零服务器每天 18 点自动复盘，6.6 万 Star 的 daily_stock_analysis 怎样防止 AI 乱喊单

声明：本文只讨论开源项目的工程设计，文中所有输出均为演示数据，不构成任何投资建议。股市有风险，投资需谨慎。

“让大模型帮我看盘”是很多人试过的事：把股票代码丢给聊天机器人，得到一段看似专业、实则飘忽的分析。真正难的不是让 AI 开口，而是让它每天稳定地、基于真实数据、带着约束地开口。

GitHub 上的 daily_stock_analysis（仓库 ZhuLinsen/daily_stock_analysis，以下简称 DSA）把这件事做成了一条工程化流水线：每个交易日收盘后，自动拉取自选股的行情、新闻和基本面，交给大模型生成一份“决策仪表盘”，再推送到企业微信、飞书、Telegram、邮箱等渠道。项目用 Python 编写，MIT 协议，目前已有约 6.6 万 Star，覆盖 A 股、港股、美股、日股、韩股和台股。

这篇文章不评价它“准不准”，而是拆解三个让它能长期稳定跑下去的工程设计：数据源降级链、交易日判断、交易纪律约束。这三点对任何想做“AI + 定时数据任务”的人都有参考价值。

一、它到底每天在做什么

DSA 每日分析流水线

一次完整的运行大致分为五步：

1. 交易日判断：按每只股票所属市场的交易日历，决定今天是否需要分析；

2. 拉取行情：日 K、实时行情、技术指标、筹码分布等，按数据源优先级逐个尝试；

3. 检索新闻与舆情：通过搜索服务获取公告、新闻和事件；

4. 大模型分析：把以上数据组装成提示词，由大模型输出结论、评分、买卖点位、风险警报和操作检查清单；

5. 推送决策仪表盘：汇总成一份报告，推送到配置的通知渠道。

项目结构也很清晰：

目录	职责
`main.py`	主程序入口，支持单次运行、定时、Web 服务等模式
`src/`	核心业务：分析器、配置、消息推送
`data_provider/`	多数据源适配器
`api/` 与 `apps/dsa-web/`	FastAPI 后端与 React 前端工作台
`bot/`	机器人交互
`.github/workflows/`	GitHub Actions 定时任务

二、5 分钟零服务器部署：GitHub Actions 方案

DSA 最受欢迎的一点是不需要自己买服务器，Fork 仓库后用 GitHub Actions 定时运行即可。

第一步：Fork 仓库。

第二步：在 Settings → Secrets and variables → Actions 中添加 Secrets，三类配置至少各填一个：

类别	Secret 示例	说明
大模型	`GEMINI_API_KEY`、`ANTHROPIC_API_KEY`、`OPENAI_API_KEY` + `OPENAI_BASE_URL`	OpenAI 兼容接口可接 DeepSeek、通义千问等
通知渠道	`WECHAT_WEBHOOK_URL`、`FEISHU_WEBHOOK_URL`、`TELEGRAM_BOT_TOKEN` + `TELEGRAM_CHAT_ID`、`EMAIL_SENDER` + `EMAIL_PASSWORD`	可同时配置多个
自选股	`STOCK_LIST`	如 `600519,hk00700,AAPL,2330.TW`

新闻搜索（如 SerpAPI、Tavily、博查、自建 SearXNG）不是必填项，但会明显影响舆情和催化因素的质量，建议至少配一个。

第三步：在 Actions 页启用工作流，然后手动运行一次“每日股票分析”验证配置。

之后它会在每个工作日北京时间 18:00 自动执行，对应的 cron 是 UTC 时间：

schedule:
  - cron: '0 10 * * 1-5'   # UTC 10:00 = 北京时间 18:00，周一到周五

如果更习惯本地或 Docker 运行，也只需几条命令：

git clone https://github.com/ZhuLinsen/daily_stock_analysis.git && cd daily_stock_analysis
pip install -r requirements.txt
cp .env.example .env    # 填写模型、通知渠道与自选股

python main.py --dry-run                 # 只拉数据，不调用大模型
python main.py --stocks 600519,AAPL      # 临时指定股票
python main.py --market-review           # 只做大盘复盘
python main.py --schedule                # 本地定时模式
python main.py --webui                   # 启动 Web 工作台，默认 8000 端口

三、设计一：数据源不是“一个”，而是一条降级链

免费行情接口最大的问题是不稳定：限流、改版、网络抖动是常态。DSA 的做法是把每个数据源包装成适配器，并给它们分配优先级数字，数字越小越先尝试，失败后自动尝试下一个，全部失败才算真正失败。

以普通 A 股日 K 为例，配置了 TickFlow 的 API Key 后它的默认优先级是 2，腾讯直连的默认优先级是 5，作为通用链路的最终兜底；中间还可以插入 AkShare、Tushare、Baostock 等来源。实时行情则用另一个变量单独控制顺序：

REALTIME_SOURCE_PRIORITY=tencent,akshare_sina,efinance,akshare_em
FUTU_HK_REALTIME_SOURCE_PRIORITY=futu,longbridge,akshare,yfinance

Mermaid Diagram

还有两个细节值得借鉴：

指数走独立的固定链：已登记的沪深指数不参与通用优先级排序，固定按腾讯、AkShare、TickFlow、YFinance 的顺序降级，避免个股的配置影响指数数据。
辅助能力一律失败放行：基本面、筹码分布、龙虎榜这类“锦上添花”的数据，出错只记录日志、标记为不支持，绝不阻断技术面和新闻这条主链路。基本面阶段默认有 8 秒的软超时预算，超时就降级继续。

这种“主链路必须成功、辅助数据尽力而为”的分层，是定时任务能长期无人值守的关键。

四、设计二：先问“今天开不开市”，再干活

一个每天定时跑的任务，如果不懂交易日历，就会在节假日白白调用大模型、推送一份基于旧数据的报告。DSA 用 exchange-calendars 为每个市场维护各自的交易日历（含节假日），规则是：

混合持仓时，每只股票只在其所属市场开市的日子分析，休市市场当天跳过；
所有相关市场都休市时，整体跳过，不启动流水线也不推送；
判断“最新可复用交易日”时按市场本地时区计算，A 股用上海时区、美股用纽约时区，而不是服务器的自然日；
若最近一个交易日的数据本地已存在，就跳过重复抓取，实现断点续传。

GitHub Actions 中还可以用两个开关控制非交易日行为：仓库变量 TRADING_DAY_CHECK_ENABLED（默认开启）和手动触发时的 force_run 参数。手动运行时还能选择 full、market-only、stocks-only 三种模式。

五、设计三：给大模型套上“交易纪律”

让 AI 直接给买卖点，最大的风险是它会追涨。DSA 在提示词之外，用规则给分析结果加了几道约束，最典型的是乖离率阈值：

乖离率衡量现价偏离均线（如 MA5）的程度，计算方式为 (现价 - MA5) / MA5 × 100%；
默认阈值 BIAS_THRESHOLD=5.0，超过即提示“不追高”；
对均线多头排列的强势股，阈值自动放宽到 1.5 倍，避免把正常的强势误判为过热；
盘中开启 ENABLE_REALTIME_TECHNICAL_INDICATORS 时，会用实时价计算 MA5、MA10、MA20 和多头排列，否则用昨日收盘价。

决策仪表盘最终呈现的是“一句话结论 + 评分 + 买卖点位 + 风险警报 + 利好催化 + 操作检查清单”，README 中的示例大致是这样的格式：

🎯 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

注意示例中“观望”远多于“买入”。规则约束的意义恰恰在于让输出更克制，而不是更刺激。

六、动手实验：用 120 行 Python 复刻这三个机制

本文配套脚本 practice/demo_dsa_pipeline.py 只用 Python 标准库，离线就能运行。它用随机游走生成模拟行情，复刻了上面三个设计：带优先级的数据源降级、按市场的交易日判断、MA5 乖离率纪律。为便于演示，三个模拟数据源对所有市场通用，真实项目中不同市场有各自的数据源链。

核心的降级逻辑只有几行：

class DataManager:
    def __init__(self, sources):
        self.sources = sorted(sources, key=lambda s: s.priority)

    def fetch(self, code):
        errors = []
        for src in self.sources:
            try:
                data = src.daily_klines(code)
                return data, src.name, errors
            except DataFetchError as e:
                errors.append(str(e))
        raise DataFetchError("全部数据源失败: " + "; ".join(errors))

纪律校验同样直白：

def discipline(closes):
    price = closes[-1]
    ma5, ma10, ma20 = ma(closes, 5), ma(closes, 10), ma(closes, 20)
    bias = (price - ma5) / ma5 * 100
    bullish = ma5 > ma10 > ma20
    threshold = BIAS_THRESHOLD * (1.5 if bullish else 1.0)
    ...

运行 python demo_dsa_pipeline.py 的输出（模拟日期为港股重阳节补假的 2026-10-19）：

🎯 2026-10-19 决策仪表盘（演示数据，不构成投资建议）
  📊 600519   数据源=AkShare（降级: TickFlow: 连接被远端关闭）
     现价 105.39 | MA5 104.63 | 乖离率 +0.72% (阈值 5.0%) -> 观望
  📊 000657   数据源=TickFlow
     现价 125.98 | MA5 125.29 | 乖离率 +0.55% (阈值 7.5%，多头排列放宽) -> 关注（多头排列，未偏离均线）
  📊 300260   数据源=TickFlow
     现价 117.27 | MA5 105.28 | 乖离率 +11.39% (阈值 7.5%，多头排列放宽) -> 观望（乖离过大，不追高）
  ⏭  hk00700  hk 市场今日休市，跳过
  📊 AAPL     数据源=TickFlow
     现价 114.07 | MA5 112.98 | 乖离率 +0.96% (阈值 7.5%，多头排列放宽) -> 关注（多头排列，未偏离均线）

可以看到：第一只股票的首选数据源失败后自动降级到下一个，结果中保留了降级原因；第三只股票尾盘急拉，乖离率超过放宽后的 7.5% 阈值，被标记为“不追高”；港股当天休市被直接跳过，不浪费一次模型调用。

七、模型层：用 LiteLLM 统一各家大模型

DSA 的模型调用统一走 LiteLLM，主模型用 provider/model 的格式指定，并支持备选模型：

LITELLM_MODEL=gemini/gemini-3.1-pro-preview
LITELLM_FALLBACK_MODELS=openai/deepseek-chat   # 示例值，按自己开通的模型填写

这样主模型限流或报错时可以自动切到备选模型。Agent 问股功能在 Web 的 /chat 页面提供，支持均线金叉、缠论、波浪理论、多头趋势、热点题材、事件驱动等 15 种内置策略的多轮追问，也支持上传截图让视觉模型识别股票代码加入自选。

八、落地排坑清单

1. 筹码分布接口不稳定：GitHub Actions 的工作流默认关闭筹码分析，如确有需要，在仓库变量中显式设置 ENABLE_CHIP_DISTRIBUTION=true，并接受它偶尔失败。

2. 免费数据源会限流：长期批量运行建议配置 Tushare、TickFlow、Longbridge 等需要 token 的数据源；东财接口频繁断开时可开启 ENABLE_EASTMONEY_PATCH=true。

3. cron 是 UTC 时间：改推送时间时记得减 8 小时，北京时间 9:30 对应 '30 1 * * 1-5'。

4. 节假日手动运行要加 force_run：否则交易日检查会让任务直接跳过，看起来像“没反应”。

5. 公开仓库注意隐私：Fork 后的仓库默认公开，自选股写在 Secrets 里而不是代码里；Actions 运行日志也可能包含股票代码。

6. 大模型费用要心里有数：自选股数量乘以每天一次的分析调用，加上新闻检索，月度费用需提前估算；可先用 --dry-run 验证数据链路。

7. 它是辅助，不是决策者：项目 README 明确声明不构成投资建议，作者不对使用产生的损失负责。把它当作复盘的第二视角，而不是下单的依据。

九、总结

DSA 的价值不在于“AI 会炒股”，而在于它把一件重复的事做成了可靠的工程：数据源有降级链，辅助数据失败放行，任务懂交易日历，模型输出受规则约束，部署只需一个 GitHub 账号。这套“定时任务 + 多源数据 + 大模型 + 规则护栏 + 多渠道推送”的骨架，换成舆情监控、竞品追踪、运维日报，同样适用。

如果你每天都在花时间做机械的筛选和记录，不妨 Fork 一份试试；但请记住，最后那一下判断，仍然得由你自己来做。