完整指南：如何免费构建一个ai驱动的股票分析器，助你掌握市场动态！!

Rifx.Online
AI Applications , Data Science , Natural Language Processing
23 Feb, 2025

是否曾因股票市场数据的庞大而感到不知所措？

希望有一个私人助手来筛选噪音，并为您提供清晰、可操作的见解？好吧，您可以自己构建一个，得益于Python的强大、现成的API和一点AI，这其实非常简单（而且是免费的！）。

重要免责声明：

本项目仅用于教育和信息用途。它旨在演示如何集成各种API和AI模型。股票市场是_固有复杂且风险较高_的。请勿将本应用生成的“买入”或“卖出”信号用于实际交易决策。 在做出任何投资决策之前，深入了解金融市场、风险管理和独立研究是必不可少的。

本项目可以作为那些有兴趣探索AI与金融交集的人的基础，但它_并不是_专业财务建议的替代品。

在本教程中，我们将创建一个简单而有效的股票分析器，它可以：

获取历史股票数据： 使用免费的 Alpha Vantage API。
可视化数据： 使用 Matplotlib 创建交互式图表。
提供 AI 驱动的分析： 利用谷歌的 Gemini Flash 模型获取洞察。
在用户友好的网络应用中展示一切： 使用 Streamlit 构建。

这个项目非常适合想要学习 API 集成、数据可视化和 AI 实际应用的初学者。无需具备金融或 AI 的先前经验！

步骤 1：收集您的工具（和 API 密钥）

在我们深入代码之前，确保您拥有必要的工具：

Python： 确保您安装了 Python 3.7 或更高版本。

库：我们将使用以下 Python 库。您可以使用 pip 安装它们：

pip install pandas matplotlib requests pytz google-generativeai streamlit

Streamlit： 使用命令 pip install streamlit 进行安装。

API 密钥： 这是“免费”魔法发生的地方！

Alpha Vantage： 前往 https://www.alphavantage.co/ 注册一个免费的 API 密钥。这个密钥允许我们访问他们的股票数据。请妥善保管此密钥，保持私密！
谷歌 AI Studio API 密钥： 访问 Google AI Studio。点击“获取 API 密钥”。这将允许您使用 Gemini Flash 模型。请同样保密此密钥！

重要提示： 免费 API 密钥通常有使用限制（例如，每分钟或每天的请求数量）。请注意这些限制，以避免中断。Alpha Vantage 的免费套餐通常足以满足个人项目的需求。

让我们开始编码吧！

步骤 2：获取股票数据 (stock_utility_handler.py)

让我们开始创建一个名为 stock_utility_handler.py 的文件。这个文件将处理获取和处理股票数据的任务。

import pandas as pd
import json
from datetime import datetime
import pytz
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
import matplotlib.widgets as widgets
import requests

class StockAPI:
    def __init__(self, api_key):
        self.api_key = api_key

    def get_stock_info(self, stock, market):
        if market == 'NASDAQ':
            url = f'https://www.alphavantage.co/query?function=TIME_SERIES_DAILY&symbol={stock}&outputsize=compact&apikey={self.api_key}'
        else:
            url = f'https://www.alphavantage.co/query?function=TIME_SERIES_DAILY&symbol={stock}.{market}&outputsize=compact&apikey={self.api_key}'
        r = requests.get(url)
        data = r.json()
        return data

class StockAnalyzer:
    def __init__(self):
        pass

    def json_to_dataframe(self, json_data, stock_symbol, market):
        print(json_data)
        time_series_data = json_data['Time Series (Daily)']
        df_data = []

        for date_str, values in time_series_data.items():
            data_row = {'date': date_str}
            for key, value in values.items():
                new_key = key.split('. ')[1]  
                data_row[new_key] = float(value)
            df_data.append(data_row)

        df = pd.DataFrame(df_data)
        df['date'] = pd.to_datetime(df['date'])

        eastern = pytz.timezone('US/Eastern')
        ist = pytz.timezone('Asia/Kolkata')

        df['date'] = df['date'].dt.tz_localize(eastern).dt.tz_convert(ist)
        df['date'] = df['date'].dt.strftime('%Y-%m-%d %H:%M:%S')
        df['stock'] = stock_symbol
        df['market'] = market

        df = df.set_index('date')
        return df

    def plot_stock_data(self, df, stock_symbol, market, image_path):
        plt.figure(figsize=(16, 10))

        plt.subplot(3, 1, 1)
        plt.plot(pd.to_datetime(df.index), df['close'], label=f'{stock_symbol} 收盘价 ({market})', color='blue')
        plt.title(f'{stock_symbol} 股票表现 ({market})')
        plt.xlabel('日期 (IST)')
        plt.ylabel('价格')
        plt.legend()
        plt.grid(True)

        plt.subplot(3, 1, 2)
        plt.bar(pd.to_datetime(df.index), df['volume'], label=f'{stock_symbol} 成交量 ({market})', color='green', width=2)
        plt.xlabel('日期 (IST)')
        plt.ylabel('成交量')
        plt.legend()
        plt.grid(True)

        plt.subplot(3, 1, 3)
        df['MA_7'] = df['close'].rolling(window=7).mean()
        df['MA_20'] = df['close'].rolling(window=20).mean()
        plt.plot(pd.to_datetime(df.index), df['close'], label=f'{stock_symbol} 收盘价 ({market})', color='blue', alpha=0.7)
        plt.plot(pd.to_datetime(df.index), df['MA_7'], label='7日移动平均', color='orange')
        plt.plot(pd.to_datetime(df.index), df['MA_20'], label='20日移动平均', color='red')
        plt.xlabel('日期 (IST)')
        plt.ylabel('价格')
        plt.legend()
        plt.grid(True)

        for ax in plt.gcf().axes:
            ax.xaxis.set_major_locator(mdates.MonthLocator())
            ax.xaxis.set_minor_locator(mdates.WeekdayLocator(byweekday=[0]))
            ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m'))

        plt.gcf().autofmt_xdate()

        cursor = widgets.Cursor(plt.gca(), color='red', linewidth=1)

        plt.tight_layout()
        plt.savefig(image_path) 
        plt.show()

代码说明

**get_stock_info()**：此函数根据股票代码和市场构造 API 请求 URL。它处理 BSE 和 NASDAQ 市场。它使用 requests 库进行 API 调用，并返回 JSON 响应。

**json_to_dataframe()**：此函数将来自 Alpha Vantage 的原始 JSON 数据转换为 Pandas DataFrame。这对于数据分析和可视化至关重要。它处理：

提取“时间序列（每日）”数据。
清理键（去除“1. ”前缀）。
将日期字符串转换为 datetime 对象。
将日期从美国/东部时间转换为印度标准时间（IST），并格式化日期。
将“日期”列设置为索引。

**plot_stock_data()**：此函数生成一个包含三个子图的综合图：

收盘价： 显示股票的每日收盘价。
成交量： 以柱状图显示交易量。
移动平均： 计算并绘制 7 日和 20 日移动平均，这是常见的技术指标。

并将图形保存到指定的 image_path。

步骤 3：添加 AI 见解 (ai_insights_handler.py)

现在，让我们创建 ai_insights_handler.py 来集成 Gemini Flash 模型进行 AI 驱动的分析。

import google.generativeai as genai
import PIL.Image

class AIInsights:
    def __init__(self, api_key):
        self.api_key = api_key
        genai.configure(api_key=self.api_key)
        self.model = genai.GenerativeModel(model_name="gemini-2.0-flash")

    def get_ai_insights(self, image_path, stock, market):
        image = PIL.Image.open(image_path)
        prompt = f"这是股票：'{stock}' 在市场：'{market}' 最近 100 天的股票表现图，基于成交量、收盘价和 7、20 日移动平均，提供一些关于该股票的分析和建议。该股票是否应该购买。"
        response = self.model.generate_content([prompt, image])
        return response

代码说明

**get_ai_insights()**：

使用 PIL.Image.open() 打开保存的图像。
为 Gemini 模型构建提示。提示清晰地描述了图像和所需的分析（基于成交量、收盘价和移动平均的买/卖建议）。
调用 model.generate_content()，传入提示和图像。这是多模态交互的核心。
返回模型的响应。

步骤 4：构建 Streamlit 网络应用 (marketapp.py)

收集在初始步骤中为 Google AI Studio 和 Alpha Vantage API 生成的 API 密钥。

最后，让我们创建 marketapp.py 来构建一个用户友好的界面，使用 Streamlit。

from stock_utility_handler import StockAPI, StockAnalyzer
from ai_insights_handler import AIInsights

import streamlit as st

if 'page' not in st.session_state:
    st.session_state.page = "page1"  
    st.session_state.ticker = "RELIANCE"  
    st.session_state.market = "BSE" 
    st.session_state.image_path = ""
    st.session_state.ai_insights = ""
    st.session_state.internal_results_available = False

def page1():
    st.title('股票 AI 代理')

    col1, col2 = st.columns(2)
    with col1:
        st.session_state.ticker = st.text_input("输入股票代码", value=st.session_state.ticker, key="ticker_input")  
    with col2:
        st.session_state.market = st.selectbox("选择市场", ["BSE", "NASDAQ"], index=["BSE", "NASDAQ"].index(st.session_state.market), key="market_input")

    st.sidebar.header("关于")
    st.sidebar.write("这是一个股票分析平台。")

    st.markdown("---")

    if st.button('提交'):
        st.session_state.page = "page2"  
        st.session_state.internal_results_available = False
        st.rerun()

def page2():
    st.title(f"{st.session_state.ticker} ({st.session_state.market}) 的分析")  
    stock = st.session_state.ticker
    market = st.session_state.market
    if not st.session_state.internal_results_available:
        with st.spinner('分析中... 请稍候...'):
            image_path = f"<your_image_path>/{market}_{stock}.png"
            st.session_state.image_path = image_path

            stock_api_obj = StockAPI("<your-alpha-vantage-api-key>")
            market_data = stock_api_obj.get_stock_info(stock, market)

            stock_analyzer_obj = StockAnalyzer()
            df = stock_analyzer_obj.json_to

## 最后

使用 streamlit run 运行 marketapp.py

```bash
streamlit run marketapp.py