开源AI工作流：股票概要&预测
AI Skill Hub 推荐使用：开源AI工作流：股票概要&预测 是一款优质的Agent工作流。AI 综合评分 7.5 分，在同类工具中表现稳健。如果你正在寻找可靠的Agent工作流解决方案，这是一个值得深入了解的选择。
开源AI工作流：股票概要&预测 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。
在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 7.5 分，是同类 Agent 工作流中的精选推荐。
使用LightGBM和LLMs的开源AI工作流，提供股票概要和预测功能，支持CN/US/HK市场。
开源AI工作流：股票概要&预测 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
使用LightGBM和LLMs的开源AI工作流，提供股票概要和预测功能，支持CN/US/HK市场。
开源AI工作流：股票概要&预测 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
# 方式一：pip 安装（推荐）
pip install llm_stock_report
# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install llm_stock_report
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/miaohancheng/llm_stock_report
cd llm_stock_report
pip install -e .
# 验证安装
python -c "import llm_stock_report; print('安装成功')"
- 访问 GitHub 仓库获取工作流文件
- 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
- 上传工作流文件
- 按照提示配置必要的环境变量和 API Key
- 运行测试确认流程正常后投入使用
# 命令行使用
llm_stock_report --help
# 基本用法
llm_stock_report input_file -o output_file
# Python 代码中调用
import llm_stock_report
# 示例
result = llm_stock_report.process("input")
print(result)
# llm_stock_report 配置文件示例（config.yml） app: name: "llm_stock_report" debug: false log_level: "INFO" # 运行时指定配置文件 llm_stock_report --config config.yml # 或通过环境变量配置 export LLM_STOCK_REPORT_API_KEY="your-key" export LLM_STOCK_REPORT_OUTPUT_DIR="./output"
llm_stock_report
AI + 传统量化双驱动： 不是单纯的 LLM 闲聊，而是基于 LightGBM 的客观预测辅助。 AI + Quant Dual Engine: This is not pure LLM chatting; it is grounded by objective LightGBM-based prediction signals. 开箱即用的自动化： 内置完整的 GitHub Actions 工作流，无需服务器即可白嫖算力。 Automation Out of the Box: Built-in end-to-end GitHub Actions workflows, so you can run it without maintaining your own server. 支持本地/私有化部署： 全面兼容本地大语言模型，零 API 成本运行。 Local / Private Deployment Ready: Fully compatible with local LLMs for zero API-cost operation.
LLM daily stock summary + next-day prediction for CN/US/HK markets, with scheduled GitHub Actions and Telegram delivery.
简体中文 | English
- 中文完整使用文档: docs/full-guide.md
- English full guide: docs/full-guide_EN.md
- GitHub Actions 配置手册（中文）: docs/github-actions-setup.md
- GitHub Actions setup guide (EN): docs/github-actions-setup_EN.md
项目功能
- A股使用
AKShare，美股/港股使用yfinance拉取历史行情 - 本地历史缓存 + 增量补齐（避免每次全量拉取）
- 生成技术指标与
next_day_return标签 - 每周训练（Qlib 风格 LightGBM）+ 每日推理
- 抓取失败自动重试（长间隔指数退避，适配反爬限流）
- Tavily 主搜索、Brave 兜底新闻搜索
- 支持 OpenAI / Gemini / Ollama 生成中文摘要与详细推理
- 提示词强化：证据引用、置信度、可靠性说明、风险约束
- Telegram 推送顺序：摘要 1 条 -> 按股票详细分段 -> 大盘复盘
- 输出目录：
outputs/{market}/{date}/
Features
- Fetches CN history via
AKShareand US/HK history viayfinance - Uses local history cache with incremental top-up (instead of full re-download each run)
- Builds technical factors and
next_day_returnlabels - Weekly retraining (Qlib-style LightGBM) and daily inference
- Adds long-interval exponential retry for data fetch failures
- News search with Tavily primary and Brave fallback
- Chinese report generation with OpenAI / Gemini / Ollama
- Prompt hardening for reliability: evidence refs, confidence score, reliability notes
- Telegram send order: one summary message, per-symbol chunked details, then market overview
- Output path:
outputs/{market}/{date}/
Required environment variables
TAVILY_API_KEYBRAVE_API_KEYTELEGRAM_BOT_TOKENTELEGRAM_CHAT_ID
Configure at least one LLM path: - LLM_PROVIDER=openai + OPENAI_API_KEY - LLM_PROVIDER=gemini + GEMINI_API_KEY - LLM_PROVIDER=ollama + OLLAMA_BASE_URL + OLLAMA_MODEL (local defaults available)
快速开始
1. 安装依赖
python -m pip install --upgrade pip
python -m pip install -e '.[dev]'pyqlib 相关依赖，再执行： python -m pip install -e '.[qlib]'config/universe.yaml 3. 配置环境变量 - 复制 .env.example 到 .env 并填写密钥 4. 运行测试 python -m pytestpython -m app.jobs.run_retrain --market cn --date 2026-03-04
python -m app.jobs.run_retrain --market us --date 2026-03-04
python -m app.jobs.run_retrain --market hk --date 2026-03-04python -m app.jobs.run_report --market cn --date 2026-03-04
python -m app.jobs.run_report --market us --date 2026-03-04
python -m app.jobs.run_report --market hk --date 2026-03-04Quick Start
1. Install dependencies
python -m pip install --upgrade pip
python -m pip install -e '.[dev]'pyqlib environment, run: python -m pip install -e '.[qlib]'config/universe.yaml 3. Configure env vars - Copy .env.example to .env and fill secrets 4. Run tests python -m pytestpython -m app.jobs.run_retrain --market cn --date 2026-03-04
python -m app.jobs.run_retrain --market us --date 2026-03-04
python -m app.jobs.run_retrain --market hk --date 2026-03-04python -m app.jobs.run_report --market cn --date 2026-03-04
python -m app.jobs.run_report --market us --date 2026-03-04
python -m app.jobs.run_report --market hk --date 2026-03-04推送预览
必需环境变量
TAVILY_API_KEYBRAVE_API_KEYTELEGRAM_BOT_TOKENTELEGRAM_CHAT_ID
LLM 至少配置一组： - LLM_PROVIDER=openai + OPENAI_API_KEY - LLM_PROVIDER=gemini + GEMINI_API_KEY - LLM_PROVIDER=ollama + OLLAMA_BASE_URL + OLLAMA_MODEL（本地默认可直接用）
关键可选参数（推荐配置）
LLM_PROVIDER（openai/gemini/ollama）REPORT_LANGUAGE（zh/en，控制 Telegram 推送与报告文本语言）PAGES_SITE_BASE_URL（用于 Telegram 卡片尾部追加 Pages 链接，例如https://miaohancheng.com/llm_stock_report）PAGES_DEFAULT_LANGUAGE（zh/en，控制 GitHub Pages 默认入口语言）PAGES_CASE_RETENTION_DAYS（Pages 案例页仅展示最近 N 天，默认 3）STOCK_LIST_CN/STOCK_LIST_US/STOCK_LIST_HK（环境变量覆盖股票池）TRAINING_WINDOW_DAYS（训练窗口天数，默认 730）DAILY_ANALYSIS_LOOKBACK_DAYS（日度推理回看窗口，默认 30）FEATURE_WARMUP_DAYS（特征预热天数，默认 60）FETCH_MAX_RETRIES（抓取最大重试次数，默认 5）FETCH_RETRY_BASE_DELAY_SECONDS（重试基础间隔，默认 15 秒）FETCH_RETRY_MAX_DELAY_SECONDS（重试最大间隔，默认 300 秒）LLM_MAX_RETRIES（LLM 最大重试次数，默认 6）LLM_RETRY_BASE_DELAY_SECONDS（LLM 重试基础间隔，默认 5 秒）LLM_RETRY_MAX_DELAY_SECONDS（LLM 重试最大间隔，默认 120 秒）MARKET_INDEX_FETCH_ENABLED（是否抓取指数基准，默认 true）GEMINI_MODEL（默认gemini-2.0-flash）OLLAMA_MODEL（默认qwen2.5:7b）OLLAMA_BASE_URL（默认http://127.0.0.1:11434）
Important optional knobs
LLM_PROVIDER(openai/gemini/ollama)REPORT_LANGUAGE(zh/en, controls Telegram/report language)PAGES_SITE_BASE_URL(used to append the Pages case link at the end of Telegram cards)PAGES_DEFAULT_LANGUAGE(zh/en, controls default landing language for GitHub Pages)PAGES_CASE_RETENTION_DAYS(show only latest N days in Pages cases, default3)STOCK_LIST_CN/STOCK_LIST_US/STOCK_LIST_HK(env override for universe)TRAINING_WINDOW_DAYS(default730)DAILY_ANALYSIS_LOOKBACK_DAYS(lookback window for daily reasoning context, default30)FEATURE_WARMUP_DAYS(default60)FETCH_MAX_RETRIES(default5)FETCH_RETRY_BASE_DELAY_SECONDS(default15)FETCH_RETRY_MAX_DELAY_SECONDS(default300)LLM_MAX_RETRIES(default6)LLM_RETRY_BASE_DELAY_SECONDS(default5)LLM_RETRY_MAX_DELAY_SECONDS(default120)MARKET_INDEX_FETCH_ENABLED(enable benchmark index fetch, defaulttrue)GEMINI_MODEL(defaultgemini-2.0-flash)OLLAMA_MODEL(defaultqwen2.5:7b)OLLAMA_BASE_URL(defaulthttp://127.0.0.1:11434)
Pipeline
本项目是使用 LLM（大模型）生成股票报告的项目，基于 AKShare 和 yfinance 等库获取历史行情数据，使用 LightGBM 进行预测和新闻抓取，最后通过 Telegram 推送报告。
本项目的功能包括使用 AKShare 和 yfinance 获取历史行情数据，使用 LightGBM 进行预测，新闻抓取，生成技术指标和 next_day_return 标签，支持 OpenAI、Gemini 和 Ollama 等大模型生成中文摘要和详细推理，提示词强化等功能。
环境依赖与系统要求中文说明
快速开始：安装依赖，配置股票池，配置环境变量，运行测试，手动训练等步骤。
使用教程：安装依赖，配置股票池，配置环境变量，运行测试，手动训练等步骤。
配置说明：环境变量，LLM 配置，关键参数等。
工作流：AKShare 获取数据，特征工程/缓存，LightGBM 预测，新闻抓取，大模型生成，Telegram 推送等模块组成的流程。
该项目提供了一个开源的AI工作流，用于股票概要和预测，使用了LightGBM和LLMs，支持CN/US/HK市场，值得关注。
- 需要 llm_stock_report 解决具体问题的开发者与运营人员
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- Python 依赖冲突：建议用 venv / uv 隔离环境
- 本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 需要 llm_stock_report 解决具体问题的开发者与运营人员
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- Python 依赖冲突：建议用 venv / uv 隔离环境
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
- +Apache-2.0 协议，可免费商用
- +大幅减少重复性人工操作
- +可视化流程，清晰直观
- +可扩展性强，支持复杂场景
- −初始配置和调试需投入一定时间
- −强依赖外部服务的稳定性
- −复杂场景需具备一定技术基础
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ Apache 2.0 — 宽松开源协议，可商用，需保留版权声明和 NOTICE 文件，含专利授权条款。
总体来看，开源AI工作流：股票概要&预测 是一款质量良好的Agent工作流，在同类工具中具备一定竞争力。AI Skill Hub 将持续追踪其更新动态，建议收藏备用，结合自身场景选择合适时机引入使用。
| 原始名称 | llm_stock_report |
| 原始描述 | 开源AI工作流：Automated daily stock summary & prediction (CN/US/HK) using LightGBM and LLMs.。⭐9 · Python |
| Topics | workflowlightgbmllmquant-tradingstock-markettrading-botpython |
| GitHub | https://github.com/miaohancheng/llm_stock_report |
| License | Apache-2.0 |
| 语言 | Python |
收录时间：2026-05-22 · 更新时间：2026-05-22 · License：Apache-2.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。