Building an AI-Driven Stock Analysis System: 5 Key Steps Using Langgraph Deepseek and Ollama

Rifx.Online
Machine Learning , Data Science , AI Applications
08 Mar, 2025

基于开源工具的 AI 驱动股票分析

开源 AI 工具的兴起使得构建复杂、经济高效的解决方案变得前所未有地容易。在本指南中，我将向您展示如何创建一个AI 驱动的股票分析系统，利用强大的开源工具，如 LangGraph、DeepSeek R1–7B 和 Ollama——所有这些都托管在 Google Colab 上，以最大限度地降低基础设施成本。

无论您是数据科学家、软件开发人员，还是仅仅对 AI 感兴趣的人，此工作流程都旨在实现模块化、可扩展和对开发人员友好。

开源 AI 的优势

大型语言模型 (LLM) 的普及为开发人员开启了令人兴奋的可能性：

免费计算资源：使用 Google Colab 等平台。
经济高效的模型：通过使用 Ollama 在本地运行模型来避免高昂的云 API 成本。
可定制性：完全控制模型和管道。
学习潜力：亲身体验 DeepSeek 等工具。

通过结合这些工具，您可以创建与企业级设置相媲美的系统，而成本仅为一小部分。

为什么要在本地运行 LLM？

Ollama 允许您在本地运行 DeepSeek R1–7B，即使在 Colab 环境中，也有几个优势：

经济高效：不依赖于昂贵的 API 订阅。
数据隐私：敏感的股票数据保留在本地。
灵活性：定制工作流程和模型以满足您的需求。
可扩展性：在不被供应商锁定的情况下扩展功能。

系统概述

我们的 AI 管道遵循一个四步架构，以提供关于任何公开交易股票的见解。

工作流程：

技术分析：评估股票价格模式和市场指标。
市场分析：审查行业表现和比较指标。
新闻分析：处理情绪和突发新闻事件。
建议：将见解综合为可操作的建议。

每个阶段都作为一个独立的**“Agent”**运行，并且是定向无环图 (DAG) 工作流程的一部分。

我们将使用的工具

以下是核心技术的细分：

LangChain：用于链接 AI 提示和代理的框架。
LangGraph：用于编排工作流程，并在代理之间共享状态。
DeepSeek R1–7B：用于分析推理的开源 LLM。
Ollama：用于本地 LLM 托管，以节省成本和保护数据隐私。
Google Colab：免费、灵活的计算环境。

这些工具结合了现代 LLM 的强大功能和实用、对开发人员友好的工作流程。

实施股票分析管道

这个系统的核心是 LangGraph 驱动的定向无环图 (DAG) 工作流程。工作流程中的每个代理都专注于一个特定的分析领域。

1：定义工作流程

def create_analysis_graph() -> Graph:
    """Create the analysis workflow graph"""
    # Create workflow graph
    workflow = StateGraph(State)

## Add nodes
    workflow.add_node("technical", technical_analysis)
    workflow.add_node("market", market_analysis)
    workflow.add_node("news", news_analysis)
    workflow.add_node("recommendation", generate_recommendation)

## Define edges
    workflow.add_edge("technical", "market")
    workflow.add_edge("market", "news")
    workflow.add_edge("news", "recommendation")
    workflow.add_edge(START, "technical")

## Set end node
    workflow.add_edge("recommendation", END)

2：构建每个代理

以下是如何定义一个示例代理，如技术分析代理：

### Technical Analysis Node
def technical_analysis(state: State) -> State:
    """Node for technical analysis"""
    symbol = state["symbol"]
    llm = state["llm"]

## Fetch technical data
    stock = yf.Ticker(symbol)
    hist = stock.history(period='1y')

## Calculate indicators
    sma_20 = hist['Close'].rolling(window=20).mean()
    sma_50 = hist['Close'].rolling(window=50).mean()
    rsi = calculate_rsi(hist['Close'])

data = {
        'current_price': hist['Close'].iloc[-1],
        'sma_20': sma_20.iloc[-1],
        'sma_50': sma_50.iloc[-1],
        'rsi': rsi.iloc[-1],
        'volume_trend': hist['Volume'].iloc[-5:].mean() / hist['Volume'].iloc[-20:].mean()
    }

prompt = PromptTemplate.from_template(
        """Analyze these technical indicators for {symbol}:
        {data}

Provide:
        1. Trend analysis
        2. Support/Resistance levels
        3. Technical rating (Bullish/Neutral/Bearish)
        4. Key signals
        """
    )

chain = LLMChain(llm=llm, prompt=prompt)
    analysis = chain.run(symbol=symbol, data=json.dumps(data, indent=2))

state["results"]["technical"] = {
        "data": data,
        "analysis": analysis
    }
    return state