Grok 被高估了。这样做可以将任何 LLM 转变为超级智能的金融分析师。

人们对最基本的东西也太印象深刻了。

我在 Twitter 上看到一些金融圈的人在抱怨 Grok 是继切片面包之后最好的东西。这个由 xAi 开发的 LLM 具有内置的 Web 搜索和推理能力……人们对它在财务分析任务中的感知能力感到兴奋不已。

Grok 能够原生思考和搜索网络

是的，这比 GPT 更好，GPT 无法访问实时信息，但你可以在大约一小时内构建一个好得多的财务助手。

而且，是的，这不仅非常容易，而且它也适用于任何 LLM。以下是如何为任何需要实时数据的任务构建自己的助手。

什么是 Grok？

如果你对大型语言模型有所了解，你就会知道它们无法访问实时信息。

也就是说，直到 Grok 3。

你看，与 DeepSeek 吹嘘廉价架构不同，埃隆·马斯克认为更大更好，并花费了超过 30 亿美元购买了 200,000 台 NVIDIA 超级计算机 (H100)。

他没有放过任何机会。

最终的结果是一个优于其他所有模型的大型语言模型。它拥有 100 万个 token 的上下文窗口。并且它可以通过 Twitter 访问网络。

Grok 3 与其他大型语言模型的性能比较

然而，人们对它的一些能力进行了过度的夸大，尤其是在需要实时信息的任务中，比如金融。

虽然 Grok 3 可以进行基本搜索，但你可以构建一个更好（而且更便宜）的 LLM，它可以实时访问财务数据。

这非常容易。

解决 LLM 在财务分析中固有的问题

即使是像 Grok 这样的语言模型也无法执行复杂的分析。

复杂的分析需要精确的数据。如果我需要一份过去 4 个季度每季度自由现金流都在增长的 AI 股票列表，我需要一种精确的方法来查看过去 4 个季度并得出一个答案。

仅仅在网上搜索是远远不够的。

然而，只要稍加努力，我们就可以构建一个与语言模型无关的财务超级天才，它能根据数据给出准确、基于事实的答案。

做到这一点需要 3 个简单步骤：

• 检索每只美国股票的财务数据，并将数据上传到 BigQuery
• 构建一个 LLM 包装器来查询数据
• 将查询结果格式化为 LLM

让我们详细介绍每个步骤。

使用 EODHD 存储和上传每只美国股票的财务数据

使用像 EODHD 这样高质量的基础数据提供商，我们可以在几秒钟内查询准确的实时财务信息。

[## The Best API for Historical Stock Market Prices and Fundamental Financial Data | Free Trial API

Access historical end-of-day stock prices, intraday data, US stock options, and real-time prices with free and advanced…

eodhd.com](https://eodhd.com/r?ref=nexustrade)

我们通过调用历史数据端点来实现这一点。这为我们提供了特定股票的所有历史数据，包括盈利预期、收入、净收入等。

请注意，数据的质量非常重要。EODHD等来源在成本效益和准确性之间取得了完美的平衡。如果我们使用劣质数据，当我们的 LLM 给出劣质响应时，我们不应该感到惊讶。

现在，需要做一些工作来清理数据并将数据合并成 BigQuery 适用的格式。特别是，由于 EODHD 提供的数据量很大，我们必须进行一些过滤。

幸运的是，我已经完成了所有工作，并免费开源发布了它！

[## GitHub - austin-starks/FinAnGPT-Pro: A script for creating your very own AI-Powered stock screener

A script for creating your very own AI-Powered stock screener - austin-starks/FinAnGPT-Pro

github.com](https://github.com/austin-starks/FinAnGPT-Pro)

我们只需要运行脚本

ts-node upload.ts

该脚本将自动为每只股票运行并上传其财务数据。

现在，这需要一些设置。你需要创建一个 Google 云帐户并启用 BigQuery（假设我们希望从 BigQuery 提供的快速读取中受益）。但像这样的设置过程就像任何其他网站一样。最多只需要几分钟。

在上传数据后，我们可以进行步骤 2。

使用 LLM 生成数据库查询

这是让我们的 LLM 优于 Grok 或任何其他用于财务分析的模型的步骤。

我们将使用 LLM 在我们的数据库中搜索数据，而不是在网络上搜索结果。通过这种方式，我们可以获得确切的信息。我们可以找到关于特定股票的信息，甚至可以找到新的股票机会。

方法如下。

步骤 1) 在 Requesty 上创建一个帐户

Requesty 允许你在不同的 LLM 提供商之间切换，而无需创建 10 个不同的帐户。这包括用于财务分析的最佳模型，包括 Gemini Flash 2 和 OpenAI o3-mini。

[## Google just ANNIHILATED DeepSeek and OpenAI with their new Flash 2.0 model

Three weeks ago, when DeepSeek released R1, their inexpensive reasoning model, I thought it was the pinnacle of the AI…

nexustrade.io](https://nexustrade.io/blog/google-just-annihilated-deepseek-and-openai-with-their-new-flash-20-model-20250205)

创建 Requesty 帐户后，我们必须创建一个系统提示。

步骤 2) 创建一个初始 LLM 提示

我们的 AI 财务助手的系统提示草稿

下一步是创建一个系统提示。这为我们的模型提供了足够的上下文来回答我们的问题，并帮助指导其响应。

一个好的系统提示将：

• 具有回答财务问题所需的所有上下文（例如模式和表名）
• 有一个约束列表（例如，我们可能会将最大输出限制为 50 家公司）
• 有一个模型可以遵循的示例列表

创建初始提示后，我们可以运行它以查看结果。

ts-node chat.ts

然后，我们可以通过运行它、查看响应并进行修改来迭代地改进提示。

步骤 3) 迭代和改进提示

LLM 的输出

一旦我们有了初始提示，我们就可以通过在各种各样的问题上进行测试来迭代和改进它。 模型应该能够回答的一些问题包括：

• 哪些股票的净收入最高？
• 哪些股票在过去 4 个季度中每个季度的毛利润都有所增长？
• MSFT、AAPL、GOOGL 和 Meta 在过去 5 年的平均收入是多少？

在每个问题之后，我们将执行模型生成的查询并查看响应。 如果它看起来不正确，我们将检查它，对其进行迭代，并添加更多示例来引导其输出。

一旦我们完善了我们的提示，我们就可以将所有内容粘合在一起，以获得易于阅读、人类可读的响应！

将所有内容粘合在一起并给用户一个答案

LLM 的最终格式化输出

最后，一旦我们拥有一个可以查询财务数据的有效系统，我们就可以构建一个结合了它的 LLM 超智能代理！

为此，我们只需将 LLM 的结果转发到另一个格式化它的请求中。

正如我所提到的，这个过程并不难，比 Grok 等 LLM 更准确，而且非常便宜。 如果您关心在几秒钟内搜索财务数据集，您可以通过借鉴我开源的内容来节省一个小时的工作。

[## GitHub - austin-starks/FinAnGPT-Pro: 用于创建您自己的 AI 驱动的股票筛选器的脚本

用于创建您自己的 AI 驱动的股票筛选器的脚本 - austin-starks/FinAnGPT-Pro

github.com](https://github.com/austin-starks/FinAnGPT-Pro)

总结思考

虽然构建一个访问网络的 ​​主流 LLM 很酷，但它不如设置您自己的自定义助手那么有用。 一个专门构建的助手允许您快速访问您需要的确切数据，并允许您执行复杂的分析。

本文证明了这一点。

它既不难，也不耗时，最终结果是一个您控制的 AI，至少在价格、隐私和功能方面是如此。

但是，如果对您来说最重要的是快速、准确地进行分析，并使用这些分析结果来击败市场，那么像 NexusTrade 这样的平台可能是您最安全的赌注。 因为，除了分析股票之外，NexusTrade 还允许您：

• 创建、测试和部署算法交易策略
• 浏览实时交易规则库并复制成功交易者的交易
• 使用自定义标签执行更丰富的分析，例如按 AI 股票进行过滤的能力。

但无论您使用 Grok、构建自己的 LLM 还是使用预构建的 LLM，有一件事是肯定的，如果您将 AI 集成到您的交易工作流程中，您会比那些没有策略就赌博的堕落者做得好得多。

这是一个事实。