智能股票分析系统

基于AI的股票分析平台，提供技术分析、基本面分析、情绪分析和智能推荐功能。

🚀 功能特性

核心功能

1. 单股分析 - 结合AI进行深度分析，结果同步到数据库
2. 批量任务 - 定向抓取多只股票的分析内容
3. 智能推荐 - AI自动选取潜力股票
4. 智能问答 - 基于用户消息和数据库内容的AI助手

技术特点

• RESTful API - 标准化接口设计
• JSON序列化 - 统一数据交互格式
• 前后端分离 - React + Python FastAPI
• Docker部署 - 一键快速部署
• AI集成 - OpenAI GPT-4 智能分析
• 异步任务 - Celery处理批量分析

🏗️ 架构设计

系统架构

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   前端 (React)   │────│  API Gateway    │────│  后端服务群      │
└─────────────────┘    └─────────────────┘    └─────────────────┘
                                                        │
                       ┌─────────────────┐    ┌─────────────────┐
                       │  PostgreSQL     │────│   Redis Cache   │
                       └─────────────────┘    └─────────────────┘
                                │
                       ┌─────────────────┐
                       │  Celery Worker  │
                       └─────────────────┘

核心组件

• Stock Service: 股票数据获取和技术指标计算
• AI Service: OpenAI集成，智能分析生成
• Recommendation Service: 推荐算法和评分系统
• Task Queue: 异步任务处理
• Database: PostgreSQL存储，支持JSON字段

📊 推荐算法原理

综合评分模型

总评分 = 技术面评分 × 0.3 + 基本面评分 × 0.4 + 情绪面评分 × 0.2 + 动量评分 × 0.1

评分维度

1. 技术面评分 (30%)

   • RSI指标: 超卖区间加分，超买区间减分
   • MACD: 金叉信号加分，死叉信号减分
   • 移动平均线: 多头排列加分
   • 价格动量: 适度上涨最优

2. 基本面评分 (40%)

   • 市盈率: 10-25倍为合理区间
   • 贝塔系数: 0.8-1.2为适中风险
   • 股息收益率: 有分红加分
   • 市值规模: 大盘股相对稳定

3. 情绪面评分 (20%)

   • 市场情绪指数: -1到1转换为0到1
   • 置信度调整: 高置信度乘以1.2倍

4. 动量评分 (10%)

   • 短期动量: 1周涨幅2%以上加分
   • 中期动量: 1月涨幅5%以上加分

推荐等级

• 强烈买入 (≥0.8): 综合评分优秀
• 买入 (0.65-0.8): 综合评分良好
• 持有 (0.45-0.65): 综合评分一般
• 卖出 (0.3-0.45): 综合评分较差
• 强烈卖出 (<0.3): 综合评分差

🛠️ 快速开始

环境要求

• Docker & Docker Compose
• OpenAI API Key

部署步骤

1. 克隆项目

git clone <repository-url>
cd stock-analysis-system

2. 配置环境变量

cp .env.example .env
# 编辑 .env 文件，设置 OPENAI_API_KEY

3. 启动服务

docker-compose up -d

4. 访问应用

• 前端: http://localhost:3000
• API文档: http://localhost:8000/docs
• 数据库: localhost:5432

API接口

股票分析

# 获取股票信息
GET /api/v1/stocks/{symbol}

# 分析股票
POST /api/v1/stocks/analyze
{
  "symbol": "AAPL",
  "analysis_types": ["technical", "fundamental"],
  "force_refresh": false
}

# 获取分析结果
GET /api/v1/stocks/{symbol}/analysis

# 获取K线图数据
GET /api/v1/stocks/{symbol}/chart?period=1y

批量任务

# 创建批量分析任务
POST /api/v1/tasks/batch-analysis
{
  "symbols": ["AAPL", "GOOGL", "MSFT"],
  "analysis_types": ["technical", "fundamental"],
  "priority": "normal"
}

# 获取任务状态
GET /api/v1/tasks/{task_id}

推荐系统

# 获取推荐列表
GET /api/v1/recommendations?min_score=0.6&limit=20

# 获取潜力股票
GET /api/v1/recommendations/potential?limit=10

# 获取股票评分
GET /api/v1/recommendations/{symbol}/score

AI问答

# 用户查询
POST /api/v1/analysis/query
{
  "message": "帮我分析一下苹果公司的股票",
  "session_id": "optional-session-id"
}

🎯 设计原理

为什么选择这种架构？

1. 微服务架构

   • ✅ 模块化设计，便于维护和扩展
   • ✅ 服务独立部署，提高可用性
   • ✅ 技术栈灵活，可针对性优化

2. PostgreSQL + Redis

   • ✅ PostgreSQL支持JSON字段，适合复杂数据
   • ✅ Redis提供高性能缓存，提升响应速度
   • ✅ 数据持久化和缓存分离，架构清晰

3. Celery异步任务

   • ✅ 批量分析不阻塞主线程
   • ✅ 任务队列支持优先级和重试
   • ✅ 水平扩展，支持多Worker

4. AI集成策略

   • ✅ 标准化提示词模板，保证分析质量
   • ✅ 分类标签系统，便于数据检索
   • ✅ 置信度评分，量化分析可靠性

是否为最优解？

优势:

• 架构清晰，职责分明
• 技术栈成熟，生态完善
• 部署简单，运维友好
• 扩展性强，支持高并发

可优化点:

• 可考虑引入消息队列(RabbitMQ)替代Redis作为任务队列
• 可添加API网关(Kong/Nginx)进行负载均衡
• 可引入时序数据库(InfluxDB)存储股价数据
• 可添加监控系统(Prometheus+Grafana)

适用场景:

• 中小型股票分析平台
• 个人投资决策工具
• 量化交易辅助系统
• 金融数据分析研究

📈 使用示例

1. 单股分析

# 分析苹果公司股票
curl -X POST "http://localhost:8000/api/v1/stocks/analyze" \
  -H "Content-Type: application/json" \
  -d '{
    "symbol": "AAPL",
    "analysis_types": ["technical", "fundamental", "sentiment"],
    "force_refresh": true
  }'

2. 批量分析

# 批量分析科技股
curl -X POST "http://localhost:8000/api/v1/tasks/batch-analysis" \
  -H "Content-Type: application/json" \
  -d '{
    "symbols": ["AAPL", "GOOGL", "MSFT", "AMZN", "TSLA"],
    "analysis_types": ["technical", "fundamental"],
    "priority": "high"
  }'

3. 获取推荐

# 获取高评分推荐
curl "http://localhost:8000/api/v1/recommendations?min_score=0.7&limit=10"

🔧 开发指南

添加新的分析类型

1. 在 ai_service.py 中添加提示词模板
2. 在 recommendation_service.py 中添加评分逻辑
3. 更新数据库模型和API接口

自定义推荐算法

1. 修改 RecommendationService 中的权重配置
2. 添加新的评分维度计算方法
3. 调整推荐等级阈值

扩展数据源

1. 在 StockDataService 中添加新的数据提供商
2. 统一数据格式和接口
3. 更新缓存策略

📝 许可证

MIT License

🤝 贡献

欢迎提交 Issue 和 Pull Request！

📞 联系方式

如有问题，请通过 GitHub Issues 联系。