去几周内，股价从 2024 年 11 月 18 日的 361.53 美元高点跌至 2024 年 4 月 15 日的 147.05 美元低点。目前股价约为 352.56 美元，表明从近期低点强劲反弹。根据近期高点，潜在阻力位似乎在 360 美元左右，而支撑位可确定在 320 美元附近。",
"technical_analysis": "技术指标呈现出喜忧参半的前景。RSI 最近升至 71，表明股票接近超买区域。随机震荡指标显示值为 94，也表明股票可能超买。同时，MACD 一直在上升，目前为 28，表明上涨势头。然而，由于 RSI 和随机震荡指标都显示潜在的超买情况，需谨慎行事。",
"financial_analysis": "特斯拉的财务指标显示其相对于收益的估值较高，市盈率为 108.09，市净率为 16.17。公司的资产负债率为 18.08，相对较低，表明资产负债表强劲。利润率为 13.08%，表明盈利能力尚可。然而，高市盈率表明投资者对未来增长有很高的期望。",
"final Summary": "总之，特斯拉近期股价强劲反弹，潜在阻力在 360 美元左右。技术指标表明股票可能超买，这可能导致价格回调。从财务上看，虽然公司表现良好，债务水平可控且利润率合理，但高估值指标表明未来业绩必须达到更高的期望。投资者在决定购买之前应仔细权衡这些因素。",
"Asked Question Answer": "鉴于目前的超买指标和高估值，在购买特斯拉之前考虑等待潜在的回调可能是明智的。"
}
未来展望
若在此项目基础上引入投资组合管理智能体，多个专业智能体协同运作，覆盖领域将更广泛，提供的组合管理工具也更全面。构建金融分析智能体，既是学习AI与金融分析的绝佳途径，也是打造实用型应用的坚实起点。不妨亲手实践，感受自动化在真实场景中的强大力量。