别人花 2 万买的研报炒股，我用 AI 5 分钟自己跑出来了

本文是「小龙虾搞钱指南」系列的工具篇。上篇拆了怎么靠 Skill 赚钱这篇直接给你一套炒股用的工具包——让你的 AI 自己看盘、读新闻、写研报。贵金属跳水A 股有色板块联动暴跌。如果你自己做分析流程大概是这样的打开财联社翻快讯切到微博看情绪再去东方财富拉 K 线数据然后手动整理出一条逻辑链——贵金属为什么跌、怎么传导到 A 股、哪些板块受影响。一个专业研究员认真做完这套至少半天半天过去股市都收盘了接下来用下面的这个工具做同样的事只需要花了 5 分钟 开源的如果你有动手能力你可以改一改viber coding 下更符合你的需求。在 OpenClaw / AI 里输入一句话分析今天贵金属跳水对 A 股的影响然后 AI 自己跑了三步第一步同时去财联社、华尔街见闻、微博抓相关快讯整理出一份热点趋势报告。第二步画出一张完整的市场传导链路图——贵金属跌了为什么有色板块会联动中间经过哪几步每个环节是正面影响还是负面影响全标出来了。第三步把 K 线数据和新闻情绪合在一起跑出一个未来走势预测。这三步一行代码都不用写。做到这一切的是一个叫 Awesome-finance-skills[1]的开源项目1.5k StarApache 开源免费。下面拆解怎么装、每个模块干什么、以及哪些你真正用得上。五分钟装进去方式一命令行一键装推荐npx skills add RKiding/Awesome-finance-skillsalphaear-news npx skills add RKiding/Awesome-finance-skillsalphaear-stock npx skills add RKiding/Awesome-finance-skillsalphaear-logic-visualizer方式二手动复制到 Skills 目录git clone https://github.com/RKiding/Awesome-finance-skills.git cp -r Awesome-finance-skills/skills/alphaear-news ~/.openclaw/skills/ cp -r Awesome-finance-skills/skills/alphaear-stock ~/.openclaw/skills/ cp -r Awesome-finance-skills/skills/alphaear-logic-visualizer ~/.openclaw/skills/不同框架的安装路径框架路径OpenClaw~/.openclaw/skills/Claude Code~/.claude/skills/OpenCode~/.config/opencode/skills/Antigravity~/.gemini/antigravity/global_skills/每个 Skill 文件夹里必须有SKILL.mdAgent 才认识它。8 个模块分别干什么数据分析获取alphaear-news alphaear-stock炒股最烦的事情之一是信息散在各处你又不可能实时打开去看那么多的消息那么下面的工具就很适合你。alphaear-news帮你接了 10 多个信源——财联社的快讯、华尔街见闻的深度、微博的热搜情绪还有 Polymarket 的预测市场数据一个接口全拿到。你告诉它source_idcls它去抓财联社告诉它多个来源它合并生成一份趋势报告。5 分钟内存缓存 本地 SQLite 存档重复调不浪费请求。alphaear-stock覆盖 A 股、港股、美股三个市场。三个接口够用搜股票代码、拉 OHLCV 历史行情、拿基本面数据市值、市盈率、行业分类。A 股和港股走 akshare东方财富数据源国内直连没问题。美股走 yfinance需要能访问 Yahoo Finance国内用需要科学上网。情绪监控alphaear-sentiment一条新闻发出来是利好还是利空有时候很难说清楚。alphaear-sentiment用 FinBERT 做情感评分输出 -1.0 到 1.0 的数值。-1 是极度负面1 是极度正面0 是中性。关键在于 FinBERT 是怎么训练出来的。普通的情感模型训练数据是电影评论、社交帖子之类的东西。它学到的是下滑 坏事超出 好事然后直接加总判断情绪。FinBERT 不一样。它喂的是路透社、彭博的金融新闻、上市公司公告、分析师报告——几十万篇全是金融语境。所以它学会的是金融领域的语义关系营收下滑但超出预期→ 正面市场预期才是锚超预期才是信号获得监管批准→ 正面商誉减值→ 负面战略性亏损→ 不一定要看上下文这是语境理解不是关键词匹配。用法很直接把公告、新闻标题或研报摘要扔进去拿到一个 -1.0 到 1.0 的数值。再结合价格数据看——情绪分大幅负面但股价没跌可能是市场已经提前消化了情绪分转正但价格还没动可能是滞后反应。情绪分本身不是信号它是用来验证你判断的工具。预测 alphaear-predictor这是整个项目技术含量最高的部分。Kronos 是专门为金融 K 线序列设计的开源基础模型shiyu-coder/Kronos[2]。它把 OHLCV 数据当成一种语言来建模用自回归 Transformer 做时序预测。简单说它学的不是价格应该涨多少而是这种 K 线序列接下来通常长什么样。接进来之后分两步走。第一步Kronos 基于纯 K 线给出技术面预测。第二步Agent 拿着最新新闻用 LLM 判断要不要上调或下调这个预测结果。数据面 基本面分开跑再合并。from scripts.utils.kronos_predictor import KronosPredictorUtility predictor KronosPredictorUtility() forecast predictor.predict(600519, horizon7d) print(forecast)要注意的是Kronos 的模型权重kronos_news_v1.pt需要单独下载放到exports/models/目录下。依赖也重torch、transformers、sentence-transformers。如果你只是想用新闻和行情数据不用预测可以跳过这个模块。逻辑alphaear-signal-tracker alphaear-logic-visualizer这两个放在一起讲因为它们解决的是同一类问题你的判断是否还成立alphaear-logic-visualizer自动画传导链路图你说贵金属跳水会影响 A 股有色板块这是一个结论。但中间的传导路径是什么这个 Skill 做的事情是让 LLM 把传导路径结构化然后自动生成一张流程图。原理分三步LLM 拆解逻辑链。Agent 拿到你的问题后用一套专门的 Prompt让 LLM 把宏观逻辑拆成一组节点和连线。比如美联储加息 → 美元走强 → 大宗商品承压 → 有色金属期货下跌 → A 股有色板块联动下跌每个箭头就是一个传导环节。生成 Draw.io XML。Prompt 要求 LLM 直接输出mxGraphModel格式的 XML 代码——不是自然语言描述而是真正的图表数据。Prompt 里规定了分层布局规则X 轴按传导层级递进第 1 层 x0第 2 层 x200……Y 轴分布同层节点防止重叠。节点按影响方向上色正向用绿色#d5e8d4负向用红色#f8cecc中性用灰色。渲染成可视化页面。scripts/visualizer.py里的render_drawio_to_html方法把 XML 嵌入 HTML 模板引用 draw.io 官方的viewer-static.min.js脚本浏览器打开就是一张完整的交互式流程图。所以它不是画了张图它是让 LLM 把模糊的因果关系变成了一张可验证的结构化逻辑图。你可以一个节点一个节点地检查这条传导路径到底成不成立。你也可以一目了然快速获取到信息。alphaear-signal-tracker信号生命周期管理传导链路画出来了下一个问题是过了三天这条逻辑还成立吗这就是 signal-tracker 做的事。你每次问它帮我看看之前那个信号还成不成立它就跑一轮检查。注意它不是后台自动盯盘。没有定时任务没有 webhook没有订阅机制。你问一次它跑一次不问它不动。信号的历史状态存在本地 SQLite 里下次问的时候跟上一次的快照做对比。每次跑一轮工作流分三步Research收集。调用alphaear-search和alphaear-stock拉取跟这个信号相关的最新新闻和价格数据。Analyze分析。用 FinAnalyst Prompt 生成一个结构化的InvestmentSignal对象——包含信号论点thesis、信心水平confidence和强度评分strength。Track追踪。把新拉到的信息和上次存档的信号论点做对比输出四种判定之一Strengthened强化新信息进一步支持原论点Weakened弱化出现了反面证据但还不足以推翻Falsified证伪核心假设已经被事实否定Unchanged不变没有实质性新信息举个例子你三天前建了一个看多铜的逻辑——全球新能源需求上升 → 铜需求增长 → 铜价看涨。今天你问 Agent 帮我 track 一下铜的信号它去拉最新新闻发现欧洲新能源补贴政策收紧、铜库存数据超预期增长输出Weakened信心从 0.8 降到 0.5。如果你想让它定时跑得自己在外面套一层调度——比如用 OpenClaw 的 automation 功能设个每天早上 9 点自动执行 track my signals。但项目本身不带这个。viber coding 发挥你的创意把传导链路图是静态快照信号追踪是按需复查——两个合起来才是完整的投资逻辑管理。输出alphaear-reporter alphaear-searchalphaear-reporter的工作流分三步把多个信号按主题聚类分组对每组信号分别生成分析段落最后拼成完整研报并自动生成图表。依赖最轻只用内置的sqlite3。alphaear-search支持 Jina、DuckDuckGo、百度三个搜索引擎还有本地 RAG——你自己收藏的研报、笔记、文章可以存进本地向量库搜索时同时检索网络和本地资料不漏掉你自己的历史积累。注意美股数据要挂代理。yfinance 走的是 Yahoo Finance需要科学上网说白了它做的是什么原来你要自己盯财联社快讯、手动去东方财富拉 K 线、用 Python 调 FinBERT 做情感分析、研究怎么跑 Kronos 模型——每一步都要写代码、处理依赖、对接口。一套做下来半天到一天。现在装几个 Skill直接用自然语言问 Agent5 分钟出结果。研报不再是机构的专利。工具的门槛在消失接下来拉开差距的是你知道问什么问题。写在最后你不需要直接全部使用你可以参考它的思路或者是直接伸手党一键下载。如果你只是想让 AI 帮你看盘、读新闻——装alphaear-newsalphaear-stock就够了两分钟搞定Agent 立刻有了实时数据这条腿。如果你想更进一步让 AI 帮你做情绪分析和走势预测——加上alphaear-sentiment和alphaear-predictor。如果你想搭一套完整的投资分析系统——八个全装从数据采集到研报输出全链路自动化。另外如果你想自己viber coding 借鉴他不错的思路可以参考scripts/目录下的示例代码。 关注公众号不错过下一篇拆解。觉得有收获点赞 在看 转发是对我最大的支持