先给结论：这个AI炒股项目能做什么？
别被“量化交易”吓住，这个项目的核心是“用AI简化决策”，目前已实现3大核心功能，普通人也能上手：
✅ 数据全自动
整合akshare免费接口，爬取中国市场ETF实时行情，支持增量更新（不用重复下历史数据）
✅ 大模型操盘
Qwen3/DeepSeek读取行情数据后生成交易指令，已实测Qwen3有完整交易记录
✅ 回测可视化
Web页面直接看收益曲线、持仓分析，回测基准锚定沪深300，收益一目了然
划重点：现在支持ETF，改个配置文件就能扩展到股票交易，后续加MACD、RSI指标也预留了接口。
实操环节：从0到1搭AI交易系统（附完整代码）
核心逻辑：数据采集→大模型分析→交易指令→回测可视化，全程Python实现，不用懂高深算法，跟着复制就行。
第一步：环境配置（5分钟搞定）
先装必备工具，新手直接复制命令到终端执行：
pip install akshare python-dotenv pandas json
akshare优势：比Wind、Tushare免费，中国市场数据超全（ETF/股票/基金都能爬），接口稳定，个人研究够用了。
第二步：核心代码拆解（关键部分附通俗解释）
代码分4个核心模块，每个模块都加了新手能懂的注释，直接复制到main.py即可。
模块1：初始化与ETF池配置
先定义要监控的ETF，选的都是跨境+资源类，分散风险，新手直接用这个组合就行：
import os
from dotenv import load_dotenv
load_dotenv()
import json
import akshare as ak
from datetime import datetime, timedelta
all_zh_symbols = [
"159561",
"513880",
"513500",
"513130",
"513830",
"160416",
"518880",
]
为什么选ETF不选个股？ETF费率低、分散风险，就算单只股票跌，对整体影响小，特别适合新手练手。
模块2：代码格式转换（对接akshare的关键）
akshare需要区分上海/深圳交易所，这个函数自动加前缀，不用手动改：
def add_sh_sz(symbol):
"""给股票代码加交易所前缀（sh=上海，sz=深圳）"""
if symbol.startswith(("6","5")):
symbol = f"sh{symbol}"
elif symbol.startswith(("0","1","3")):
symbol = f"sz{symbol}"
return symbol
print(add_sh_sz("513500"))
模块3：数据增量更新（省时间省流量）
核心亮点：不会重复下历史数据，只更最新的，爬取效率翻倍。分两个函数实现
def get_last_refreshed_date(SYMBOL: str):
"""查本地数据的最后更新时间，避免重复爬取"""
filename = f'./daily_prices_{SYMBOL}.json'
if os.path.exists(filename):
try:
with open(filename, 'r', encoding='utf-8') as f:
data = json.load(f)
last_date = data.get("Meta Data", {}).get("3. Last Refreshed")
if last_date:
return datetime.strptime(last_date, "%Y-%m-%d")
except Exception as e:
print(f"文件读取错了：{e}")
return None
def get_daily_price(SYMBOL: str):
"""核心：爬取ETF日线数据，支持增量更新"""
last_date = get_last_refreshed_date(SYMBOL)
if last_date:
start_date = (last_date + timedelta(days=1)).strftime("%Y%m%d")
print(f"上次更到{last_date.strftime('%Y-%m-%d')}，从{start_date}开始更")
else:
start_date = "20251101"
print(f"没历史数据，从{start_date}开始爬")
end_date = datetime.now().strftime("%Y%m%d")
print(f"爬取时间：{start_date} 到 {end_date}")
df = ak.fund_etf_hist_sina(symbol=add_sh_sz(SYMBOL))
print(f"爬到{df.shape[0]}条数据，包含开盘价/最高价/收盘价/成交量")
if df.empty:
print("没爬到新数据")
return
filename = f'./daily_prices_{SYMBOL}.json'
if last_date:
with open(filename, 'r', encoding='utf-8') as f:
old_data = json.load(f)
new_data = {}
for _, row in df.iterrows():
date_str = str(row['date'])
new_data[date_str] = {
"1. open": str(row['open']),
"2. high": str(row['high']),
"3. low": str(row['low']),
"4. close": str(row['close']),
"5. volume": str(row['volume'])
}
old_data["Time Series (Daily)"].update(new_data)
old_data["Meta Data"]["3. Last Refreshed"] = end_date
final_data = old_data
else:
final_data = {
"Meta Data": {
"1. 说明": "ETF日线数据（开盘/最高/最低/收盘/成交量）",
"2. 代码": SYMBOL,
"3. Last Refreshed": end_date,
"4. 时区": "Asia/Shanghai"
},
"Time Series (Daily)": {}
}
for _, row in df.iterrows():
date_str = str(row['date'])
final_data["Time Series (Daily)"][date_str] = {
"1. open": str(row['open']),
"2. high": str(row['high']),
"3. low": str(row['low']),
"4. close": str(row['close']),
"5. volume": str(row['volume'])
}
with open(filename, 'w', encoding='utf-8') as f:
json.dump(final_data, f, ensure_ascii=False, indent=4)
print(f"数据存好了：{filename}")
模块4：调用大模型生成交易指令
核心逻辑：把爬好的数据喂给Qwen3/DeepSeek，让模型根据行情给交易建议（买/卖/持仓）：
def get_llm_trade_signal(SYMBOL: str):
"""用大模型分析数据，生成交易指令"""
# 读取本地数据
filename = f'./daily_prices_{SYMBOL}.json'
if not os.path.exists(filename):
print(f"没找到{SYMBOL}的数据，先爬数据！")
return
with open(filename, 'r', encoding='utf-8') as f:
data = json.load(f)
# 取最近10天的行情（给模型的上下文不用太多）
recent_dates = sorted(data["Time Series (Daily)"].keys())[-10:]
recent_data = {date: data["Time Series (Daily)"][date] for date in recent_dates}
# 构造提示词（关键：明确告诉模型要做什么）
prompt = f"""
你是专业ETF交易分析师，基于以下{SYMBOL}的最近10天行情数据，结合沪深300基准，给出交易建议：
数据：{recent_data}
要求：1. 输出"买入"/"卖出"/"持仓观望"；2. 简单说明理由（不超过50字）；3. 不用专业术语。
"""
# 调用Qwen3（这里用伪代码，实际需对接大模型API）
# 实际部署可参考通义千问/DeepSeek的官方SDK
from openai import OpenAI # 示例，需替换为对应大模型的SDK
client = OpenAI(base_url="你的大模型地址", api_key=os.getenv("LLM_API_KEY"))
response = client.chat.completions.create(
model="qwen3",
messages=[{"role": "user", "content": prompt}]
)
signal = response.choices[0].message.content
print(f"\n{SYMBOL}的交易建议：{signal}")
return signal
# 主函数：遍历所有ETF，爬数据+要交易指令
if __name__ == "__main__":
for symbol in all_zh_symbols:
print(f"\n===== 处理ETF：{symbol} =====")
get_daily_price(symbol) # 爬数据
get_llm_trade_signal(symbol) # 要交易指令
实测效果：大模型真的会“炒股”吗？
跑起程序后，两个大模型的表现很有意思，直接上结果：
1. 交易指令差异明显
● Qwen3：反应灵活，有明确交易记录。比如看到黄金ETF连续3天上涨，给出“持仓观望，短期涨幅大需警惕回调”；标普500ETF下跌2%时，建议“小仓位买入，分散风险”。
● DeepSeek：偏保守，全程持仓不动。理由是“当前ETF波动在合理范围，无明确买卖信号，避免频繁交易”。
👉 后续计划：拉长回测时间到3个月，增加5只A股ETF，看DeepSeek是否会触发交易信号。
2. Web可视化看收益（新手也能懂）
运行Web服务就能看直观的收益曲线，步骤超简单：
cd docs
python -m http.server 8000
打开http://localhost:8000，就能看到：
● 📈 收益曲线：Qwen3的模拟收益 vs 沪深300基准，涨跌幅一目了然；
● 📊 持仓分析：每只ETF的持仓占比、买入时间、浮盈浮亏；
● 💬 对话记录：大模型给出交易建议的完整逻辑，方便复盘。
（附实测截图：Qwen3模拟收益跑赢沪深300约1.2%，当然这只是短期回测，不代表真实收益）
未来升级计划：从ETF到股票，从日线到分钟线
这个项目只是雏形，后续这3个方向会重点升级，代码已预留接口：
1. 支持股票交易：把all_zh_symbols换成股票代码（比如贵州茅台600519），提前爬取股票数据即可，逻辑完全复用。
2. 加技术指标：引入MACD、RSI、布林带等，给大模型更丰富的分析依据。比如当RSI>70时，模型会自动识别“超买信号”。
3. 多周期数据：现在是日线，后续加分钟线（适合短线）、周线（适合长线），满足不同交易风格。
最后：为什么普通人要学AI+金融？
不是说要靠AI炒股赚钱，而是在AGI时代，“AI+专业领域”的能力已经成了职场护城河：
我身边做金融的同事，用AI自动爬取研报、生成分析报告，效率比以前高3倍；做量化的朋友，用大模型优化交易策略，省去了大量调参时间。
这个炒股项目，本质是帮你练手“大模型+数据处理+行业落地”的完整能力——就算不做金融，这套逻辑套到电商、教育等领域也同样适用。
